Samenvatting SPSS Survival Manual van Pallant (6e druk, 2016)
- 3057 keer gelezen
Samengestelde samenvatting, gebaseerd op hoofdstuk 16 van SPSS Survival Manual van Pallant, 6e druk uit 2016.Niet-parametrische statistieken zijn ideaal wanneer je data is gemeten op een nominale of ordinale schaal. Ze zijn ook handig wanneer je beschikt over zeer kleine steekproeven en wanneer je data niet voldoet aan de assumpties van de parametrische technieken.IBS SPSS geeft diverse niet-parametrische technieken voor verschillende situaties. Hieronder worden de meest gebruikte niet-parametrische technieken uitgelegd. Niet-parametrische techniekParametrisch alternatiefChi-square test voor goodness of fitGeenChi-square test voor onafhankelijkheidGeenMcNemar’s TestGeenCochran’s Q TestGeenKappa Measure of AgreementGeenMann-Whitney U TestT-toets voor onafhankelijke steekproevenWilcoxon Signed Rank TestT-toets voor gepaarde steekproevenKruskal-Wallis TestOne-way between-groups ANOVAFriedman TestOne-way repeated measures ANOVA Algemene assumpties van niet-parametrische technieken waarvoor gecontroleerd moet worden, zijn:Willekeurige steekproevenOnafhankelijke...
JoHo can really use your help! Check out the various student jobs here that match your studies, improve your competencies, strengthen your CV and contribute to a more tolerant world
Samengestelde samenvatting, gebaseerd op hoofdstuk 1 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
SPSS is een statistisch computerprogramma dat door wetenschappers wordt gebruikt om gegevens te verzamelen, analyseren en te bewerken. Het wordt voornamelijk gebruikt om onderzoeksresultaten te onderzoeken. De afkorting SPSS staat voor Statistical Package for the Social Sciences. Het programma wordt dus met name in de sociale wetenschap gebruikt.
Drie belangrijke situaties waarin je SPSS kunt gebruiken:
Het controleren van de betrouwbaarheid van een steekproef. Wanneer je in Nederland een onderzoek wil doen is het natuurlijk niet haalbaar om elke inwoner te toetsen. Om deze reden wordt vrijwel altijd gebruik gemaakt van een steekproef (een selectie van mensen uit de populatie). Het is belangrijk dat deze steekproef zo representatief mogelijk is voor de hele populatie zodat de uitkomstresultaten goed gegeneraliseerd kunnen worden (je wil immers iets zeggen over de hele populatie en niet slechts over de steekproef).
Het controleren van de betrouwbaarheid van je resultaten. SPSS kan informatie geven of het verband dat je hebt gevonden (bijvoorbeeld mannen stemmen vaker op SGP dan vrouwen) op toeval berust of dat het verschil ergens anders mee te maken heeft.
Data visualiseren. Het kan handig zijn om je resultaten te visualiseren door middel van grafieken en tabellen. Deze kan je door SPSS laten maken.
SPSS kan onderzoeksvragen beantwoorden door het doen van analyses; toetsen. Een voorbeeld van een onderzoeksvraag is: kiezen mannen vaker een technisch beroep dan vrouwen? De eerste stap is het verzamelen van je gegevens (hoeveel procent van de mannen kiest een technisch beroep en hoeveel procent van de vrouwen). Deze gegevens worden in SPSS data genoemd. Wanneer je je gegevens hebt verzameld (bijvoorbeeld door middel van vragenlijsten) dan kun je deze data invoeren in SPSS. Vervolgens kun je SPSS een toets laten uitvoeren die onderzoekt of er daadwerkelijk een verschil is tussen de data van mannen en vrouwen.
Een goed onderzoek is sterk afhankelijk van een uitvoerige planning. Het boek geeft de volgende tips bij het opstarten van een onderzoek:
Kies het design van je onderzoek (bijvoorbeeld experiment, vragenlijst, observationeel). Weeg alle voor- en nadelen van elke methode af.
Als je kiest voor een experiment: beslis of je kiest voor een between-groups design (verschillende proefpersonen in elke experimentele conditie) of een repeated measures design
Samengestelde samenvatting, gebaseerd op hoofdstuk 2 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Voordat je alle informatie van vragenlijsten en experimenten in IBM SPSS kan invoeren is het noodzakelijk om een ‘codeboek’ te maken. Dit is een samenvatting van de instructies die je gaat gebruiken om de informatie van elke proefpersoon om te zetten in een format dat IBM SPSS kan begrijpen. Het voorbereiden van een codeboek bestaat uit (1) het definiëren en labelen van elke variabele, en (2) het toekennen van nummers aan alle mogelijke antwoorden.
Een codeboek bestaat in principe uit vier kolommen:
de afgekorte naam van de variabele (bijvoorbeeld ‘ID’ voor ‘identification number’)
de uitgeschreven naam van de variabele (bijvoorbeeld ‘identification number’)
uitleg over hoe de mogelijke antwoorden worden gedoceerd (bijvoorbeeld 1 = mannen, 2 = vrouwen)
de meetschaal (bijvoorbeeld nominaal)
Een variabele is een element dat een bepaalde waarde kan aannemen. Het is een element dat je graag wilt meten en analyseren. Voorbeelden van een variabele zijn ‘geslacht’, ‘leeftijd’, ‘opleidingsniveau’ en ‘IQ’. Middels SPSS kun je onderzoeken of je variabelen met elkaar samenhangen (bijvoorbeeld opleidingsniveau en IQ) of dat een bepaalde variabele een andere variabele voorspelt (bijvoorbeeld: behalen mannen hogere IQ-scoores dan vrouwen?).
