Aantekeningen leren VOS
Multipele regressie
Attritie bias: Attrition kan bias veroorzaken wanneer er significante verschillen zijn tussen de
oorspronkelijke en de latere steekproeven.
Ongestandaardiseerde regressie coëfficiënt: (B) gebruik je om een voorspelling te doen over
een score op de afhankelijke variabele.
Gestandaardiseerde regressie coëfficiënt: (β) gebruik je om te vergelijken welke predictor de
meest belangrijke is.
Constant: (B0, intercept) de waarde op Y wanneer de waardes op alle andere variabelen 0
is.
R²: (verklaarde variantie) hoeveel van alle variabiliteit in de waardes kunnen we verklaren
met dit statische model.
Number of cases: hoeveel cases er mee zijn genomen in het model. In een regressie wordt
een respondent/case alleen meegenomen als op alle variabelen waardes zijn.
Enkelvoudige regressie: afhankelijke variabele van minimaal interval meetniveau en
onafhankelijke variabele van minimaal interval meetniveau. Voor een afhankelijke variabele
en een onafhankelijke variabele.
Multipele regressie: afhankelijke variabele van minimaal interval meetniveau en meer dan
een onafhankelijke variabele van minimaal interval meetniveau al dan niet in combinatie
met een dichotome variabele(n). Voor een afhankelijke variabele en meerdere onafhankelijke
variabelen.
Dichotome variabele: categorische variabele die als dummy’s (0/1) meegenomen worden in
de analyse en maar twee waarden kan aannemen.
Dummy variabele
Stap 1: Aantal groepen - 1
Stap 2: Kies een referentiegroep om de andere groepen mee te vergelijken
1 = Cognitieve gedragstherapie, 2 = Systeemtherapie, 3 = Psychoanalyse, 4 = Controlegroep
zonder behandeling (dan kan je bekijken hoe goed de verschillende behandelingen werken
vergeleken met een situatie waar niks wordt gedaan)
Stap 3: Referentiegroep krijgt waarde 0
Stap 4: Tweede groep krijgt waarde 1, de rest krijgt ook waarde 0
Stap 5: Derde groep krijgt waarde 1, de rest waarde 0 etc.
Je vergelijkt altijd een groep met de referentiegroep
, Residu: (voorspellingsfout/error) het verschil tussen een geobserveerde score Yi en
de voorspelde score Y^i (rode pijlen)
Kleinste kwadratenmethode wordt gebruikt voor het bepalen van de best passende
regressielijn, waarbij de som van de kwadraten van de residuen het kleinst is.
Assumpties
Lineairiteit: er is een lineaire relatie tussen de variabelen (is te zien in een
scatterplot).
Homoscedasticiteit: de variantie van de residuen is gelijk voor de verschillende
waarden van de onafhankelijke variabele.
Normaalverdeling: per X-waarde zijn de Y-scores normaalverdeeld (de residuen zijn
voor elke X-waarde normaalverdeeld).
Let op: de scores op de afhankelijke variabele hoeven niet, maar de residuen
moeten normaalverdeeld zijn.
Verklaarde variantie: hoeveel (proportie of percentage) variantie in scores op de
afhankelijke variabele verklaard wordt door de onafhankelijke variabelen in het
model. R² * 100
- Voor de significantie van het hele model toetsen we of de verklaarde
variantie groter is dan 0.
Hypotheses bij het toetsen van de verklaarde variantie door het gehele model:
H0: p² = 0
H1: p² > 0
We toetsen of de regressiecoëfficiënt (slope) van de voorspeller gelijk is aan 0.
Hypotheses bij het beoordelen van de bijdrage van een voorspeller:
H0: β = 0
H1: β ≠ 0 (of β > 0 of β < 0)
Regressievergelijking met twee voorspellers voor Yi en voor Y^i:
Yi = b0 + b1 X1i + b2X21 + ei
Y^i= b0 + b1X1i + b2X2i
Multipele regressie
Attritie bias: Attrition kan bias veroorzaken wanneer er significante verschillen zijn tussen de
oorspronkelijke en de latere steekproeven.
