a. Bepaal de effecten van deze vier factoren op elk van de televisiegratificaties (v13 – v19) en presenteer ze in een overzichtelijke tabel.
Beschrijf de variabelen eerst, bewerk ze indien nodig. Zie eerdere oefeningen voor sekse, leeftijd en aantal jaren onderwijs.De variabele sekse kan beter anders gecodeerd worden (0 = geen vrouw, 1 = vrouw). Bij v14 en v16 komt een score 99 voor, die als missing moet worden aangemerkt.
Controleer de spreidingsdiagrammen met de zeven afhankelijke variabelen (één spreidingsdiagram per combinatie van een afhankelijke variabele en een numerieke onafhankelijke variabele). Is de puntenwolk niet duidelijk krom? Daar lijkt geen sprake van te zijn.
Voer een meervoudige regressieanalyse uit voor elk van de gratificaties. NB het is erg handig om in de syntax een commando te kopiëren en plakken wanneer je een analyse moet herhalen voor een andere (afhankelijke) variabele. Je hoeft in de kopie van het commando dan alleen de variabele te veranderen.
Vermeld alleen de uitkomsten van de regressiecoëfficiënten in een tabel.
Afhankelijke variabele | Onafhankelijke variabele | b | sb | b* | t | p | 95% CI | |
ondergrens | bovengrens | |||||||
mezelf goed vermaken (v13) | (Constant) | 7,620 | 0,284 | 26,787 | 0,000 | 7,062 | 8,178 | |
Vrouw | 0,178 | 0,096 | 0,051 | 1,861 | 0,063 | -0,010 | 0,366 | |
Hoe oud bent u? | -0,031 | 0,003 | -0,264 | -9,532 | 0,000 | -0,038 | -0,025 | |
Hoeveel uur werkt u gemiddeld per week? | -0,009 | 0,003 | -0,083 | -2,915 | 0,004 | -0,015 | -0,003 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,021 | 0,014 | -0,040 | -1,479 | 0,139 | -0,049 | 0,007 | |
meer te weten over normen en waarden (v14) | (Constant) | 5,892 | 0,290 |   | 20,329 | 0,000 | 5,323 | 6,461 |
Vrouw | 0,147 | 0,098 | 0,043 | 1,505 | 0,133 | -0,045 | 0,338 | |
Hoe oud bent u? | -0,011 | 0,003 | -0,097 | -3,368 | 0,001 | -0,018 | -0,005 | |
Hoeveel uur werkt u gemiddeld per week? | -0,004 | 0,003 | -0,034 | -1,156 | 0,248 | -0,010 | 0,003 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,011 | 0,014 | -0,021 | -0,747 | 0,455 | -0,039 | 0,018 | |
begrijp ik meer van de wereld (v15) | (Constant) | 6,201 | 0,296 |   | 20,915 | 0,000 | 5,620 | 6,783 |
Vrouw | 0,033 | 0,100 | 0,009 | 0,332 | 0,740 | -0,163 | 0,229 | |
Hoe oud bent u? | -0,002 | 0,003 | -0,013 | -0,449 | 0,654 | -0,008 | 0,005 | |
Hoeveel uur werkt u gemiddeld per week? | -0,007 | 0,003 | -0,067 | -2,227 | 0,026 | -0,013 | 0,000 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,021 | 0,015 | -0,041 | -1,447 | 0,148 | -0,050 | 0,008 | |
wat ik in allerlei situaties het best kan doen (v16) | (Constant) | 5,122 | 0,296 |   | 17,308 | 0,000 | 4,541 | 5,702 |
Vrouw | 0,067 | 0,100 | 0,019 | 0,672 | 0,501 | -0,128 | 0,262 | |
Hoe oud bent u? | -0,008 | 0,003 | -0,069 | -2,392 | 0,017 | -0,015 | -0,001 | |
Hoeveel uur werkt u gemiddeld per week? | -0,003 | 0,003 | -0,024 | -0,790 | 0,430 | -0,009 | 0,004 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,052 | 0,015 | -0,099 | -3,535 | 0,000 | -0,081 | -0,023 | |
mijzelf beter begrijpen (v17) | (Constant) | 3,793 | 0,296 |   | 12,830 | 0,000 | 3,213 | 4,373 |
Vrouw | 0,058 | 0,100 | 0,017 | 0,586 | 0,558 | -0,137 | 0,254 | |
Hoe oud bent u? | -0,005 | 0,003 | -0,040 | -1,387 | 0,166 | -0,011 | 0,002 | |
Hoeveel uur werkt u gemiddeld per week? | -0,006 | 0,003 | -0,052 | -1,740 | 0,082 | -0,012 | 0,001 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,026 | 0,015 | -0,049 | -1,736 | 0,083 | -0,054 | 0,003 | |
me met anderen vermaken (v18) | (Constant) | 7,106 | 0,352 |   | 20,208 | 0,000 | 6,417 | 7,796 |
