Variantie-analyse, beter bekend als ANOVA of Analysis of variance, is een toetsing om na te gaan of de populatie gemiddelden van twee of meer groepen van elkaar verschillen. De term variantie analyse verwijst naar de analyse van de totale variantie van de gemeten grootheid in twee delen, de variantie binnen de groepen en de variantie tussen de groepen die met elkaar vergeleken worden.
Voor meer informatie kun je op Wikipedia lezen over de Variantie Analyse.

Voor hulp bij het doen van een variantie analyse, adviseren wij de hulp van: Snelafstuderen.nl.

Een screeplot is in de factoranalyse een graph waarin de eigenwaarden van de kandidaten voor de factoren in volgorde van afnemende grootte worden weergegeven. Meestal vertonen de eigenwaarden een tamelijk sterk dalende tendens, waarna een knik (elleboog) in het verloop optreedt en de resterende eigenwaarden zich op een laag niveau stabiliseren. De kandidaten vóór de knik zijn in de analyse van betekenis en komen in aanmerking als factoren.

Voor hulp bij statistische problemen bij het doen van je onderzoek, adviseren wij de hulp van: –> Snelafstuderen.nl

Als onderstaande uitleg van Multicollineariteit je niet voldoende op weg helpt, raden we je de hulp van Snelafstuderen.nl aan, zij zijn gespecialiseerd in data analyse en kunnen jouw scriptie traject begeleiden.

Een risico in veel data analyses is multicollineariteit, oftewel te sterke samenhang tussen 2 of meer onafhankelijke variabelen. Bij het uitvoeren van een correlatie analyse is al veel gevaar van multicollineariteit te achterhalen. In de correlatie tabel zie je de onderlinge correlatie tussen variabelen. Bij een onderlinge correlatie van hoger dan 0,4 wordt het risicovol. Denk er daarbij wel aan dat je alleen de onafhankelijke variabelen in de correlatie analyse bekijkt, want een hoge correlatie tussen een onafhankelijke met een afhankelijke variabele is juist positief voor je onderzoek.

Hoe in SPSS? Analyze > Correlate > Bivariate
Voor verdere analyse voor het gevaar van multicollineariteit uit te sluiten zul je ook de cronbach alpha erbij moeten pakken.

Als onderstaande uitleg van de Cronbach alpha niet voldoende is en je hebt meer hulp nodig bij statistische analyses in SPSS nodig, raden wij de hulp van Snelafstuderen.nl aan.

Cronbachs α (alpha) is een statistische maat voor de interne consistentie van items (vragen) in vragenlijsten die in onderzoek worden toegepast. Oftewel in hoeverre de vragen hetzelfde construct meten.

De waarde van cronbach alpha is een indicatie van de mate waarin 2 of meer items in een test hetzelfde concept meten. Voor een variabele waar slechts 1 vraag van in de vragenlijst staat, is het niet mogelijk om de cronbach alpha te meten.
Een vragenlijst zal één bepaald concept door middel van verschillende items (vragen) meten. Om bijvoorbeeld het concept “angst” te meten, zal de test de respondent daarover meerdere vragen voorleggen. Cronbachs alpha geeft aan in hoeverre die items inderdaad hetzelfde concept meten, door te berekenen of de antwoorden van een grote groep respondenten op deze items consistent zijn. Met een hoge cronbach alpha worden de gegevens betrouwbaar.

De regel: Cronbach alpha van 0,6 of hoger is betrouwbaar. (minimale ondergrens)

Hoe bereken je de cronbach alpha in SPSS

In SPSS klik je op: Analyze > Scale > Reliability Analysis
Vervolgens selecteer je de vragen (items) uit je vragenlijst in het vak. Als je op OK klikt, wordt de cronbach alpha weergegeven voor de vragen die hetzelfde zouden moeten meten. De mate waarin deze items hetzelfde meten wordt in deze waarde aangegeven. Als dit hoger is dan 0,6 heb je betrouwbare items.
Betrouwbaar in de zin van een kleinere risico op multicollineariteit (te hoge onderlinge correlatie).

De factor analyse gebruik je om meer overzicht en duidelijkheid te krijgen in je onderzoek. Zeker als je veel onafhankelijke variabelen (voorspellers) hebt die een bepaalde y-variabele moeten verklaren, is het aan te raden om door middel van Factor analyse het aantal variabelen terug te brengen.

