HC16 - Assumpties lineaire regressie

Question 1

Wat zijn assumpties?

Answer 1

Eisen waaraan je model moet voldoen, wil je dat de resultaten valide en interpreteerbaar zijn.

Question 2

Welke theoretische assumpties heeft OLS-regressie?

Answer 2

(1) model is zo goed als je data (2) exogeniteit, niet endogeniteit (3) goed meetinstrument.

Question 3

Waarom is het van belang dat je model zo goed is als je data?

Answer 3

Bij een sample die niet representatief is, is het moeilijk om een valide model of meetinstrument te ontwikkelen.

Question 4

Wat is exogeniteit?

Answer 4

Dan leidt X tot Y en niet andersom, deze relatie beargumenteer je adhv theorie.

Question 5

Wanneer heb je een goed meetinstrument?

Answer 5

Als de vragen meten wat je wilt meten, juiste conceptualisering en vraagstelling dus.

Question 6

Welke empirische assumpties heeft een OLS-regressie?

Answer 6

(1) lineariteit (2) multicollineariteit (3) onafhankelijke residuen (4) homoscedasticiteit in residuen (5) residuen zijn normaal verdeeld (6) invloedrijke cases.

Question 7

Wanneer is je model lineair?

Answer 7

Als de relatie tussen X (ook moderatoren en controlevariabelen) en Y kan weergegeven worden door een rechte lijn.

Question 8

Hoe checken we een model op lineariteit?

Answer 8

Voor elke variabele een scatterplot aanmaken waarin de relatie met Y zichtbaar is. Bij ordinale of nominale variabelen is een boxplot handiger.

Question 9

Wat zijn gevolgen van een probleem met lineariteit?

Answer 9

Mogelijk foutieve b-waarden.

Question 10

Wanneer is er sprake van multicollineariteit?

Answer 10

Dan hangen de onafhankelijke variabelen teveel samen en meten hetzelfde onderliggende effect.

Question 11

Hoe checken we op multicollineariteit?

Answer 11

Vooraf door Pearsons R tussen predictoren (niet hoger dan 0.8) en na de regressie met VIF < 5 of Tolerance < 0.2.

Question 12

Wat is het gevolg van problemen met multicollineariteit?

Answer 12

Dan zijn bepaalde predictoren niet meer significant binnen het model.

Question 13

Hoe lossen we multicollineariteit op?

Answer 13

Door het samenvoegen of weglaten van predictoren.

Question 14

Wat houdt onafhankelijkheid van residuen in?

Answer 14

Dat wil zeggen dat de residuen niet correleren met predictoren.

Question 15

Hoe checken we op onafhankelijkheid van residuen?

Answer 15

Met een residuals plot van gestandaardiseerde residuen t.o.v. predictoren. De puntenwolk moet gecentreerd zijn rondom de middellijn.

Question 16

Wat betekent homoscedasticiteit in residuen?

Answer 16

De variantie van residuen is dan hetzelfde voor verschillende waarden van de voorspelde Y.

Question 17

Hoe checken we op homoscedasticiteit van residuen?

Answer 17

Residuals plot, is de variantie links groter dan rechts? Zie: evenredigheid van puntenwolk.

Question 18

Wat is het gevolg van heteroscedasticiteit in residuen?

Answer 18

Dan maakt het model betere schattingen voor verschillende predicted values op de X-as, je model werkt dan niet even goed in het voorspellen van waarden op Y voor verschillende residuen.

Question 19

Hoe kan mogelijke heteroscedasticiteit van residuen opgelost worden?

Answer 19

Door het standaardiseren van je variabelen.

Question 20

Hoe checken we de normaalverdeling van residuen?

Answer 20

Met een P-plot, puntenlijn mag niet teveel afwijken van diagonaal.

Question 21

Wanneer is een outlier een invloedrijke case?

Answer 21

Dan beïnvloedt deze case het model onevenredig sterk.

Question 22

Hoe checken we het model op invloedrijke cases?

Answer 22

Opvragen van Cook’s distance, waarden die boven de 1 scoren zijn problematisch.