De afhankelijke variabele is de variabele waarover je een voorspelling doet of de uitkomst van je meting. In het Engels wordt dit de dependent variable genoemd. Een voorbeeld is intelligentie. Je kunt dan onderzoeken welke factoren (onafhankelijke variabelen) invloed hebben op intelligentie (de afhankelijke variabele). In weze hangt de uitkomst van de afhankelijke variabele dus af van andere variabelen (vandaar de naam).
De onafhankelijke variabele is een factor waarvan je gaat meten of deze een verandering veroorzaakt bij de afhankelijke variabele. In het Engels wordt de onafhankelijke variabele de independent variable genoemd. (ID). Als men bijvoorbeeld een onderzoek wilt doen over de invloed van het drinken van alcohol op tentamenresultaten, is de onafhankelijke variabele de hoeveelheid alcohol en de afhankelijke variabele het tentamenresultaat.
Het is van belang om te weten van welk meetniveau je variabele is om vervolgens een goede keuze te maken voor je statistische test (de methode waarmee je je onderzoeksvraag wilt onderzoeken). Een dergelijk meetniveau wordt ook wel een meetschaal genoemd. Er bestaan grofweg vier meetschalen: nominaal, ordinaal, interval en ratio. Deze schalen worden hieronder besproken.
Een discrete variabele kan slechts een paar vaste waarden aannemen. Hieronder vallen de nominale schaal en de ordinale schaal. De nominale schaal is een kwalitatieve meetschaal met losstaande categorieën, bijvoorbeeld geslacht (man/vrouw). Metingen op ordinaal niveau kennen een natuurlijke ordening. De volgorde is duidelijk, maar de verschillen zijn niet te interpreteren. Een voorbeeld is.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 3 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Er zijn verschillende manieren om IBM SPSS op te starten.
De meest eenvoudige manier is om op het SPSS icoon op je desktop te klikken. Plaats je cursor op het icoon en klik tweemaal.
Je kunt ook IBM SPSS openen door te klikken op Start, je cursor te plaatsen op Alle programma’s, en vervolgens naar de lijst van alle beschikbare programma’s. Kijk of je hier een map kunt vinden genaamd IBM SPSS Statistics, in dit geval IBM SPSS Statistics 24.
IBM SPSS zal ook opstarten als je tweemaal klikt op een IBM SPSS databestand in Window Explorer.
Als je een bestaand SPSS databestand wil openen, klik dan op File in het menu van IBM SPSS en kies vervolgens voor Open en Data. De Open file sectie stelt je in staat om te zoeken naar het gewenste bestand. Je kunt ook altijd een databestand openen vanuit de hard drive van je computer. Als je een databestand hebt staan op een usb-stick, kopieer deze dan eerst naar je computer. Vervolgens kun je het bestand openen door tweemaal op het icoon te klikken. Het bestand zal vervolgens openen in de Data Editor.
Het is belangrijk om altijd je data op te slaan als je ermee aan de slag bent. Het opslaan gebeurt namelijk niet automatisch in IBM SPSS. Om een bestand op te slaan ga je naar het File menu. Kies vervolgens voor Save. Je kunt ook op het icoon klikken dat lijkt op een floppydisk. Deze zie je linksboven in je scherm. Zorg er altijd voor dat je bestand wordt opgeslagen op je computer en niet op een externe schijf. Wanneer je het bestand voor het eerst opslaat dien je een naam aan te maken voor het bestand en een map te kiezen waar je het bestand wil opslaan. IBM SPSS zorgt er automatisch voor dat je bestand wordt opgeslagen met .sav op het eind.
Als je met een databestand bezig bent en je wil een nieuw bestand openen, klik dan op File.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 4 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
De opties kun je gebruiken voor allerlei mogelijkheden om variabelen weer te geven, het soort tabellen dat je als output wilt krijgen en meer. Options vind je onder Edit. Zorg dat je eerst in alle tabs selecteert wat je wilt, en vervolgens op OK klikt.
Hier kun je kiezen om variabelen alfabetisch weer te geven of in de volgorde waarop ze in het bestand verschijnen, het laatste is in de meeste gevallen meer in lijn met het onderzoek. Klik hiervoor op File bij Variable Lists. Voor een overzichtelijke weergave van getallen, klik bij Output op No scientific notation for small numbers in tables.
Hierbij kies je hoe data wordt weergegeven.
Hiermee kun je de naam van variabelen en labels customizen.
Hier kun je de vormgeving van tabellen kiezen.
De Data Editor (het hoofdscherm van SPSS) is onderverdeeld in twee verschillende tabbladen; Data View en Variabele View (deze tabbladen vind je linksonder in het scherm). Voordat je data kan invoeren moeten er eerst variabelen worden gecreëerd. In het tabblad 'Variabelen View' kun je je variabelen definiëren. In het tabblad ‘Data view’ voer je vervolgens al je data in. Wanneer je een analyse hebt uitgevoerd verschijnt het output scherm.
In dit tabblad kun je de variabelen aanmaken. Iedere rij staat voor een variabele. Je kan in elke kolom informatie over de variabele invoeren.
Name: De naam van de variabele
Type: Type data, vaak zijn dit gewoon nummers oftewel ‘numeric variables’. Ook kan het voorkomen dat er bijvoorbeeld data of letters worden gebruikt. Wil je het type invoeren, selecteer dan de cel en druk op het blauwe vierkantje met puntjes. Vervolgens kun je in een nieuw scherm het type variabele kiezen (bijvoorbeeld numeric, dollar, of date).
