Het SPSS topic #4 - Syntaxen verder.

Hm toch maar gewoon verder gegaan met output uitdraaien.

Spearman rho correlation coefficient is .165 (Sig. 064)

Pearson correlation is .239 (Sig .007)

Ik kan denk ik dus wel stellen dat er een kleine, positieve correlatie is tussen de twee variabelen en dat er slechts een zwakke relatie bestaat.

Vraag ik me alleen nog af hoe jullie bovenstaande afbeeldingen zouden omschrijven. Wanneer is een afwijking van de lijn groot genoeg om te stellen dat het niet lineair genoeg is voor bv de Pearson analyse?

Iemand duwtje in de juiste richting?

Mensen, ik heb iets waar ik niet uitkom en ik vroeg me af of jullie me kunnen helpen. Het is volgens mij niet heel moeilijk, maar ik kom er niet uit. Ik wil een schaal maken van drie variabelen. Het zijn variabelen met een likert-schaal van 1-7. Alpha is .977, dus moet kunnen.

Echter: als ik via compute gewoon var1 + var 2 + var 3 doe, dan verschijnt de nieuwe variabele wel, maar zonder scores. Ik doe dus iets fout, maar kan niet vinden wat. Jullie een idee?

Gelukt, moet (var1 + var2 + var3)/3 zijn

hallo allemaal,

Ik probeer van een interactie in een logistische regressieanalyse een plot te maken. De verkregen grafiek lijkt me echter niet correct, gezien de constante lijn (ipv twee lijnen: een voor kerkelijk en een voor niet-kerkelijk ). De syntax die ik hiervoor heb gebruikt is:

quote:

compute logit=105.59640982551976 + 0.006987722743432774 * hbowo + 15.309299729723998 * kerklidmaatschap + -0.004312743957170497 * hbowo * kerklidmaatschap .
compute voorspeld= (exp (logit)) /
(1 + (exp (logit))).
exe.

GGRAPH
/GRAPHDATASET NAME="graphdataset" VARIABLES=hbowo MEAN(voorspeld)[name="MEAN_voorspeld"]
kerklidmaatschap MISSING=LISTWISE REPORTMISSING=YES
/GRAPHSPEC SOURCE=INLINE.
BEGIN GPL
SOURCE: s=userSource(id("graphdataset"))
DATA: hbowo=col(source(s), name("hbowo"))
DATA: MEAN_voorspeld=col(source(s), name("MEAN_voorspeld"))
DATA: kerklidmaatschap=col(source(s), name("kerklidmaatschap"), unit.category())
GUIDE: axis(dim(1), label("aantal_hbowo_studenten_keer_1000"))
GUIDE: axis(dim(2), label("Mean voorspeld"))
GUIDE: legend(aesthetic(aesthetic.color.interior), label("wel_of_niet_kerkelijk"))
SCALE: cat(aesthetic(aesthetic.color.interior), include(".0", "1.00"))
ELEMENT: line(position(hbowo*MEAN_voorspeld), color.interior(kerklidmaatschap), missing.interpolate())
END GPL.

De verkregen grafiek:



Ik heb gewoon het intercept en de verschillende B's ingevoerd en zie verder echt niet wat t probleem kan zijn. Ziet iemand wel een fout in de syntax welke ik over het hoofd heb gezien?

ik maak nooit grafieken in spss, maar als niemand je verder helpt, kun je hem altijd gemakkelijk in excel maken..

quote:

Op zondag 8 juli 2012 23:22 schreef oompaloompa het volgende:
ik maak nooit grafieken in spss, maar als niemand je verder helpt, kun je hem altijd gemakkelijk in excel maken..

Hmm, gemakkelijk?

Ja in principe wel, is gewoon een kwestie van formule in typen en plotten.
Als je een interactie hebt is het iets ingewikkelder maar voor de rest redelijk straightforward.

stel formule is voor lijn 1: .4 + .03x
dan maak je een kolom met nummers 1 2 3 4 5 etc.
kolom er naast typ je "= .4 + (klik vakje links)*.03
Dan sleep je dat vakje over de hele kolom er naast.

Daarna maak je er een lijngrafiek van

dat is het, hoogstens 10 minuutjes werk als het goed is.

Oompaloompa, ook suggesties voor het maken van een histogram in excel? In spss lukt dat prima, maar voor een verslag heb ik liever niet de spss lay-out.

