Term
| Correlaties schatten: wat is er nodig voordat een studie wordt uitgevoerd? |
|
Definition
| Het is nodig om te berekenen hoeveel deelnemers er nodig zijn. Vaak willen onderzoekers effectgroottes zoals de correlatiecoëfficiënt berekenen en willen deze met een bepaalde accuraatheid kunnen schatten. In andere woorden, onderzoekers willen een betrouwbaarheidsinterval met een gegeven maximale breedte verkrijgen. |
|
|
Term
| Geen vraag: Voorbeeld in 24.5 maakt een hoop duidelijk. |
|
Definition
|
|
Term
| Welke aanname komt erbij in de multipele regressieanalyse? |
|
Definition
| Er komt een zachte aanname bij: er mag geen sprake zijn van zogenaamde multicollineariteit. Multicollineariteit betekent dat de voorspellers goed uit elkaar te voorspellen zijn. Met andere woorden: als je een regressie-analyse doet waarbij je de ene voorspeller voorspelt uit de ándere voorspellers (waarbij dus de afhankelijke variabele buiten beschouwing wordt gelaten), en de R2 is hoog, dan is er sprake van multicollineariteit. |
|
|
Term
| Hoe kun je multicollineariteit oplossen? |
|
Definition
| Door meer deelnemers te werven, maar dat vereist wel dat je van te voren verwachtingen hebt over de samenhang tussen je voorspellers. Als je die hebt kun je deze meenemen in je berekeningen voor de vereiste steekproefomvang. |
|
|
Term
| Waarvan moet je je van bewust zijn als inmmultipele regressie (of andere multivariate analyses) voorspellers correleren? |
|
Definition
| Dat de definities van de constructen, de operationalisaties, en de items in de meetinstrumenten niet dezelfde aspecten van de menselijke psychologie afdekken. Als dat wel zo is, zijn de schattingen uit multivariate modellen geen zuivere schattingen (ze zijn gebiased), en kun je beter bivariate analyses gebruiken, zoals correlaties. |
|
|
Term
| Noem vier veelvoorkomende situaties waarin multipele regressie-analyse wordt gebruikt. |
|
Definition
Ten eerste is er de pragmatische situatie waarin je simpelweg de best mogelijke voorspelling van een bepaalde variabele wil hebben (dat is dan in het regressie-model de afhankelijke variabele). In dit geval maakt het niet uit of de regressiecoëfficiënten valide schattingen geven van de unieke bijdrage van de voorspellers: het gaat er alleen om dat de voorspelde waarden zo accuraat mogelijk zijn en dat de proportie voorspelde variantie, oftewel R2, goed wordt geschat.
Ten tweede is er de toegepaste situatie waarin je wil schatten hoeveel van een variabele je begrijpt aan de hand van een serie voorspellers. In dit geval maakt het ook niet uit of de regressiecoëfficiënten valide schattingen geven van de unieke bijdrage van de voorspellers: je wil alleen de proportie voorspelde variantie, dus R2, weten.
Ten derde is er de situatie waarin je wél geïnteresseerd bent in de unieke bijdrage van elke voorspeller en waarin de voorspellers niet met elkaar samenhangen. Dit is de meest eenvoudige situatie, maar bij onderzoek met mensen (psychologie, onderwijswetenschappen, managementwetenschappen, etc) is dit ook heel zeldzaam. In die situatie kun je regressiecoëfficiënten rechtstreeks interpreteren: het zijn dan zuivere schatters van het effect van elke voorspeller.
Ten vierde is er de situatie waarin je voorspellers met elkaar samenhangen, maar je weet dat ze niet conceptueel overlappen. In dat geval representeren de voorspellers en de afhankelijke variabele elk apart te onderscheiden stukjes van de wereld, en de samenhang die er tussen hen bestaat is het gevolg van causale verbanden. Niet noodzakelijk causale verbanden van de voorspellers naar de afhankelijke variabele: als je die wil onderzoeken, kun je beter een experimenteel ontwerp gebruiken. |
|
|