Width: Hoeveel posities er beschikbaar zijn
Decimals: Aantal decimalen
Labels: Tekst waarmee je de naam van de variabele kan toelichten
Values: Hier vul je de waarden van de labels in. Een voorbeeld kan zijn dat je variabele geslacht is en de code dan 0 voor man en 1 voor vrouw is. Om de waarden in
Samengestelde samenvatting, gebaseerd op hoofdstuk 5 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Het is altijd heel belangrijk om je data even door te lopen op bijvoorbeeld typefouten. Je kan dan natuurlijk alle ingevoerde data nog een keer controleren aan de hand van de oorspronkelijke data, maar dit kost erg veel tijd. Een makkelijkere manier is het opvragen van Frequencies. Dit doet je door de volgende stappen te volgen: Analyze –→ Descriptive Statistics –→ Frequencies.
Voordat je je data kunt analyseren is het van belang om je databestand te controleren voor errors, mogelijke fouten. Als eerst is het belangrijk om te kijken of je typefouten hebt gemaakt (zie boven). Daarnaast is het essentieel om te onderzoeken of er andere fouten zijn met je data. Je volgt hiervoor de volgende stappen:
Stap 1: Het controleren op errors. Eerst is het noodzakelijk om alle scores na te gaan van alle variabelen. Je onderzoekt dan of er bepaalde scores zijn die buiten de normale range vallen.
Stap 2: Het vinden en controleren van error in het databestand. Vervolgens is het noodzakelijk om uit te zoeken waar de error zich bevindt in het databestand. Deze error dient dan of gecorrigeerd te worden of te worden verwijderd.
Wanneer je je bestand controleert op errors ga je met name na of er waarden zijn die buiten de normale range van mogelijke scores vallen. Bijvoorbeeld: wanneer variabele ‘geslacht’ gecodeerd is met 0 of 1 (waarbij geldt 0 = man en 1 = vrouw), is het niet mogelijk om scores te vinden anders dan 0 of 1. Scores die een ander getal dan 0 of 1 hebben (bijvoorbeeld 2 of 3) dienen daarom te worden verwijderd of te worden aangepast. Er zijn verschillende manieren om errors te vinden met IBM SPSS. Deze kunnen grofweg worden verdeeld in twee methoden: één voor error bij categorische variabelen en één voor error bij continue variabelen.
Volg de volgende procedure om error te controleren bij categorische variabelen.
Klik op Analyze en vervolgens op Descsriptive Statistics en dan op Frequencies.
Kies de variabelen die je wil checken (bijvoorbeeld geslacht). Om een variabele gemakkelijk te vinden kun je je variabelenlijst sorteren op alfabet.
Klik op de pijltjestoets (wijzend naar rechts) om de gewenste variabelen te verschuiven naar het variabelenvenster.
Klik vervolgens op Statistics. Vink Minimum en Maximum aan in de Disperson sectie.
Klik vervolgens op Continue en dan op OK (of op Paste om alles op te slaan in de
Samengestelde samenvatting, gebaseerd op hoofdstuk 6 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Wanneer je er zeker van bent dat er geen sprake is van error in je databestand dan kun je beginnen met de beschrijvende fase van je data-analyse. Dit noemde we beschrijvende statistiek ofwel descriptive statistics. Deze hebben als doel:
Het beschrijven van de kenmerken van je steekproef in de methodesectie van je artikel
Het checken van je variabelen om te onderzoeken of je aan bepaalde assumpties voldoet behorende bij de statistiektechnieken die je wilt uitvoeren om je onderzoeksvragen te beantwoorden
Het stellen van specifieke onderzoeksvragen
Wanneer het om onderzoek met menselijke proefpersonen gaat is het vrijwel noodzakelijk om algemene kenmerken te verzamelen. Denk hierbij aan het aantal mensen in de steekproef, het aantal of percentage mannen en vrouwen, de leeftijden, en opleidingsniveau.
Voorbeelden van beschrijvende statistieken zijn het gemiddelde, de standaarddeviatie en de spreiding van de scores.
Als je alleen een snelle samenvatting wilt van de kenmerken van je variabelen in je databestand heb je waarschijnlijk genoeg aan een codeboek. Hier volgt de procedure om een codeboek te verkrijgen.
Klik op Analyze en ga naar Reports en kies Codebook.
Selecteer de variabelen die je wilt (bijvoorbeeld geslacht, leeftijd) en sleep deze variabelen naar het Codebook Variables venster.
Klik op het Output blad en vink alle Opties uit, behalve Label, Value Labels and Missing Values, uit.
Klik op Statistics en zorg ervoor dat alle opties in beide secties zijn aangevinkt.
Klik op OK (of op Paste om alles op te slaan in de Syntax Editor).
De syntax is dan als volgt:
DATASET ACTIVATE DataSet1.
CODEBOOK geslacht [n] leeftijd [s]
/VARINFO LABEL VALUELABELS MISSING
/OPTIONS VARORDER=VARLIST SORT=ASCENDING MAXCATS=200
/STATISTICS COUNT PERCENT MEAN STDDEV QUARTILES.
Deze output geeft je een snelle samenvatting van de proefpersonen in je databestand. Als je meer gedetailleerde informatie wilt hebben kun je deze verkrijgen door middel van Frequencies, Descriptive of Explore. Om informatie te verkrijgen van categorische variabelen kun je gebruikmaken van Frequencies.
Om beschrijvende statistieken te krijgen van categorische variabelen maak je gebruik van de functie Frequencies. Deze vind je door de volgende stappen:
Ga naar Analyze en vervolgens naar Descriptive Statistics en
Samengestelde samenvatting, gebaseerd op hoofdstuk 7 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
In SPSS zijn er verschillende soorten grafieken en diagrammen die je kunt gebruiken om data weer te geven. De weergaven die hier worden behandeld, zijn histogrammen, staafdiagrammen, lijngrafieken, spreidingsdiagrammen en boxplots.
