Multipele regressie

Question 1

Enkelvoudige vs meervoudige/multipele regressie

Answer 1

Meervoudige is een uitbreiding van de enkelvoudige regressie waarbij twee of meer verklarende variabelen (X) worden gebruikt om de afhankelijke variabele (Y) te voorspellen of verklaren.

Question 2

Wat zijn de afhankelijke en onafhankelijke variabelen bij: “Kunnen we kennis van literatuur bij jongvolwassenen voorspellen/verklaren met persoons-, gezins- en schoolkenmerken?”

Answer 2

Y (afhankelijke variabelen) = Kennis van literatuur
X (onafhankelijke variabelen, in MP is dit predictoren) = persoonlijke kernmerken, kenmerken
ouderlijk huis, kenmerken school

Question 3

Doelen multipele regressie analyse (5)

Answer 3

Beschrijven van lineaire relaties
Toetsen hypothesen over relaties
Kwantificeren van relaties (effectgrootte)
Beoordelen relevantie relaties (subjectief)
Voorspellen van iemands waarde met regressiemodel

Question 4

Meetniveaus (4)

Answer 4

NOIR: Nominaal – Ordinaal – Interval – Ratio

Question 5

Van welk meetniveau moet MP zijn?

Answer 5

Moeten van interval meetniveau zijn, want dan kunnen we bijv bij grootte gezin zeggen als +1 dan dit effect. Dichotoom variabelen (wel of niet huisdier) werkt hier ook bij.

Question 6

Regressievergelijking (Y en Y dakje)

Answer 6

Y (beschrijving) = b0 (intercept) + b1 (richtingscoefficient) x1 variabele + b2x2 + … + e
Ydakje (voorspelling) = b0 (intercept) + b1 (richtingscoefficient) x variabele + b2x2 + …

Question 7

Variantie

Answer 7

Alle verschillen ten opzichte van het
gemiddelden worden gekwadrateerd en opgeteld, gedeeld door het aantal respondenten en dan
krijg je wat we noemen de “variantie”.
Spreiding/variatie in scores word uitgedrukt in de statistische term variantie.

Question 8

Intercept of constante (b0)

Answer 8

Intercept of constante (b0)
Begin/startpunt van de lijn. De positie van Y wanneer de waarde van X 0 is. Bij multipele regressie
gaat de intercept/constante er dus om waar ALLE X-en gelijk zijn aan 0.

Question 9

Regressiecoefficient (b1)

Answer 9

Regressiecoëfficient (b1)
Hiermee wordt aangegeven hoe steil de lijn loopt. Hoeveel verandering je in Y tegenkomt per
eenheid verandering in X. Bij een steile zal die b1 groter zijn, bij een minder steile lijn is de b1 ook
kleiner.

Question 10

Kleinste kwadraten criterium (AANPASSEN CARD?)

Answer 10

De best passende rechte lijn is gevonden middels de kleinste kwadraten criterium. De best passende
rechte lijn is de lijn waarbij de spellingsfout (error) gemiddeld zo klein mogelijk is. SPSS vind deze
passende lijn. Elke andere lijn geeft gemiddeld een groter aantal voorspellingsfouten.

Question 11

Error in regressievergelijking

Answer 11

Error is de voorspellingsfout (of het residu) is de afstand tussen de geobserveerde waarde en de voorspelde waarde.

Question 12

Wat zegt een positieve of negatieve voorspellingsfout?

Answer 12

Positief residue = boven de lijn; onderschatting naar model
Negatief residue = onder de lijn; overschatting door model

Question 13

Goodness of fit maat

Answer 13

We willen een kwaliteit aangeven aan dat regressiemodel. Dat doe jen met de Goodness-of-fit maat! We willen een waarde toekennen aan hoe goed die puntenwolk gerepresenteerd word door die
rechte lijn. Hoe goed is dat model nou qua data? Hoe kleiner de error, hoe beter de goodness-of-fit.
We drukken de Goodness-of-fit uit met R2, oftewel, proportie verklaarde variantie.

Question 14

Andere naam voor goodness of fit maat?

Answer 14

R^2 = proporite verklaarde variantie

Question 15

TOETSING VERDER BEKIJKEN IN SAMENVATTING

Question 16

Wat is in een regressieanalyse het minimale meetniveau van de afhankelijke en onafhankelijke variabele?

Answer 16

Afhankelijke en onafhankelijke variabele zijn van minimaal interval meetniveau.

Question 17

Welke hypotheses gebruik je bij het toetsen van de verklaarde variantie door het gehele model?

Answer 17

H0: ρ2 = 0
H1: ρ2 > 0