Het kan vast op een hele ingenieuze manier maar ik maak ze altijd (nou ja altijd heb er maar 1 keer 1 hoeven maken) met de hand, dus gewoon normaal staafdiagram en zelf de frequenties en verdeling maken, maar ik ben er van overtuigd dat dat gemakkelijker moet kunnen!

Ik snap even iets niet.
Ik heb drie leeftijdsgroepen en vier verschillende subgebieden van kwaliteit van leven. Ik wil nu kijken of er significante verschillen zijn tussen de drie leeftijdsgroepen en de subgebieden.
Dus bijvoorbeeld of groep 8-12 jaar significant verschilt met emotioneel functioneren of lichamelijke functioneren.

Hoe doe ik dit?
Ik heb al een ANOVA gedaan om te kijken naar de drie verschillende groepen op het gebied van "totaal functioneren". Of moet ik nu gewoon 5 losse ANOVA's doen? Ik dacht zelf aan een MANOVA maar daar kom ik niet uit

quote:

Op maandag 9 juli 2012 22:18 schreef automatic_ het volgende:
Ik snap even iets niet.
Ik heb drie leeftijdsgroepen en vier verschillende subgebieden van kwaliteit van leven. Ik wil nu kijken of er significante verschillen zijn tussen de drie leeftijdsgroepen en de subgebieden.
Dus bijvoorbeeld of groep 8-12 jaar significant verschilt met emotioneel functioneren of lichamelijke functioneren.

Hoe doe ik dit?
Ik heb al een ANOVA gedaan om te kijken naar de drie verschillende groepen op het gebied van "totaal functioneren". Of moet ik nu gewoon 5 losse ANOVA's doen? Ik dacht zelf aan een MANOVA maar daar kom ik niet uit

Als ik je goed begrijp doe je gewoon contrasten..

Eerst een multivariate of er verschillen zijn in totaal, daarna bij de univariate resultaten kijken of er per subgebied verschillen zijn, daarna contrasten om te kijken welke groepen precies verschillen.

quote:

Op maandag 9 juli 2012 22:36 schreef oompaloompa het volgende:

[..]

Als ik je goed begrijp doe je gewoon contrasten..

Eerst een multivariate of er verschillen zijn in totaal, daarna bij de univariate resultaten kijken of er per subgebied verschillen zijn, daarna contrasten om te kijken welke groepen precies verschillen.

Oke... Ik ga dat nog eens even uitzoeken.
_{wat ben ik blij als dit erop zit, stom gedoe, haha}

quote:

Op maandag 9 juli 2012 22:36 schreef oompaloompa het volgende:

[..]

Als ik je goed begrijp doe je gewoon contrasten..

Eerst een multivariate of er verschillen zijn in totaal, daarna bij de univariate resultaten kijken of er per subgebied verschillen zijn, daarna contrasten om te kijken welke groepen precies verschillen.

Je kunt dan beter een MANOVA met een posthoc test doen.

Iemand nog die mij kan vertellen (zie eerdere posts) hoe je best kan beoordelen wanneer een normal plot te afwijkend? Kan je het bijvoorbeeld ook in waardes uitdrukken en dat er ergens theorieën bestaan over vanaf welke waarden het ene geld en wanneer het ander?

Sandertje23 heeft net even met mij meegekeken, maar SPSS loopt te zeuren dat er minder dan drie groepen zijn, terwijl die er wel zijn.

quote:

Op maandag 9 juli 2012 22:43 schreef Sandertje23 het volgende:

[..]

Je kunt dan beter een MANOVA met een posthoc test doen.

manova = multivariate
post-hoc is een contrast

Maar wel fijn dat we het met elkaar eens zijn

quote:

Op maandag 9 juli 2012 23:09 schreef automatic_ het volgende:
Sandertje23 heeft net even met mij meegekeken, maar SPSS loopt te zeuren dat er minder dan drie groepen zijn, terwijl die er wel zijn.

Als je toevallig op de uni komt wil ik je wel even helpen...

quote:

Op maandag 9 juli 2012 23:12 schreef oompaloompa het volgende:

[..]

Als je toevallig op de uni komt wil ik je wel even helpen...

Ik ga morgen misschien wat inleveren, maar dat weet ik nog niet zeker. Bedankt in ieder geval! Ik ga het even onthouden

quote:

Op maandag 9 juli 2012 23:09 schreef automatic_ het volgende:
Sandertje23 heeft net even met mij meegekeken, maar SPSS loopt te zeuren dat er minder dan drie groepen zijn, terwijl die er wel zijn.