In het Graph menu in SPSS zijn er verschillende mogelijkheden om grafieken te maken, de makkelijkste methode is om de Chart Builder te gebruiken.
Een histogram gebruik je in geval van een enkele continue variabele. Je maakt een histogram als volgt:
Een histogram geeft in omhoog gerichte balken de output weer.
Een staafdiagram gebruik je in geval van continue variabelen voor verschillende categorieën, of als je het aantal gevallen van een bepaalde categorie wilt tonen. Voor een staafdiagram heb je een categorische variabele nodig en een continue variabele. Een staafdiagram maak je als volgt:
Een staafdiagram geeft een vooraf bepaalde categorische variabele weer op.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 8 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Als de ruwe data accuraat in SPSS zijn ingevoerd, is de volgende stap het bewerken en klaarmaken van de data, zodat er later analyses kunnen worden uitgevoerd en hypothesen kunnen worden getest.
Zorg dat je bij alles wat je aanpast ook gelijk het codeboek aanpast. Een alternatief is om de Syntax option te gebruiken, dit houdt in dat je alle uit te voeren acties bijhoudt in de Syntax Editor, zodat er een lijst vormt van wat er is aangepast.
Er zijn twee stappen om de totale grootte van de schalen te berekenen:
Vragen die negatief verwoord zijn (bijvoorbeeld 'Ik ben meestal slecht in statistiek' moeten worden omgezet naar een positieve verwoording (bijvoorbeeld 'Ik ben bijna nooit goed in statistiek') zodat alle uitkomsten dezelfde soort interpretatie krijgen. Dit is eenvouding om te zetten als er bijvoorbeeld een Likert-schaal is gebruikt, waarbij 1 absoluut oneens betekent en 5 heel erg eens. Je kunt dit in SPSS automatisch toepassen met de volgende procedure:
Kijk in Variable View na of de variabelen nu allemaal dezelfde soort interpretatie kunnen krijgen.
Met de volgende procedure tel je de uitkomsten op om de schaalgrootte te berekenen:
Samengestelde samenvatting, gebaseerd op hoofdstuk 9 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
De waarde van een onderzoek is in grote mate afhankelijk van de betrouwbaarheid van de gebruikte schaal. Een onderdeel van betrouwbaarheid is Interne consistentie (internal consistency): de mate waarin de items van een schaal met elkaar samenhangen. Deze kan bijvoorbeeld worden berekend met de Cronbach’s cofficient alpha in SPSS. Hierbij geldt dat een Cronbach’s alpha van .7 of groter duidt op een betrouwbare schaal. Bij korte schalen met weinig eenheden zijn er echter lage Cronbach waarden en zeggen deze niet zoveel.
De procedure om de betrouwbaarheid van een schaal te controleren is als volgt:
In de output moet je de volgende dingen nakijken om de betrouwbaarheid te verhogen:
Samengestelde samenvatting, gebaseerd op hoofdstuk 10 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
In sommige onderzoeken wordt een enkele methode gebruikt, maar bij veel onderzoeken worden meerdere methoden gebruikt. In elk geval is het cruciaal om de juiste onderzoeksmethode te kiezen.
Hieronder wordt nog niet behandeld hoe je de onderzoeksmethoden precies toepast. Het overzicht hieronder is namelijk bedoeld om een korte introductie te geven van onderzoeksmethoden, zodat je op basis daarvan een keuze kunt maken voor welke methode je nodig hebt.
Als je de verbanden tussen verschillende variabelen wilt onderzoeken, bijvoorbeeld tussen leeftijd en drugsgebruik, zijn er verschillende methoden mogelijk. Deze methoden zijn ook handig voor het verwerken van de resultaten van de meeste soorten enquêtes.
Een correlatieanalyse wordt gebruikt om de sterkte en de richting van een lineaire relatie tussen twee variabelen te beschrijven. Er zijn verschillende statistieken beschikbaar in IBM SPSS om een correlatie te meten, waaronder de Pearson productmoment correlation cofficient (r) en de Spearman Rank Order Correlation (rho). Pearson r wordt gebruikt bij variabelen op intervalniveau terwijl de Spearman rho wordt gebruikt bij variabelen op ordinaal niveau. Een correlatie geeft aan in hoeverre twee variabelen samenhangen, bijvoorbeeld het zijn van een man en het dragen van roze kleding.
Correlaties worden ook vaak gebruikt om data te beschrijven en de data te checken op assumpties. De correlatiecoëfficiënt kan zowel negatief als positief zijn en ligt altijd tussen -1 en 1. Een correlatie van -1 is een perfect negatieve correlatie. Hierbij is sprake van een verband tussen twee tegenovergestelde dingen. Denk hierbij aan het dragen van een bikini en het niet dragen van handschoenen. Een correlatie van 1 is een perfecte positieve correlatie. Hierbij is sprake van een verband tussen twee positieve of twee negatieve variabelen. Bijvoorbeeld: het dragen van een bikini en het eten van een ijsje. Een correlatie van 0 indiceert dat er geen sprake is van een relatie tussen twee variabelen.
Nu volgt een voorbeeld van een onderzoeksvraag naar een correlationeel verband.
Onderzoeksvraag: Is er een verband tussen de hoeveelheid tentamenstress en de hoeveelheid alcoholconsumptie van studenten? Drinken mensen met meer tentamenstress meer alcohol of minder alcohol?
