VOS: Alle hoorcolleges;Bevat aantekeningen van alle hoorcolleges (niet instructiecolleges) die onderdeel zijn van de tentamenstof.
VOS: Alle hoorcolleges
1
Hoorcollege 1 Multipele regressie
Multipele regressie
Voorbeeldverslag → allemaal factoren (risicofactoren, opvoedingsprincipes, schoolfactoren etc.) die
een rol spelen op de schoolprestaties van kinderen. → nagaan wat de invloed van deze variabelen
(onafhankelijk) hebben op de schoolprestaties (afhankelijke) → multipele regressie
Model
Padmodel multipele regressie
Met streepje: dichotome variabele met 2 categorieën
Geen streepje in: interval/ratio niveau
- 1 afhankelijke variabele (Y)
- 1 of meerdere onafhankelijke variabelen (minimaal interval)
- 1 of meerdere onafhankelijke variabele (dichotoom)
Onderwerpen college - Regressiemodel
- Predictoren/onafhankelijke variabelen en afhankelijke variabelen
- (Gestandaardiseerde) regressiecoëfficiënten
VOS: Alle hoorcolleges
2
- Kleinste kwadraten criterium
- Goodness-of-fit
- Toetsen van R2
- Toetsen van B’s en β’s
- Vergelijking van deltaR2
- Categorische kenmerken in regressiemodel; dummy’s
- Assumpties toepassing in regressieanalyse
Voorbeeld
Onderzoeksvraag: kunnen we kennis van literatuur bij jongvolwassenen voorspellen met persoons-,
gezins- en schoolkenmerken?
Populatie: jongvolwassenen
Variabelen: afhankelijke variabele y (kennis van literatuur), onafhankelijke variabele X (predictoren)
(persoonlijke kenmerken, kenmerken ouderlijk huis, kenmerken school)
➔ Voor de populatie beschrijven en toetsen van de relaties tussen afhankelijke variabele Y en
de predictoren X
Multipele regressie algemeen
Onderzoeksvraag: Kunnen we iemands waarde op een kenmerk voorspellen met kennis over andere
kenmerken?
Doelen analyse: - Beschrijven lineaire relaties tussen variabelen (regressiemodel)
- Toetsen hypothesen op relaties (significantie)
- Kwantificeren van relaties (effectgrootte)
- Kwalificeren van relaties (klein, middelmatig, groot)
- Beoordelen relevantie relaties (subjectief)
- Voorspellen van iemands waarde met regressiemodel (puntschatting en intervalschatting)
Waarschuwing: doe op basis van statistische samenhang GEEN uitspraken over causaliteit
Variabelen in voorbeeld
Read: kennis literatuur respondent (Y)
Fath_rd: kennis literatuur vader (X1)
Moth_rd: kennis literatuur moeder (X2)
Par_book: aantal boeken in ouderlijk huis (X3)
Sch_rd: aandacht voor literatuur school (X4)
Hist_rd: lezen verleden (X5)
Educ: opleidingsniveau (X6)
Meetniveau variabelen
Afhankelijke variabele Y: - Gemeten op minimaal interval meetniveau
Meetniveau onafhankelijke variabelen Xk: - Kenmerk gemeten op minimaal interval meetniveau
VOS: Alle hoorcolleges
3
- Categorische kenmerk met 2 categorieën; nominaal meetniveau met 2 categorieën noemen
we dichotoom - Categorische kenmerk met meer dan 2 categorieën; nominaal/ordinaal meetniveau wordt
omgezet in dummyvariabelen
Variabelen in voorbeeld
Allemaal minimaal interval meetniveau
Analyse techniek → multipele lineaire regressieanalyse (MR)
Regressiemodel (1)
Vergelijking Y
Voor geobserveerde variabele Y
Uitkomst (Y) = model (X) = voorspellingsfout
Voorspellingsfout = residual of error
Model = lineair regressiemodel
Vergelijking Ŷ
Voor voorspellen van waarde op Ŷ (dakje wijst op voorspelling)
Geschatte uitkomst (Ŷ) = model(X)
Verschil observatie en schatting = voorspellingsfout
Regressiemodel (2)
SPSS Datamatrix
VOS: Alle hoorcolleges
4
Histogram ‘read’
Spreidingsdiagram
Intercept = soort begin van de lijn, positie van Y waar X=0 geldt. Bij multipele regressie is t waar alle
X=en 0 zijn.
Regressie is hoe stijl de lijn loopt.
Regressiecoëfficiënten
Links = positieve relatie
Midden = negatieve relatie
Rechts = afwezigheid relatie
Powered by https://learnexams.com/search/study?query=aqa