Advanced Research Methods and Statistics for Psychology (201900076)
Institution
Universiteit Utrecht (UU)
Book
Discovering Statistics Using IBM SPSS
Een samenvatting voor het vak 'Advanced Research Methods and Statistics for Psychology' (ARMS) van de studie psychologie aan de Universiteit Utrecht. Deze samenvatting bevat alleen het algemene gedeelte van dit vak. In deze samenvatting staan zowel de Field hoofdstukken, als de artikelen als nieuwe...
Exam Guide for Applied Multivariate Data Analysis – Get yourself a Wonderful Grade!
Summary of Statistics (IBC), Radboud University
Answers assignment 3 business research methods
All for this textbook (117)
Written for
Universiteit Utrecht (UU)
Psychologie
Advanced Research Methods and Statistics for Psychology (201900076)
All documents for this subject (9)
10
reviews
By: cvandervegt • 3 year ago
By: dieuwertje001 • 4 year ago
By: jorisjongen • 4 year ago
By: kimberlyvanderwolde1 • 4 year ago
By: noudkemps • 4 year ago
By: NadesjaFijn • 4 year ago
By: yenteklaassen • 4 year ago
Show more reviews
Seller
Follow
psy99
Reviews received
Content preview
1 of 15
Samenvatting ARMS general part
WEEK 1
Artikel Kanazawa (2012)
In dit artikel wordt er een analyse uitgevoerd om het ‘birth-order effect’ te toetsen. Volgens dit
idee heeft de volgorde waarin broers en zussen geboren worden invloed op hun intelligentie.
Volgens zowel het ‘confluence model’ als het ‘dilution model’ wordt de gemiddelde intelligentie
minder naarmate een kind later in de geboorte volgorde zit. Kinderen die eerder geboren zijn
binnen een gezin zijn dus gemiddeld intelligenter dan kinderen die later geboren zijn in het gezin.
Volgens het confluence model worden eerstgeborenen geboren in een familie die 100% bestaat
uit cognitief volgroeide volwassenen, bij tweede geborenen is dit 67% en bij derde geborenen is
dit 50%. Hierdoor krijgen de later geboren kinderen minder cognitieve stimulatie van hun
omgeving, waardoor ze gemiddeld minder intelligent zijn. Volgens het dilution model hebben
ouders bij later geborenen minder energie en aandacht voor dat kind, wat ook leidt tot een
gemiddeld mindere intelligentie.
In tegenstelling tot bovenstaande modellen stelt de admixture hypothese juist dat intelligentie
helemaal niet samenhangt met wanneer een kind geboren wordt in een gezin. Dit effect lijkt alleen
te bestaan doordat minder intelligentie mensen een grotere kans hebben om meer kinderen te
krijgen. Daarnaast zouden er veel meer gezinnen zijn met weinig kinderen, dus worden deze
overgerepresenteerd in steekproeven.
Volgens het tutoring effect lijden eerstgeborenen aan een vermindering in hun intellectuele
ontwikkeling omdat de tweede geborenen het niveau van intellectuele stimulatie naar beneden
haalt in de familie omgeving. Later geborenen herstellen hier later echter wel van omdat ze de
mogelijkheid krijgen hun jongere broertjes en zusjes de tutoren, terwijl later geborenen deze kans
niet meer krijgen. Hierdoor zijn eerstgeborenen moeder intelligent dan later geborenen tot de
leeftijd van 12 jaar, daarna zijn de eerstgeborenen intelligenter.
Uit dit artikel blijkt dat het birth-order effect komt door de associatie tussen intelligentie en familie
grootte, zoals de admixture hypothese stelt. Het birth-order effect is dus slechts een
methodologisch verschijnsel.
Field H9 (The Lineair Model)
Met een lineaire grafiek kunnen we bepaalde waardes voorspellen. De formule die we hiervoor
gebruiken is Yi = b0 + b1 x Xi + e. In deze formule is Yi de voorspelde waarde. B0 is de constante,
dit vinden we op de plek waar de grafiek de y-as snijdt. B1 is de helling. Xi is het getal dat we zelf
kunnen kiezen (we willen immers weten welke Yi bij Xi hoort. e is het residu. Het is ook mogelijk
om een lineair model te hebben met meerdere voorspellende waardes. De basis van de grafiek
blijft dan hetzelfde, alleen voegen we b2 en X2 aan de grafiek toe. Yi = b0 + b1 x X1 + b2 x X2+ e.
Als we maar één voorspellende waarde hebben spreken we van een simpele regressie, met
meerdere voorspellende waardes spreken we van een multiple regressie.
Het verschil tussen wat het regressie model voorspelt en wat de geobserveerde data werkelijk zijn
noemen we het residu. Soms is de werkelijke waarde minder en soms meer dan de voorspelde
waarde, dus het residu kan positief en negatief zijn. Om het negatieve teken weg te werken doen
we daarom alle waardes van het residu in het kwadraat, zodat ze allemaal positief worden. Dit
noemen we de residual sum of squares (SSR). Deze laat zien hoe goed een lineair model bij de
data past. Als dit heel groot is het model namelijk niet representatief voor de data. De parameters
worden berekent met een methode genaamd ordinary least squares (OLS), we hoeven niet te
weten hoe deze methode werkt. Als we gaan onderzoeken of een model goed bij de
geobserveerde data past dan testen we de goodness of fit.
