



Dit document bevat eigen informatie van SPSS Inc, een IBM Company. Het wordt geleverd onder licentieovereenkomst en is beschermd door auteursrecht. De informatie in deze publicatie bevat geen productgaranties, en verklaringen die worden verstrekt in dit handboek dienen niet als zodanig te worden geïnterpreteerd.
Wanneer u informatie naar IBM of SPSS stuurt, verleent u IBM en SPS een niet-exclusief recht om de gegevens op welke wijze dan ook te gebruiken of te verspreiden die zij passend acht zonder enige verplichting aan u.
© Copyright SPSS Inc. 1989, 2010.

IBM® SPSS® Statistics is een uitgebreid systeem voor het analyseren van gegevens. De Complexe Monsters optionele add-on module biedt de aanvullende analytische technieken beschreven in deze handleiding. De module Complexe Monsters moet worden gebruikt met het SPSS Statistics Core-systeem en is volledig geïntegreerd in dat systeem.
SPSS Inc., een IBM Company, is een toonaangevende wereldwijde leverancier van voorspellende analytische software en oplossingen. Het bedrijf . complete portfolio van producten . gegevensverzameling, statistieken, modellering en implementatie . . legt mensen vast attitudes en meningen, voorspelt resultaten van toekomstige klantinteracties, en vervolgens werkt op deze inzichten door het inbedden analytics in bedrijfsprocessen. SPSS Inc. oplossingen richten zich op onderling verbonden bedrijfsdoelstellingen in een hele organisatie door de focus te leggen op convergentie van analyses, IT-architectuur en zakelijke processen. Commerciële, overheids- en academische klanten wereldwijd vertrouwen op SPSS Inc. technologie als concurrentievoordeel bij het aantrekken, behouden en vergroten van klanten, terwijl fraude wordt beperkt en risico's worden verminderd. SPSS Inc. werd in oktober 2009 overgenomen door IBM. Voor meer informatie, bezoek http://www.spss.com.
Technische ondersteuning is beschikbaar voor onderhoudsklanten. Klanten kunnen contact opnemen met Technische Ondersteuning voor hulp bij het gebruik van SPSS Inc. producten of voor installatiehulp bij een van de ondersteunde hardwareomgevingen. Zie de SPSS Inc. website op http://support.sps.com of vind uw lokale kantoor via de website op http://support.sps.com/default.asp?refpage=contactus.asPublication. Wees bereid om uzelf, uw organisatie en uw steunovereenkomst te identificeren wanneer u hulp vraagt.
Als u vragen heeft over uw zending of account, neem dan contact op met het lokale kantoor dat vermeld staat op de website van http://www.spss.com/worldwide. Hou uw serienummer klaar voor identificatie.
SPSS Inc. biedt zowel openbare als on-site opleidingsseminars. Alle seminars zijn voorzien van hands-on workshops. Er zullen regelmatig seminars in grote steden worden georganiseerd. Voor meer informatie over deze seminars, neem contact op met uw lokale kantoor, vermeld in de website van http://www.spss.com/worldwide.
© Copyright SPSS Inc. 1989, 2010 iii

De SPS Statistieken: Gids voor gegevensanalyse, SPS Statistieken: Statistische procedures Companion, en SPS Statistieken: Geavanceerde Statistische Procedures Companion, geschreven door Marija Norušis en gepubliceerd door Prentice Hall zijn beschikbaar als voorgesteld aanvullend materiaal. Deze publicaties hebben betrekking op statistische procedures in de module SPS Statistieken, module Advanced Statistics en Regression. Of u nu net begint met data-analyse of klaar bent voor geavanceerde toepassingen, deze boeken helpen u optimaal gebruik te maken van de mogelijkheden die worden gevonden binnen het IBM® SPSS® Statistiek aanbod. Voor aanvullende informatie, met inbegrip van publicatie-inhoud en voorbeeld hoofdstukken, zie de website auteur . http://www.norusis.com

Deel I: Gebruikershandleiding
1 Inleiding tot complexe monsterprocedures 1
Eigenschappen van complexe monsters 1
Gebruik van complexe monsterprocedures 2
Plan bestanden 2 Verdere lezingen 3
Een nieuw monsterplan 4 aanmaken
Sampling Wizard: Ontwerpvariabelen 6
Boombesturingen voor het navigeren van de steekproefwizard 7 Sampling Wizard: Sample Method 8
Monstername-assistent: monstergrootte 10
Ongeëvenaarde groottes definiëren 11 Sampling Wizard: uitvoervariabelen 12
Monstername-assistent: Planoverzicht 13
Sample-assistent: sampleselectieopties 14
Sampling Wizard: Teken uitvoerbestanden 15
Sampling Wizard: Afronden 16
Een bestaand steekproefplan aanpassen 16
Monstername-assistent: Planoverzicht 17
Een bestaand steekproefplan uitvoeren 18
CSULN en CSSELECT Commando's Aanvullende functies 18
Een nieuw analyseplan opstellen 20
Analyse Voorbereidingsassistent: Ontwerpvariabelen 20
Boombesturingen voor het navigeren van de analysewizard 21

