Werk & Studie
alle pijlers
SPSS Hulp
maandag 30 juli 2018 om 13:16
Wij zijn bezig met de data-analyses voor ons afstudeeronderzoek. Wij lopen tegen het e.e.a. aan en wij hopen dat iemand ons misschien verder kunt helpen.
Wij willen toetsen of er verbanden zijn tussen de volgende variabelen:
1) Mening (ordinaal: slecht, neutraal, goed) over een bepaald beleidstuk & geslacht (nominaal: man, vrouw)
2) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & huisdierbezit (ja, nee)
3) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & leeftijdsklassen (4 klassen: 18-25, 26-50, 51-75, 56-100)
4) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & opleidingsniveau (8 klassen: geen, VMBO, HBO, VWO, MBO, HBO, WO, anders)
5) Of men op de hoogte was (nominaal: ja, nee) van dat beleidstuk & geslacht (man, vrouw)
6) Of men op de hoogte was (ja, nee) van dat beleid & huisdierbezit (ja, nee)
7) Of men op de hoogte was (ja, nee) van dat beleidstuk & leeftijdsklassen (4 klassen: 18-25, 26-50, 51-75, 56-100)
8) Of men op de hoogte was (ja, nee) van dat beleidstuk & opleidingsniveau (8 klassen: geen, VMBO, HBO, VWO, MBO, HBO, WO, anders)
Wij denken de volgende toetsen te moeten gebruiken voor het toetsen op de mogelijke verbanden:
1) Mann-Whitney
2) Mann-Whitney
3) Spearman's rangcorrelatie
4) Spearman's rangcorrelatie
5) Chi-kwadraattoets + Cramers V
6) Chi-kwadraattoets + Cramers V
7) ?
8) ?
Wij weten niet zeker of deze toetsen kloppen voor deze testen en daarnaast weten wij ook niet welke toetsen wij moeten gebruiken voor punt 7 en 8. Kunnen jullie misschien helpen?
Alvast bedankt!
Wij willen toetsen of er verbanden zijn tussen de volgende variabelen:
1) Mening (ordinaal: slecht, neutraal, goed) over een bepaald beleidstuk & geslacht (nominaal: man, vrouw)
2) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & huisdierbezit (ja, nee)
3) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & leeftijdsklassen (4 klassen: 18-25, 26-50, 51-75, 56-100)
4) Mening (slecht, neutraal, goed) over een bepaald beleidstuk & opleidingsniveau (8 klassen: geen, VMBO, HBO, VWO, MBO, HBO, WO, anders)
5) Of men op de hoogte was (nominaal: ja, nee) van dat beleidstuk & geslacht (man, vrouw)
6) Of men op de hoogte was (ja, nee) van dat beleid & huisdierbezit (ja, nee)
7) Of men op de hoogte was (ja, nee) van dat beleidstuk & leeftijdsklassen (4 klassen: 18-25, 26-50, 51-75, 56-100)
8) Of men op de hoogte was (ja, nee) van dat beleidstuk & opleidingsniveau (8 klassen: geen, VMBO, HBO, VWO, MBO, HBO, WO, anders)
Wij denken de volgende toetsen te moeten gebruiken voor het toetsen op de mogelijke verbanden:
1) Mann-Whitney
2) Mann-Whitney
3) Spearman's rangcorrelatie
4) Spearman's rangcorrelatie
5) Chi-kwadraattoets + Cramers V
6) Chi-kwadraattoets + Cramers V
7) ?
8) ?
Wij weten niet zeker of deze toetsen kloppen voor deze testen en daarnaast weten wij ook niet welke toetsen wij moeten gebruiken voor punt 7 en 8. Kunnen jullie misschien helpen?
Alvast bedankt!
maandag 30 juli 2018 om 13:19
klinkt als of je eigenlijk een regressie zou willen doen, maar bij zoveel nominale variabelen is de vraag of je dan wel iets zegt, want een binominale regressie zegt naar mijn mening weinig.
Begin eens (dat maakt je uitleg duidelijker) hoeveel respondenten je hebt en wat precies je afhankelijke en onafhankelijke variabelen zijn.
Sowieso moet je natuurlijk eerst eens kijken of iemand op de hoogte was van het beleidsstuk voordat iemand een mening heeft over dat betreffende beleidsstuk. Je N is dus lager bij de eerste punten die je noemt.
Begin eens (dat maakt je uitleg duidelijker) hoeveel respondenten je hebt en wat precies je afhankelijke en onafhankelijke variabelen zijn.
