les 4: meervoudige lineaire regressie

significantietoets

wat doen:

• voor elke bèta een … uitvoeren

SD van bj

in formule

• = hoeveel schattingen b gemiddeld varieert

t-verdeling

omdat sigma onbekend is SÊ (geschatte SE) gebruiken

• gevolg voor verdeling

n-p-1

hoeveel vrijheidsgraden bij de t-verdeling

t

t-verdeling vs. standaardnormale

• welke kritieke waarde is groter? t of z

hogere score

t-verdeling vs. standaardnormale

• t > z

  • betekenis: … nodig om significantie aan te tonen (t is dikker in de staarten)

b 2x SE

tip:

• als … (schatter) …. (aantal) zo groot is als …. (schatter), dan is het resultaat significant

estimate intercept

= voorspelde score voor iemand die 0 haalt op bv. proefexamen, dan verwacht je dat het intercept 1.75 zal zijn

varianties opsplitsen

fit van het model

• hoe: …. voor elke score

SSM + SSE

fit van het model

• formule: SST = ….

SS

fit van model

• = som van gekwadrateerde afwijkingen vd scores tov het gemiddelde

SSM

fit van model

• = wat verklaard wordt door het model

SSE

fit van model

• = moet zo klein mogelijk zijn

  • → SSM dicht bij SST

R²

= in welk deel van spreiding de afhankelijke variabele (y) verklaard wordt door de onafhankelijke (x)

(letter, afkorting)

schatting, vrijheidsgraad

df

• kernidee: elke … die je maakt, kost 1 …

BI of SE

df

• als je 0 df hebt, past het model 100%, MAAR hou je geen rekening met 2 belangrijke dingen

SS DF

hoe fit model berekenen: F-toets

• MS = … delen door …

MSM MSE

hoe f-waarde berekenen

• F = … delen door ….

MSM

F-waarde berekenen

• = hoeveel variatie wordt verklaard door je variabelen

MSE

F-waarde berekenen

• = hoeveel variatie onverklaard is, voorspellingsfout

F-waarde, MSE

wanneer is het een goed model

• als …. groot is en … klein

normaliteit residuen

assumpties

• checken via QQ-plot

  • punten ongeveer op 1 lijn liggen, anders is data niet normaal verdeeld

homoscedasticiteit

assumpties

• checken met scatterplot => mooie wolkvorm zien (+)

onafhankelijkheid

assumpties

• …. van de SE

  • indien geschonden: denken resultaten sterk zijn, maar komt door groepsstructuur

lineariteit

assumpties

• verband met X-Y moet rechte lijn zijn

  • checken met puntenwolk, geen kromming zien

gelijk blijven

belangrijk bij interpretatie

• uitspraken doen over het effect terwijl andere variabelen …..

correlatie

conclusie bij interpretatie

• = ruwe samenhang tussen variabelen

regressiegewicht

conclusie bij interpretatie

• = unieke bijdrage van bpld variabele

supressie

bpld fenomeen

• variatie lijkt in z’n eentje positief, maar in groep negatief

  • reden: andere variabelen de goede kant wegkappen

andere correlatie

goed nadenken of je een enkelvoudige of meervoudige regressieanalyse wil uitvoeren

reden: je zal…. uitkomen