Descriptives → descriptive statistics
selecteer de variabele(n) waar je naar wilt kijken onder variables: in de output zie je zaken als "mean, aantal participanten (valid), etc).
Gebruik de optie split als je bijvoorbeeld het verschil tussen man en vrouw wilt zien bij een variabele. Dan zet je dus gender onder het kopje split
→ statistics: hier kun je extra despritive statistics selecteren zoals variante, S.E. mean etc
→ plots: hier kun je descriptive plots selecteren die de variabele(n) visualiseren. zoals correlatie/scatter/box/distribution plots etc
outliers verwijderen (amount of categories -1= amount of dummy variables needed)
ga naar data, dubbel klik op de data. Als je SPSS hebt opent het bestand hier en kan je het aanpassen
main menu → export data → sla de data ergens op op je laptop. Open dit bestand via excel en verwijder hier de rij met de outlier
MLR (frequentist framework)
regression → classical → lineair regression. Plaats de juiste variabelen onder dependent en independt variables
Hierarchisch maken: model → add to null model, tik hierbij de variabelen aan die je in het simpelere model wil hebben en dus wilt vergelijken met het model met alle factoren. Klik ook onder statistics R-squared change aan
Assumption check MLR
absence of multicollineairity: statistics → collineairity diagnostics
absence of outliers: statistics → casewise diagnostics --> standard residual of Cook's distance
homoscedasticity: plots → residuals vs predicted
normally distributed residuals: plots → residuals histogram en Q-Q plot standarized residuals
MLR (bayesian approach): je moet eerst een dummy variabele creeren
data screen → + aan de rechterkant van de column namen → geef de nieuwe variabele een naam vb Gender_dummy → selecteer scale → create column
boven in verschijnt nu een menu: klik op de variabele waarvan je een dummy maakt (vb gender) en typ = Female of Male → compute column. Nu verschijnt er een column met 0 en 1
regression → bayesian → linear regression. Gebruik nu de dummy variabele (gender_dummy) ipv van de variabele (gender)
→ output → posterior summary
→ order → compare to null model
→ plots → residuals vs plotted en Q-Q plot
→ advanced options → repeatability → set seed. Zet de seed op 1
De bayesian approach is het ook meteen hierarcisch
categorical variables in regression
frequentist: je kunt aanpassen welke categorie je als basis hebt door deze bovenaan te zetten. Klik hiervoor in de data op de variabele naam en verplaats deze categorie naar boven. Bij het runnen van een regressie analyse plaats je de categorische variabele onder factors
Bayesion: maak een dummy variabele aan als je de volgorde van de categorien wilt aanpassen. type in de compute column: variabele (SES) = categorie naar keuze (middle SES) en vervolgens nog eens SES = high SES
assumpties ANOVA
independence van respondenten en groepen:
categroisch IV continious DV: check dit door de symbolen te bekijken in het data bestand
geen outliers
homogeniteit van varianties: ANOVA → voer dependent variable en factor in → descriptive statistics → include ook SD. Voer ook in assumption checks → homogeneity tests (dit is de levene's test). Om de test te passeren moet de test niet significant zijn. De null hypothese wordt dan niet afgewezen, en dus is de variantie gelijk. Als er sprake is van een grote sampel size moet je je niet zorgen maken om kleine violations, ANOVA is namelijk vrij robuust
normality of residuals: assumptions check → Q-Q plot of residuals. refereert naar hoeveel observaties 1SD/2SD/3SD afwijken van de mean. Moeten dus dicht op de lijn liggen.
