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!

0 leuk 0 niet-leuks

Verwerkingsopdracht 4.2.4  vraagt om in de gevraagde multiple regressieanalyse de variantie te verklaren. 

Het antwoord luidt, dat R2 de proportie verklaarde variantie weergeeft, maar dat dit ook zo maar 10% of 40% zou kunnen zijn, zoals het betrouwbaarheidsinterval laat zien. 

Inderdaad geeft de "R" summary van de regression analysis in het voorbeeld op Youlearn: "Multiple R-squared: [.11; .4] (point estimate = 0.25, adjusted = 0.22)".

Het resultaat in Jamovi ziet er echter uit zoals in het voorbeeld hieronder, en geeft ook geen mogelijkheden om de Model Fit measures samenvatting uit te breiden met een 95% Confidence Interval.  

Model

R

F

df 1

df 2

p

1

0.497

0.247

10.5

3

96

< .001

Zie ik opties over het hoofd? Hoe kan de BI/CI van de model fit in Jamovi gerapporteerd worden? Of is deze niet beschikbaar in Jamovi?

in Cross-sectioneel Onderzoek (OCO, PB08x2) door (960 punten)

1 Antwoord

0 leuk 0 niet-leuks
Dit klopt - jamovi geeft geen betrouwbaarheidsintervallen voor R^2. Verschillende programma's hebben verschillende functionaliteiten; R (en Python) kunnen veruit het meest, en jamovi en SPSS zijn beperkter (en kunnen elk weer andere dingen).

Het is dus een beetje kiezen vrees ik: ofwel (ook) R (of Python) gebruiken, ofwel de beperkingen van andere software accepteren.
door (77.8k punten)

PS: het is in deze cursus vooral belangrijk om te onthouden dat R^2 (en regressie-coefficienten, en factor-ladingen, en eigenwaarden, en alle andere dingen die je uit je steekproefscores kunt berekenen) dus een betrouwbaarheidsinterval heeft.

Het is belangrijk om te leren om geen conclusies te baseren op puntschattingen of verschillen tussen puntschattingen, omdat je dan geen zicht hebt op hoe groot de invloed van ruis is. Betrouwbaarheidsintervallen zijn een handig 'perspectief' op die ruis; maar je kunt eventueel, als dat past bij je benadering, ook hypothesetoetsing gebruiken en dan bijvoorbeeld naar p-waarden kijken.

Als je maar onthoud dat zo ongeveer alles van steekproef tot steekproef verspringt/verschilt, en dat de exacte waarde van R^2, factorladingen, of de interne consistentie in deze ene steekproef dus niet zo informatief zijn als je niet weet hoeveel ze verspringen, is dat het belangrijkste.

Wat het betrouwbaarheidsinterval precies is, maakt in deze cursus dus minder uit - dat is natuurlijk wel belangrijk als je ooit echt onderzoek doet, e.g. in bachelor- of masterthese. Maar daar heb je msch helemaal geen regressie-analyse nodig, dus daarvoor is het nu niet per se de moeite om naar R te switchen als je R verder niet wil gebruiken.

...