MVDA
Bachelor Psychologie
2023-2024
Samenvatting colleges en stof
Basisinformatie over het vak:
De eerste vier weken: 1 y variabele met meerdere x variabelen met als
onderzoeksvraag: kan y worden voorspeld op basis van x1 en/of x2?
Nominaal Categorieën (geen/wel therapie)
Interval Intervallevels met betekenis (gewicht)
Binair 2 categorieën (man/vrouw)
Alle tests:
College 1 – MRA
MRA: je gaat een y-waarde voorspellen op basis van meerdere
x-variabelen. Hierbij is alles op intervalniveau.
,Omdat je twee of meer intervalvariabelen hebt, kan je de relatie
daartussen weergeven door de (Pearson) correlatie te berekenen.
- Je weet dan of het +/- relatie is
- Je weet dan de sterkte van de relatie (-1 tot +1)
Enkelvoudige regressie
- Bo: constante, ook wel het intercept
- B1: het regressiegewicht, die informatie geeft over de richting en
steilheid van de regressielijn
Gestandaardiseerde regressievergelijking
Je zou de ruwe scores van Y en Z ook kunnen omzetten naar
standaardscores Zx en Zy. De constante is dan altijd 0 en de
regressiegewichten b heten nu gestandaardiseerde regressiegewichten β.
De gestandaardiseerde regressievergelijking ziet er als volgt uit:
- Waarbij β=Sx/Sy
- Waarbij B1= Rxy
Multiple regressie
- Oftewel: Waarde = voorspelde waarde op basis van variabelen +
error
- Waarbij Y=Ӯ+e
- Ӯ= alles van bovenstaande formule met een b en x.
Regressiegewichten en kleinste kwadraten principe
Regressiegewichten geven aan hoeveel Y verandert als de X-variabele met
1 eenheid toeneemt.
Het verschil tussen de voorspelde waarde van Y en de werkelijke waarde
van Y wordt het residu genoemd. Je wilt een regressielijn met zo min
mogelijk residu, dit noem je het kleinste kwadraten principe: Je hebt de
beste voorspelling wanneer de gemiddelde gekwadrateerde afstand tot
het gemiddelde zo klein mogelijk is.
, - Oftewel: Waarde = voorspelde waarde - error
- (Score = voorspeld)^2 moet zo klein mogelijk zijn
Voorbeeld regressiegewichten:
Hier zou je dus concluderen
- “als life events +1, dan gaat variabele Y gemiddeld omhoog met
5.293”
- “als coping +1, dan gaat variabele Y gemiddeld omhoog met 3.085”
Wanneer doe je bij MRA welke test?
Ftest Controleren of de totale bijdrage van al onze voospellers
significant is
Ttest Individuele bijdrage van alle voorspellers bepalen
We willen kijken naar de vraag: Is er überhaupt iets van een relatie?
Hypothesen hele model:
- H0: b1* = b2* = 0
- Ha: ten minste één bj*= niet nul
Hypothesen individuele coefficienten:
- H0: b1* = 0
- Ha: b1* is niet nul
Dit hetzelfde voor b2 etc
Deze H0 testen met een F toets
Je gebruikt een Ftoets als je wilt controleren of de totale bijdrage van alle
voorspellers significant is.
Je kan kijken of F signfiicant is in de anova tabel:
, Als de F-test significant is, dan betekent dit dat ten minste 1
regressiegewicht significant verschilt van 0. Je kan dit controleren in de
ANOVA-tabel en controleer je in de regressie rij of deze significant is.
Voorbeeld: hieronder is de regressie in de anova tabel wel significant met
F=28.489 en p=.000
Je kan in de coefficients tabel voor elke voorspeller controleren of deze
significant is
Voorbeeld: hier zijn zowel life events als coping significante voorspellers
Hoe kom je aan deze berekeningen/hoe kan je de som begrijpen:
Hoe goed is de voorspelling?
Kijken naar de Rsquare (zoveel % wordt verklaard door het model)
- Hoe hoger R^2, hoe beter onze voorspelling als geheel is
- We gebruiken de aangepaste R^2 omdat de hoeveelheid gedeelde
variantie in de populatie vaak wordt overschat. Je kan deze vinden in
de model summary van spss of met de hand berekenen met de
volgende formule:
Je kan de R^2 op drie verschillende manieren berekenen:
1.
