Samenvatting Multivariate Data-Analyse

Samenvatting MDA
Verkennen van data
Theorie
Interne consistentie van een vragenlijst:

METHODE 1:

 Likertschaal maken  nieuwe variabele berekenen in SPSS door de som te nemen van alle
scores van de items in je schaal
 Zorg ervoor dat alle items in dezelfde richting gecodeerd werden
 Vraag een correlatiematrix op van de alle items en de nieuwe variabele om te kijken welke
items ermee samenhangen. Als je een sterk negatieve correlatie hebt, stond de variabele in
de andere richting gecodeerd

METHODE 2:

 Eerst interne consistentie onderzoeken via reliability analysis
 Je krijgt de Cronbach’s alpha en de Cronbach’s alpha als je het item zou verwijderen
 Het item dat, door het te verwijderen, de grootste stijging van Cronbach’s alpha geeft, moet
je effectief verwijderen
 Deze werkwijze herhalen tot:
 Cronbach’s alpha optimaal is = niet verder zou stijgen door een volgend item te
verwijderen
 Cronbach’s alpha voldoende hoog geacht wordt

Correlaties: door de correlatie r te kwadrateren, krijg je het procent verklaarde variantie. Vanaf een
correlatie van 0.7 spreken we van een sterke correlatie. Let op voor uitschieters!

Buitenbeetjes en uitschieters (outliers en extremes): je kan deze verwijderen (als het atypische
gevallen zijn) of behouden worden (als je een representatieve steekproef hebt, om de
betrouwbaarheidsintervallen niet te overschatten).

Ontbrekende data: (we krijgen op examen altijd volledige datafiles)

 Complete case (optie listwise): ontbrekende waarnemingen worden buiten beschouwing
gelaten. Meest toegepaste wijze, als de missing values niet systematisch ontbreken
 Je gaat dus best na of de missing values systematisch ontbreken door een t-test tussen
respondenten met ontbrekende values en andere respondenten voor een andere variabele.
 Pairwise deletion: per analyse worden alle deelnemers beschouwd waarvoor alle
beschouwbare variabelen beschikbaar zijn  voordeel = telkens maximale hoeveelheid
beschikbare data worden verwerkt. Nadeel  elke analyse heeft een wisselende groep
deelnemers (min of meer toevallig)
 Ontbrekende data vervangen = imputatie: ontbrekende data vervangen door:
 Vervangende en vergelijkbare cases
 Gemiddelde waarde
 Geschatte waarde door regressie
 Meervoudige imputatie: eenzelfde case wordt meerdere keren ingevoerd met
telkens een verschillende antwoordmogelijkheid


1

,Werkhypothesen:

 Lineariteit: nagaan via correlatie, scatterplot
 Normaliteit: nagaan via de Kolomogorov-Smirnov, nadeel = kleine steekproeven vaak
normaal en grote steekproeven niet vaak normaal  kijken naar grafieken:
 Normal Q-Q plot = normaal-kwantiel diagrammen (meetwaarden standaardiseren)
 waarnemingen rond de diagonaal wijst op normaliteit. Daaronder staat in SPSS de
detrended normal Q-Q plot, waar je kan zien of de waarneming boven of onder de
normaalverdeling liggen
 Normal probability plot = P-P plot  werkt met cumulatieve frequenties. Opnieuw
moeten de waarnemingen rond de diagonaal liggen voor normaliteit, met daaronder
een grafiek die aangeeft of de waarnemingen boven of onder normaalverdeling
liggen
 Histogram
 Homoscedasticiteit: gelijke spreiding  zijn de varianties in de vergeleken populaties
ongeveer gelijk? Nagegaan via Levene’s test for equality of variances. Ook hier: nadeel =
kleine steekproeven vaak normaal en grote steekproeven niet vaak normaal  kijken naar
grafieken:
 Boxplot: kijken naar interkwartielafstand en (in mindere mate) variatiebreedte
 Spreidingsdiagram of scatterplot: parallellogramvorm wijst op homoscedasticiteit

Robuustheid: wanneer de werkhypothesen niet voldaan zijn, kan men kijken naar de robuustheid om
te bepalen of bepaalde analyses mogen uitgevoerd worden. Robuustheid = ongevoelig zijn voor
afwijkingen van de werkhypothesen.

SPSS
Analyze  descriptive statistics  descriptives om te kijken naar de ‘standaard’ beschrijvingen
zoals gemiddelde en standaardafwijking

Analyse  descriptive statistics  explore om een uitgebreider overzicht te krijgen

Graphs  legacy dialogs  boxplot (simple – summaries for groups of cases) om je data in 2
groepen te verdelen en daarvan de boxplot op te vragen

Transform  compute om een Likertschaal aan te maken  SUM(item1 to item100)

Analyse  correlate  bivariate om een correlatiematrix op te vragen of zelf syntax aanmaken. Typ
in: CORRELATIONS item1 TO item100 WITH score.

Analyze  scale  reliability analysis om interne consistentie te meten  vink bij statistics
descriptives, item, scale en scale if item deleted aan

Analyze  nonparametric tests  legacy dialogs  1 sample K-S om de normaliteit na te gaan

Analyze  descriptive statistics  Q-Q plots om de normaal-kwantiel plot op te vragen

Analyze  descriptive statistics  P-P plots om de normal probability plot op te vragen

Graphs  legacy dialogs  histogram om histogram op te vragen (display normal curve)

5% trimmed mean = gemiddelde als de 5% extreemste waarden niet meegeteld worden.




2

, Likertschaal aanmaken:

1. Nagaan of de variabelen in dezelfde richting gecodeerd zijn en interne consistentie checken
via reliability analysis (scale & scale if item deleted opvragen)
2. Hercoderen van de in de verkeerde richting gecodeerde variabelen: transform  decode
into different variables, waarbij system-or-user missing  system missing worden
3. Cronbach’s alpha herberekenen met de gehercodeerde variabelen
4. Likertschaal aanmaken: transform  compute:
 Som van de variabelen
 Gemiddelde van de variabelen: houdt rekening met aantal missings




3