Samengestelde samenvatting, gebaseerd op hoofdstuk 11 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Correlatieanalyse wordt toegepast om de sterkte en richting van een lineaire relatie tussen twee variabelen aan te duiden. In dit hoofdstuk worden twee correlatiecoëfficiënten genoemd: (1) Pearson r voor continue variabelen (op interval niveau) en in gevallen waarbij er sprake is van één continue en één dichotome variabele, en (2) Spearman rho voor variabelen op ordinaal niveau en in gevallen dat je data niet voldoet aan de criteria voor de Pearson correlatie. Deze tekst laat zien hoe je een bivariate Pearson r en een niet-parametrische Spearman rho uitrekent.
Voordat je een correlatieanalyse uitvoert, is het handig om eerst een scatterplot te genereren; aan de hand hiervan kan je kijken of aan de assumptie van lineariteit en homoscedasticiteit is voldaan. Daarnaast geeft een scatterplot je een helderder beeld van de aard van de relatie tussen je variabelen.
Klik in het menu bovenaan het scherm op Graphs en klik vervolgens op Legacy Dialogs.
Klik op Scatter/Plot en kies Simple Scatter. Klik nu op Define.
Klik op de eerste variabele (meestal de afhankelijke variabele) en verplaats deze naar de box van de y-as.
Klik op de tweede variabele (meestal de onafhankelijke variabele) en verplaats deze naar de box van de x-as.
In de Label Cases by box kun je je ID variabele zetten, zodat outliers kunnen worden geïdentificeerd.
Klik op OK (of op Paste om de syntax editor te bewaren).
De scatterplot kan worden gebruikt om te controleren voor een aantal aspecten van de verdeling van twee variabelen:
Controleren voor outliers, ofwel extreme data-waarden die afwijken van het cluster van data-waarden. Probeer te achterhalen waarom dit outliers zijn (is de data wel goed ingevoerd?). Wanneer je een outlier hebt geïdentificeerd en het ID-getal wil achterhalen, kan je gebruik maken van het Data Label Mode-icoon in de Chart Editor. Dubbelklik op de grafiek op de Chart Editor te activeren. Klik vervolgens op het icoon dat lijkt op de roos van een dartbord (of klik op Data Label Mode in het Elements-menu) en klik op punt in de grafiek dat je wilt identificeren, er verschijnt dan een getal; dit is het ID-getal.
Inspectie van de verdeling van
Samengestelde samenvatting, gebaseerd op hoofdstuk 12 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
De partiële correlatie lijkt op Pearson r, met als verschil dat je bij de partiële correlatie kan controleren voor een aanvullende (confound) variabele.
Klik in het menu bovenaan het scherm op Analyze, selecteer vervolgens Correlate en daarna Partial.
Klik op de twee continue variabelen die je wilt correleren. Klik op de pijl om deze variabelen naar de Variables box te verplaatsen.
Klik op de variabele waarvoor je wilt controleren en verplaats deze naar de Controlling for box.
Klik op Options.
Klik in het Missing Values gedeelte op Exclude cases pairwise.
Klik in het Statistics gedeelte op Zero order correlations.
Klik op Continue en daarna op OK (of op Paste om de Syntax Editor op te slaan).
In de output staat een tabel die bestaat uit twee gedeelten. In de bovenste helft vind je de normale Pearson product-moment correlatiematrix waarbij niet wordt gecontroleerd voor de mogelijke confound variabele. In de tweede helft van de tabel worden dezelfde correlatieanalyses herhaald, maar nu wordt wel gecontroleerd voor de mogelijke confound variabele. Door de twee correlatiecoëfficiënten met elkaar te vergelijken kun je achterhalen of het rekening houden met de aanvullende variabele invloed heeft gehad op de relatie tussen je twee variabelen.
Samengestelde samenvatting, gebaseerd op hoofdstuk 13 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Hieronder wordt uitgelegd hoe je SPSS kunt gebruiken bij meervoudige regressieanalyses. Meervoudige regressie is niet slechts één techniek, maar een verzameling technieken die gebruikt kan worden om de relatie tussen een continue afhankelijke variabele en meerdere onafhankelijke variabelen of voorspellers (meestal continu) te onderzoeken. Het is gebaseerd op correlatie, maar biedt een meer verfijnde analyse van de relatie tussen een reeks variabelen. Meervoudige regressie kan bij verschillende onderzoeksvragen worden toegepast, waaronder:
Hoe goed een reeks variabelen in staat is een bepaalde uitkomst te voorspellen.
Welke variabele binnen een reeks variabelen de beste voorspeller van een bepaalde uitkomst is.
Of een bepaalde voorspellende variabele nog steeds de uitkomst kan voorspellen wanneer gecontroleerd wordt voor de invloed van een andere variabele.
Er zijn verschillende soorten meervoudige regressieanalyses die je, afhankelijk van je onderzoeksvraag, kan toepassen. De drie belangrijkste meervoudige regressieanalyses zijn:
Standaard of simultaan
Hiërarchisch of sequentieel
Stapsgewijs
In de standaard meervoudige regressie worden alle onafhankelijke (of voorspellende) variabelen tegelijkertijd vergeleken. Iedere variabele wordt geëvalueerd in termen van zijn voorspellende waarde vergeleken met die van de andere onafhankelijke variabelen. Deze analyse gebruik je als je een reeks variabelen hebt en wil weten in welke mate ze als groep de variantie in een afhankelijke variabele kunnen verklaren.
