Het SPSS topic #4 - Syntaxen verder.

Hai,

Even de kluts kwijt met statistiek...

Mijn DV is een count variabele (aantal patenten), dus ik heb gekozen voor een negative binomial regression.

De regression output laat ook negatieve coëfficiënten zien, maar die kan je niet 1 op 1 overnemen. Die moet je eerst EXP(B) (eventueel + constant). Dus er kan nooit een negatief effect zijn.

Maar dat snap ik even niet meer. Ik snap wel dat ik geen negatieve waarden kan hebben, omdat ik zit met de count variabele, die niet negatief kan zijn. Maar een IV kan toch wel een negatieve impact hebben op mijn DV? Hoe moet ik dat zien?

bedankt...

Ik heb een aantal variabelen welke parametrisch en niet-parametrisch verdeelt zijn. Nu wil ik de correlatie tussen de variabelen toetsen, dit doe ik door middel van Correlate -> Bivariate. Maar nu heb ik de vraag wat moet ik doen bij een niet-parametrisch * parametrisch wil toetsen. Is dit dan niet parametrisch of moet ik als uitgangspunt iets anders nemen?

Ik heb hulp nodig bij de t-test betreffende 'comparing two populations'.
Het is niet zozeer een SPSS vraag maar een statistische kwestie in het algemeen.

quote:

The results of the Student Satisfaction Survey 2009 are published.
The researchers sent out 300.000 invitations to the survey:

35.000 to students of University of Sussex and 265.000 to students not studying at
University of Sussex. There were 80.000 responses, 10.000 of them from students of Sussex.

Can you conclude from these data that the response rate of Sussex students is statistically significant higher than the response rate of other students? Use α = 1%

Het gaat dus om independent samples / unequal variances (correct me if i'm wrong)

Het eerste probleem waar ik op stuit bij deze opdracht is dat er geen population/sample standard deviation of sample variances zijn gegeven. En dat is juist een cruciale component bij het bepalen van de t-waarde.

Mean (x-bar) Sussex students (1): 10.000
Mean (x-bar) other students (2): 70.000

Dit zijn de stappen die ik heb gevolgd:

Stap 1:
Null hypothesis: Response Rate (Uni of Sussex) is not equal to Response Rate (Other Unis)
Alternate hypothesis: Response Rate (Uni of Sussex) > (is higher than) Response Rate (Other unis)

Stap 2: De equality van de population variances bepalen (d.m.v. F-test) met σ onbekend

Test statistic: F = Pooled variance (Sussex) / Pooled variance (Other)
Null hypothesis: Population variance (Sussex) / Population variance (Other) = 1
Alternate hypothesis: Population variance (Sussex) / Population variance (Other) NOT EQUAL TO 1

Stap 3: Als null hypothesis wordt bewezen, equal variances t-test uitvoeren, als alternate hypothesis wordt bewezen, unequal variances t-test uitvoeren.

Maar hier loop ik dus stuk omdat er geen sample variance/standard deviation staat gegeven, iemand die me kan helpen?

Beschik je over de dataset?

quote:

Op vrijdag 6 januari 2012 15:08 schreef crossover het volgende:
Beschik je over de dataset?

Die is er niet, dat is juist het probleem, anders was het een stuk makkelijker geweest en had ik de variances via de descriptives kunnen verkrijgen en dan via compare means de t-test uit kunnen voeren.

quote:

Op vrijdag 6 januari 2012 15:14 schreef Asskicker14 het volgende:

[..]

Die is er niet, dat is juist het probleem, anders was het een stuk makkelijker geweest en had ik de variances via de descriptives kunnen verkrijgen en dan via compare means de t-test uit kunnen voeren.

quote:

Can you conclude from these data that the response rate of Sussex students is statistically significant higher than the response rate of other students?

Dan is het antwoord op de vraag 'nee'.

Dit is van het oefen-tentamen waar ik momenteel mee bezig ben, 3 opgaves die ik handmatig moet berekenen en 3 opgaves met SPSS datasets.

quote:

Op vrijdag 6 januari 2012 15:15 schreef crossover het volgende:

[..]

[..]

Dan is het antwoord op de vraag 'nee'.

Ik heb het niet onderbouwd waarom dat zo is omdat ik de sample variance niet heb, dus als ik slechts nee zou beantwoorden zonder een berekening van de t-test te kunnen weerleggen, krijg ik 0 punten.

quote:

Op vrijdag 6 januari 2012 15:17 schreef Asskicker14 het volgende:

[..]

Ik heb het niet onderbouwd waarom dat zo is omdat ik de sample variance niet heb, dus als ik slechts nee zou beantwoorden zonder een berekening van de t-test te kunnen weerleggen, krijg ik 0 punten.

Tja, volgens mij heb je gelijk en is hier de oplossing niet te berekenen zonder die informatie. Heb je andere studenten hierover gesproken?