Alle soorten groepen goed ingesteld? (scale etc.)

quote:

Op maandag 9 juli 2012 22:56 schreef VacaLoca het volgende:
Iemand nog die mij kan vertellen (zie eerdere posts) hoe je best kan beoordelen wanneer een normal plot te afwijkend? Kan je het bijvoorbeeld ook in waardes uitdrukken en dat er ergens theorieën bestaan over vanaf welke waarden het ene geld en wanneer het ander?

Er zijn standaardafwijkingen voor skewness & kurtosis (kun je in descriptives vinden). Over het algemeen zolang de skewness / kurtosis niet sig afwijkt (meand +/- 1.96*sd omvat 0) is het goed.

quote:

Op maandag 9 juli 2012 23:11 schreef oompaloompa het volgende:

[..]

manova = multivariate
post-hoc is een contrast

Maar wel fijn dat we het met elkaar eens zijn

Posthoc gebruik je meestal achteraf (als je geen richting hebt voor je hypothese). Een contrast gebruik je meestal vooraf (= gepland) als je wel een richting hebt voor je hypothese.

Uiteraard

quote:

Op maandag 9 juli 2012 23:13 schreef Operc het volgende:

[..]

Alle soorten groepen goed ingesteld? (scale etc.)

Ja, volgens mij wel.

Ik draai nu dit:

GLM LICHnw EMOnw SOCnw SCHnw BY LFTGROEP
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PRINT=DESCRIPTIVE ETASQ HOMOGENEITY
/CRITERIA=ALPHA(.05)
/DESIGN= LFTGROEP.

En dan pakt hij allen 5-7 jaar & die andere twee niet.

quote:

Op maandag 9 juli 2012 23:15 schreef Sandertje23 het volgende:

[..]

Posthoc gebruik je meestal achteraf (als je geen richting hebt voor je hypothese). Een contrast gebruik je meestal vooraf (= gepland) als je wel een richting hebt voor je hypothese.

Uiteraard

SPSS gebruikt rare namen. Zowel van te voren (zonder correctie) als achteraf (post-hoc) zijn het allemaal contrasten. Waarom spss het ene afkort tot post-hoc en het andere de koepelterm "contrast" geeft is mij ook totaal onduidelijk
(maar spss doet wel meerdere vreemde dingen)

@autom, je kunt me als je wilt even de data sturen..

quote:

Op maandag 9 juli 2012 23:14 schreef oompaloompa het volgende:

[..]

Er zijn standaardafwijkingen voor skewness & kurtosis (kun je in descriptives vinden). Over het algemeen zolang de skewness / kurtosis niet sig afwijkt (meand +/- 1.96*sd omvat 0) is het goed.

Thanks, stukje 'meand +/- 1.96*sd omvat 0' is helaas nog even onbekende taal voor mij. Ik heb met studie geen statistiek gehad, en probeer nu zelf snel te leren zo goed en zo kwaad als het kan. Heb even uitdraai gemaakt.



Nu had ik daarover al wel gelezen in SPSS Survival Guide:

While there are tests that you can use to evaluate skewness and kurtosis values, these are too sensitive with large samples. Tabachnick and Fidell (2007, p. 81) recommend inspecting the shape of the distribution (e.g. using a histogram).

Nu zien zij 200+ als een large sample las ik elders in het boek... terwijl ik n=126 heb

Verderop in het boek adviseren ze iig een Normal Q-Q plot als alternatief.

quote:

he actual shape of the distribution for each group can be seen in the Histograms. In this example, scores appear to be reasonably normally distributed. This is also supported by an inspection of the normal probability plots (labelled Normal Q-Q Plot). In this plot, the observed value for each score is plotted against the expected value from the normal distribution. A reasonably straight line suggests a normal distribution.

Maar wanneer zouden mensen ervaren met statistiek het nog 'reasonable' noemen is dan mijn vraag betreffende bv de Q-Q plot die ik liet zien.

Iemand anders een goede website voor basis tot gemiddeld niveau analyses voor surveys? Werken met likert schalen, multiple choise etc. Ik heb alle data-invoer goed zover ik weet, maar niet overzichtelijk wélke analyses het meest relevant zijn voor een dergelijke enquete. Heb helaas zeer beperkt de tijd me goed in te lezen.