SES School, Studie en Onderwijs
Wiskunde in de brugklas, Frans voor het examen of een studie Personeel en Arbeid? Moeilijke formulieren van DUO? Iets weten over studiefinanciering of studentenverenigingen? Dit is het forum voor leerkrachten, scholieren en studenten, van brugklas tot uni
Er zijn andere analysemethoden voor zulke lage n-en (daar kan ik je niet mee helpen). Alles wat hierboven door je beschreven is komt door de lage n-en.
Aldus.
"aan de hand van deze gegevens trek ik de conclusie dat begrip 'a', 'b' en 'c' het begrip niet meten en 'd', 'e' en 'f'' wel"
Dit soort uitspraken kun je nooit doen aan de hand van statistiek. Je kan hooguit zeggen dat je twee (of meer) factoren hebt gevonden. Welke factoren dit zijn moet je zelf (aan de hand van theorie) invullen.
Als je Cronbach's alpha negatief is, moet je je items en dataset nog eens goed bekijken en niet gewoon maar een andere analysetechniek gaan gebruiken die minder of niet geschikt is maar wel resultaten geeft die in je verhaal passen. (ook nogal kort door de bocht om te zeggen dat het allemaal gewoon komt door een kleine n trouwens)
Ik begrijp ook niet hoe je erbij komt t-testen te gaan doen. Waarom ga je ervan uit dat je respondenten op elk element gemiddeld moeten scoren? En dat gemiddelde is dan het 'neutrale' antwoord? Zegt dat niet eerder iets over je respondenten dan over de kwaliteit van je vragenlijst? Wat is het bestaansrecht van je vragenlijst als je de kwaliteit van je vragenlijst afleidt uit het al dan niet gemiddeld scoren van je respondenten? Dan kun je de vragenlijst dus evengoed niet afnemen, mensen scoren toch gemiddeld en als dat niet zo is, is de vragenlijst ineens niet goed.
Probeer eens een factoranalyse (al is dat eigenlijk PCA in SPSS geloof ik?) en kijk of daar iets zinvols uitkomt. Al is je n voor al dit soort dingen wel érg laag. Met tien vragen zou je toch best een 200-tal respondenten bevragen.
Dit soort uitspraken kun je nooit doen aan de hand van statistiek. Je kan hooguit zeggen dat je twee (of meer) factoren hebt gevonden. Welke factoren dit zijn moet je zelf (aan de hand van theorie) invullen.
Als je Cronbach's alpha negatief is, moet je je items en dataset nog eens goed bekijken en niet gewoon maar een andere analysetechniek gaan gebruiken die minder of niet geschikt is maar wel resultaten geeft die in je verhaal passen. (ook nogal kort door de bocht om te zeggen dat het allemaal gewoon komt door een kleine n trouwens)
Ik begrijp ook niet hoe je erbij komt t-testen te gaan doen. Waarom ga je ervan uit dat je respondenten op elk element gemiddeld moeten scoren? En dat gemiddelde is dan het 'neutrale' antwoord? Zegt dat niet eerder iets over je respondenten dan over de kwaliteit van je vragenlijst? Wat is het bestaansrecht van je vragenlijst als je de kwaliteit van je vragenlijst afleidt uit het al dan niet gemiddeld scoren van je respondenten? Dan kun je de vragenlijst dus evengoed niet afnemen, mensen scoren toch gemiddeld en als dat niet zo is, is de vragenlijst ineens niet goed.
Probeer eens een factoranalyse (al is dat eigenlijk PCA in SPSS geloof ik?) en kijk of daar iets zinvols uitkomt. Al is je n voor al dit soort dingen wel érg laag. Met tien vragen zou je toch best een 200-tal respondenten bevragen.
CA is factoranalyse in SPSS ja.
En een t-toets op de gemiddelde verwachte score lijkt me niet heel vreemd. Het concept is vastgesteld met een evengroot belang gehecht aan alle tien de verschillende items. Dus zou je kunnen stellen dat al die items evenveel waard zijn voor het concept en dus als neutraal uitgangspunt genomen kunnen worden. Er is immers geen preferentie van een bepaald item boven een andere.
Dat vergelijk je daarna met de daadwerkelijke scores op de tien items die je hebt geobserveerd.. Het gaat niet om de kwaliteit van de vragenlijst of de respondenten, maar om het elimineren van items die in de praktijk niet goed passen bij het concept. Ik weet dat de N erg klein is, maar ik heb het lijstje gebruikt bij alle respondenten van mijn diepte-interviews. Voor de interviews is dd N erg hoog, ik zou graag een klein stukje statistiek gebruiken om mijn claims adhv de interviews wat te ondersteunen.
En een t-toets op de gemiddelde verwachte score lijkt me niet heel vreemd. Het concept is vastgesteld met een evengroot belang gehecht aan alle tien de verschillende items. Dus zou je kunnen stellen dat al die items evenveel waard zijn voor het concept en dus als neutraal uitgangspunt genomen kunnen worden. Er is immers geen preferentie van een bepaald item boven een andere.
Dat vergelijk je daarna met de daadwerkelijke scores op de tien items die je hebt geobserveerd.. Het gaat niet om de kwaliteit van de vragenlijst of de respondenten, maar om het elimineren van items die in de praktijk niet goed passen bij het concept. Ik weet dat de N erg klein is, maar ik heb het lijstje gebruikt bij alle respondenten van mijn diepte-interviews. Voor de interviews is dd N erg hoog, ik zou graag een klein stukje statistiek gebruiken om mijn claims adhv de interviews wat te ondersteunen.
Ons soort mensen, trapt reeds jaren blij van zin, het vuile plebs de modder in.