Dit kan je helemaal niet testen met een t-test, je moet het verschil tussen response rates testen en response rates zijn proporties, geen gemiddeldes.
Enige wat je daarvoor nodig hebt is je proportie en je n.

quote:

Op vrijdag 6 januari 2012 21:04 schreef gewooneenuser het volgende:
Dit kan je helemaal niet testen met een t-test, je moet het verschil tussen response rates testen en response rates zijn proporties, geen gemiddeldes.
Enige wat je daarvoor nodig hebt is je proportie en je n.

Valt dit dan onder 'samping distributions'?

Merci!

Ik heb geleerd dat je met proporties niet de statistical significance van two populaties kunt weergeven. Ik dacht dat dat alleen kan door middel van een soort test waarbij je een hypothese onderzoekt.

Maar moet het dan gewoon zo?

P (Sussex): 10.000 / 35.000 = 0.2857
P (Others): 70.000 / 265.000 = 0.2642

Is gewoon een z-test. Vele voorbeelden te vinden op internet, bijvoorbeeld http://www.acastat.com/Statbook/ztest2.htm

Je nul-hypothese is gewoon dat beide proporties aan elkaar gelijk zijn

Dank je, je bent een levensredder!

Dus gewoon:

Null: Response Rate (Sussex) is the same as Response Rate (Others)
Alternate: Response Rate (Sussex) is higher than the Response Rate (Others)

C.V. : z = 2.33

p = 35.000 * (0.2857) + 265.000 * (0.2642) / 300.000 = 0.2667
q = 1 - 0.2667 = 0.7333

S = 0.4422 * 0.1798 = 0.0795

T.S. : z = (0.2857 - 0.2642) / 0.0795 = 0.27044

Conclusie: 0.27 is niet groter dan CV van 2.33, daarom is er geen statistically significant difference in de response rate

Vraagje over een onderzoeksopzet. Als je een longitudinaal onderzoek hebt waarbij je binnen twee groepen kijkt of de scores op drie factoren verschilt in de verschillende meetmomenten, welke analyse gebruik je dan>?
Ik dacht zelf aan repeated measures ANOVA, maar dit moet dan zes keer. Is daar niets anders voor te verzinnen?

Voor de duidelijkheid; er is dus sprake van afhankelijke waarnemingen.

Ik heb een kanshebber gevonden: Mixed Between-Within-Subjects ANOVA.

Ik moet voor school aan de hand van een discriminant analysis in SPSS de volgende vragen beantwoorden:

1. What is the conceptual difference with the direct method?
2. How well are we performing with this method in our classification efforts? Would you call this
an improvement?

Kan iemand mij op weg helpen hoe ik tot een antwoord kan komen op deze twee vragen?

Wie heeft een formule voor mij om een sample size berekening te maken voor een standard multiple regression?

Mijn effect size is 0.437
aantal onafhankelijke variabelen is 16
power is 88% en α is 0.05

Ik kan nergens een goede formule vinden voor regressie analyse...

Thnx

Kim

[ Bericht 1% gewijzigd door kiertje1941 op 16-01-2012 21:58:46 ]

.

[ Bericht 60% gewijzigd door kiertje1941 op 17-01-2012 00:37:16 ]

Ik heb ook even een vraagje:
Ik heb een vragenlijst van 20 items, waarbij ik per item wil weten of er een significant verschil is tussen twee groepen mensen die de vragenlijst hebben ingevuld.
Omdat dit eigenlijk 20 testen zijn, is het niet meer zinvol om met een significantie grens van p<.05 te werken. Nu is de vraag: als ik een totale analyse doe in SPSS, waarin deze 20 items worden geanalyseerd, corrigeert SPSS dan automatisch voor de hoeveelheid variabelen?

Ik wil verklaren dat X een effect heeft op Y.

Nu heb ik ook Q, T, en Z gemeten (omdat uit andere onderzoeken is gebleken dat deze variabelen een significant effect hebben op Y).

Bij mijn regressie zou ik dan Q, T en Z er ook bij betrekken?

quote:

Op maandag 30 januari 2012 18:35 schreef Operc het volgende:
Ik heb ook even een vraagje:
Ik heb een vragenlijst van 20 items, waarbij ik per item wil weten of er een significant verschil is tussen twee groepen mensen die de vragenlijst hebben ingevuld.
Omdat dit eigenlijk 20 testen zijn, is het niet meer zinvol om met een significantie grens van p<.05 te werken. Nu is de vraag: als ik een totale analyse doe in SPSS, waarin deze 20 items worden geanalyseerd, corrigeert SPSS dan automatisch voor de hoeveelheid variabelen?

ANOVA?

quote:

Op maandag 30 januari 2012 20:02 schreef JohnSpek het volgende:
Ik wil verklaren dat X een effect heeft op Y.

Nu heb ik ook Q, T, en Z gemeten (omdat uit andere onderzoeken is gebleken dat deze variabelen een significant effect hebben op Y).

Bij mijn regressie zou ik dan Q, T en Z er ook bij betrekken?

Ja. Je kijkt dan of er effect is van X op Y, corrigerend voor Q, T en Z.