Samenvatting MVDA

Spiekbriefje tentamen MVDA

Keuze maken voor de juiste test

Stappenplan
1. Wat zijn de variabelen?
2. Zijn er bepaalde variabelen die we als onafhankelijke of afhankelijke variabelen kunnen
aanmerken?
3. Wat zijn de meetniveaus van de variabelen?
4. Wat is de onderzoeksvraag?


Welke techniek hangt af van de meetniveaus van de variabelen

Meetniveau X Meetniveau Y Methode
Enkele set Interval - ANOVA met herhaalde
metingen
Twee reeksen met Interval* Interval Meervoudige
één variabele in Y regressieanalyse
(MRA) / mediatie
Nominaal* Interval ANOVA
Nominaal + Interval* Interval Covariantieanalyse
(ANCOVA)
Interval* Binair Logistische
regressieanalyse (LRA)
Interval* Nominaal Discriminerende
analyse
Twee reeksen met Nominaal Interval Multivariate
meerdere variabelen variantieanalyse
in Y (MANOVA)
 Al deze X-variabelen kunnen ook BIN zijn


Verschil dependent en independent sample t test:
Dependent: allebei de variabelen hebben te maken met eenzelfde andere variabele
- Vb. interesse van één kind wordt gemeten door zowel de ouders als de leraar
Independent: allebei de variabelen hebben te maken met verschillende variabelen
- Vb. tien kinderen hun interesse worden gemeten door hun ouders, de interesse van tien
andere kinderen wordt gemeten door hun leraar


Paired samples t-test: als alle condities door dezelfde proefpersonen worden uitgevoerd (within
subjects design)
Rapporteren: t(..) = …, p = …, d = …
d = Cohen’s d, af te lezen op SPSS: Paired Samples Effect Sizes  rij van Cohen’s d  Point Estimate


Het verschil tussen EFA en CFA

, - Bij CFA heb je al een heel duidelijk idee welke variabelen (items) wat meten en dan ga je
kijken of de structuur die je verondersteld klopt
- Bij EFA ga je kijken welke variabelen (items) wat meten




Meervoudige regressieanalyse (MRA)

Constant = intercept (b0)
Onafhankelijke variabele = slope (b1)

Doel:

- Y voorspellen op basis van X; correlationeel
- Gekwadrateerde residuen zo klein mogelijk zodat voorspelde waarden zo min mogelijk
verschillen van de gemiddelde waarden

Meervoudige regressieanalyse > enkelvoudige regressie = elimineren van mogelijke spurieuze relatie



Ongestandaardiseerde regressievergelijking

- Steekproef: ŷ = b0 + b1x1 + b2x2 + bkxk
- Populatie: μy = β0 + β1x1 + β2x2 + βkxk

b1 = helling/slope (verschil in y als x 1 stijgt)



Gestandaardiseerde regressievergelijking

Gestandaardiseerd: (Y)st = β1(X1)sd + β2(X2)sd + βk(Xk)sd

Hoe groter β hoe belangrijk de predictor

X −µ
z=
σ


Interpretatie van de ongestandaardiseerde en gestandaardiseerde coëfficiënten

Ongestandaardiseerd:
X1 + 1  gemiddelde toename van Y met b1

Gestandaardiseerd:
X1 + 1 st.dev.  on average, Y + β1 st.dev.


Deel van de verklaarde variantie in de steekproef

SS model
VAF model =
SS total

, SS error
VAF fout =1−
SS total
2
VAF=r
Meer voorspellers  minder foutvariantie  betere voorspelling van y



Variantie (VAF) in populatie
2
(1−R )(n−1)
Voor populatie: adj R2=1−
n−p−1
Adj R2: gecorrigeerd voor aantal voorspellers

Meer voorspellers  kleinere adj R2



Standaardfout van de schatting: se =√ MSE



F-test

Bekijkt verhouding tussen verklaarde en onverklaarde variantie
Altijd tweezijdig, handig voor meerdere variabelen

Hypothesen regressie model:
H0: b*1 = b*2 = … = b*k = 0 (OF R2 = 0)
Ha: tenminste één b*j ≠ 0 (OF R2 > 0)

MS ŷ
F (df ŷ , df e )= dfŷ = p, dfe = n-p-1
MSE


t-test

Hypothesen voor elke predictor:
H0: b*1 = 0
Ha: b*1 ≠ 0

Formuleren: β = …, t(n-p-1) = …, p = …



Hoe goed is de predictor?

2 2 r 2Y 1 +r 2Y 2−2 r Y 1 r Y 2 r 12
R =R Y .12 = 2
√ ❑1−r 12

2 SS effect
OF R =VAF =
SStotal