Ons soort mensen, steunpilaar van vaderland en koningin.
Ons soort mensen, steunpilaar van vaderland en koningin.
Hier haal je toch wat dingen door elkaar. Nagaan of hoog-scoorders op alle elementen hoog scoren en laag-scoorders op alle elementen laag scoren (wat er volgens jouw beschrijving is gedaan), is heel iets anders dan nagaan of alle personen op alle elementen gemiddeld 'neutraal' scoren.quote:Op donderdag 25 november 2010 22:55 schreef Skv het volgende:
CA is factoranalyse in SPSS ja.
En een t-toets op de gemiddelde verwachte score lijkt me niet heel vreemd. Het concept is vastgesteld met een evengroot belang gehecht aan alle tien de verschillende items. Dus zou je kunnen stellen dat al die items evenveel waard zijn voor het concept en dus als neutraal uitgangspunt genomen kunnen worden. Er is immers geen preferentie van een bepaald item boven een andere.
Dat vergelijk je daarna met de daadwerkelijke scores op de tien items die je hebt geobserveerd.. Het gaat niet om de kwaliteit van de vragenlijst of de respondenten, maar om het elimineren van items die in de praktijk niet goed passen bij het concept. Ik weet dat de N erg klein is, maar ik heb het lijstje gebruikt bij alle respondenten van mijn diepte-interviews. Voor de interviews is dd N erg hoog, ik zou graag een klein stukje statistiek gebruiken om mijn claims adhv de interviews wat te ondersteunen.
Je hebt dus wel degelijk Cronbach's alpha nodig hier.
Als je wilt nagaan welke items in de praktijk niet goed passen, gaat het dus wél om de kwaliteit van je vragenlijst.
Aan je gemiddeldes en standaardafwijkingen kan je al duidelijk zien dat de verschillende elementen heel verschillend worden gewaardeerd en dat er veel verschillen zitten tussen de mensen onderling.
Het lijkt me met deze data verstandig de inferentiële statistiek even te laten voor wat het is en eens goed naar je data te kijken. Maak bijvoorbeeld een lijngrafiekje per participant met de scores per element. Zo kan je zien of het bij elke participant dezelfde items zijn die veel lager/hoger scoren. Als dat het geval is, kun je gaan bekijken waarom deze items anders scoren. Waarschijnlijk kun je daar de data uit je interview wel voor gebruiken en er is vast ook wat theorie over. Welke groep items dan 'het concept' meet en welke groep een 'ander concept' moet je toch echt hieruit halen en niet uit statistiek en p-waardes.
Wat leuk, een SPSS topic 
Ik ga het allemaal eens doorlezen...
Ik programmeer er zelf ook een beetje in. En dat gaat lastig, maar er is geen andere mogelijkheid. Probeer maar eens van één databestand de gegevens van mensen van drie verschillende groepen in drie bestanden op te slaan. Dat gaat heel omslachtig (vergeleken met SAS, dat andere statistische programma).
Ik ga het allemaal eens doorlezen...
Ik programmeer er zelf ook een beetje in. En dat gaat lastig, maar er is geen andere mogelijkheid. Probeer maar eens van één databestand de gegevens van mensen van drie verschillende groepen in drie bestanden op te slaan. Dat gaat heel omslachtig (vergeleken met SAS, dat andere statistische programma).
Eindoordeel: je gaat boven de gestelde eisen uit.
Ik zit met een klein dilemma en weet niet of ik nu verder kan gaan in mijn analyse.
Ik ben bezig met een multiple regressie en niet alle data lijkt normaal verdeeld.
Mijn Dependent Variable (Switchintentie) lijkt bijvoorbeeld niet normaal.
De wijze waarom de scores verdeeld zijn is wel de verdeling die ik vooraf verwacht heb. Het overgrote deel van de mensen in de markt die ik onderzoek heeft niet de intentie om over te schakelen naar een andere aanbieder.
Ik heb geprobeerd om enkele transformaties toe te passen, maar op de een of andere manier wordt de verdeling daardoor niet beter.
Mijn vraag is:
1. Hoe moet ik de scores van Kurtosis en Skewness interpreteren?
2. Kan ik met deze data een multiple regressie uitvoeren (en de resultaten hiervan interpreteren)?
3. Zijn er nog 'n aantal transformaties die ik kan gebruiken?
Ik ben bezig met een multiple regressie en niet alle data lijkt normaal verdeeld.
Mijn Dependent Variable (Switchintentie) lijkt bijvoorbeeld niet normaal.
De wijze waarom de scores verdeeld zijn is wel de verdeling die ik vooraf verwacht heb. Het overgrote deel van de mensen in de markt die ik onderzoek heeft niet de intentie om over te schakelen naar een andere aanbieder.
Ik heb geprobeerd om enkele transformaties toe te passen, maar op de een of andere manier wordt de verdeling daardoor niet beter.
Mijn vraag is:
1. Hoe moet ik de scores van Kurtosis en Skewness interpreteren?
2. Kan ik met deze data een multiple regressie uitvoeren (en de resultaten hiervan interpreteren)?
3. Zijn er nog 'n aantal transformaties die ik kan gebruiken?
1.: Kurtosus is de mate van scheefheid. Google even op afbeeldingen dan krijg je er een beeld bij. Skewness houdt in naar welke kant je verdeling neigt.
Houd ook rekening met je meetschaal. Als je in je vragenlijst de alle keuzemogelijkheden van 1 t/m 5 hebt gedefinieerd, is het een ordinale meetschaal en mag je strict genomen geen regressie uitvoeren. Als je alleen de 1 en 5 hebt benoemd 'mag' het wel.