In de hiërarchische meervoudige regressie (ook wel sequentiële regressie genoemd) worden de onafhankelijke variabelen aan de vergelijking toegevoegd in de volgorde die door de onderzoeker is vastgesteld op basis van een theoretisch kader. Variabelen of reeksen variabelen worden in stappen toegevoegd. Iedere variabele wordt gemeten in termen van wat het toevoegt aan de voorspelling van de afhankelijke variabele nadat is gecontroleerd voor de overige variabelen.
In de stapsgewijze regressie levert de onderzoeker een lijst van onafhankelijke variabelen en laat vervolgens het programma, op basis van een reeks statistische criteria, selecteren welke variabelen worden toegevoegd en in welke volgorde deze worden toegevoegd aan de vergelijking. Er zijn drie verschillende versies van deze benadering: (1) voorwaartse selectie, (2) achterwaartse schrapping (backward deletion), en (3) stapsgewijze regressie.
Samengestelde samenvatting, gebaseerd op hoofdstuk 14 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Aan de hand van logistische regressie kun je modellen testen waarmee je categorische uitkomsten – bestaande uit twee of meerdere categorieën – kunt voorspellen. Aan de hand van logistische regressie kan je meten hoe goed jouw verzameling voorspellende variabelen in staat is om jouw categorische afhankelijke variabele te voorspellen of verklaren. Het biedt je een indicatie van de toereikendheid van je model door de ‘goodness of fit’ in kaart te brengen. Je onafhankelijke variabele kan zowel categorisch als continu zijn, of een combinatie van beide. Hier wordt getoond hoe je een binomiale (ook wel binaire) logistische regressie uitvoert met een dichotome afhankelijke variabele (dus met slechts twee categorieën of waarden). Indien je afhankelijke variabele bestaat uit meerdere categorieën, zal je een multinomiale logistische regressie moeten uitvoeren. Deze wordt hier niet behandeld, maar is uiteraard wel beschikbaar in SPSS (zie het Help-menu).
Net als bij alle andere analyses is het belangrijk dat je steekproefgrootte voldoende is. Voer altijd Descriptive Statistics uit over elk van je onafhankelijke variabelen en overweeg om categorieën met te weinig casussen te verwijderen.
Controleer altijd of er hoge intercorrelaties tussen je onafhankelijke variabelen zijn. Maar hiervoor gebruik van door collinearity diagnostics op te vragen onder de Statistics-knop. Negeer de rest van de output en richt je enkel op de Coefficients tabel en de kolommen genaamd Collinearity Statistics. Zeer lage tolerance waarden (< .1) geven aan dat de variabele hoog correleert met andere variabelen. Heroverweeg in dat geval welke variabelen je in je model wil opnemen en verwijder een van de hoog intercorrelerende variabelen.
Het is belangrijk voor outliers te controleren. Dit kan door de residuen te inspecteren.
Om de resultaten van logistische regressie te kunnen interpreteren, is het belangrijk dat je de codering van responsen van elk van je variabelen nauwkeurig opstelt. Voor de dichotome afhankelijke variabele moet je de responsen coderen als 0 en 1. De 0-waarde wijs je toe aan responsen waaruit een gebrek of afwezigheid blijkt van het kenmerk waarin je geïnteresseerd bent. De 1-waarde wijs je toe aan responsen waaruit aanwezigheid blijkt van het kenmerk waarin je geïnteresseerd bent. Voor je categorische onafhankelijke variabelen voer je een soortgelijke procedure uit. Voor continue onafhankelijke variabelen koppel je hoge waarden aan de waarden van het kenmerk waarin je geïnteresseerd bent (bijv. 0 uur slaap krijgt waarde 0.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 15 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Factoranalyse verschilt van veel van de andere technieken in SPSS. Het is niet ontworpen om hypothesen te toetsen of om aan te geven of de ene groep significant verschilt van de andere groep. In plaats daarvan neemt het een grote reeks variabelen en zoekt naar een manier om de data te ‘reduceren’ of samen te vatten door het gebruik van een kleinere verzameling factoren of componenten. Dit wordt gedaan door te zoeken naar clusters of groepen tussen de intercorrelaties van een verzameling variabelen. Er zijn twee kernbenaderingen van de factoranalyse: (1) exploratieve factoranalyse – vaak gebruikt tijdens de vroege onderzoekstadia om informatie over de relaties tussen een verzameling variabelen te verzamelen – en (2) confirmatieve factoranalyse – later in het onderzoeksproces toegepast om specifieke hypothesen of theorieën betreffende de onderliggende structuur van een verzameling variabelen te toetsen.
De term ‘factoranalyse’ omvat een verscheidenheid aan verschillende gerelateerde technieken. Een van de belangrijkste onderscheidingen is die tussen de principale componentenanalyse (PCA) en factoranalyse (FA). Deze twee technieken lijken in veel opzichten op elkaar; beide trachten een kleiner aantal lineaire combinaties van de oorspronkelijke variabelen te produceren op een wijze die het grootste deel van de variabiliteit in het correlatiepatroon omvat (of deze kan verklaren). Uiteraard zijn er ook verschillen; bij PCA worden de oorspronkelijke variabelen getransformeerd naar een kleinere verzameling lineaire combinaties waarbij gebruik wordt gemaakt van alle variantie in de variabelen, terwijl bij FA de factoren worden geschat met behulp van een wiskundig model waarbij enkel de gedeelde variantie wordt geanalyseerd.
Hier wordt de PCA gedemonstreerd.