Vrouw | -0,209 | 0,118 | -0,048 | -1,763 | 0,078 | -0,441 | 0,024 | |
Hoe oud bent u? | -0,039 | 0,004 | -0,269 | -9,747 | 0,000 | -0,047 | -0,031 | |
Hoeveel uur werkt u gemiddeld per week? | -0,014 | 0,004 | -0,108 | -3,796 | 0,000 | -0,022 | -0,007 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,030 | 0,017 | -0,046 | -1,696 | 0,090 | -0,064 | 0,005 | |
beter op situaties met andere personen voorbereid (v19) | (Constant) | 4,560 | 0,307 |   | 14,860 | 0,000 | 3,958 | 5,162 |
Vrouw | -0,104 | 0,103 | -0,028 | -1,003 | 0,316 | -0,306 | 0,099 | |
Hoe oud bent u? | -0,010 | 0,004 | -0,084 | -2,905 | 0,004 | -0,017 | -0,003 | |
Hoeveel uur werkt u gemiddeld per week? | -0,008 | 0,003 | -0,069 | -2,313 | 0,021 | -0,014 | -0,001 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | -0,024 | 0,015 | -0,044 | -1,571 | 0,116 | -0,054 | 0,006 |
Leeftijd heeft bij de meeste gratificaties een significant negatief effect, dat matig sterk is bij de twee vermaaksgratificaties (v13 en v18) en zwak bij de voorbeeldfuncties (v14, v16 en v19). Leeftijd heeft geen significant effect op de begripsfuncties (v15 en v17).
Werktijd heeft alleen significante maar zwakke negatieve effecten op de twee vermaaksgratificaties (v13 en v18), het begrijpen van de wereld (v15) en het voorbereid zijn op situaties met andere personen (v19).
Onderwijservaring heeft alleen een negatief effect op de gratificatie wat je het best kunt doen in allerlei situaties (v16) en sekse heeft helemaal geen significante effecten op de gratificaties van televisiekijken.
b. Zijn er bij vraag a voorwaarden voor het uitvoeren van een regressieanalyse waaraan niet voldaan is?
De belangrijkste voorwaarden zijn:
c. Bepaal ook de effecten tussen de vier achtergrondkenmerken waarbij je de meest voor de hand liggende causale volgorde gebruikt.
Leeftijd en sekse liggen vast bij de geboorte. Het aantal jaren onderwijs dat iemand gevolgd heeft ligt vast voordat hij of zij antwoord geeft op de vraag naar het aantal uren dat hij of zij werkt.
Het aantal uren werken is dus het einde van de causale keten. We beginnen met een regressieanalyse met deze variabele als de afhankelijke en de resterende drie als onafhankelijke variabelen.
We vinden significante, matige effecten voor alle drie de achtergrondkenmerken. Leeftijd, b = 0,31, t = 10,82, p < 0,001, 95% CI [0,25, 0,36], en onderwijservaring, b = 0,74, t = 5,86, p < 0,001, 95% CI [0,49, 0,99], verhogen het aantal uur dat men per week werkt. Vrouwen werken gemiddeld 7,3 uur minder in de week, b = -7,33, t = -8,70, p < 0,001, 95% CI [-8,98, -5,68].
Coefficientsa | ||||||||
Model | Unstandardized Coefficients | Standardized Coefficients | t | Sig. | 95,0% Confidence Interval for B | |||
B | Std. Error | Beta | Lower Bound | Upper Bound | ||||
1 | (Constant) | 5,604 | 2,567 |   | 2,183 | ,029 | ,568 | 10,639 |
Vrouw | -7,328 | ,842 | -,223 | -8,702 | ,000 | -8,980 | -5,676 | |
Hoe oud bent u? | ,307 | ,028 | ,278 | 10,816 | ,000 | ,251 | ,362 | |
Hoeveel jaar heeft u fulltime onderwijs gevolgd? | ,740 | ,126 | ,151 | 5,860 | ,000 | ,492 | ,988 | |
a. Dependent Variable: Hoeveel uur werkt u gemiddeld per week? |
Tenslotte nemen we het aantal jaren onderwijs als afhankelijke variabele, met sekse en leeftijd als onafhankelijke variabelen. Beide effecten zijn significant en negatief: vrouwen hebben gemiddeld 0,7 jaar minder fulltime onderwijs gevolgd, b = -0,72, t = -4,13, p < 0,001, 95% CI = [-1,06, -0,38], en hoe ouder men is, des te korter is de totale onderwijstijd, b = -0,03, t = -6,10, p < 0,001, 95% CI [-0,04, -0,02].