Kom je er met onderstaande uitleg niet uit, dan adviseren wij de hulp van: –> Snelafstuderen.nl

Factor Analyse in SPSS
Door een factor analyse te draaien, verklein je de kans op multicollineariteit. Dit is het gevaar dat je loopt als je veel variabelen hebt in je model, die onderling een hoge correlatie kunnen hebben. Deze (te) hoge correlatie zorgt ervoor dat je model wordt verstoord. Variabelen met een hoge correlatie worden samengevoegd en daar zal een onderliggende reden voor zijn. Deze variabelen zullen op de 1 of andere manier iets met elkaar te maken hebben. Deze overeenkomst geef je een naam aan de factor.

Hoe voer je de factor analyse uit in SPSS?
Analyze->Data reduction->Factor

Selecteer alle onafhankelijke variabelen (voorspellers) en zet ze bij de variables. Klik onderaan op ‘”options” en vink de onderste keuze aan “supress absolute values less than” aan en vul daar 0,4 in. Nu worden alle lage scores niet getoond zodat je duidelijk kan zien welke variabelen bij elkaar horen. Klik in de optie “rotation’” op varimax zodat je ook de rotated factor analyse kan zien die vaak duidelijkere resultaten laat zien. Vink bij de optie “extraction” de scree plot aan. Hier kun je eventueel ook het aantal factoren invullen. Dit kun je ‘t best doen aan de hand van de knikken in de lijn van de scree plot.

Draai de factor analyse. Hou er rekening mee dat je meerdere factor analyses zult moeten draaien voordat je tot de beste resultaten komt. Vaak geeft de Rotated tabel betere resultaten dan die erboven staat.
Kijk ook naar de scree plot waar de knikken in de lijn zich bevinden. Draai vervolgens voor elke knik om aparte factor analyse. (verdere uitleg factor analyse: PDF). Je kunt zelf aangeven hoeveel factoren je wilt dat de factor analyse laat zien. Het is ook aan te raden om de resultaten onder 0,4 niet te tonen, om meer overzicht te houden over welke factoren bij elkaar horen. Kijk goed of je overeenkomsten ziet tussen de variabelen. Als je elke factor voor jezelf kan uitleggen heb je een goede factor analyse. Uiteraard moet de verklaarde variantie wel in orde zijn.

Wikipedia definitie van Factoranalyse:
Factoranalyse is een multivariate statistische techniek die voor een groot aantal geobserveerde variabelen een kleiner aantal achterliggende variabelen identificeert. Deze niet geobserveerde, achterliggende variabelen worden factoren genoemd. Belangrijk is dat de factoren bijna evenveel van de variatie verklaren als de geobserveerde variabelen. Factoranalyse wordt gebruikt voor data-reductie en om inzicht te krijgen in de structuur van de dataset.

Een goede factoroplossing bepaalt een relatief klein aantal factoren die samen een groot deel van de variantie die in de oorspronkelijke variabelen aanwezig is, verklaren. Matrixalgebra is een essentieel onderdeel van factoranalyse. De factoroplossing wordt verkregen door manipulatie van de correlatiematrix.

Kom je er met bovenstaande uitleg niet uit, dan adviseren wij de hulp van: –> Snelafstuderen.nl

Wat is regressie analyse? Hier volgt een eenvoudige uitleg over wat Regressie Analyse in de statistiek inhoudt. Hierbij wordt uitgegaan dat je een regressie analyse met het statistiek programma SPSS uitvoert. Verder worden er voorbeelden van regressie analyses gegeven en wanneer je een regressie analyse zou moeten gebruiken.

Kom je er met onderstaande hulp bij het uitvoeren van een regressie analyse niet uit? Dan adviseren wij: –>  Snelafstuderen.nl.

Regressie analyse uitleg
Regressie analyse is een techniek uit de statistiek voor het analyseren van data gegevens waarin mogelijk sprake is van een samenhang, aangeduid als regressie. Een regressie analyse bestaat uit onafhankelijke variabelen en 1 of meerdere afhankelijke variabelen. De onafhankelijke variabelen worden de independent variables of predictors (voorspellers) genoemd van de afhankelijke variabele (y-variabele).
Als er sprake is van 1 onafhankelijke en 1 afhankelijke variabele spreken we van een simple regression of enkelvoudige regressie. Bij meer variabelen spreek je van een meervoudige regressie. Door middel van de regressie analyse kun je dus een bepaalde afhankelijke variabele voorspellen door middel van de onafhankelijke variabelen die je kiest. Vervolgens rekent SPSS voor je uit hoeveel procent van de veranderingen in jouw y-variabele wordt verklaard door jouw gekozen variabelen. Tevens zie je welke variabelen wel en geen significante invloed hebben. Lees hieronder verder over hoe je dat moet aflezen.