Houd ook rekening met je meetschaal. Als je in je vragenlijst de alle keuzemogelijkheden van 1 t/m 5 hebt gedefinieerd, is het een ordinale meetschaal en mag je strict genomen geen regressie uitvoeren. Als je alleen de 1 en 5 hebt benoemd 'mag' het wel.
'Expand my brain, learning juice!'
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
Wat is/zijn je onafhankelijke variabele(n)?
'Expand my brain, learning juice!'
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
Mijn onafhankelijke vragen zijn zaken als "relationship quality" "alternative attractiveness" "procedural switching costs" "financial switching costs". Allemaal natuurlijk gemeten op 'n 5-punts likert-schaal.quote:
Wat is/zijn je onafhankelijke variabele(n)?
Ik was in eerste instantie voorstander van 'n logistische regressie, alleen mijn docentbegeleider had de voorkeur voor multiple lineaire regressie. Nu blijkt dus dat dat niet zo geschikt is
{1,2,3,4,5} geeft de mate aan waarin men wil overstappen of bv. de mate waarin men switching costs percipieert.
De rest van mijn data is bij benadering wel normaal verdeeld, of in ieder geval niet extreem niet-normaal. Helaas werken de meest gangbare transformaties ook niet zoals ik het wil. Heb wel gelezen dat bij grote samples normaliteit in mindere mate belangrijk is, maar het is wel een van de belangrijkste assumpties voor regressie.
Welke analyses kun je dan uitvoeren als je gebruik maakt van een ordinale meetschaal met (zoals je in het voorbeeld schetst) antwoord 1-5? Een regressieanalyse lijkt me dan bij voorbaat onzinnig, wat kun je dan over de data zeggen?
Geen normale verdeling = geen regressieanalysequote:Op donderdag 2 december 2010 18:14 schreef Citizen.Erased het volgende:
[..]
Mijn onafhankelijke vragen zijn zaken als "relationship quality" "alternative attractiveness" "procedural switching costs" "financial switching costs". Allemaal natuurlijk gemeten op 'n 5-punts likert-schaal.
Ik was in eerste instantie voorstander van 'n logistische regressie, alleen mijn docentbegeleider had de voorkeur voor multiple lineaire regressie. Nu blijkt dus dat dat niet zo geschikt is
{1,2,3,4,5} geeft de mate aan waarin men wil overstappen of bv. de mate waarin men switching costs percipieert.
De rest van mijn data is bij benadering wel normaal verdeeld, of in ieder geval niet extreem niet-normaal. Helaas werken de meest gangbare transformaties ook niet zoals ik het wil. Heb wel gelezen dat bij grote samples normaliteit in mindere mate belangrijk is, maar het is wel een van de belangrijkste assumpties voor regressie.
Ben echt benieuwd wat je er dan wel nog mee kan. Heb zelf namelijk ook steekproeven met in elke cel >30 waarnemingen en (gezien de vraagstelling logisch) niet normaal verdeeld...
Niet gewoon Select Cases en dan kiezen voor opslaan in nieuw venster?quote:
Wat leuk, een SPSS topic
Ik ga het allemaal eens doorlezen...
Ik programmeer er zelf ook een beetje in. En dat gaat lastig, maar er is geen andere mogelijkheid. Probeer maar eens van één databestand de gegevens van mensen van drie verschillende groepen in drie bestanden op te slaan. Dat gaat heel omslachtig (vergeleken met SAS, dat andere statistische programma).
Oké, hier ook nog maar even mijn vraag droppen dan. Nouja, ik heb er eigenlijk twee.
Als eerste een vraag over Chi-square. 2 groepen: mannen en vrouwen, hebben aangegeven of ze wel of niet voorkeur geven aan vroeg college. De output van spss is reeds gegeven, maar er wordt gevraagd deze te interpreteren. Hoe kan ik weten wat de uitkomst nou eigenlijk is? Het resultaat is significant, maar dat kan in principe zowel betekenen dat mannen liever vroeg college hebben, dan dat het kan betekenen dat vrouwen vroeg college hebben, toch? Hoe moet ik dit terugzien?
Verder een vraag over MSG en MSE. Bij een andere opgave werden de standaarddeviaties en standaardfouten gegeven, de df's werden gegeven, en de n's werden gegeven. Vervolgens moest je dan op basis daarvan eerst de sum of square groups en square errors berekenen en daarna dus MSG en MSE. Het leek mij dat je voor sum gewoon zowel de sd als de sf allemaal in het kwadraat doet en optelt. Dan heb je je sum, toch? Nou, als ik dat doe kom ik al niet op de juiste waarde. Vervolgens dus naar de mean, en dat zou dan het delen door de df moeten zijn? Indien nodig kan ik de opgave wel even hier neer zetten.
Als eerste een vraag over Chi-square. 2 groepen: mannen en vrouwen, hebben aangegeven of ze wel of niet voorkeur geven aan vroeg college. De output van spss is reeds gegeven, maar er wordt gevraagd deze te interpreteren. Hoe kan ik weten wat de uitkomst nou eigenlijk is? Het resultaat is significant, maar dat kan in principe zowel betekenen dat mannen liever vroeg college hebben, dan dat het kan betekenen dat vrouwen vroeg college hebben, toch? Hoe moet ik dit terugzien?
Verder een vraag over MSG en MSE. Bij een andere opgave werden de standaarddeviaties en standaardfouten gegeven, de df's werden gegeven, en de n's werden gegeven. Vervolgens moest je dan op basis daarvan eerst de sum of square groups en square errors berekenen en daarna dus MSG en MSE. Het leek mij dat je voor sum gewoon zowel de sd als de sf allemaal in het kwadraat doet en optelt. Dan heb je je sum, toch? Nou, als ik dat doe kom ik al niet op de juiste waarde. Vervolgens dus naar de mean, en dat zou dan het delen door de df moeten zijn? Indien nodig kan ik de opgave wel even hier neer zetten.
