Hoorcollege 1
Multivariaat: kijken naar de relatie tussen meer dan 2 variabelen altijd.
Eerst was het onafhankelijk – afhankelijk, nu is het altijd zo dat er 3 of meer variabelen zijn,
dan wel 2 onafh/1afh of 1onafh/2afh of meer.
- 1 afhankelijke variabele (Y)
- meerdere verschillende onafhankelijke (X1, X2) (predictors)
Kan Y worden voorspeld middels X1 of/en X2?
Welke techniek, hangt af van meetniveau van de variabelen:
- Nominaal: scheidt alleen categorieën (geen therapie, psycho-dynamisch, exposure)
- Interval: als intervallen betekenis hebben (gewicht, lengte, IQ score, BDI score)
- Binair/dichotoom: 2 categorieën (kan nominaal of interval zijn: pass/fail, man/vrouw)
Welke techniek, hangt af van het meetniveau van de variabelen
X1, X2 Y Technique Abbreviation
INT INT Multiple regression MRA
analysis
NOM INT Analysis of variance ANOVA
NOM + INT INT Analysis of ANCOVA
covariance
INT BIN Logistic regression LRA
analysis
Remarks
- X1, X2 kunnen ook BIN zijn
- Als Y BIN is, dan LRA
,Multipele regressie analyse (MRA)
Onderzoeksvraag: Kan Y worden voorspelt vanuit X1 of X2?
Meetniveau:
- Afhankelijke Y is INT
- Onafhankelijke variabele is X1, X2 zijn INT
Voorbeeld:
Kan depressie (Y) worden voorspeld vanuit levens events (X1) en/of coping (X2)?
Psychologen studie met 60 Nederlandse studenten
- Vragen over nummer life events
- Test gebruiken die coping index van participanten meet
- Gebruiken van BDI voor meten van depressie
Alle variabelen zijn INT
- Nummer van life events (0, 1, 2, 3), voorbeelden: financiële moeilijkheden,
relatieproblemen etc.
- Coping index (1 = no coping, 10 = good coping)
- BDI-score (0-9 minimaal, 10-18 mild, 19-29 gemiddeld)
Kan Y worden voorspelt vanuit X1 en/of X2 (Y, X1, X2 = INT)
Model wat goed werkt: afhankelijke variabele Y is een lineaire functie van voorspellers X 1 en
X2.
Regressie model:
Simpele regressie: Yi = b0∗ + b1∗X1i + ei
Meervoudige regressie: Yi = b0∗ + b1∗X1i + b2∗X2i + · · · + bk∗Xki + ei
Waarin
- b0∗ is the (population) regression constant
- b1∗, b2∗,..., bk∗ are (population) regression coefficients
- X1i, X2i,..., Xki and Yi are the scores on X1, X2,..., Xk and Y of individual i
- ei is a residual (= error)
The parameters b0∗, b1∗, b2∗,..., and bk∗ need to be estimated from the data (sample).
Linear model: least squares estimation (e.g. SPSS)
,Lineair model met 1 predictor, simpele regressie, in een rechte lijn fitten:
, The regression model
- Describes relationship between depression (Y) and life events (X1) and
coping (X2) in the population
- Can be used to predict the depression score of individuals that are not in
the original study/sample
For example, if a new dutch adult had 3 life events and a coping index of 8, we have
BDI = 22.874 + 5.293(3) − 3.085(8)
= 14.073
→ mild depression (nothing to worry about)