Bachelor Psychologie
2023-2024
Samenvatting colleges en stof
Basisinformatie over het vak:
De eerste vier weken: 1 y variabele met meerdere x variabelen met als
onderzoeksvraag: kan y worden voorspeld op basis van x1 en/of x2?
Nominaal Categorieën (geen/wel therapie)
Interval Intervallevels met betekenis (gewicht)
Binair 2 categorieën (man/vrouw)
Alle tests:
College 1 – MRA
MRA: je gaat een y-waarde voorspellen op basis van meerdere
x-variabelen. Hierbij is alles op intervalniveau.
,Omdat je twee of meer intervalvariabelen hebt, kan je de relatie
daartussen weergeven door de (Pearson) correlatie te berekenen.
- Je weet dan of het +/- relatie is
- Je weet dan de sterkte van de relatie (-1 tot +1)
Enkelvoudige regressie
- Bo: constante, ook wel het intercept
- B1: het regressiegewicht, die informatie geeft over de richting en
steilheid van de regressielijn
Gestandaardiseerde regressievergelijking
Je zou de ruwe scores van Y en Z ook kunnen omzetten naar
standaardscores Zx en Zy. De constante is dan altijd 0 en de
regressiegewichten b heten nu gestandaardiseerde regressiegewichten β.
De gestandaardiseerde regressievergelijking ziet er als volgt uit:
- Waarbij β=Sx/Sy
- Waarbij B1= Rxy
Multiple regressie
- Oftewel: Waarde = voorspelde waarde op basis van variabelen +
error
- Waarbij Y=Ӯ+e
- Ӯ= alles van bovenstaande formule met een b en x.
Regressiegewichten en kleinste kwadraten principe
Regressiegewichten geven aan hoeveel Y verandert als de X-variabele met
1 eenheid toeneemt.
Het verschil tussen de voorspelde waarde van Y en de werkelijke waarde
van Y wordt het residu genoemd. Je wilt een regressielijn met zo min
mogelijk residu, dit noem je het kleinste kwadraten principe: Je hebt de
beste voorspelling wanneer de gemiddelde gekwadrateerde afstand tot
het gemiddelde zo klein mogelijk is.
, - Oftewel: Waarde = voorspelde waarde - error
- (Score = voorspeld)^2 moet zo klein mogelijk zijn
Voorbeeld regressiegewichten:
Hier zou je dus concluderen
- “als life events +1, dan gaat variabele Y gemiddeld omhoog met
5.293”
- “als coping +1, dan gaat variabele Y gemiddeld omhoog met 3.085”
Wanneer doe je bij MRA welke test?
Ftest Controleren of de totale bijdrage van al onze voospellers
significant is
Ttest Individuele bijdrage van alle voorspellers bepalen
We willen kijken naar de vraag: Is er überhaupt iets van een relatie?
Hypothesen hele model:
- H0: b1* = b2* = 0
- Ha: ten minste één bj*= niet nul
Hypothesen individuele coefficienten:
- H0: b1* = 0
- Ha: b1* is niet nul
Dit hetzelfde voor b2 etc
Deze H0 testen met een F toets
Je gebruikt een Ftoets als je wilt controleren of de totale bijdrage van alle
voorspellers significant is.
Je kan kijken of F signfiicant is in de anova tabel:
, Als de F-test significant is, dan betekent dit dat ten minste 1
regressiegewicht significant verschilt van 0. Je kan dit controleren in de
ANOVA-tabel en controleer je in de regressie rij of deze significant is.
Voorbeeld: hieronder is de regressie in de anova tabel wel significant met
F=28.489 en p=.000
Je kan in de coefficients tabel voor elke voorspeller controleren of deze
significant is
Voorbeeld: hier zijn zowel life events als coping significante voorspellers
Hoe kom je aan deze berekeningen/hoe kan je de som begrijpen:
Hoe goed is de voorspelling?
Kijken naar de Rsquare (zoveel % wordt verklaard door het model)
- Hoe hoger R^2, hoe beter onze voorspelling als geheel is
- We gebruiken de aangepaste R^2 omdat de hoeveelheid gedeelde
variantie in de populatie vaak wordt overschat. Je kan deze vinden in
de model summary van spss of met de hand berekenen met de
volgende formule:
Je kan de R^2 op drie verschillende manieren berekenen:
1.
