Dit document is een samenvatting van de hoorcolleges over kwantitatief onderzoek. Daarnaast is ook de informatie uit de Grasple lessen erin verwerkt. Op het einde is ook een samenvattende tabel met een; omschrijving, meetniveau, assumpties, etc. per analyse.
- Waarde van iemand kenmerk voorspellen a.d.h.v. kennis over andere kenmerken
(deze kenmerken = predictoren)
- Oftewel: X1, X2, X3 (predictoren) Y
o E = error: wat we niet vangen met de predictoren
- Geen uitspraken over causaliteit, maar het gaat om het voorspellen
Opstellen model regressiemodel:
- Regressievergelijking = modelvergelijking voor de geobserveerde variabele Y:
o Uitkomst (Y) = model (X) + voorspellingsfout
o Y =b0 +b1 X 1 +…+ b6 X 6 +ⅇ
Y = afhankelijke variabele (dependant variable)
X = onafhankelijke variabelen/predictoren (independant variables)
b 0 = intercept (constant)/a
b 1 = regressiecoëfficiënt/slope
ⅇ = voorspellingsfout/error/residual
- Regressie: bestaat uit puntenwolk regressie: regressielijn door de puntenwolk tekenen
o Regressievergelijking beschrijft die lijn
o Best passende regressielijn volgens kleinste kwadraten criterium wordt beschreven
door de regressielijn
Dakje = voorspelling
Y ^ =b +b X
0 1 1
o Kleinste kwadraten criterium (least squares criterion) zoek de lijn waarbij de
voorspellingsfout zo klein mogelijk is
Iedere respondent heeft:
Y = geobserveerde Y
Y ^ = geschatte Y
e = voorspellingsfout = Y −Y^
o Positieve e : onderschatting door model
o Negatieve e : overschatting door model
o e ’s zijn normaal verdeel met een gemiddelde van 0
Assumpties:
- Assumpties evalueren of de data realistisch is
- Assumpties van multipele regressie
o Onafhankelijkheid van waarnemingen (independence)
o Meetniveau variabelen:
AV en OVs tenminste interval niveau
OVs nominaal kan ook, maar via dummies
o Lineaire relatie tussen de AV en OVs
, o Afwezigheid multicollineariteit
o Normaal verdeelde residuen
o Homoscedasticiteit
o Afwezigheid outliers
Evaluatie statistische fit en praktische relevantie v/h model:
- = Hoe goed is de regressielijn?
- Goodness of fit
o R2 als maat voor de algehele modelfit
o R2 = determinatiecoëfficiënt = percentage (%) variantie verklaard door het model
s sm s sm
o R2= = = variantie verklaard door het model/totale variantie
s s t s s m+ s s R
o R interpretatie: hoeveel procent (%) v/d variantie in Y kan worden verklaard door
2
alle predictoren samen?
R2 wil je zo groot mogelijk hebben SSm en SSr gelijk aan elkaar
0 = niks verklaard door het model; 1 = alles verklaard door het model
o R
2
Klein: 0.01
Medium: 0.09
Groot: 0.25
- Kwadratensom (sum of squares)
o s s t = totale kwadraten som (totale SS) = som v/d gekwadrateerde
afwijkingen van geobserveerde scores tot het algemeen gemiddelde
s s t =∑ ( y− y )2
y = gemiddelde van alle y-waarden
Baseline
o s s m = kwadraten som v/h model (model SS) = som v/d
gekwadrateerde afwijkingen van voorspelde scores tot het algemeen
gemiddelde
s s m=∑ ( ^y − y )2
Variantie verklaard door het model
o s s R = kwadratensom v/d voorspelingsfout (residual SS) = som v/d
gekwadrateerde afwijkingen v/d geobserveerde scores tot de
voorspelde scores
s s R =∑ ( y− ^y )2
o Kwadratensom: s s t =s s m+ s s R
- Goodness of fit toets
o Algehele model: verklaren de predictoren samen variantie in Y?
Hypothesen:
H0: ρ2 = 0
HA: ρ2 > 0
Toets: F-toets
m sm s s m ∕ ⅆ f m
Toetsingsgrootheid: F= =
m sR s sR ∕ ⅆ f R
Als ρ < α verwerp H0 en bepaal relevantie v/h effect
- Predictoren toevoegen aan het model
- Stapsgewijs toevoegen van predictoren aan het model
- Kijken: zorgen predictoren in (significante) toename van verklaarde variantie met het eerste
model
- Delta = verschil
- Hypothesen:
o H0: ρ2 = 0
o HA: ρ2 > 0
- Vergeet niet te kijken naar de individuele toegevoegde predictoren
Multipele regressie (Grasple)
Dummy variabelen:
- Dichotome variabele – variabele die maar 2 waarden kan aannemen
- Om een dichotome variabele te gebruiken in een regressieanalyse moeten er getallen aan de
2 variabelen worden toegekend
o Categorie 0 = referentiecategorie (arbitraire keuze welke variabele)
- Intercept (b 0) is de voorspelde score van de referentiecategorie
o De voorspelde score is ook hetzelfde als het gemiddelde in die groep
- Richtingscoëfficiënt: verschil in voorspelde score tussen de 2 categorieën (als X 1 omhoog
gaat, hoeveel gaat Y omhoog )
o Positief: referentiegroep scoort gemiddeld lager dan de andere groep
o Negatief: referentiegroep scoort gemiddeld hoger dan de andere groep
Controle assumpties (initieel) bij regressieanalyse:
- Assumptie 1:
o De afhankelijke variabele is minimaal van interval niveau
o De onafhankelijke variabelen moeten minimaal van interval meetniveau zijn of
dichotoom (nominaal met 2 categorieën)
- Assumptie 2:
o Er moeten lineaire verbanden zijn tussen de afhankelijke variabele en alle
kwantitatieve onafhankelijke variabelen
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
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 JuliaMelters. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €4,39. Je zit daarna nergens aan vast.
