Springen naar inhoud

Regressie analyse


  • Log in om te kunnen reageren

#1

Olavo

    Olavo


  • >25 berichten
  • 39 berichten
  • Gebruiker

Geplaatst op 12 juni 2010 - 11:25

Ik onderzoek of vijf onafhankelijke variablen een significant positief effect hebben op de waardeperceptie van de klant. Hiervoor heb ik een enquete afgenomen onder 150 mensen en gebruik ik SPSS om de data te analyseren.

Elke variabel is gemeten dmv meerdere enquete items, deze items heb ik bij elkaar opgeteld en daar de gemiddeldes van genomen.

Nu heb ik een correlatie analyse gedaan via SPSS, door alle variabelen in één keer in het model te stoppen. Customer value correleert significant met de vijf andere variabele. Echter, zie ik dat de variabelen ook onderling redelijk wat correleren (is dit wel oké?).
Nu doe ik een linear regression in SPSS, met customer value als dependent variable en de andere vijf variabelen in één keer als independent variables. Op dit moment krijg ik als uitkomst dat slechts één van de vijf variabelen een significant effect heeft op customer value. Echter, als ik de regression doe met customer value en slechts één onafhankelijke variabel, oftewel gescheiden, dan zijn wel alle 5 de effecten significant.

Hoe kan dit? En welke conclusies kan ik hieruit trekken?
Is dit goed/slecht voor mijn onderzoeksmodel?

Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.

#2

anusthesist

    anusthesist


  • >5k berichten
  • 5820 berichten
  • Ervaren gebruiker

Geplaatst op 12 juni 2010 - 11:49

Nu heb ik een correlatie analyse gedaan via SPSS, door alle variabelen in één keer in het model te stoppen. Customer value correleert significant met de vijf andere variabele. Echter, zie ik dat de variabelen ook onderling redelijk wat correleren (is dit wel oké?).


Dat kan inderdaad. Voorbeeld:

Verband tussen het weer (buitentemperatuur in graden), consumptie van ijs en aantal bezoekers van zwembaden.
Consumptie van ijs zal hoog correleren met buitentemperatuur. Aantal bezoekers van zwembaden idem dito. Grote
kans dat consumptie van ijs ook hoog correleert met het aantal bezoekers van zwembaden. Deze laatste is natuurlijk
geen causaal verband (je hebt weer als confounder), terwijl de eerste 2 (weer leidt tot hogere aantal bezoekers zwembaden en weer leidt tot hogere consumptie ijs) wel een causaal verband impliceren.

Nu doe ik een linear regression in SPSS, met customer value als dependent variable en de andere vijf variabelen in één keer als independent variables. Op dit moment krijg ik als uitkomst dat slechts één van de vijf variabelen een significant effect heeft op customer value. Echter, als ik de regression doe met customer value en slechts één onafhankelijke variabel, oftewel gescheiden, dan zijn wel alle 5 de effecten significant.

Hoe kan dit? En welke conclusies kan ik hieruit trekken?


Wat zijn de richtingen van het verband? Voorbeeld:

Verband tusen weer, consumptie van ijs en aantal bezoekers schaatsbanen.
Consumptie van ijs zal weer hoog correleren met weer, maar het aantal bezoekers van schaatsbanen ook, alleen
is het verband nu omgedraaid. Hogere temperatuur zal leiden tot een lager aantal bezoekers van schaatsbanen.
Als je deze samenneemt, zullen deze zichzelf middelen waardoor je een niet-significant effect kan krijgen. Neem je deze apart dan zul je zien dat er een lineair verband ontstaat.
That which can be asserted without evidence can be dismissed without evidence.

#3

Olavo

    Olavo


  • >25 berichten
  • 39 berichten
  • Gebruiker

Geplaatst op 12 juni 2010 - 11:55

Top! Bedankt voor je antwoord. Dus dan is mijn onderzoek wel degelijke waardevol.
Alle verbanden zijn significant en positief, behalve dus als ik alles in 1 regressie model gooi.

Hoe licht ik dit toe in een wetenschappelijke paper? Kan ik alles gewoon in 1 "regressie" tabel gooien net zoals ik met de correlaties gedaan heb?
Heeft het überhaupt zin om zowel de correlatie als de regressie te behandelen in mijn onderzoek?

Nog een andere vraag: is het nog van waarde om bij enkele variabelen de outliers te deleten? Van 3 variabelen is de verdeling licht "geskewed". Is dit wetenschappelijk verantwoord?

#4

anusthesist

    anusthesist


  • >5k berichten
  • 5820 berichten
  • Ervaren gebruiker

Geplaatst op 12 juni 2010 - 11:59

Voor die vragen kun je denk ik beter bij je onderzoeksbegeleider zijn die veel beter in het onderzoek zit dan wij, of eventueel zelfs epidemioloog. Misschien dat iemand anders hier er wel antwoord op heeft hoor. In ieder geval succes met je onderzoek!
That which can be asserted without evidence can be dismissed without evidence.

#5

Olavo

    Olavo


  • >25 berichten
  • 39 berichten
  • Gebruiker

Geplaatst op 12 juni 2010 - 12:02

Oke bedankt! Wist ook niet zeker of ik goed zat. Je duidelijke voorbeelden hebben hoe dan ook geholpen.

#6

ferry

    ferry


  • >250 berichten
  • 954 berichten
  • VIP

Geplaatst op 12 september 2010 - 19:54

Dag Olavo,

Ik heb geen idee of het nog zin heeft op je vraag in te gaan, omdat je misschien al klaar bent met het onderzoek. Hoe dan ook, mocht je nog vragen hebben, dan ben ik in ieder geval wel bereid even mee te denken.

Als ik het goed begrijp draait het onderzoek om 5 onafhankelijke variabelen. Als die variabelen allemaal aspecten van een vergelijkbaar contruct meten (hoe sterk zijn de variabelen gecorreleerd? heb je een schaalanalyse uitgevoerd?), kun je overwegen die samen te nemen.

Heb je in de regressieanalyse alleen deze variabelen meegenomen? Zo ja, dan doe je niet veel meer dan het relatieve belang van die onafhankelijke variabelen te onderzoeken. Het is echter goed denkbaar dat waardenpercepties afhankelijk van andere variabelen, zoals leeftijd, geslacht, opleidingsniveau. Heb je die ook opgenomen in de regressies?





0 gebruiker(s) lezen dit onderwerp

0 leden, 0 bezoekers, 0 anonieme gebruikers

Ook adverteren op onze website? Lees hier meer!

Gesponsorde vacatures

Vacatures