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 is mijn regressie wel significant met 1 onafhankelijke variabele, maar als ik nog een onafhankelijke variabele toevoeg niet meer?

0 leuk 0 niet-leuks

Waarom is mijn lineaire regressie wel significant met 1 onafhankelijke variabele, maar als ik nog een onafhankelijke variabele toevoeg, is de coefficient van die 1e variabele niet meer significant. De test is wel significant en de coefficient van de nieuw toegevoegde variabele ook, maar de coefficient van de oude variabele dus ineens niet meer. Wat is er hier aan de hand?

In het antwoord op de vraag: Na uitvoeren van een multivariate regressie-analyse vindt ik geen significante verbanden, er zijn wel onderlinge correlaties. kan ik wel een beetje wijs worden, het ligt dus aan confounding of het powerprobleem, maar mijn steekproef is groot (773 respondenten) en de VIF is bij de test met de 2 onafhankelijke varialen 1,113, wat dus niet hoog is.

Correlaties: Bij bivariate (alleen tussen de onafhankelijke variabelen), komt er een correlatie van 0,318 uit (significant) en bij partial (met als control variabele de onafhankelijke variabele) komt er een correlatie van 0,189 uit.

De voorspellende kracht (rsquare) neemt trouwens toe van 0,07 tot 0,54 als ik die extra onafhankelijke variabele toevoeg. Wat kan er aan de hand zijn? En hoe leg ik dit uit in mijn paper?

gevraagd 28 februari 2014 in Multivariate statistiek door pleun6 (120 punten)

1 Antwoord

0 leuk 0 niet-leuks

Goed bezig! Goed om te zien dat je alle mogelijke verklaringen al hebt overwogen, mijn complimenten!

Op basis van je verhaal lijkt mij de meest waarschijnlijke verklaring dat het deel van de afhankelijke variabele dat wordt verklaard door de eerste voorspeller, ook wordt verklaard door de tweede voorspeller. Zoals in http://oupsy.nl/help/258/correlaties-tussen-tussen-predictoren-regressieanalyses wordt uitgelegd (en je denk ik al hebt gelezen) wordt overlappende variantie eruit gesneden bij regressie-analyse.

Bekijk eens het tweede figuur in http://oupsy.nl/help/258/correlaties-tussen-tussen-predictoren-regressieanalyses. verplaats dan de blauwe cirkel iets naar linksboven, en de groene cirkel naar rechtsonder. De groene cirkel (je eerste voorspeller) verklaart dan nog steeds een deel van de afhankelijke variabele (een relatief klein deel in vergelijking met de blauwe cirkel; de r van je eerste voorspeller met je afhankelijke variabele zou .26 of .27 moeten zijn op basis van je $R^2$ in de eerste stap), maar dat deel wordt ook bijna geheel door de blauwe cirkel (je tweede voorspeller) voorspeld. Bovendien verklaart de blauwe cirkel in z'n eentje nog een aanzienlijk deel. Daarom blijft de blauwe cirkel wel significant, maar verliest de groene cirkel zijn significantie.

beantwoord 28 februari 2014 door gjp (63,300 punten)
Bedankt voor je snelle en heldere antwoord! Hier kan ik wat mee. Hartelijk dank!
...