Werk & Studie
alle pijlers
Hulp bij SPSS - Pearson correlation
donderdag 26 juli 2012 om 20:38
Hoi,
Hopelijk kan iemand hier mij helpen, want ik weet even niet hoe ik verder moet.. Voor mijn scriptie heb ik de correlatie tussen de verschillende onafhankelijke variabelen berekend, nu heb ik voor een aantal koppels van variabelen dat de uitkomst niet significant is.. Wat wil dit zeggen? Dat er verder onderzoek vereist is?
Hopelijk kan iemand me hier een beetje bij helpen.
Groetjes Lies!
Hopelijk kan iemand hier mij helpen, want ik weet even niet hoe ik verder moet.. Voor mijn scriptie heb ik de correlatie tussen de verschillende onafhankelijke variabelen berekend, nu heb ik voor een aantal koppels van variabelen dat de uitkomst niet significant is.. Wat wil dit zeggen? Dat er verder onderzoek vereist is?
Hopelijk kan iemand me hier een beetje bij helpen.
Groetjes Lies!
donderdag 26 juli 2012 om 23:50
Kleine waarschuwing: als de correlatie niet significant is, betekent het precies dat. Het betekent niet dat er geen correlatie is. Klinkt mierenneukerig, maar is een heel belangrijk verschil. Ik zie zo vaak studenten twee dingen met elkaar vergelijken (bv gemiddelden), die duidelijk niet hetzelfde zijn. Er is dan geen significant verschil, en dan staat er 'de waardes verschillen niet'. De correcte conclusie is: de waardes verschillen wel, maar niet zoveel dat uit kan worden gesloten dat het verschil door toeval wordt veroorzaakt.
Bij correlaties hangt de conclusie ook nog af van de correlatie coëfficiënt. Als die dicht bij 1 ligt, lijkt de correlatie sterk, en zou misschien een grotere steekproef nodig zijn. Hetzelfde geldt voor dicht bij -1. Is de coëfficiënt echter 0,05 oid, dan lijkt er dus niet veel correlatie te zijn, en dan is verder onderzoek misschien niet heel zinvol.
Ik vind het trouwens wel een beetje zorgelijk dat je statistiek moet doen, en dan eigenlijk niet weet wat de uitkomst betekent. De toets uitvoeren kan iedereen (zeker per computer), statistiek draait juist om 1) de goede toets doen (daar gaat het heel vaak al mis) en 2) de juiste conclusies aan de uitslag verbinden. Voor iets als een scriptie, is het misschien een idee om hier wat hulp bij te vragen?
Bij correlaties hangt de conclusie ook nog af van de correlatie coëfficiënt. Als die dicht bij 1 ligt, lijkt de correlatie sterk, en zou misschien een grotere steekproef nodig zijn. Hetzelfde geldt voor dicht bij -1. Is de coëfficiënt echter 0,05 oid, dan lijkt er dus niet veel correlatie te zijn, en dan is verder onderzoek misschien niet heel zinvol.
Ik vind het trouwens wel een beetje zorgelijk dat je statistiek moet doen, en dan eigenlijk niet weet wat de uitkomst betekent. De toets uitvoeren kan iedereen (zeker per computer), statistiek draait juist om 1) de goede toets doen (daar gaat het heel vaak al mis) en 2) de juiste conclusies aan de uitslag verbinden. Voor iets als een scriptie, is het misschien een idee om hier wat hulp bij te vragen?
vrijdag 27 juli 2012 om 00:25
quote:nausicaa schreef op 26 juli 2012 @ 23:50:
Kleine waarschuwing: als de correlatie niet significant is, betekent het precies dat. Het betekent niet dat er geen correlatie is. Klinkt mierenneukerig, maar is een heel belangrijk verschil. Ik zie zo vaak studenten twee dingen met elkaar vergelijken (bv gemiddelden), die duidelijk niet hetzelfde zijn. Er is dan geen significant verschil, en dan staat er 'de waardes verschillen niet'. De correcte conclusie is: de waardes verschillen wel, maar niet zoveel dat uit kan worden gesloten dat het verschil door toeval wordt veroorzaakt. Precies, en daarnaast ook handig om te beseffen dat statistische significantie niet hetzelfde is als klinische significantie/relevantie. Daar gaat ook nog wel eens mis!
Kleine waarschuwing: als de correlatie niet significant is, betekent het precies dat. Het betekent niet dat er geen correlatie is. Klinkt mierenneukerig, maar is een heel belangrijk verschil. Ik zie zo vaak studenten twee dingen met elkaar vergelijken (bv gemiddelden), die duidelijk niet hetzelfde zijn. Er is dan geen significant verschil, en dan staat er 'de waardes verschillen niet'. De correcte conclusie is: de waardes verschillen wel, maar niet zoveel dat uit kan worden gesloten dat het verschil door toeval wordt veroorzaakt. Precies, en daarnaast ook handig om te beseffen dat statistische significantie niet hetzelfde is als klinische significantie/relevantie. Daar gaat ook nog wel eens mis!
zondag 29 juli 2012 om 13:34
Bedankt voor jullie reacties!
nausicaa, ik ben het helemaal met je eens!