Overigens, @ Citizen.Erased, volgens mij is het normaal dat bij het meten van een categorische nominale variabele - zoals jij die meet - de verdeling niet normaal is. Als ik een enquete houd onder de bevolking met de vraag of ze altijd al eens iemand hebben willen vermoorden zal 90% ook 'nee' zeggen. of 1 / 2 wanneer we het hebben over een 5-puntsschaal. Is het probleem niet meer het feit dat de uitkomst evident is, en geen analyse behoeft?
Volgens mij kan je bij een chi square gewoon een kruistabel maken en vanaf daar interpreteren.
'Expand my brain, learning juice!'
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
Hoe bedoel je dat...? Ik moet immers wel bepalen of het resultaat significant is. Bij 2*2 zou dat nog enigszins kunnen i guess, maar stel het is 2*3, of 3*3, wat dan? Hoe bepaal je dan welke nou significant is?
Als ik me niet vergis kan je ook bij de wat grotere kruistabellen de gegevens aflezen. Ik denk dat de significantie verwijst naar de gehele tabel. Maar kan iemand anders dit bevestigen of ontkrachten? Is voor mij ook weer een tijdje geleden..
'Expand my brain, learning juice!'
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
een chi square tabel geeft aan of iets afhankelijk van elkaar is, als je dus een significante chi square krijgt (de observed value wijkt af van expected value) dan betekent het dat de groepen wat met elkaar te maken.
maak hier een crosstabel/grafiek van en je kan interpreteren!
je ziet dan bv met die lijnen zien wat je verband is.
voor MSE, moet je eerst SS berekenen. De SSE is kwadratensom, die deel je door de Df, en dan krijg je de MSE. en dit kan je met elke SS doen ( groeps of individu niveau)
[ Bericht 1% gewijzigd door Rick.Gulmans op 10-12-2010 11:06:33 (typfouten) ]
maak hier een crosstabel/grafiek van en je kan interpreteren!
je ziet dan bv met die lijnen zien wat je verband is.
voor MSE, moet je eerst SS berekenen. De SSE is kwadratensom, die deel je door de Df, en dan krijg je de MSE. en dit kan je met elke SS doen ( groeps of individu niveau)
[ Bericht 1% gewijzigd door Rick.Gulmans op 10-12-2010 11:06:33 (typfouten) ]
Wat te doen als een somers'd test nagenoeg géén relatie laat zien tussen twee variabelen. Dan ben je lijkt me uitgeanalyseerd? Ik wilde namelijk met de somers'd test laten zien dat er wél een (positief danwel negatief) verband is en aan de hand daarvan met regressieanalyse aan de slag gaan.
Volgende vraag 
Ik heb een logistische regressie uitgevoerd. De afhankelijke variabele is een dummy, de predictorvariabele is categorisch.
Uitkomst:
Model Summary:
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 ,000a ,692 1,000
a. Estimation terminated at iteration number 19 because a perfect fit is detected. This solution is not unique.
Het gaat me om de opmerking bij a (kan niet zo goed een tabel hierin plakken, sorry). Because a perfect fit is detected. Betekend dit dat ik niets aan deze analyse heb? En komt dat dan doordat ik het model verkeerd heb gebouwd, of omdat de data gewoon niet meewerkt (het liefst dat laatste natuurlijk )
Ik heb een logistische regressie uitgevoerd. De afhankelijke variabele is een dummy, de predictorvariabele is categorisch.
Uitkomst:
Model Summary:
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 ,000a ,692 1,000
a. Estimation terminated at iteration number 19 because a perfect fit is detected. This solution is not unique.
Het gaat me om de opmerking bij a (kan niet zo goed een tabel hierin plakken, sorry). Because a perfect fit is detected. Betekend dit dat ik niets aan deze analyse heb? En komt dat dan doordat ik het model verkeerd heb gebouwd, of omdat de data gewoon niet meewerkt (het liefst dat laatste natuurlijk
)
Ik heb het volgende gelezen: Tevens kan de variabele getransformeerd worden door het natuurlijk logaritme (LN) te nemen van de variabele.
Hoe kun je in spss dan een logaritme berekenen? Is dat een bewerking (en zo ja, welke) waarna je een 'nieuwe' variabele krijgt waarmee je dan weer de normale dingen kunt doen, zoals descriptives draaien en nagaan of er een normale verdeling is en een skewness van tussen -2 en +2 bijvoorbeeld?
Hoe kun je in spss dan een logaritme berekenen? Is dat een bewerking (en zo ja, welke) waarna je een 'nieuwe' variabele krijgt waarmee je dan weer de normale dingen kunt doen, zoals descriptives draaien en nagaan of er een normale verdeling is en een skewness van tussen -2 en +2 bijvoorbeeld?
Al bij compute variable gekeken?
'Expand my brain, learning juice!'
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
<a href="http://www.last.fm/user/crossover1" rel="nofollow" target="_blank">Last.fm</a>
Ik wil graag weten hoe ik kan bepalen of gevonden coëfficiënten bij regressies voor 2 verschillende groepen significant verschillen.
Stel je hebt dit model:
y = c + X1 + X2 + X3
waarbij X3 een dummy variabele is (man/vrouw, 0/1). Als ik nu wil weten of de coëfficiënten van X1 en X2 voor mannen en vrouwen verschillen, moet ik interactievariabelen toevoegen voor elk van die predictors:
y = c + X1 + X2 + X3 + (X1 * X3) + (X2 * X3)
Nu kan ik in de output zien of de coëfficiënten van die interactietermen significant zijn en dus bepalen of geslacht de invloed van X1 en X2 op y beïnvloedt.
