SPSS Guru

TIP #019: Wat betekent OMS in SPSS en waarom krijg ik geen output?

Je voert een analyse uit, runt je syntax of klikt op OK — maar er gebeurt niets. Geen output, SPSS springt niet naar de Output Viewer. Rechtsonder in de statusbalk staat klein het woord OMS. Dit is een veelvoorkomend probleem dat bijna niemand nog herkent.

OMS staat voor Output Management System — een SPSS-functie waarmee output kan worden omgeleid naar een bestand of dataset in plaats van naar de Output Viewer. Wanneer OMS actief is, verdwijnt je output als het ware op de achtergrond en zie je niets. Dit wordt vaak per ongeluk geactiveerd zonder dat je het door hebt.

Er zijn twee manieren om het op te lossen:

Via Syntax — open de Syntax Editor, typ OMSEND. en run deze regel. OMS is daarna uitgeschakeld en je output verschijnt weer normaal (voer wel je analyse opnieuw uit).
Via het menu — ga naar Utilities → OMS Control Panel. Hier zie je alle actieve OMS-requests. Selecteer ze en klik op End om ze te beëindigen.

T-Test? Regressie? Of toch ANOVA? Geen twijfel meer over welke toets je moet kiezen in SPSS. Gebruik mijn gratis Toetskeuze Tool en leer wanneer je welke toets moet gebruiken! Link in de comments...

Nieuw: 1 uur durende online tutoring sessies!

Wil je je SPSS kennis op een slimme manier uitbreiden? Ben je op zoek naar een snelle refresher voor die ene lastige toets? Of zoek je bevestiging dat je je analyses juist hebt gedaan?

SPSS Guru biedt nu wekelijks online tutoring sessies waarin de meestgebruikte onderwerpen binnen SPSS volledig ontleed worden. In precies 1 uur durende sessies behandel ik alle ins en outs van een bepaalde toets:

Aan bod zullen komen oa: de Lineaire Regressie analyse, de (Exploratory of Confimatory) Factoranalyse, Variantie-analyse (ANOVA), Mediatie modellen met behulp van de Process macro, Moderatie in SPSS, de Logistische Regressie analyse, en Multilevel modellen.

De SPSS tutoring sessies vinden online plaats via Teams, met een maximale groepsgrootte van 8. En na afloop is er tijd voor een korte Q&A om de meest prangende vragen te bespreken!

Next: woe 23 nov van 20u tot 21u
Lineaire Regressie analyse in SPSS
Schrijf je nu in!
https://spssguru.nl/spss-tutoring-sessies/

TIP #018: Schaalconstructie d.m.v. MEAN wanneer je missings hebt.
Als je te maken hebt met losse items uit een gevalideerde vragenlijst dan wil je - mits een goede Cronbach's Alpha - deze items samennemen tot 1 construct om vervolgens daarmee te kunnen toetsen. Het samennemen wordt gedaan in het menu Transform - Compute Variable waar je een functie selecteert om de items samen te voegen.
Stel dat het construct Brand Loyalty uit 7 items bestaat maar je respondenten regelmatig een vraag hebben overgeslagen en er dus ook missings zijn. Je hebt dan verschillende mogelijkheden:
- Laat de missings eerst imputeren. Hiermee wordt op basis van de beschikbare data de best passende waarde voor elke respondent geschat en opgeslagen zodat er geen missings meer zijn. Hoe dit precies werkt leg ik uit in een volgende tip.
- Maak de schaal aan met de MEAN functie (foto 1). Er wordt dan voor alle respondenten gekeken naar alleen die items die ingevuld zijn, en daarover het gemiddelde berekend. Dit werkt goed, alleen voor sommige respondenten wordt de schaal dan berekend over slechts een paar items.
- Maak de schaal aan met de MEAN.getal functie (foto 2). Als getal kies je het aantal items dat minimaal ingevuld moet zijn (hier 5 als voorbeeld). Het gemiddelde wordt dan berekend alleen voor die respondenten die dat minimale aantal items geldig hebben ingevuld. Voor respondenten die hier dus 4 of minder items hebben, wordt dan geen schaalscore berekend.