Er zijn twee belangrijke kwesties waar je rekening mee dient te houden tijdens het bepalen van de geschiktheid van je dataset voor factoranalyse: steekproefgrootte en de sterkte van de relatie tussen je variabelen (of items). Voor de steekproefgrootte zijn niet echt duidelijke richtlijnen. Over het algemeen geldt; hoe groter, hoe beter. Mocht je een kleine steekproef (<150) of heel veel variabelen hebben, zoek dan meer informatie op over factoranalyse.
De tweede kwestie betreft de sterkte van de intercorrelaties tussen de items. Tabachnick en Fidell raden aan dat correlatiecoëfficiënten een waarden van groter dan .3 hebben. SPSS biedt twee statistische metingen die kunnen helpen met het bepalen van de ‘factorability’ van de data: (1) Bartlett’s test voor sphericiteit, en (2) Kaiser-Meyer-Olkin (KMO) meting voor steekproef.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 16 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Niet-parametrische statistieken zijn ideaal wanneer je data is gemeten op een nominale of ordinale schaal. Ze zijn ook handig wanneer je beschikt over zeer kleine steekproeven en wanneer je data niet voldoet aan de assumpties van de parametrische technieken.
IBS SPSS geeft diverse niet-parametrische technieken voor verschillende situaties. Hieronder worden de meest gebruikte niet-parametrische technieken uitgelegd.
Niet-parametrische techniek | Parametrisch alternatief |
Chi-square test voor goodness of fit | Geen |
Chi-square test voor onafhankelijkheid | Geen |
McNemar’s Test | Geen |
Cochran’s Q Test | Geen |
Kappa Measure of Agreement | Geen |
Mann-Whitney U Test | T-toets voor onafhankelijke steekproeven |
Wilcoxon Signed Rank Test | T-toets voor gepaarde steekproeven |
Kruskal-Wallis Test | One-way between-groups ANOVA |
Friedman Test | One-way repeated measures ANOVA |
Algemene assumpties van niet-parametrische technieken waarvoor gecontroleerd moet worden, zijn:
Willekeurige steekproeven
Onafhankelijke observaties (met uitzondering van de technieken waarbij herhaalde metingen worden uitgevoerd).
Verder hebben sommige technieken nog aanvullende assumpties; deze zullen per techniek besproken worden.
Deze test, ook wel de one-sample chi-square genoemd, wordt vaak gebruikt om de proportie casussen uit een steekproef te vergelijken met hypothetische waarden of eerder verkregen waarden uit vergelijkbare populaties. Het enige dat je in de data-file nodig hebt, is één categorische variabele en een specifieke proportie waartegen je de geobserveerde frequenties wilt toetsen.
Klik in het menu bovenaan het scherm op Analyze, selecteer vervolgens Non-parametric Tests, daarna Legacy Dialogs en vervolgens
Samengestelde samenvatting, gebaseerd op hoofdstuk 17 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Er zijn verschillende t-toetsen beschikbaar in SPSS, hier zullen de volgende twee besproken worden:
T-toets voor onafhankelijke steekproeven (independent-samples t-test): deze toets wordt gebruikt om de gemiddelden van twee verschillende groepen mensen of condities te vergelijken.
T-toets voor gepaarde steekproeven (paired-samples t-test): deze toets wordt gebruikt om de gemiddelden van dezelfde groep mensen te vergelijken op twee verschillende momenten of wanneer er sprake is van gelijke (matched) paren.
Als er sprake is van meer dan twee groepen of condities kunnen deze toetsen niet gebruikt worden; in dat geval moet er een variantieanalyse gedaan worden.
Een independent-samples t-test wordt gebruikt wanneer je de gemiddelde score op een continue variabele van twee groepen deelnemers wilt vergelijken. Aan de hand van deze toets kan je bepalen of er sprake van een statistisch significant verschil tussen de gemiddelden van twee groepen. In statistische bewoording: er wordt getoetst wat de waarschijnlijkheid is dat twee reeksen scores afkomstig zijn van dezelfde populatie.
Het niet-parametrische alternatief voor deze toets is de Mann-Whitney U Test.
Klik in het menu bovenaan het scherm op Analyze, vervolgens op Compare Means en dan op Independent Samples T Test.
Verplaats de afhankelijke (continue) variabele naar de Test variable box.
Verplaats de onafhankelijke (categorische) variabele naar het Grouping variable gedeelte.
Klik op Define Groups en vul het aantal getallen in dat in de dataset wordt gebruikt om iedere groep te coderen. Mocht je niet kunnen onthouden welke waarden voor welke groep worden gebruikt, klik dan met de rechtermuisknop op de naam van de variabele en klik op de optie Variable Information. Er komt dan een pop-up box tevoorschijn waarin de waarden en labels voor deze variabele vermeld staan. Nadat je de waarden hebt ingevoerd, sluit je de pop-up box en klik je op Continue.
Klik op OK (of op Paste om de Syntax Editor op te slaan).
Stap 1: Controleer de informatie over de groepen: Controleer het gemiddelde, de standaarddeviatie en de groepsgrootte (N) van beide groepen, te vinden in de tabel van de Group Statistics.