Maar nu hoorde ik laatst van iemand dat je dit ook op een andere manier kon checken. Je hebt dan 2 samples (mannen en vrouwen) en je runt dan 2x (1x voor mannen en 1x voor de vrouwensample):
y = c + X1 + X2
Vervolgens doe je een T-test op de 4 (2x2) gevonden coëfficiënten. Maar hoe doe je dat precies?
Stel je hebt dit model:
y = c + X1 + X2 + X3
waarbij X3 een dummy variabele is (man/vrouw, 0/1). Als ik nu wil weten of de coëfficiënten van X1 en X2 voor mannen en vrouwen verschillen, moet ik interactievariabelen toevoegen voor elk van die predictors:
y = c + X1 + X2 + X3 + (X1 * X3) + (X2 * X3)
Nu kan ik in de output zien of de coëfficiënten van die interactietermen significant zijn en dus bepalen of geslacht de invloed van X1 en X2 op y beïnvloedt.
Maar nu hoorde ik laatst van iemand dat je dit ook op een andere manier kon checken. Je hebt dan 2 samples (mannen en vrouwen) en je runt dan 2x (1x voor mannen en 1x voor de vrouwensample):
y = c + X1 + X2
Vervolgens doe je een T-test op de 4 (2x2) gevonden coëfficiënten. Maar hoe doe je dat precies?
"On a good day, when I run, the voices in my head get quieter until it’s just me, my breath and my feet on the sand (Dexter, E5x09)."
Al een tijdje rustig hier, maar toch nog even proberen...
Ik ben een vragenlijst aan het coderen en ben op een type vraag gestuit waar ik niet zo goed van weet wat ik ermee aan moet.
Het gaat erom dat de respondenten vijf mogelijkheden krijgen aangeboden en deze naar voorkeur in een volgorde moeten zetten. Oftewel vijf antwoorden moeten worden ingevoerd waarvan het ook belangrijk is welke ze als eerste, welke ze als tweede etc hebben ingevoerd.
Weet iemand hoe dit moet? Ik ben eeuwig dankbaar!
Ik ben een vragenlijst aan het coderen en ben op een type vraag gestuit waar ik niet zo goed van weet wat ik ermee aan moet.
Het gaat erom dat de respondenten vijf mogelijkheden krijgen aangeboden en deze naar voorkeur in een volgorde moeten zetten. Oftewel vijf antwoorden moeten worden ingevoerd waarvan het ook belangrijk is welke ze als eerste, welke ze als tweede etc hebben ingevoerd.
Weet iemand hoe dit moet? Ik ben eeuwig dankbaar!
Ik kan nooit zo veel met dat soort vragen (in marktonderzoek). Ik vind het niet interessant om te zeggen dat een antwoord een x aantal keer als eerste en een x aantal keer als tweede enz. wordt genoemd. Op een gegeven moment zegt het niets meer en antwoorden die vaak als eerste gerankt worden, worden logischerwijs niet vaak als laatste gerankt en vice versa. Ik doe het meestal in een multiple respons vraag met een maximaal te geven antwoorden, dus bijvoorbeeld 'kies er twee van de vijf'. In jouw geval zou ik denk ik alleen de percentages 'als eerst genoemd' rapporteren.
Aldus.
Dank voor de snelle reactie! Ik zat daar inderdaad ook al een beejte over na te denken, maar nu ik het zo lees lijkt het me inderdaad echt wel een betere oplossing. Ik vroeg me alleen of SPSS een simpele manier had om zo'n vraag te verwerken. Anders dan loont het inderdaad de moeite niet.quote:
Ik kan nooit zo veel met dat soort vragen (in marktonderzoek). Ik vind het niet interessant om te zeggen dat een antwoord een x aantal keer als eerste en een x aantal keer als tweede enz. wordt genoemd. Op een gegeven moment zegt het niets meer en antwoorden die vaak als eerste gerankt worden, worden logischerwijs niet vaak als laatste gerankt en vice versa. Ik doe het meestal in een multiple respons vraag met een maximaal te geven antwoorden, dus bijvoorbeeld 'kies er twee van de vijf'. In jouw geval zou ik denk ik alleen de percentages 'als eerst genoemd' rapporteren.
Gezien het goede resultaat de vorige keer, heb ik nog een vraagje.
Als je een vragenlijst vertaald naar SPSS, dan heb je soms vragen die mensen gewoonweg niet invullen en vragen die ze niet hoeven in te vullen omdat ze in een eerdere vraag een bepaald antwoord hebben gegeven. Het bekende indien a ga dan naar vraag 20 verhaal. Er is echter wel een verschil tussen beide oningevulde vragen, is het nodig dit op te geven aan spss en hoe doe je dat?
Alvast bedankt!
Als je een vragenlijst vertaald naar SPSS, dan heb je soms vragen die mensen gewoonweg niet invullen en vragen die ze niet hoeven in te vullen omdat ze in een eerdere vraag een bepaald antwoord hebben gegeven. Het bekende indien a ga dan naar vraag 20 verhaal. Er is echter wel een verschil tussen beide oningevulde vragen, is het nodig dit op te geven aan spss en hoe doe je dat?
Alvast bedankt!
De respondenten die terecht geen data op een variabele hebben zijn 'discrete missing values'. Die kan je dus onder 'missing' scharen (zie variable view). Respondenten die ten onrechte geen antwoord (toga) hebben zou je op 'sysmis' kunnen zetten. Dat kan in een syntax, bijvoorbeeld:
IF V1 = 4 V1 = $sysmis.
exe.
