Data-analyse in SPSS

Data analyse in SPSS

Week 6 Chapter 22
Non-linearity:
- Estimate the original model
o Analyse  regression  linear
o Save  unstandardized predicted values
- Square unstandardized predicted values
o Transform  compute variable  predicted values * predicted values
- Add them to the model
o Make second model  enter PRE_2
o Hebt dus oorspronkelijke model en model met PRE_2 in één model!
De gamma kwadraat zelf niet opnemen, dit is namelijk een hulpmodel. Gamma kwadraat neemt de
variabelen in het kwadraat op en interactietermen (zie schrift).
Kan dus nadenken of er een variabele in het kwadraat of een interactieterm opgenomen moet
worden. Uitbreidingen kun je uiteindelijk toetsen met een F-toets.
Nooit dummy variabelen in het kwadraat  0 keer 0 = 0 en 1 keer 1 = 1.

Heteroskedasticity:
- Estimate original model
o Analyse  regression  linear
o Save  unstandardized residuals
- Square unstandardized residuals
o Transform  compute variable  unstandardized residuals * unstandardized
residuals
- Regresseer de RES_2 op de X’en die al in de vergelijking zaten.
o Oorspronkelijke model: Y op X
o Wat je nu gaat doen: squared unstandardized residuals op X



- H0: gamma1 = gamma2 = 0 vs. H1: gamma1 ≠ 0 en/of gamma2 ≠ 0
o Dit is voor Aux. model 1  het hulpmodel!
o F-toets
Als we te maken hebben met heteroskedasticiteit  de standaardfouten zijn niet goed.
Analyse  regression  linear  kijken naar oorspronkelijke model, dus Y op X  bootstrap 
perform bootstrapping  number of samples = 1000 (hoe meer samples, hoe beter het wordt).

Dependence of the error terms, autocorrelation:
Analyse  regression  linear  Y op X (oorspronkelijk model).
Save  unstandardized residuals
Transform  compute variable  LAG_RES
Analyse  regression  linear  unstandardized residual op LAG_RES.

, Week 8 Chapter 24
The case of complete specification:
- Transform  compute variable  c1 = IDF.NORMAL(kans (bv. ¼), mu, standaard deviatie).
c2 = IDF.NORMAL(kans (bv. 2/4), mu, standaard deviatie).
c3 = IDF.NORMAL(kans (bv. ¾), mu, standaard deviatie).
o Transform  recode into different variables…  onder het kopje numeric variable
naar output variable zet je X  name = cell  change  old and new values  new
value = 1  old value = range, LOWEST through value en dan hier waarde invullen 
add.
Als waarde ertussen in zit of voor de laatste  range …. through ….
Nog wat anders  all other values.
Dit doen voor elke klasse!  continue  OK.
ÓF
o Transform  compute variable  1 + (x>c1) + (x>c2) + (x>c3)
- Analyse  descriptive statistics  frequencies  variables = cell/klassen.

Chi-square test:
Analyse  nonparametric tests  legacy dialogs  chi-square  test variable list = cell/klassen 
all categories equal  OK.

Kan ook zo zijn dat alle categorieën niet gelijk aan elkaar zijn  values (dit zijn de verwachte
waarden, de e’s. e = n*p). Deze moeten op volgorde worden ingevuld  OK.

Wanneer er een soort frequentie tabel is gegeven:
Data  weight cases  weight cases by frequency  OK.
Analyse  descriptive statistics  frequencies  variables = class/cell  OK.
Analyse  nonparametric tests  legacy dialogs  chi-square  test variable list = cell/klassen 
all categories equal  OK.

The case of incomplete specification:
- Analyse  descriptive statistics  descriptives.
o Weet je X gemiddeld, mu en de variantie. Deze vul je hier beneden in bij c1…c3…
- Transform  compute variable  c1 = IDF.NORMAL(kans (bv. ¼), mu, standaard deviatie).
c2 = IDF.NORMAL(kans (bv. 2/4), mu, standaard deviatie).
c3 = IDF.NORMAL(kans (bv. ¾), mu, standaard deviatie).
- Transform  compute variable  cell = 1 + (x>c1) + (x>c2) + (x>c3)
- Analyse  nonparametric tests  legacy dialogs  chi-square  test variable list =
cell/klassen  all categories equal  OK.
- Transform  compute variable  critical value = IDF.CHISQ(prob (gaat uit van rechterkant),
df)
ÓF
- Transform  compute variable  pvalue = 1- CDF.CHISQ(g, df)
o Is een andere pvalue dan die SPSS aangeeft in de output van de chi test.

Tests for independence:
- Analyze  descriptive statistics  crosstabs  vul voor rij en kolom een variabele in  OK.
- Analyze  descriptive statistics  crosstabs  cells  observed is al aangevinkt, ook
expected aanvinken  OK.
- Analyze  descriptive statistics  crosstabs  statistics  chi-square  OK.