Coefficientsa | ||||||||
Model | Unstandardized Coefficients | Standardized Coefficients | t | Sig. | 95,0% Confidence Interval for B | |||
B | Std. Error | Beta | Lower Bound | Upper Bound | ||||
1 | (Constant) | 17,964 | ,234 |   | 76,651 | ,000 | 17,504 | 18,423 |
Vrouw | -,718 | ,174 | -,104 | -4,128 | ,000 | -1,059 | -,377 | |
Hoe oud bent u? | -,033 | ,005 | -,153 | -6,102 | ,000 | -,044 | -,023 | |
a. Dependent Variable: Hoeveel jaar heeft u fulltime onderwijs gevolgd? |
d. Presenteer de resultaten voor de gratificatie ‘me met anderen vermaken’ (v18) in een causaal diagram en interpreteer de indirecte en de totale effecten op deze gratificatie.
Uit de resultaten van a weten we de directe effecten op deze gratificatie. De effecten tussen de achtergrondvariabelen weten we uit b, dus we kunnen het causale model direct schetsen, waarbij we alleen significante effecten weergeven als pijlen samen met de gestandaardiseerde regressiecoëfficiënten. Van de niet-significante effecten nemen we aan dat ze nul zijn in de populatie, dus daar tekenen we geen pijlen. Negatieve effecten hebben we voor de duidelijkheid aangegeven met gestippelde pijlen. Omdat we de samenhang tussen leeftijd en sekse niet hebben onderzocht, tekenen we hier een kromme, dubbel gepunte pijl.
Aantal jaren onderwijs heeft alleen een indirect effect op de gratificatie 'samen vermaken', namelijk via de omvang van de baan. Dit effect is 0,15 x -0,11 = -0,02. Er is dus een zeer zwak indirect negatief effect van de onderwijservaring op deze gratificatie. Het totale effect is de som van het directe effect en de incdirecte effecten. Hier is dat: -0,11 + (-0,02) = -0,13. Al met al is er een zwak negatief effect van de omvang van de baan op de gratificatie 'zich samen vermaken'.
Sekse heeft geen significant direct effect op deze gratificatie, maar wel twee indirecte effecten: via omvang van de baan (-0,22 x -0,11 = 0,02) en via aantal jaren onderwijs en omvang van de baan (-0,10 x 0,15 x -0,11 = 0,002). Beide indirecte effecten zijn positief, wat betekent dat vrouwen deze gratificatie iets belangrijker vinden dan mannen. Het totale effect = 0,022, wat uiterst zwak is.
Leeftijd heeft een matig direct negatief effect (-0,27) en ook twee indirecte effecten. Net als bij sekse loopt het eerste indirecte effect alleen via de omvang van de baan (0,28 x -0,11 = -0,03) en het tweede via aantal jaren onderwijs en omvang van de baan (-0,15 x 0,15 x -0,11 = 0,003). Dit tweede indirecte effect is positief en verzwakt dus het totale negatieve effect dat -0,27 + (-0,03) + 0,003 = -0,297 bedraagt.
Oudere mensen hechten dus minder belang aan de gratificatie ‘samen vermaken’ en dit effect is voor het grootste deel rechtstreeks afkomstig van leeftijd.
*Syntax oefening 6_4.
*Opgave a.
*Beschrijving sekse, baan, leeftijd, aantal jaren onderwijs, tvgratificaties.
FREQUENCIES
VARIABLES=v1 v4uur v3 v73 v13 v14 v15 v16 v17 v18 v19
/ORDER= ANALYSIS .
*Dummyvariabele vrouw.
RECODE
v1
(0=1) (1=0) INTO Vrouw .
EXECUTE .
*Weglaten kinderen onder 18 jaar.
USE ALL.
COMPUTE filter_$=(v3 > 17).
VARIABLE LABEL filter_$ 'v3 > 17 (FILTER)'.
VALUE LABELS filter_$ 0 'Not Selected' 1 'Selected'.
FORMAT filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE .
*Missings op v14 en v16 definieren.
*Define Variable Properties.
*v14.
MISSING VALUES v14 ( 99 ).
*v16.
MISSING VALUES v16 ( 99 ).
EXECUTE.
*Spreidingsdiagrammen.
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v13
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v14
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v15
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v16
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v17
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v18
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v3 WITH v19
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v13
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v14
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v15
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v16
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v17
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v18
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v4uur WITH v19
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v13
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v14
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v15
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v16
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v17
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v18
/MISSING=LISTWISE .
GRAPH
/SCATTERPLOT(BIVAR)=v73 WITH v19
/MISSING=LISTWISE .
*Meervoudige regressieanalyse voor elke gratificatie.
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v13
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v14
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v15
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v16
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v17
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v18
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v19
/METHOD=ENTER Vrouw v3 v4uur v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
*Opgave c.
*Regressie van omvang baan op overige achtergrondvariabelen.
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v4uur
/METHOD=ENTER Vrouw v3 v73
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).
*Regressie van onderwijsverleden op sekse en leeftijd.
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT v73
/METHOD=ENTER Vrouw v3
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HIST(ZRESID).