En dan is '4' de waarde die de respondenten hebben gekregen die ten onrechte geen antwoord gegeven hebben. Deze respondenten worden nu niet meegenomen in je analyse.
IF V1 = 4 V1 = $sysmis.
exe.
En dan is '4' de waarde die de respondenten hebben gekregen die ten onrechte geen antwoord gegeven hebben. Deze respondenten worden nu niet meegenomen in je analyse.
Aldus.
Wederom veel dank voor deze snelle reactie. Maar wat is nu precies het verschil tussen de het toekennen van waarde 4 als $sysmis tov het niet invullen van de waarde in de spss tabel? Heeft dat effect op eventuele analyses die je kunt doen?
Ik ben hier nieuw, dus ik weet niet of deze vragen al eerder zijn gevraagd, maar goed. Ik heb twee vraagjes.
In mijn enquete heb ik een vraag waar meerdere antwoorden gegeven kunnen worden en één antwoord daarvan is anders, namelijk (hier kunnen mensen zelf een antwoord invullen)
Hoe kan het analyseren in SPSS waarbij ik ook de antwoorden zie van de open categorie?
Mijn tweede vraag is: In mijn enquete heb ik de volgende vraag; Kunt u in 3 woorden beschrijven?
Hoe moet ik dit invoeren en analyseren in SPSS?
Groetjes
In mijn enquete heb ik een vraag waar meerdere antwoorden gegeven kunnen worden en één antwoord daarvan is anders, namelijk (hier kunnen mensen zelf een antwoord invullen)
Hoe kan het analyseren in SPSS waarbij ik ook de antwoorden zie van de open categorie?
Mijn tweede vraag is: In mijn enquete heb ik de volgende vraag; Kunt u in 3 woorden beschrijven?
Hoe moet ik dit invoeren en analyseren in SPSS?
Groetjes
Hoe kan ik een representatieve steekproef trekken van een onbekende populatie?
"On a good day, when I run, the voices in my head get quieter until it’s just me, my breath and my feet on the sand (Dexter, E5x09)."
Je kan een random bruto steekproef trekken die representatief is voor (bijvoorbeeld) heel Nederland (of een andere bekende populatie). Via selectievragen selecteer je de netto steekproef. Omdat de bruto steekproef representatief is voor Nederland, kan je er (tot op zekere hoogte) vanuit gaan dat de netto steekproef dat ook is.quote:
Hoe kan ik een representatieve steekproef trekken van een onbekende populatie?
Aldus.
Je open antwoorden coderen. Daan kan je analyseren.quote:
Ik ben hier nieuw, dus ik weet niet of deze vragen al eerder zijn gevraagd, maar goed. Ik heb twee vraagjes.
In mijn enquete heb ik een vraag waar meerdere antwoorden gegeven kunnen worden en één antwoord daarvan is anders, namelijk (hier kunnen mensen zelf een antwoord invullen)
Hoe kan het analyseren in SPSS waarbij ik ook de antwoorden zie van de open categorie?
Mijn tweede vraag is: In mijn enquete heb ik de volgende vraag; Kunt u in 3 woorden beschrijven?
Hoe moet ik dit invoeren en analyseren in SPSS?
Groetjes
Aldus.
Ok. Het gaat namelijk om het volgende; ik wil onderzoeken hoeveel werkgelegenheid er is voor een bepaalde opleiding in diverse sectoren. Daarvoor wil ik werkgevers gaan benaderen. Maar de verdeling van werkgelegenheid in de verschillende sectoren is momenteel onbekend. Nu weet ik dus nooit hoeveel organisaties ik per sector moet gaan benaderen...quote:
Je kan een random bruto steekproef trekken die representatief is voor (bijvoorbeeld) heel Nederland (of een andere bekende populatie). Via selectievragen selecteer je de netto steekproef. Omdat de bruto steekproef representatief is voor Nederland, kan je er (tot op zekere hoogte) vanuit gaan dat de netto steekproef dat ook is.
"On a good day, when I run, the voices in my head get quieter until it’s just me, my breath and my feet on the sand (Dexter, E5x09)."
Dan zou ik 'the next best thing' kiezen en de verhouding tussen de sectoren gebruiken. En werkgelegenheid (en aantallen banen) buiten beschouwing houden. Dan kan je iets zeggen over de werkgelegenheid maar niet (minder goed) over het aantal banen.quote:
[..]
Ok. Het gaat namelijk om het volgende; ik wil onderzoeken hoeveel werkgelegenheid er is voor een bepaalde opleiding in diverse sectoren. Daarvoor wil ik werkgevers gaan benaderen. Maar de verdeling van werkgelegenheid in de verschillende sectoren is momenteel onbekend. Nu weet ik dus nooit hoeveel organisaties ik per sector moet gaan benaderen...
Aldus.
Z, je bent echt een held!
Ik ga je nog een keertje een vraagje stellen, anderen mogen natuurlijk ook antwoord geven
Ik heb dus een vragenlijst die ik aan het invoeren ben waarin af en toe een aantal vragen mogen worden overgeslagen, zoals Z voorstelde heb ik die overgeslagen vragen een missing value waarde toegekend, dank hiervoor.
Maar dat betekent wel dat ik steeds allemaal negens zit in te voeren
. Is er misschien een manier om de waarde van variabelen deels af te laten hangen van een andere variabele. Dus wanneer je bijvoorbeeld bij variabele a een 1 invult dat variabele b,c en d automatisch op 9 springen, en wanneer je bij a een 0 invult je deze nog met de hand kan invullen?
Ik hoop dat het een beetje duidelijk is... het is einde van de week...
Alvast bedankt!
Alle goeds!