frequentist factorial ANOVA
ANOVA → classical ANOVA → plaats dependent variable en group/fixed variabele in de juiste boxen
estimates of effect size → partial n2
assumption checks → homogeneity test (levene's test)
Marginal Means → plaats de losse fixed variabelen aan de rechterkant
descriptive plot → plaats op seperate lines de categorische variabele
post hoc test → plaats alles naar rechts
bayesian factorial ANOVA
ANOVA → Bayesian ANOVA → plaats dependent variable en group/fixed variabele in de juiste boxen
order → compare to null model
additional options → repeatibility → seed aanpassen aan wat word aangegeven
model → hier kun je null hypothese aanpassen naar een alternatieve hypothese
post hoc test → hier kun je post hoc comparisons aanvragen voor een variabele. Je ziet dan het verschil tussen de groepen van deze variabele
frequentist follow up testing ANOVA
ANOVA → classical ANOVA → plaats dependent variable en group/fixed variabele in de juiste boxen
descriptive plots → factor met meeste levels op horizontale as en factor met minste op seperate lines
post hoc tests → allles naar rechts → Bonferroni correction
Descriptive statistics → estimates of effect size
Marginal Means → aanvragen voor de factoren
Assumption checks --> homogeneity tests
contrasts → verander none naar simple. Als je alle groepen wilt vergelijken doe je het volgende custom → custom for condition → add constrast → voeg de constrasten toe die nog missen
informatieve hypothese: bevat expliciete informatie over de verwachte resultaten. Is dus meer informatief dan H0 of HA
Bain Anova: om informatieve hypotheses te toetsen. Voeg eerst Bain middels het plusje toe aan je werkbalk.
Bain → Anova --> plaats variabelen op correcte plaats → Bayes factor matrix selecteren
→ Model constraints → noteer hier de hypothese die je wil toetsen
frequentist ANCOVA (ANOVA→ classical-->ANCOVA)
continuous DV en covariate. categorical IV
homogeneniteit van regression slopes --> controleer dit door een plot te maken met de lijnen en te kijken of het interactie effect wel/niet significant is
descriptive statistics → categorical independent variabelen onder fixed factors, andere variabelen onder variables of split
plots → scatter plots
model → voeg variabelen toe aan Model terms door ze te selecteren vanuit Components
Descriptive statistics → estimates of effects size → partial n2
assumption checks → homogeneity tests
marginal means → plaats variabelen van interesse
post hoc tests → plaats variabelen van interesse en selecteer bonferri
Bayesian ANCOVA (ANOVA → Bayesian → ANCOVA)
order → compare to null
include interaction term: model → selecteer variabelen en voeg ze vervolgens toe aan Model Terms middels CTRL select. Zorg dat je add to null model aanklikt als dit nodig is
tables → effects → across matched models
frequentist repeated measures analysis (one factor)
ANOVA→ classical → repeated measures ANOVA
specify within subjects factor: plaats onder RM Factor 1 de naam (vb tijd). Specificeer onder Level 1, level 2 en new level je factor (vb pre, post, fol)
repeated measures cells: defineer welke variabele correspondeerd met de eerder benoemde levels
→ descriptive statistics → partial n2
→ descriptive plots → aangepaste factor op horizontale as
→ post-hoc tests → vergelijkingen tussen de levels van de factor. met bonferri correctie
→ assumption checks → shpericity tests→ sphericity corrections als jasp aangeeft dat sphericity word geviolate
bij meer dan 1 factor:
→ bij het specificeren klik je op New Factor
→ je kunt geen sphericity test krijgen helaas
→ bekijk het interactie effects middels visual inspection en simple main effects analyses. Wanneer het ineractie effect significant is vraag je in descriptive plots een graph aan en onder simple main effects vul je een simple effect factor en moderator factor in
bayesian repeated measures analysis (one factor)
ANOVA → Bayesian → Repeated Measures ANOVA
specify within subjects factor: zie hierboven bij frequentist approach
→ compare to null model
→ post hoc tests → bayesian pairwise comparisons: vergelijkt de levels van de factor
frequentist mixed design RMA
ANOVA→ classical→ repeated measures ANOVA
→ specificeer de within subjects factor
→ plaats de factor in de between subjects facotr
→ descriptive statistics
→ estimates of effect size
→ homogeneity tests
→ descriptive plots
→ simple main effects test wanner interactie effect significant is
bayesian mixed design RMA
frequentist mediation analysis: voeg SEM module toe aan je werkbalk middels de +
SEM → mediation analysis → relevante variabelen in correcte boxen
→ options → bootstrap
→ plots → model plot, parameter estimates en legend
→ options → standarized estimates of undstandirized estimates afhankelijk van wat wordt gevraagd
Add new contribution