, 2 of 15
Het total sum of squares (SSR) laat ons zien wat het verschil is tussen de geobserveerde data en
het gemiddelde. Hiermee kunnen we onderzoeken of we wellicht gewoon het gemiddelde kunnen
gebruiken om data te voorspellen. Het model sum of squares (SSM) laat zien wat het verschil
tussen het model en de gemiddelde waarde van Y. Als dit verschil hoog is en SSR is laag dan is
het slim om het model te gebruiken omdat dit dus het meest lijkt op de geobserveerde data en dit
beter werkt dan kijken naar het gemiddelde.
Het gemiddeld van de sum of squares van een model (mean squares of MS) wordt berekent door
het aantal observaties van SSR min de hoeveelheid voorspellers (k) -1 van SSM te doen. Dus:
N-k-1. Deze informatie hebben we nodig om een F-test uit te voeren. Deze F-statistieken meten
hoe goed het model kan voorspellen op basis van de onnauwkeurigheid en afwijkingen die het
model bevat. Hoe hoger de F-waarde, hoe beter het model. In het tentamen hoeven wij dit zelf
niet te kunnen berekenen, we moeten alleen weten wat het betekent.
Een t-test toetst de kans dat de nul hypothese waar is. In dit geval is de nul hypothese b=0 (het
model verspeld niks). Als de test significant is dan is de b-waarde significant verschillend van 0 en
dan is onze variabele een significante voorspeller voor de uitkomst variabele. We kijken bij een t-
test of de b-waarde die we hebben groot is aan de hand van de afwijkingen die we hebben en of
die ondanks deze afwijkingen nog genoeg kan voorspellen. Als de standaardfout klein is dan is de
kans groot dat onze b-waarde juist de werkelijkheid voorspeld.
Het regressie coëfficiënt van een lineaire lijn laat ons zien hoe sterk de relatie is tussen de
variabelen. Deze kunnen we met SPSS makkelijk berekenen door te gaan naar ‘analyse’ >
‘regression’ > ‘lineair’. De uitkomst variabele moeten we naar de afhankelijke variabele slepen.
Voordat we op ‘ok’ klikken en het coëfficiënt berekent wordt zien we rechts een menu staan met
helemaal onderaan ‘bootstrap’. Hier klikken we op om zo ‘perform bootstrapping’ aan te vinken.
Dit verhoogt de betrouwbaarheid van de berekening. Hierna kunnen we op ‘ok’ klikken.
De b0 waarde (beta) is een parameter die we gebruiken bij SPSS. Deze geeft de waarde aan
wanneer er helemaal niks gebeurt en de onafhankelijke variabele dus 0 is. Bijvoorbeeld: als je 0
reclame maakt verkoop je 130,00 cd’s. 130,00 is dan de b0 waarde. Er wordt hierbij ook altijd een
b1 waarde gegeven. Deze waarde zegt iets over de toename die zal plaatsvinden in de
afhankelijke variabele (aantal cd’s verkocht) wanneer de onafhankelijke variabele (aantal reclame)
veranderd. Als b1 een waarde heeft van 0.095, dan zal het aantal verkochte cd’s met 0.095
toenemen wanneer er 1 extra reclame wordt ingezet. Hierom is het dus belangrijk dat b1 nooit 0
is! We kunnen hiermee berekenen hoeveel cd’s we verwachten te verkopen bij een bepaalde
hoeveelheid reclame. Aantal verkochte cd’s = 130,000 + 0.095 x hoeveelheid reclame.
Er wordt ook altijd een significantie gegeven voor hoeveel b significant verschilt van 0. Dit kunnen
we onderzoeken met een t-test. Wanneer deze lager is dan 0,05, dan gaan we er van uit dat b
correct voorspelt wat de waardes zullen gaan zijn
wanneer de onafhankelijke variabele toeneemt.
Met een bootstrap kunnen we niet alleen de b-waardes
zien, maar ook wat het interval is van de mogelijke b-
waardes waarin we mogelijke fouten mee nemen. Als
we bijvoorbeeld een significantie hebben van 0,05, dan
kunnen we berekenen dat de b0 waarde minimaal 118 is
en maximaal 150 als we mogelijke fouten mee nemen.
Hetzelfde kunnen we zien bij de b1 waardes. Hiernaast
zie je een voorbeeld van waar je dit terug kan vinden in
de ‘output’ in SPSS.
Wanneer we het regressie coëfficiënt van een lineaire lijn
gaan berekenen (‘analyse’ > ‘regression’ > ‘lineair’) met
SPSS moeten we onder de onafhankelijke variabele een methode selecteren. We kiezen hier voor
‘forced entry’. Ook zie je dat we meerdere spreidingsdiagrammen tegelijk kunnen maken door te
klikken op het knopje ‘next’. Hierdoor kunnen we veel verschillende variabelen met elkaar
vergelijken.
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller psy99. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $5.35. You're not tied to anything after your purchase.