Sowieso moet je natuurlijk eerst eens kijken of iemand op de hoogte was van het beleidsstuk voordat iemand een mening heeft over dat betreffende beleidsstuk. Je N is dus lager bij de eerste punten die je noemt.
maandag 30 juli 2018 om 13:35
Ook niet met een binomiale benadering van de kansverdeling?
Spreuken 18:2
maandag 30 juli 2018 om 13:45
nope, ik zou het me makkelijk maken en gewoon een binominale regressie doen. Heb je meteen ook een mate van sterkte met de Beta, bij anova heb je alleen een binominaal antwoord. TO wil verband weten dus dan zou ik eerder kiezen voor regressie dan anova omdat ik dan ook sterkte en richting zou willen weten. (maar of TO dat ook allemaal wil weet ik natuurlijk niet)
Lijkt er sowieso op dat TO als ze al zou kiezen voor een anova achtige toets beter zou kunnen kiezen voor manova of mancova omdat haar afhankelijken gelinkt lijken te zijn.
Maar dan nog, ik zou vinden dat bij nominale variabelen (waarbij ik drie-punts ordinal ook maar voor het gemak onder nominal schaar) er te veel inhoudelijke assumpties gemaakt worden om zomaar een anova achtige toets te doen. Ik zeg niet dat het nooit kan, maar ik bedoel dat die assumpties heel goed beargumenteerd zouden moeten worden.
maandag 30 juli 2018 om 14:08
Als je logistische regressie bedoelt, kan ik me daar deels in vinden, maar het lijkt me een overbodig ingewikkeld instrument als je alleen maar vast wil stellen of er een verband is. Bovendien doe je dan nog veel meer veronderstellingen dan met de binomiale benadering van ANOVA. Dus als je het jezelf 'makkelijk' wil maken en je niet te veel veronderstellingen wil doen, kies ik voor de binomiale benadering van ANOVA. veel meer dan het uitrekenen van de fractie is niet nodig.florence13 schreef: ↑30-07-2018 13:45nope, ik zou het me makkelijk maken en gewoon een binominale regressie doen. Heb je meteen ook een mate van sterkte met de Beta, bij anova heb je alleen een binominaal antwoord. TO wil verband weten dus dan zou ik eerder kiezen voor regressie dan anova omdat ik dan ook sterkte en richting zou willen weten. (maar of TO dat ook allemaal wil weet ik natuurlijk niet)
Lijkt er sowieso op dat TO als ze al zou kiezen voor een anova achtige toets beter zou kunnen kiezen voor manova of mancova omdat haar afhankelijken gelinkt lijken te zijn.
Maar dan nog, ik zou vinden dat bij nominale variabelen (waarbij ik drie-punts ordinal ook maar voor het gemak onder nominal schaar) er te veel inhoudelijke assumpties gemaakt worden om zomaar een anova achtige toets te doen. Ik zeg niet dat het nooit kan, maar ik bedoel dat die assumpties heel goed beargumenteerd zouden moeten worden.
Hee, wat zitten wij leuk jullie opdracht voor jullie te maken!
In het kader daarvan is het eigenlijk juist heel leerzaam en leuk om toch die logistische regressie te doen. Je leraar zal trots op je zijn.
Spreuken 18:2
maandag 30 juli 2018 om 14:16
Ja rekenkundig ben ik het met je eens. Echter, anova vertelt of je een verschil tussen groepen hebt, niet of dat verschil ook verband met elkaar houdt, en dat is de vraag die TO wil beantwoorden. Wat ik dus bedoel is dat er een hele scherpe argumentatie moet komen dat verschil (of niet) tussen groepen gelijk staat aan een relatie tussen beide variabelen. En die causaliteit is erg lastig te onderbouwen. Naar mijn mening past anova dus niet bij de hypothese (hoewel het zou kunnen dat to die hypothese een beetje ongelukkig formuleert)Satchel schreef: ↑30-07-2018 14:08Als je logistische regressie bedoelt, kan ik me daar deels in vinden, maar het lijkt me een overbodig ingewikkeld instrument als je alleen maar vast wil stellen of er een verband is. Bovendien doe je dan nog veel meer veronderstellingen dan met de binomiale benadering van ANOVA. Dus als je het jezelf 'makkelijk' wil maken en je niet te veel veronderstellingen wil doen, kies ik voor de binomiale benadering van ANOVA. veel meer dan het uitrekenen van de fractie is niet nodig.