TIP #017: Cohen's d effectgrootte.
Als verschillen statistisch significant zijn betekent dit alleen dat er voldoende bewijs is dat het niet door toeval is ontstaan. Het zegt niks over de omvang van het verschil. Vandaar dat er naast de p-waarde ook vaak een effectgrootte wordt gerapporteerd.
In regressies (beta, R-square) en ANOVA's (Eta-squared) is deze aan te vinken en af te lezen uit de output, maar bij T-testen is dit niet zomaar mogelijk en dient de effectgrootte zelf nog berekend te worden. De meest gebruikte effectgrootte bij T-testen is de Cohen's D, die het verschil tussen de gemiddelden standaardiseert zoals je kunt zien in de formule.
Dit lijkt een ingewikkelde formule, maar alles wat je nodig hebt vind je in de tabel met means en standard deviations van de T-test. Bereken eerst het verschil tussen de gemiddelden, daarna de gepoolde standaarddeviatie en deel die door elkaar.
In het voorbeeld op de foto is het verschil tussen de gemiddelden 11,738 en de gepoolde standaarddeviatie 16,472*. De Cohen's d is dus 0,71 wat duidt op een gemiddeld tot sterk effect**. De groepen mannen en vrouwen verschillen dus niet alleen significant van elkaar in gewicht, het is ook nog een flink effect in grootte.

* (31 × sqr(15,508) + 116 × sqr(16,720)) / 147, en dan nog de wortel nemen.
** https://en.wikipedia.org/wiki/Effect_size 's_d

TIP #016: Hiërarchische regressiemodellen en delta R-square.
Het is gebruikelijk om je regressiemodel op te bouwen aan de hand van verschillende 'blocks' van predictor variabelen. Dat wil zeggen dat je ze niet allemaal tegelijkertijd in je model stopt, maar ze heel bewust in aparte stappen toevoegt in de hoop dat de afhankelijke variabele steeds beter verklaard wordt. Dit laatste moet dan te zien zijn aan een steeds hogere R-Square als je de modellen met elkaar vergelijkt.
In het menu van 'Analyze - Regression - Linear' kies je eerst je afhankelijke variabele. Daarna komen de predictoren: controle variabelen worden vaak in de eerste stap toegevoegd. In het voorbeeld zijn dit Female en Age. Druk daarna op 'Next' om het volgende block van predictoren toe te kunnen voegen: Vigor, Dedication en Absorption. Onder 'Statistics' vink je de R-Squared change verder nog aan, speel vervolgens de regressie af.
In de Output zie je dat de R-Square van model 2 ten opzichte van model 1 met .226 (dus 22,6%) toegenomen is, en dat dit significant is: de sig F change is < .05 (.000). Oftewel model 2, met als toevoeging de 3 predictoren, verklaart de afhankelijke variabele Satisfaction significant beter dan model 1 met alleen beide controle variabelen in zich. Op zo'n zelfde manier zou je in een 3e stap bijvoorbeeld je Moderator en in een 4e stap eventuele Interactie-termen kunnen toevoegen.

TIP #015: Afname in hoofdeffect vs Moderatie.
Ik kreeg de volgende vraag: "Als uit een regressie blijkt dat er een positief hoofdeffect bestaat van X1 (motivatie) op Y (tentamenresultaat), en dit effect minder positief wordt wanneer X2, de moderator (IQ), als hoofdeffect wordt toegevoegd aan dit model, is er dan sprake van moderatie?"
Het antwoord is uiteraard 'Nee'. Als je een variabele als hoofdeffect toevoegt wordt een deel van de variantie in de afhankelijke variabele, dat eerst door X1 werd verklaard, nu door deze X2 overgenomen. Het effect van X1 zal dus waarschijnlijk lager zijn dan zonder X2 in het model. Dit is vaak het geval bij het toevoegen van nieuwe variabelen aan een model. Je kunt dus concluderen dat het effect van X1 minder belangrijk wordt als er ook gecontroleerd wordt in het model voor X2. Maar let op, er is dus maar 1 (hoofd)effect van X1 op Y.
Moderatie toetst of het effect van X1 op Y varieert voor waardes van X2. Moderatie is dus altijd een bespreking van een interactie tussen 2 variabelen op de Y. Wanneer deze interactieterm significant is kun je dus concluderen dat het effect van X1 op Y niet altijd hetzelfde is, maar verschilt in sterkte en afhangt van de hoogte van X2.

TIP #014: Interactie-effecten visueel maken.
Als je een vorm van ANOVA uitvoert met twee of meer factoren, dan worden automatisch de interactie-effecten tussen de factoren aan je model toegevoegd. In het menu onder Plots heb je dan de mogelijkheid om interactie plots te maken. Doe dit altijd, want de richting van de interactie wordt je dan meteen duidelijk.
In een standaard regressie-analyse zit helaas geen functie om interacties visueel te maken. Maar er zijn twee veelgebruikte manieren om deze toch snel afgebeeld te krijgen:
1). Gebruik Process (Andrew F. Hayes - afhayes.com) en vink onder de Options aan: 'Generate code for visualizing interactions'. Je krijgt dan in je Output een gedeelte dat je na dubbelklikken kunt kopieren (foto 1) en runnen via je Syntax (foto 2). In je Output verschijnt dan de grafiek. Als je daarop dubbelklikt kun je de lijnen laten plaatsen door 'Add fit line at subgroups' te kiezen (foto 3). Let op, soms moet je eerst de legenda aanpassen en de waardes een eigen naam geven!
2). Gebruik Jeremy Dawson's tool (jeremydawson.co.uk/slopes.htm) en download het excel bestand dat past bij je analyse (foto 4). Uit de Output van de lineaire regressie haal je de gegevens die je nodig hebt: de ongestandaardiseerde regressie-coefficienten. Vink ook de descriptives aan in het menu 'Statistics' voor je means en standaarddeviaties (foto 5).