Ik ga je nog een keertje een vraagje stellen, anderen mogen natuurlijk ook antwoord geven
Ik heb dus een vragenlijst die ik aan het invoeren ben waarin af en toe een aantal vragen mogen worden overgeslagen, zoals Z voorstelde heb ik die overgeslagen vragen een missing value waarde toegekend, dank hiervoor.
Maar dat betekent wel dat ik steeds allemaal negens zit in te voeren
. Is er misschien een manier om de waarde van variabelen deels af te laten hangen van een andere variabele. Dus wanneer je bijvoorbeeld bij variabele a een 1 invult dat variabele b,c en d automatisch op 9 springen, en wanneer je bij a een 0 invult je deze nog met de hand kan invullen?Ik hoop dat het een beetje duidelijk is... het is einde van de week...
Alvast bedankt!
Alle goeds!
Wederom dank.quote:
IF VarA = X VarB = 9.
exe.
Plakken in je syntax en draaien.
Soms is het zo simpel... en dan nog lukt het niet helemaal. Want als ik meerdere van deze commando's tegelijk wil invoeren, kan dat ook? Dus VarA = X VarB = 9, maar ook VarC en VarD? Moeten die allemaal los, of kan dat in een keer?
Dat kan wel maar dat is wat 'hogere school syntax schrijven' vermoed ik. Dus toch maar uitschrijven, zoveel kan het niet zijn toch?
Aldus.
Nee, is het ook niet. Maar ben van nature een beetje luiquote:Op vrijdag 25 maart 2011 16:01 schreef Z het volgende:
Dat kan wel maar dat is wat 'hogere school syntax schrijven' vermoed ik. Dus toch maar uitschrijven, zoveel kan het niet zijn toch?
Thanks again!
Ik heb ook even een vraag betreffende SPSS;
Hoe kan een spreidingsdiagram worden gemaakt waarbij twee scores tegen elkaar uitgezet worden? De vraag wordt als volgt weergeven;
Maak voor de eigenaren met maar 1 hond een spreidingsdiagram waarbij de totaalscore op houding (TOTHOUD) wordt uitgezet tegen die op kennis (TOTKEN). Teken in dit figuur ook een rechte lijn die het best door de punten past.
Hoe kan een spreidingsdiagram worden gemaakt waarbij twee scores tegen elkaar uitgezet worden? De vraag wordt als volgt weergeven;
Maak voor de eigenaren met maar 1 hond een spreidingsdiagram waarbij de totaalscore op houding (TOTHOUD) wordt uitgezet tegen die op kennis (TOTKEN). Teken in dit figuur ook een rechte lijn die het best door de punten past.
Ik heb ook een vraag, die wellicht heel simpel is, maar ik weet het gewoon niet
Voor mijn scriptie moet ik de validiteit van constructen gaan bepalen en daarna hun relatie, zeg X en Y. X en Y bestaan beiden uit ongeveer 20 vragen, en daaruit dienen verschillende factoren te komen.
Hoe kan ik die validiteit (en dan voornamelijk convergente) het beste bepalen? Ik heb nu van bijvoorbeeld factor 1 van X alle vragen met elkaar gecorreleerd, maar daar komen geen zeer hoge scores uit. Is dit zo goed, of dien je er eerst dmv de factoranalyze verschillende factoren van te maken en daarop dan de validiteit te testen?
Voor mijn scriptie moet ik de validiteit van constructen gaan bepalen en daarna hun relatie, zeg X en Y. X en Y bestaan beiden uit ongeveer 20 vragen, en daaruit dienen verschillende factoren te komen.
Hoe kan ik die validiteit (en dan voornamelijk convergente) het beste bepalen? Ik heb nu van bijvoorbeeld factor 1 van X alle vragen met elkaar gecorreleerd, maar daar komen geen zeer hoge scores uit. Is dit zo goed, of dien je er eerst dmv de factoranalyze verschillende factoren van te maken en daarop dan de validiteit te testen?
toch gewoon cronbachs alpha onder het kopje scale?quote:
Ik heb ook een vraag, die wellicht heel simpel is, maar ik weet het gewoon niet
Voor mijn scriptie moet ik de validiteit van constructen gaan bepalen en daarna hun relatie, zeg X en Y. X en Y bestaan beiden uit ongeveer 20 vragen, en daaruit dienen verschillende factoren te komen.
Hoe kan ik die validiteit (en dan voornamelijk convergente) het beste bepalen? Ik heb nu van bijvoorbeeld factor 1 van X alle vragen met elkaar gecorreleerd, maar daar komen geen zeer hoge scores uit. Is dit zo goed, of dien je er eerst dmv de factoranalyze verschillende factoren van te maken en daarop dan de validiteit te testen?
Op dinsdag 1 november 2016 00:05 schreef JanCees het volgende:
De polls worden ook in 9 van de 10 gevallen gepeild met een meerderheid democraten. Soms zelf +10% _O-
De polls worden ook in 9 van de 10 gevallen gepeild met een meerderheid democraten. Soms zelf +10% _O-
cronbach alpha is heeft betrekking op de reliability, de (construct) validity is wat anders...
voor zover ik begrijp tenminste
voor zover ik begrijp tenminste
Hallo,
Ik ben bezig met het analyseren van mijn enquêtes. Ik wil daar nu mooie tabellen van maken. Ik heb een aantal multiple response vragen. Hoe ik deze in een set zet, snap ik inmiddels. Echter, wanneer ik de output van een frequentietabel te zien krijg, valt mij op dat er aangegeven wordt dat er een aantal missing values zijn. Dit zijn geen missende antwoorden, maar hij bedoeld hier compleet missende invoeren van. Ik ben er inmiddels ook achter waarom dat is. Elke keuzeoptie is als een aparte variabele ingevoerd. Aankruist (ja) is gecodeerd als 1 en niet aangekruist (nee) is gecodeerd als 2. Eventuele missing values zijn gecodeerd als 9 (overigens niet aanwezig).