Hee, wat zitten wij leuk jullie opdracht voor jullie te maken!
In het kader daarvan is het eigenlijk juist heel leerzaam en leuk om toch die logistische regressie te doen. Je leraar zal trots op je zijn.
Nu blijft causaliteit altijd lastig met statistiek natuurlijk, maar anova is niet gemaakt om predicties over causaliteit te doen, enkel om significantie in verschillen tussen groepen te bepalen. Ik wil hier niet claimen dat regressie dat allemaal wel kan (want er zijn natuurlijk genoeg idiote regressie voorbeelden te bedenken waarbij de aangegeven causaliteit nergens op slaat) maar het is wel makkelijker te beargumenteren.
ja ik bedoelde logistische regressie inderdaad.
Zeg TO: satchel en ik zijn ons hier moeite aan het doen, dus laat eens even horen hoe groot je N is, dat maakt namelijk nogal uit en wat je hypothesen precies zijn, wil je verschil, verband of associatie meten?
maandag 30 juli 2018 om 14:25
Regressie doet dat inderdaad ook niet. Tenzij je verschillende modelspecificaties gaat gebruiken en vergelijken en bij voorkeur een timelag introduceert. Je kan overigens aantonen dat ANOVA en een simpele OLS-regressie met dummievariabelen op exact hetzelfde neerkomt. Met logistische regressie is dat iets gecompliceerder omdat de verliesfunctie die je minimaliseert dan geen kwadratische fout is maar, je raadt het al, een binomiale functie. Drie keer raden hoe dat uitwerkt als je de uitkomsten van die binomiale benadering van anova vergelijkt met een eenvoudige logistische regressie met dummievariabelenflorence13 schreef: ↑30-07-2018 14:16Ja rekenkundig ben ik het met je eens. Echter, anova vertelt of je een verschil tussen groepen hebt, niet of dat verschil ook verband met elkaar houdt, en dat is de vraag die TO wil beantwoorden. Wat ik dus bedoel is dat er een hele scherpe argumentatie moet komen dat verschil (of niet) tussen groepen gelijk staat aan een relatie tussen beide variabelen. En die causaliteit is erg lastig te onderbouwen. Naar mijn mening past anova dus niet bij de hypothese (hoewel het zou kunnen dat to die hypothese een beetje ongelukkig formuleert)
Nu blijft causaliteit altijd lastig met statistiek natuurlijk, maar anova is niet gemaakt om predicties over causaliteit te doen, enkel om significantie in verschillen tussen groepen te bepalen. Ik wil hier niet claimen dat regressie dat allemaal wel kan (want er zijn natuurlijk genoeg idiote regressie voorbeelden te bedenken waarbij de aangegeven causaliteit nergens op slaat) maar het is wel makkelijker te beargumenteren.
ja ik bedoelde logistische regressie inderdaad.
Zeg TO: satchel en ik zijn ons hier moeite aan het doen, dus laat eens even horen hoe groot je N is, dat maakt namelijk nogal uit en wat je hypothesen precies zijn, wil je verschil, verband of associatie meten?
Spreuken 18:2
maandag 30 juli 2018 om 14:33
blijft natuurlijk altijd het problem met statistiek, we doen of we relaties aantonen maar in essentie doen we dat helemaal niet. Op zich vind ik de anova vs. regressie discussie altijd wel interessant, want het lijkt erg discipline afhankelijk waar de voorkeur aan gegeven wordt. In termen van argumentatie moet ik wel zeggen dat het lijkt (en ik zegt dus 'lijkt') dat verband vaak makkelijker geaccepteerd wordt bij regressie dan bij anova, maar dat zou kunnen liggen aan de discipline waarin in journals lees. Acceptatie zegt verder natuurlijk niets over inhoud, het is denk ik meer een cultuur ding.Satchel schreef: ↑30-07-2018 14:25Regressie doet dat inderdaad ook niet. Tenzij je verschillende modelspecificaties gaat gebruiken en vergelijken en bij voorkeur een timelag introduceert. Je kan overigens aantonen dat ANOVA en een simpele OLS-regressie met dummievariabelen op exact hetzelfde neerkomt. Met logistische regressie is dat iets gecompliceerder omdat de verliesfunctie die je minimaliseert dan geen kwadratische fout is maar, je raadt het al, een binomiale functie. Drie keer raden hoe dat uitwerkt als je de uitkomsten van die binomiale benadering van anova vergelijkt met een eenvoudige logistische regressie met dummievariabelen
Helemaal eens met jouw post hierboven, ik vind sowieso dat een binominale regressie eigenlijk weinig zegt (inhoudelijk dus).