Regressie analyse in SPSS
Voer eerst een regressie analyse uit door in SPSS: Analyse -> Regression -> Linear te klikken. Vul bovenin de afhankelijke variabele in (de variabele die je wilt verklaren) en daaronder 1 of meerdere onafhankelijke variabelen, die de voorspellers in het model worden.
Als je dan op OK hebt geklikt krijg je in de output een aantal tabellen te zien.
Let daarbij op de volgende zaken.
- hoe hoog is de R-kwadraat (model summary)? Als de R-square 0,314 is betekent dat 31,4% van de variatie in de afhankelijke y-variabele wordt verklaard door de onafhankelijke variabelen die je hebt gekozen.
- bekijk voor elke variabele in de coefficients tabel of er een significant verband is met de y-variabele. Indien de Sig. waarde (meest rechtse kolom) ,05 of lager is betekent dat deze variabele significante invloed uitoefent in het model op de y-variabele.

Je moet het coefficients tabel aflezen als een formule die jouw y variabele voorspelt, waarbij de constante waarde het beginpunt van de denkbeeldige bijbehorende grafiek zou zijn. Y = (constant) + b1 x variabele1 + b2 x variabele2 + b3 x variabele3. Het getal voor de B-waarden (1e kolom) kun je zo aflezen en invullen. Neem hiervoor alleen de significante waarden (<0,05).
Deze waarden kunnen positief of negatief zijn. Negatieve waarden betekenen dat bij een stijging van de variabele, de afhankelijke variabele afneemt en andersom (+ – en – +). Positieve waarden hebben als resultaat dat als de variabele stijgt, stijgt de y-variabele ook. Dus bij 1 punt stijging van de variabele, stijgt de y-variabele met de b-waarde uit je tabel.

Voorbeelden Regressie Analyse
Stel je wil het cijfer voor het halen van een tentamen voorspellen (fictief). De hoogte van het cijfer is bij deze jouw y-variabele. Vervolgens ga je onderzoeken welke voorspellers (onafhankelijke variabelen) er zijn die hier invloed op zouden kunnen hebben.
Stel dat je hiervoor de volgende variabelen voor zou kiezen: aantal uur studeertijd, aantal gevolgde colleges en de mate waarin je opgelet hebt tijdens de colleges. Stel je hebt hier een dataset voor van studenten die een vragenlijstje hebben ingevuld. Dan stop je dus hoogte van het cijfer als y-variabele in je regressie analyse en de drie genoemde variabelen als onafhankelijke variabelen. Vervolgens lees je de tabellen af. De R-kwadraat is 0,62. Dat houdt in dat 62% van de variatie in de hoogte van het cijfer wordt verklaard door onze variabelen.
Stel dat alle drie de variabelen significant zijn (Sig = <0,05). Verder zien we dat de (constant) 1,542 is en de variabelen beta waarden hebben van 0,089 en 0,405 en 0,231.  Dan wordt je formule Y (hoogte cijfer) = 1,542 + 0,089 x aantal uur studeren + 0,405 x aantal gevolgde colleges + 0,231 x mate van opletten tijdens colleges.

Dan is dit jouw model en verklaar je dus voor een groot deel de hoogte van je cijfer voor het tentamen. Er blijft echter nog wel 38% onverklaard. Dit zouden factoren kunnen zijn waar je niet aan hebt gedacht. Hier hoef je niet druk over te maken, want als je in je onderzoeksmodel iets bedacht hebt is dit je resultaat, hoe hoog of laag je R-kwadraat ook is. Mooier is natuurlijk wel als je regressie analyse significant is met een hoge R-kwadraat (van bijvoorbeeld minimaal 0,5). Er zijn geen regels voor, maar de helft verklaren van je y-variabele is toch wel gewensd.

Gevaren van Regressie Analyse
Deze uitleg geeft de meest eenvoudige vorm van een regressie analyse zien. Er bestaan nog allerlei gevaren zoals multicollineariteit (waarbij de onafhankelijke variabelen elkaar onderling beinvloeden, de variabelen mogen onderling geen te hoge correlatie met elkaar hebben).

Meer ingewikkelde regressie analyses
Ook is het mogelijk om een moderator of mediator in je model te plaatsen. Het meten van een significante moderator of mediator doe je eveneens met een regressie analyse door middel van een moderatie analyse of een mediatie analyse.