We hebben nooit iets van een SPSS-cursus gehad, er is ons nooit verteld hoe ermee om te gaan en nu wordt verwacht dat we het gewoon weten. Ik heb medestudenten die op het internet moeten kijken voor ze uberhaupt een toets uit kunnen voeren.. :S
nausicaa, ik ben het helemaal met je eens!
We hebben nooit iets van een SPSS-cursus gehad, er is ons nooit verteld hoe ermee om te gaan en nu wordt verwacht dat we het gewoon weten. Ik heb medestudenten die op het internet moeten kijken voor ze uberhaupt een toets uit kunnen voeren.. :S
zondag 29 juli 2012 om 19:18
SPSS is echt een "#&_&##"!""$ programma, dus respect dat je zonder cursus al zover gekomen bent . Helaas is mijn kennis te ver weggezakt om een nuttig antwoord te kunnen geven op je vraag. Ik kan je dit boek overigens van harte aanbevelen, zelfs de grootste dummie op dit gebied (ik) krijgt er de basisdingetjes snel mee onder de knie. Nieuw peperduur, maar universiteitsbibliotheken hebben het vaak ook wel, of probeer een tweedehands exemplaar te vinden (wel opletten dat het de juiste druk is). Succes!
maandag 30 juli 2012 om 21:20
Nog een vraag:
Ik moet van mijn begeleider twee verschillende toetsen uitvoeren.
1) een lineaire regressie analyse, om de invloeden van aantal variabelen op een verschijnsel te testen.
2) een gepaarde t-toets om te kijken of een ander aspect van buitenaf (waarvan het bestaan al is bewezen) van invloed zijn geweest op de gemiddelden van dit verschijnsel. Doordat het hier een vergelijking van de gemiddelden betreft is een lineaire regressie hier niet mogelijk.
Daarnaast moet ik dus een correlatiematrix opstellen.
Bij de eerste toets zijn de gemiddelden de afhankelijke variabelen waarbij de correlatie met andere variabelen wordt getest. Bij de tweede toets zijn de gemiddelden de onafhankelijke (denk ik?). Is het ook mogelijk om op één of andere manier het aspect waarvan de invloed bij twee wordt getest mee te nemen in de correlatiematrix?
Ik hoop dat de situatie zo een beetje duidelijk is
Lies
Ik moet van mijn begeleider twee verschillende toetsen uitvoeren.
1) een lineaire regressie analyse, om de invloeden van aantal variabelen op een verschijnsel te testen.
2) een gepaarde t-toets om te kijken of een ander aspect van buitenaf (waarvan het bestaan al is bewezen) van invloed zijn geweest op de gemiddelden van dit verschijnsel. Doordat het hier een vergelijking van de gemiddelden betreft is een lineaire regressie hier niet mogelijk.
Daarnaast moet ik dus een correlatiematrix opstellen.
Bij de eerste toets zijn de gemiddelden de afhankelijke variabelen waarbij de correlatie met andere variabelen wordt getest. Bij de tweede toets zijn de gemiddelden de onafhankelijke (denk ik?). Is het ook mogelijk om op één of andere manier het aspect waarvan de invloed bij twee wordt getest mee te nemen in de correlatiematrix?
Ik hoop dat de situatie zo een beetje duidelijk is
Lies
dinsdag 31 juli 2012 om 05:22
Vage woorden als 'verschijnsel' en 'aspect' maken het er niet veel duidelijker op (het is handiger om gewoon concreet te benoemen wat je meet), maar ik zal een poging wagen... 
Lineare regressie geeft je regressie coefficienten (lijkt erg op correlaties, maar is niet helemaal hetzelfde).
Bij de gepaarde t-toets is de uitkomstmaat die je voor de de afhankelijke variabele (in feite geef je 2 afhankelijk variabelen in in SPSS), en de 'grouping' (datgene wat het verschil maakt tussen de metingen, bv. voormeting/nameting) is de onafhankelijke.
Wat betreft die correlatie-matrix: je gaat een correlatiematrix maken voor alle onafhankelijke variabelen + de afhankelijke variabele van model 1? Als dat 'aspect' het effect van tijd is op variabele Y (dus een leereffect ofzo) dat zou je een verschilscore kunnen berekenen met die 2 variabelen die weergeeft hoe groot het leereffect voor iedereen was, en dat meenemen in je correlatie-matrix (wel even checken of die nieuwe variabele normaal verdeeld is). Maar ik weet niet of dat zo gebruikelijk is.
Lineare regressie geeft je regressie coefficienten (lijkt erg op correlaties, maar is niet helemaal hetzelfde).
Bij de gepaarde t-toets is de uitkomstmaat die je voor de de afhankelijke variabele (in feite geef je 2 afhankelijk variabelen in in SPSS), en de 'grouping' (datgene wat het verschil maakt tussen de metingen, bv. voormeting/nameting) is de onafhankelijke.
Wat betreft die correlatie-matrix: je gaat een correlatiematrix maken voor alle onafhankelijke variabelen + de afhankelijke variabele van model 1? Als dat 'aspect' het effect van tijd is op variabele Y (dus een leereffect ofzo) dat zou je een verschilscore kunnen berekenen met die 2 variabelen die weergeeft hoe groot het leereffect voor iedereen was, en dat meenemen in je correlatie-matrix (wel even checken of die nieuwe variabele normaal verdeeld is). Maar ik weet niet of dat zo gebruikelijk is.
