SPSS sv

H0

= nulhypothese

• de te verwerpen hypothese

• er is geen verband tss …

• het tegenovergestelde van wat we verwachten

H1

= alternatieve hypothese

• de te bewijzen hypothese

• er is een verband tss …

Alfa - significantieniveau

de kans dat H0 verworpen wordt maar toch waar is (meestal 5% bij een betrouwbaarheidsinterval van 95%)

parametrisch

• een gekende verdeling (bv. normale verdeling)

• minimaal op intervalniveau

• bij meerdere steekproeven/variabelen moeten varianties van populaties gelijk zijn

niet-parametrisch

wanneer aan één van bovenstaande vereisten niet wordt voldaan

afhankelijke SP

• voor- en nameting

• test- en controlegroep die NIET ad random gekozen zijn

onafhankelijke SP

alle leden vd steekproeven zijn ad random gekozen

Hoe bepalen welke test gebruikt mag worden?

• parametrisch vs niet-parametrisch

• afhankelijke vs onafhankelijke SP

• aantal SP

Binomiaal test

= z-test op proporties

bij nominale data met 1 steekproef

X2 test

bij nominale data met 2 SP

Mann-Whitney-U test

ordinale data met 2 SP

T-test

interval of ratio data met 2 SP/variabelen

kruistabel (2 cat)

Chi-square: 2×2 tabellen MAAR gevoelig voor #waarnemingen, #rijen/kolommen

Phi: 2×2 tabellen, beter dan 1

Cramer’s V: bij alle andere

correlatiecoëfficient (2 metr)

Pearson-correlatiecoëfficient: meet sterkte van het verband bij metrische variabelen

• varieert tussen -1 en 1

  • -1 = sterk negatief verband tss variabelen

  • 0 = geen verband

  • 1 = sterk positief verband

Spearman: meet sterkte van het verband tss ordinale variabelen

Wanneer gebruiken we variantieanalyse?

wordt toegepast in 2 condities:

1. we testen verschillen tss gemiddelden van waarnemingen in >2 steekproeven

2. we willen het effect testen van 1 of meerdere nominale variabelen op een interval geschaalde variabele

within sum of squares (WSS)

of de binnenvariantie is de variantie die te wijten is aan het toeval of dus aan alle
andere variabelen (behalve de experimentele variabele, hier dus de prijs) die een effect hebben op de afhankelijke variabele

between sum of squares (BSS)

of de tussen-variantie is de variantie die te wijten is aan de experimentele variabele

Variantie-analyse vergt dat aan 2 assumpties voldaan is

1. De variabelen zijn normaal verdeeld

2. De varianties van de variabelen zijn gelijk (= homoskedastisch <> heteroskedastisch)

   om dit te testen doen we net als bij de t-test een beroep op Levene’s test

confirmatorische factoranalyse (FA) vs principale componentenanalyse (PCA)

FA

• genereert factoren

• factoren brengen variabelen voort

• gaat enkel over de gedeelde variantie tss variabelen (i.e. gedeelde variantie, zonder fouten/ruis, dus unieke variantie)

• test of vooropgestelde structuur overeenkomst met de correlaties

PCA

• componenten

• componenten zijn aggregaten van variabelen

• analyseert alle variantie

• laat de data spreken (data driven)

Wat maakt van een factor een goede factor?

• “makes sense”, is zinvol

• makkelijk te interpreteren

• simpel qua structuur

• niet al te complex van “ladingen”

Orthogonale rotatie

(bijv. Varimax)

• Factoren blijven ongecorreleerd (loodrecht op elkaar).

• Simpeler, maar minder flexibel.

Oblique rotatie

(bijv. Oblimin)

• Factoren mogen correleren.

• Complexer, maar realistischer voor natuurlijke data.

4 stappen FA

1. correlatiematrix

2. factorextractie

3. factorrotatie

4. interpretatie van de resultaten

Schaalconstructie

bv. Likertschalen

3 overwegingen belangrijk:

• validiteit: factoranalyse

• betrouwbaarheid: Cronbach’s alpha

• missing values

de determinatiecoëfficiënt R²

% van de totale variantie die door de regressie verklaard wordt
Hoe hoger de R², hoe beter het model de variatie in de waarnemingen vat, dus hoe beter de fit van het model

! Er is geen absolute grens om te stellen dat R hoog genoeg is, hoe hoger hoe beter !

REGRESSIEANALYSE

• veronderstellingen:

  1. meetniveau variabelen:

     • AV: metrish

     • OV: metrisch of dummy

  2. verbanden tss OV en AV = lineaire verbanden zijn

  3. bij meervoudige regressieanalyse mogen de onafhankelijken niet te sterk onderling correleren (multicollineariteit)

regressie formule

Y = a + bX

• Y: voorspelde waarde AV

• a: een constante

• b: regressie coëfficient

• X: OV

ADJUSTED R²

• geeft aan in welke mate de variatie in de AV

  (Y) kan worden “verklaard” door alle onafhankelijke variabelen

  (X) in het model (cf. supra)

• maar rekening houdend met:

  • omvang SP

  • # OV

• kleiner dan de klassieke “verklarende waarde” (R²)

• meer geschikt om modellen te vergelijken

Meervoudige regressieanalyse

Wanneer?

• Nagaan wat de verklarende waarde is van meerdere variabelen voor een specifieke AV

  • bv. verklarende waarde van tevredenheid én vertrouwen voor veiligheidsgevoel

• Nagaan in welke mate elke onafhankelijke variabele uniek bijdraagt tot het verklaren van de AV

  • bv. bijdrage van tevredenheid en vertrouwen afzonderlijk

• Nagaan of 1 of meerdere variabelen nog additioneel kunnen bijdragen tot het verklaren van een AV, rekening houdend met de verklarende waarde van andere OV

  • indien al rekening houdend met tevredenheid, ook vertrouwen een additionele verklarende waarde?

Multicollineariteit

• wat: indien er hoge onderlinge samenhang is tss 2 of meerdere OV

• coëfficiënten geven een beeld van een gecombineerd effect

• de (te sterk) samenhangende OV zorgen voor redundante informatie in het meervoudig regressiemodel

• wat kunnen gevolgen zijn voor RA:

  • geen nieuwe info

  • leiden tot onstabiele coeffi

  • verandering richting coeffi

  • bestaat altijd, kwestie van de mate waarin

Indicaties multicollineariteit

• incorrecte teken (+ of -) bij de coëfficiënten

• grote veranderingen in de waarden voor de coeffi bij toevoeging van een nieuwe variabele in het model

• verandering in significantieniveaus bij toevoeging van een nieuwe variabele in het model

• sterke correlatie tss OV

Regressieanalyse (RA)

Bij (multipele) … gebruikt men het verband dat er tss 2 (of meerdere) variabelen bestaat om de waarde van 1 vd variabelen te voorspellen op grond van de kennis van de andere variabele(n)