Maar goed, ik wacht nog even op TO, als ze straks aan komt met een N van 17 dan staan we daar allebei dom te kijken…..
maandag 30 juli 2018 om 14:42
Dat dom kijken ben ik wel gewend. Ik heb al de nodige congressen bijgewoond waar zelfs keynote speakers heel trots een definitievergelijking hadden geschat ("fantastisch fit, R-kwadraat bijna 1"), of een model met flinke multicollineariteit ("gigantische coëfficiënten, dus met een heel sterke relatie want veel invloed") of met meer variabelen dan datapunten ("het rare is alleen dat mijn computer geen oplossing geeft, ik snap er niets van, je stopt het toch gewoon in de pc en dan hoort er toch een antwoord uit te komen?")florence13 schreef: ↑30-07-2018 14:33blijft natuurlijk altijd het problem met statistiek, we doen of we relaties aantonen maar in essentie doen we dat helemaal niet. Op zich vind ik de anova vs. regressie discussie altijd wel interessant, want het lijkt erg discipline afhankelijk waar de voorkeur aan gegeven wordt. In termen van argumentatie moet ik wel zeggen dat het lijkt (en ik zegt dus 'lijkt') dat verband vaak makkelijker geaccepteerd wordt bij regressie dan bij anova, maar dat zou kunnen liggen aan de discipline waarin in journals lees. Acceptatie zegt verder natuurlijk niets over inhoud, het is denk ik meer een cultuur ding.
Helemaal eens met jouw post hierboven, ik vind sowieso dat een binominale regressie eigenlijk weinig zegt (inhoudelijk dus).
Maar goed, ik wacht nog even op TO, als ze straks aan komt met een N van 17 dan staan we daar allebei dom te kijken…..
Overtuigen is inderdaad weer iets heel anders dan aantonen.
Spreuken 18:2
maandag 30 juli 2018 om 14:49
"Satchel schreef: ↑30-07-2018 14:42Dat dom kijken ben ik wel gewend. Ik heb al de nodige congressen bijgewoond waar zelfs keynote speakers heel trots een definitievergelijking hadden geschat ("fantastisch fit, R-kwadraat bijna 1"), of een model met flinke multicollineariteit ("gigantische coëfficiënten, dus met een heel sterke relatie want veel invloed") of met meer variabelen dan datapunten ("het rare is alleen dat mijn computer geen oplossing geeft, ik snap er niets van, je stopt het toch gewoon in de pc en dan hoort er toch een antwoord uit te komen?"
Overtuigen is inderdaad weer iets heel anders dan aantonen.
"nee hoor, die outliers zijn niet erg, dat hoort bij de samenleving" (100 respondenten ouder dan 150 jaar)
"correlatie van .99, mooi he..." (bijna zelfde survey vraag gesteld bij de afhankelijke en onafhankelijke)
"cronbachs alpha van 0.4 accepteren is in mijn vakgebied heel normaal, dat is gewoon betrouwbaar"
"je kunt best een regressie doen met 22 respondenten"
"geen idee of mijn data normaal verdeeld is, maakt dat uit?"
"ik probeerde eerst toets x maar toen moest ik mijn hypothese verwerpen, met toets y is hij wel significant..."
"de controle variabelen heb ik er gewoon uitgegooid, want zo was niks significant"
maandag 30 juli 2018 om 14:58
Toch nog gelachen vandaag, dank! En heerlijk om dit eens met iemand te kunnen delen, mijn partner valt altijd in slaap als ik over mijn vakgebied praat.florence13 schreef: ↑30-07-2018 14:49"
"nee hoor, die outliers zijn niet erg, dat hoort bij de samenleving" (100 respondenten ouder dan 150 jaar)
"correlatie van .99, mooi he..." (bijna zelfde survey vraag gesteld bij de afhankelijke en onafhankelijke)
"cronbachs alpha van 0.4 accepteren is in mijn vakgebied heel normaal, dat is gewoon betrouwbaar"
"je kunt best een regressie doen met 22 respondenten"
"geen idee of mijn data normaal verdeeld is, maakt dat uit?"
"ik probeerde eerst toets x maar toen moest ik mijn hypothese verwerpen, met toets y is hij wel significant..."
"de controle variabelen heb ik er gewoon uitgegooid, want zo was niks significant"
Spreuken 18:2
