Dit is een site voor studenten van de Open Universiteit. Voordat je een vraag kunt stellen moet je even een account aanmaken (dit systeem is niet gekoppeld aan je OU studentnummer en wachtwoord).

Welkom bij het vraag- en antwoord systeem van de onderzoeks-practica van de studie psychologie bij de Open Universiteit.

Houd er, als je een vraag stelt, rekening mee dat je de richtlijnen volgt!

waarom worden niet sigificante predictoren wel opgenomen in de regressievergelijking?

0 leuk 0 niet-leuks

Onderstaande vraag kwam ik tegen maar helaas ontbreekt het antwoord.. het betreft opdracht 2.2.2  uit de 'oude' cursus Psychologische Survey S04251 en ik zou er graag een antwoord op krijgen! Mijns inziens hebben niet significante predictoren geen voorspellende waarde voor de uitkomst op de afhankelijke variabele. 

"@Zelf en @Negatief hebben geen significante relatie met veilige hechting. De regressievergelijking ziet er als volgt uit:

Y = 0 + (-.011 x @Zelf) + (.480 x @Ander) + (.404 x @Positief) + (-.054 x @Negatief)."

Geciteerd uit de feedback met vetgedrukt mijn toevoeging 'geen'. Dit blijkt uit de coefficienten tabel:

@Zelf b1= -0.011 t(140)=0 p=.844 
@Negatief  b4= -0.054 t(140)=-1.077 p=.283 

Waarom worden deze twee toch in de vergelijking opgenomen?

gevraagd 2 juni 2017 in Inleiding Data Analyse (IDA) door Lindafix (120 punten)

2 Antwoorden

0 leuk 0 niet-leuks
Dat is een goede vraag, die eigenlijk niet over Inleiding Data Analyse gaat. Ik zou zelf variabelen niet meenemen in mijn model als je reden hebt om aan te nemen dat ze in de populatie niet samenhangen met je afhankelijke variabele gegeven de correcties van het model.

Ik zal de vraag even voorleggen aan Rolf, de examinator van die Survey cursus, zodat hij de redenering kan uitleggen.
beantwoord 2 juni 2017 door gjp (64,270 punten)
1 leuk 0 niet-leuks
Via de methode ENTER krijg je inderdaad een regresievergelijjng met daarin alle predictoren, ook de predictoren die niet significant zijn (die dus niet substantieel bijdragen aan de verklaarde variantie van de afh. variabele). Aan die output kun je dus zien welke predictoren belangrijk zijn en welke niet. Een volgende stap zou kunnen zijn om deze predictoren weg te laten en een nieuwe analyse te doen.
beantwoord 2 juni 2017 door Rolf van Geel (10,200 punten)
...