Ongestandaardiseerde regressie coëfficiënt: (B) gebruik je om een voorspelling te doen over
een score op de afhankelijke variabele.
Gestandaardiseerde regressie coëfficiënt: (β) gebruik je om te vergelijken welke predictor de
meest belangrijke is.
Constant: (B0, intercept) de waarde op Y wanneer de waardes op alle andere variabelen 0
is.
R²: (verklaarde variantie) hoeveel van alle variabiliteit in de waardes kunnen we verklaren
met dit statische model.
Number of cases: hoeveel cases er mee zijn genomen in het model. In een regressie wordt
een respondent/case alleen meegenomen als op alle variabelen waardes zijn.
Enkelvoudige regressie: afhankelijke variabele van minimaal interval meetniveau en
onafhankelijke variabele van minimaal interval meetniveau. Voor een afhankelijke variabele
en een onafhankelijke variabele.
Multipele regressie: afhankelijke variabele van minimaal interval meetniveau en meer dan
een onafhankelijke variabele van minimaal interval meetniveau al dan niet in combinatie
met een dichotome variabele(n). Voor een afhankelijke variabele en meerdere onafhankelijke
variabelen.
Dichotome variabele: categorische variabele die als dummy’s (0/1) meegenomen worden in
de analyse en maar twee waarden kan aannemen.
Dummy variabele
Stap 1: Aantal groepen - 1
Stap 2: Kies een referentiegroep om de andere groepen mee te vergelijken
1 = Cognitieve gedragstherapie, 2 = Systeemtherapie, 3 = Psychoanalyse, 4 = Controlegroep
zonder behandeling (dan kan je bekijken hoe goed de verschillende behandelingen werken
vergeleken met een situatie waar niks wordt gedaan)
Stap 3: Referentiegroep krijgt waarde 0
Stap 4: Tweede groep krijgt waarde 1, de rest krijgt ook waarde 0
Stap 5: Derde groep krijgt waarde 1, de rest waarde 0 etc.
Je vergelijkt altijd een groep met de referentiegroep
, Residu: (voorspellingsfout/error) het verschil tussen een geobserveerde score Yi en
de voorspelde score Y^i (rode pijlen)
Kleinste kwadratenmethode wordt gebruikt voor het bepalen van de best passende
regressielijn, waarbij de som van de kwadraten van de residuen het kleinst is.
Assumpties
Lineairiteit: er is een lineaire relatie tussen de variabelen (is te zien in een
scatterplot).
Homoscedasticiteit: de variantie van de residuen is gelijk voor de verschillende
waarden van de onafhankelijke variabele.
Normaalverdeling: per X-waarde zijn de Y-scores normaalverdeeld (de residuen zijn
voor elke X-waarde normaalverdeeld).
Let op: de scores op de afhankelijke variabele hoeven niet, maar de residuen
moeten normaalverdeeld zijn.
Verklaarde variantie: hoeveel (proportie of percentage) variantie in scores op de
afhankelijke variabele verklaard wordt door de onafhankelijke variabelen in het
model. R² * 100
- Voor de significantie van het hele model toetsen we of de verklaarde
variantie groter is dan 0.
Hypotheses bij het toetsen van de verklaarde variantie door het gehele model:
H0: p² = 0
H1: p² > 0
We toetsen of de regressiecoëfficiënt (slope) van de voorspeller gelijk is aan 0.
Hypotheses bij het beoordelen van de bijdrage van een voorspeller:
H0: β = 0
H1: β ≠ 0 (of β > 0 of β < 0)
Regressievergelijking met twee voorspellers voor Yi en voor Y^i:
Yi = b0 + b1 X1i + b2X21 + ei
Y^i= b0 + b1X1i + b2X2i