TIP #013: MANOVA assumpties.
De One-way MANOVA is de juiste toets wanneer je de groepen van een onafhankelijke variabele wil toetsen op verschillen in gemiddelden van twee of meer afhankelijke variabelen tegelijkertijd.
Maar voordat je deze toets mag uitvoeren moet je checken of je data aan de volgende assumpties voldoet:
1) De meetniveau's van de afhankelijke variabelen zijn continue, de onafhankelijke variabele is categorisch.
2) Geen univariate of multivariate outliers voor elke groep van de onafhankelijke variabele. Univariate outliers kunnen worden opgespoord met boxplots per groep, multivariate outliers heb ik hier beneden eerder al beschreven onder TIP #008: Mahalanobis distance.
3) Lineaire relaties tussen alle paren van afhankelijke variabelen voor elke groep van de onafhankelijke variabele. Maak hiervoor scatterplots tussen de afhankelijke variabelen en zet de groepsvariabele onder 'set markers by' (foto 1). Beoordeel vervolgens of de punten ongeveer op een rechte lijn liggen voor elke subgroep (foto 2).
4) Geen multi-collineariteit tussen de afhankelijke variabelen. Maak een correlatietabel van alle afhankelijke variabelen en check dat de correlaties niet groter dan 0.85 zijn. Zo ja dan kun je beter een van de afhankelijke variabelen niet meenemen of losse ANOVA's doen. Eventueel kun je ook nog de VIF-waardes opvragen in het menu van de regressie als je de Mahalanobis distance bekijkt.
5) Gelijkheid van variantie-covariantie matrices. Vink hiertoe de 'Homogeneity tests' aan onder de opties en bekijk de Box M test in de output (foto 3). In deze test wordt vaak niet .05 maar .001 gehanteerd als grens. Dus als je p-waarde groter is dan .001 is aan deze assumptie voldaan.

TIP #012: R-squared en Adjusted R-squared.
In lineaire regressiemodellen staat de R-squared voor de hoeveelheid verklaarde variantie in je afhankelijke variabele door de onafhankelijke variabelen die in het model zitten. Het is dus een handige maat voor hoe goed de geobserveerde waarden van je uitkomstvariabele kunnen worden verklaard.
Als je echter veel onafhankelijke variabelen hebt en verschillende modellen wil vergelijken (dwz verschillende combinaties van onafhankelijke variabelen gebruikt om de afhankelijke variabele te verklaren) zul je zien dat het model met de meeste onafhankelijke variabelen altijd de hoogste R-squared heeft, zelfs als de toegevoegde onafhankelijke variabelen niet significant zijn. De R-squared is dus geen goede maat om het beste model te kiezen!
Maar daarom is er de Adjusted R-squared. Deze houdt rekening met het aantal onafhankelijke variabelen in het model en stijgt alleen als de toevoeging meer oplevert dan je op basis van kans kunt verwachten. Bij keuze tussen verschillende modellen kies je dus voor het model met de hoogste Adjusted R-squared, want deze geeft je de beste combinatie van onafhankelijke variabelen!

TIP #011: De juiste cases selecteren in SPSS.
Standaard staan alle cases of meeteenheden (respondenten, bedrijven, etc.) uit het databestand geselecteerd. Maar niet altijd heb je ze allemaal nodig. Verwijder dan nooit cases uit je data, maar gebruik een tijdelijk filter dat je later weer kunt aanpassen of uitschakelen.
In het menu 'Data - Select Cases - If condition is satisfied - If' kun je een sub-selectie maken. Dit werkt heel makkelijk met de symbolen = (is gelijk aan), ~= (is niet gelijk aan), > (groter dan), < (kleiner dan), & (en-teken) en | (of-teken).
Een paar voorbeelden:
Gender = 1: alleen de mannen.
Gender = 2 & Age > 30: alleen vrouwen boven de 30.
Gender = 1 | Age > 30: alle mannen, samen met de vrouwen boven de 30.
Gender ~= 1: alleen de vrouwen.
Gender ~= 1 | Age < 30: alle vrouwen, samen met de mannen onder de 30.