Stap 2: Check of aan de assumpties is voldaan: Controleer het resultaat van de Levene’s test (in het eerste gedeelte van de Independent Samples Test output box). Deze toets bepaalt of de variantie van de scores voor de twee groepen gelijk is. De uitslag bepaalt welke door SPSS gegenereerde t-waarde.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 18 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
T-toetsen worden gebruikt om de scores van twee verschillende groepen of condities te vergelijken. In veel onderzoekssituaties zijn we echter geïnteresseerd in het vergelijken van gemiddelde scores van meer dan twee groepen. In dat geval wordt gebruik gemaakt van variantieanalyse (ANOVA). Variantieanalyse wordt zo genoemd omdat de variantie (variabiliteit in scores) tussen de verschillende groepen (waarvan verwacht wordt dat deze verklaard kan worden door de onafhankelijke variabele) wordt vergeleken met de variabiliteit binnen elk van de groepen (waarvan verwacht wordt dat deze wordt veroorzaakt door toeval). De F-ratio – ofwel de variantie tussen de groepen gedeeld door de variantie binnen de groepen – wordt berekend. Een significante F-waarde betekent dat de nulhypothese, namelijk dat de populatiegemiddelden gelijk zijn, verworpen kan worden. Omdat het niks zegt over welke groepen van elkaar verschillen, dienen nog post-hoc toetsen te worden uitgevoerd. Een alternatief voor post-hoc toetsen is het uitvoeren van specifieke vergelijkingen (ofwel planned comparisons).
Hieronder worden twee soorten one-way ANOVA’s besproken, namelijk: (1) between-groups ANOVA, welke wordt gebruikt wanneer je te maken hebt met verschillende deelnemers/casussen in elk van je groepen (ook wel het independent groups design genoemd); en (2) repeated measures ANOVA, welke wordt gebruikt wanneer je dezelfde deelnemers onder verschillende condities/tijdstippen vergelijkt (ook wel het within-subjects design genoemd).
De one-way between-groups ANOVA wordt toegepast wanneer je één categorische onafhankelijke (grouping) variabele hebt met minimaal drie niveaus (groepen) en één continue afhankelijke variabele.
Het niet-parametrische alternatief van de one-way between-groups ANOVA is de Kruskal-Wallis Test.
Klik in het menu bovenaan het scherm op Analyze, vervolgens op Compare Means en daarna op One-way ANOVA.
Verplaats je afhankelijke variabele naar de Dependent List box.
Verplaats je onafhankelijke variabele naar de Factor box.
Klik Options aan en selecteer Descriptive, Homogenity of variance test, Brown-Forsythe, Welch en Means Plot.
Zorg dat bij Missing values de optie Exclude cases analysis by analysis is aangevinkt en klik op Continue.
Klik op Post Hoc en selecteer Tukey.
Klik op Continue en vervolgens op OK (of op Paste om de Syntax Editor op te slaan).
Check altijd eerst de Descriptives tabel; hierin vind je informatie over iedere groep. Kijk vervolgens in de Test of Homogeneity of Variances tabel, waar je Levene’s test voor gelijke varianties vindt. Als de significantiewaarde (Sig.) groter is dan .05 is de assumptie van gelijke.....read more
Samengestelde samenvatting, gebaseerd op hoofdstuk 19 van SPSS Survival Manual van Pallant, 6e druk uit 2016.
Two-way wil zeggen dat er twee onafhankelijke variabelen zijn. Between-groups geeft aan dat er in elk van de groepen verschillende deelnemers zitten. Aan de hand van de two-way between-groups ANOVA kan gekeken worden naar de individuele en gezamenlijke invloed van twee onafhankelijke variabelen op één afhankelijke variabele. Je kan dus niet alleen het hoofdeffect voor iedere onafhankelijke variabele toetsen, maar ook kijken of er mogelijk sprake is van een interactie-effect. Dit laatste effect vindt plaats wanneer de invloed van een onafhankelijke variabele op de afhankelijke variabele afhankelijk is van een tweede onafhankelijke variabele.
Klik in het menu bovenaan het scherm op Analyze, vervolgens op General Linear Model en daarna op Univariate.
Verplaats je afhankelijke (continue) variabele naar de Dependent variable box.
Verplaats je onafhankelijke (categorische) variabelen naar de Fixed Factors box.
Klik op Options en vervolgens op Descriptive Statistics, Estimates of effect size en Homogeneity of tests. Klik daarna op Continue.
Klik op Post Hoc. Selecteer uit de Factors die aan de linkerkant staan de onafhankelijke variabelen waarin je geïnteresseerd bent en verplaats deze naar het Post Hoc Tests for gedeelte. Kies welke toets je wilt gebruiken (bijv. Tukey) en klik op Continue.
Klik op de Plots-knop. Verplaats de onafhankelijke variabele met de meeste groepen naar de Horizontal box. Verplaats de overige onafhankelijke variabelen naar de Separate Lines box. Klik op Add. Als het goed is zie je nu in het Plots gedeelte je twee variabelen.
Klik op Continue en vervolgens op OK (of op Paste om de Syntax Editor op te slaan).
Controleer in de Descriptive Statistics tabel of je beschrijvende statistieken (gemiddelde scores, standaarddeviaties en aantal deelnemers (N)) juist zijn.
Check in de Levene’s Test of Equality of Error Variances of aan de assumpties is voldaan. Je wilt dat de significantiewaarde groter is dan .05. Een significant resultaat suggereert namelijk dat de variantie van je afhankelijk niet hetzelfde is over de verschillende groepen. Mocht dit het geval zijn, dan wordt aangeraden om een strenger significantieniveau (bijv. .01) te stellen om je resultaten van je two-way ANOVA te evalueren.
De belangrijkste output van de two-way ANOVA vindt je in de tabel genaamd Tests of Between-Subjects. Het eerste dat je doet is kijken of er sprake is van een interactie-effect. Wanneer hier namelijk sprake van.....read more
Je vertrek voorbereiden of je verzekering afsluiten bij studie, stage of onderzoek in het buitenland
Study or work abroad? check your insurance options with The JoHo Foundation
There are several ways to navigate the large amount of summaries, study notes en practice exams on JoHo WorldSupporter.
Do you want to share your summaries with JoHo WorldSupporter and its visitors?
Field of study
Add new contribution