100% tevredenheidsgarantie Direct beschikbaar na je betaling Lees online óf als PDF Geen vaste maandelijkse kosten
logo-home
Eerder door jou gezocht
Eerder door jou gezocht
logo
Summary GZW3024 SPSS en Gpower practicals €4,49
In winkelwagen
Snel navigeren naar
Voorbeeld
  2.  
  3. Maastricht University (UM)
  4.  
  5. GZW3024 (GZW3024)

Samenvatting

Summary GZW3024 SPSS en Gpower practicals

5 beoordelingen
 8 keer verkocht

Een uitwerking van alle informatie die bij de SPSS en Gpower practicals is gegeven. Het geeft een overzicht van wat je in welke situatie met SPSS/Gpower moet doen om de gewenste uitkomst te krijgen. Daarnaast staat er ook informatie in die je bij de cases van GZW3024 kan gebruiken.

Voorbeeld 2 van de 9  pagina's

Document informatie

  • 28 maart 2018
  • 9
  • 2017/2018
  • Samenvatting

Onderwerpen

Geschreven voor

Alle documenten voor dit vak (5)

5  beoordelingen

review-writer-avatar

Door: maaroub • 3 jaar geleden

review-writer-avatar

Door: niekebrull • 5 jaar geleden

review-writer-avatar

Door: Cyrella • 5 jaar geleden

review-writer-avatar

Door: RMaessen • 5 jaar geleden

review-writer-avatar

Door: babskevanhaaren • 6 jaar geleden

Verkoper

avatar-seller
k_vdh

Ontvangen beoordelingen

Voorbeeld van de inhoud

GWZ3024: SPSS practicals
SPSS practical 1
Create interactions terms: transform  compute variable.
- Interactieterm tussen gender en smoke = gender*smoke.

Perform a regression analysis according to the top-down procedure:
- You start with a model containing all relevant independent/predictor variables,
including the interactions: analyse  regression  linear.
o Put the Y variable below ‘dependent’ and the X-variables below
‘independent(s)’.
- You then check the results in the table ‘coefficients’: remove the variable with the
smallest absolute t-value (t) and a p-value (Sig.) larger then 0,05 from the model.
Then repeat the regression analysis without the variable.
o First test the interactions.
o De variabele waar je onderzoek naar doet blijft altijd in het model, ook al
is deze niet significant.
- Repeat this procedure until all remaining X-variables have a p-value at or below
5%.

Create dummy variables: transform  compute variable.
- Bijvoorbeeld D_EXP1 krijgt de codering instruction_method = 1, en D_EXP2 krijgt de
codering instruction_method = 2. D_EXP1 en D_EXP2 zijn de dummy variabelen.




Compare two regression models through an F-change test, to test the interaction:
analyse  regression  linear.
- Model 1 only contains main effects, model 2 also contain the interaction terms.
o These effects and interaction terms are places below ‘independent(s)’.
- Press ‘statistics’ and select ‘R squared change’. This is required to obtain the F-
change test.
- Check in the table ‘model summary’ the F-change value (F Change) and it’s p-
value (Sig. F change) in model 2. Check whether they are significant.

Case 1A
Create variables: transform  compute variable
- BMI = weight/(length**2).
- Overweigh = bmi > 25.

Inspect whether variabele increases of decreases across time: analyse  descriptive
statistics  descriptives.
- Below ‘variable(s)’ you enter the variable at different points of time. E.g.
‘bmi1998’, ‘bmi2008’, and ‘bmi2012’.

Change across time in the degree to which employees perform sports: analyse 
descriptive statistics  frequencies.
- Below ‘variable(s)’ you enter the variable at different points of time.
1

, Analyse whether there is a relation between two X’s and a continues Y: analyse 
regression  linear.
- Y = dependent, X’s = independent.

Some issues that could occur in the analysis:
- If it’s an observational study, confounders for the variable of central interest play
a role. You have to think about possible confounders and correct for them.
- Remember also that including categorical (i.e. nominal and ordinal) variables
with more than 2 levels as covariates into the regression analysis, has to be done
by first creating dummy variables. Testing for the significance of categorical
variables then has to be done using an F-change test.
- A good strategy is to start with the most complete model, and then perform a top-
down strategy for testing. The variable of central interest must always remain in
the model (even when it’s not significant).

SPSS practical 2
Crosstabulation; for instance, for calculating the incidence of becoming overweight in
2012 or having a normal weight again in 2012, taking 2008 as a departure year: analyse
 descriptive statistics  crosstabs.
- Row = overweight 2008, column = overweight 2012.
- Press ‘cells’ and select ‘row’ (incidences) below ‘percentages’; to specify that row
conditional percentages are calculated.

To describe the crude longitudinal association between a determinant and an outcome
that both are binary, also cross-tabulation can be used: analyse  descriptive statistics
 crosstabs.
- Association between sport and overweight’; row = sport2008, column =
overweight2012.
- Select ‘statistics’ and select ‘risk’; to obtain the OR (with a 95% confidence
interval) of being overweight of the sporting versus the non-sporting group.

Control for confounding variables can be done by performing a logistic regression
analysis. A method for selecting covariates is the top-down procedure: analyse 
regression  binary logistic.
- This is an automatic procedure and it can only be used when there are no
interactions in the analysis model!
- Block 1: Y = dependent, X = covariate/independent (first, only enter the variable
of central interest).
- Block 2: enter all remaining covariates that you consider relevant under
‘covariates’. The variables in block 2 will be removed by SPSS if they are not
significant (the variable from block 1 will always remain in the model).
o This occurs stepwise and is established by changing Method into:
Backward LR (instead of ‘Enter’).
- Categorical independent variables that involve more than two categories should
be defined as Categorical: press ‘categorical’ and select categorical covariates.
This implies that SPSS will automatically create 2 dummy variables for this
variable, where the highest value corresponds to the reference category.
- Check the results in the table ‘Variables in the equation’. In this model the
variable of central interest will be included and all covariates whose p-value ≤

2

Dit zijn jouw voordelen als je samenvattingen koopt bij Stuvia:

Bewezen kwaliteit door reviews

Bewezen kwaliteit door reviews

Studenten hebben al meer dan 850.000 samenvattingen beoordeeld. Zo weet jij zeker dat je de beste keuze maakt!

In een paar klikken geregeld

In een paar klikken geregeld

Geen gedoe — betaal gewoon eenmalig met iDeal, creditcard of je Stuvia-tegoed en je bent klaar. Geen abonnement nodig.

Direct to-the-point

Direct to-the-point

Studenten maken samenvattingen voor studenten. Dat betekent: actuele inhoud waar jij écht wat aan hebt. Geen overbodige details!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper k_vdh. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €4,49. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 68175 samenvattingen verkocht

Opgericht in 2010, al 15 jaar dé plek om samenvattingen te kopen

Begin nu gratis
€4,49  8x  verkocht
  • (5)
In winkelwagen
Toegevoegd