Wat nu het probleem is, hij ziet om een of andere reden de respondenten die op alle vragen nee hebben geantwoord (niet aangekruist) en dus als voor alle antwoorden code 2 hebben, staan als missing values. Dus wanneer iemand niks aangekruist heeft, denkt hij automatisch dat deze antwoorden missen, terwijl ik apart de missing value benoemd heb.
Wanneer ik dan een antwoord van code 2 naar 9 omzet, maakt dit geen verschil. Hij ziet 2 dan niet ineens als geldig antwoord.
Dit is natuurlijk een groot probleem, omdat zo de percentages niet correct berekend worden, omdat er een hoop antwoorden buiten beschouwing gelaten worden. Wanneer ik de vragen namelijk apart analyseer en de frequentie daarvan opvraag, ik wél de juiste uitslagen krijg. Ze worden dan niet als missing gezien. Nu is het makkelijk te zeggen dat ik dit dan maar handmatig moet berekenen. Daarom mijn vraag of iemand weet hoe dit probleem opgelost kan worden?
PS. Ik heb nog nooit les gehad in SPSS, maar leer het mezelf via tutorials en handleidingen als ook posts van anderen.
Ik ben bezig met het analyseren van mijn enquêtes. Ik wil daar nu mooie tabellen van maken. Ik heb een aantal multiple response vragen. Hoe ik deze in een set zet, snap ik inmiddels. Echter, wanneer ik de output van een frequentietabel te zien krijg, valt mij op dat er aangegeven wordt dat er een aantal missing values zijn. Dit zijn geen missende antwoorden, maar hij bedoeld hier compleet missende invoeren van. Ik ben er inmiddels ook achter waarom dat is. Elke keuzeoptie is als een aparte variabele ingevoerd. Aankruist (ja) is gecodeerd als 1 en niet aangekruist (nee) is gecodeerd als 2. Eventuele missing values zijn gecodeerd als 9 (overigens niet aanwezig).
Wat nu het probleem is, hij ziet om een of andere reden de respondenten die op alle vragen nee hebben geantwoord (niet aangekruist) en dus als voor alle antwoorden code 2 hebben, staan als missing values. Dus wanneer iemand niks aangekruist heeft, denkt hij automatisch dat deze antwoorden missen, terwijl ik apart de missing value benoemd heb.
Wanneer ik dan een antwoord van code 2 naar 9 omzet, maakt dit geen verschil. Hij ziet 2 dan niet ineens als geldig antwoord.
Dit is natuurlijk een groot probleem, omdat zo de percentages niet correct berekend worden, omdat er een hoop antwoorden buiten beschouwing gelaten worden. Wanneer ik de vragen namelijk apart analyseer en de frequentie daarvan opvraag, ik wél de juiste uitslagen krijg. Ze worden dan niet als missing gezien. Nu is het makkelijk te zeggen dat ik dit dan maar handmatig moet berekenen. Daarom mijn vraag of iemand weet hoe dit probleem opgelost kan worden?
PS. Ik heb nog nooit les gehad in SPSS, maar leer het mezelf via tutorials en handleidingen als ook posts van anderen.
Stel jouw multiple respons vraag heet V1. En de verschillende antwoorden V1_1, V1_2, enz. Om jouw probleem op te lossen zou ik een extra V1_ aanmaken en die 'geen van deze' noemen. Als respondenten dan op allen V1_... een 2 hebben zou ik die een 1 op de nieuw aangemaakte variabele geven. In de syntax (ik hoop dat je wel met syntaxen werkt) kan je dat als volgt uitschrijven:
IF ((V1_1 = 2) and (V1_2 = 2) and (V1_3 = 2) and enz ...) V1_X = 2. En V1_X is dan de 'geen van deze' categorie.
IF ((V1_1 = 2) and (V1_2 = 2) and (V1_3 = 2) and enz ...) V1_X = 2. En V1_X is dan de 'geen van deze' categorie.
Aldus.
Bedankt voor je reactie. Ik weet niet of ik met syntaxen werk, aangezien de term mij niks zegt. Ik dacht uit jouw antwoord te begrijpen dat ik een extra antwoordkeuze + code/label moest maken. Dit heb ik gedaan, waardoor ik 1=ja, 2=nee, 3=geen van allen, 9=geen antwoord (de missing value code). Maar... Geen verschil helaas 
Dus waarschijnlijk heb jij iets anders bedoeld. Vanmiddag heb ik tijd, dan ga ik syntaxen even googlen en verder proberen.
Ik vind het nog steeds vreemd dat hij ze als missing ziet, wanneer het gewoon een antwoordoptie is.
Dus waarschijnlijk heb jij iets anders bedoeld. Vanmiddag heb ik tijd, dan ga ik syntaxen even googlen en verder proberen.
Ik vind het nog steeds vreemd dat hij ze als missing ziet, wanneer het gewoon een antwoordoptie is.
Ik heb het inmiddels anders opgelost. Ik heb van de antwoordvariabelen de 'Valid Percent' overgenomen en in de multiple response tabel de 'Percent of Case' vervangen. Van daaruit heb ik weer twee grafieken kunnen maken, met de 'Valid percent' én het aandeel dat zij hebben van het totale aantal aangekruiste antwoorden. Meer heb ik niet nodig, dus ik ben blij! Het is ietsje meer werk, maar zeker te verwaarlozen.
Evengoed bedankt!
Evengoed bedankt!