Analyse-Wizard voorbereiding: schattingsmethode 22
Analyse Voorbereidingsassistent: maat 23
Definieer ongelijke maten 24 Analyse Voorbereiding Wizard: Plan Samenvatting 25
Analyse Voorbereidingsassistent: 26 voltooien
Een bestaand analyseplan wijzigen 26
Analyse voorbereidingsassistent: Planoverzicht 27
5 Complexe monsters Frequenties 29
Complexe Monsters Frequentie Statistieken 30
Complexe monsters ontbrekende waarden 31
Complexe monsteropties 32
Complexe Monsters Descriptives Statistieken 34
Complexe monsters Descriptives Ontbrekende Waarden 35
Complexe monsteropties 36
Complexe Monsters Crosstabs Statistieken 39
Complexe monsters ontbrekende waarden 40
Complexe monsteropties 41
Complexe monsters ratio's Statistieken 43
Complexe monstersratio's Ontbrekende waarden 44
Complexe monsteropties 44






Een voorbeeldbestand 258
B Kennisgevingen 267
Bibliografie 269
Index 271




Een inherente veronderstelling van analytische procedures in traditionele softwarepakketten is dat de waarnemingen in een gegevensbestand een eenvoudige willekeurige steekproef uit de populatie van belang vertegenwoordigen. Deze aanname is onhoudbaar voor een toenemend aantal bedrijven en onderzoekers die het zowel kosteneffectief als handig vinden om monsters op meer gestructureerde wijze te verkrijgen.
Met de optie Complexe Monsters kunt u een monster selecteren volgens een complex ontwerp en de specificaties van het ontwerp opnemen in de gegevensanalyse, zodat uw resultaten geldig zijn.
Een complex monster kan op vele manieren verschillen van een eenvoudig willekeurig monster. In een eenvoudige steekproef worden afzonderlijke bemonsteringseenheden willekeurig geselecteerd met gelijke waarschijnlijkheid en zonder vervanging (WOR) rechtstreeks uit de gehele populatie. Een bepaald complex monster kan daarentegen een aantal of alle volgende kenmerken hebben:
Stratificatie. Gestratificeerde bemonstering omvat het onafhankelijk selecteren van monsters binnen niet-overlappende subgroepen of strata. Zo kunnen strata sociaaleconomische groepen, categorieën van banen, leeftijdsgroepen of etnische groepen zijn. Met stratificatie kunt u zorgen voor adequate steekproefgroottes voor subgroepen van belang, de nauwkeurigheid van algehele schattingen verbeteren en verschillende bemonsteringsmethoden gebruiken tussen stratum en stratum.
Clusteren. Clusterbemonstering omvat de selectie van groepen steekproefeenheden of clusters. Clusters kunnen bijvoorbeeld scholen, ziekenhuizen of geografische gebieden zijn en steekproefeenheden kunnen studenten, patiënten of burgers zijn. Clustering komt vaak voor in meertraps ontwerpen en oppervlakte (geografische) monsters.
Meerdere stadia. Bij multifase sampling selecteert u een eerste fase monster op basis van clusters. Vervolgens maak je een tweede-fase monster door deelmonsters te tekenen uit de geselecteerde clusters. Als het tweede-fase monster is gebaseerd op subclusters, kunt u dan een derde fase toevoegen aan de steekproef. In de eerste fase van een enquête zou bijvoorbeeld een steekproef steden kunnen worden getrokken. Dan kunnen uit de geselecteerde steden huishoudens worden bemonsterd. Tenslotte kunnen de geselecteerde huishoudens zelf een enquête houden. Met de Sampling and Analysis Preparation wizards kunt u drie fasen in een ontwerp specificeren.
Monstername zonder randomiteit. Wanneer selectie bij toeval moeilijk te verkrijgen is, kunnen eenheden systematisch (met een vast interval) of achtereenvolgens worden bemonsterd.
© Copyright SPSS Inc. 1989, 2010 1

Ongelijke selectie waarschijnlijkheden. Wanneer clusters worden bemonsterd die ongelijke aantallen eenheden bevatten, kunt u gebruik maken van de kans-evenredige-maat (PPS) bemonstering om een cluster selectie waarschijnlijkheid gelijk te stellen aan het aandeel van eenheden dat deze bevat. PPS-bemonstering kan ook gebruik maken van meer algemene wegingsschema's om eenheden te selecteren.
Onbeperkte bemonstering. Onbeperkte bemonstering selecteert eenheden met vervanging (WR). Zo kan voor het monster meer dan eens een individuele eenheid worden gekozen.
Monstergewichten. De bemonsteringsgewichten worden automatisch berekend bij het nemen van een complex monster en komen idealiter overeen met de frequentie . Daarom moet de som van het gewicht over de steekproef een schatting maken van de populatiegrootte. Voor complexe monsteranalyseprocedures zijn bemonsteringsgewichten nodig om een complex monster goed te kunnen analyseren. Merk op dat deze gewichten volledig binnen de optie Complexe Monsters moeten worden gebruikt en niet met andere analytische procedures via de procedure van Weight Cases mogen worden toegepast, waarbij het gewicht als case-replicatie wordt behandeld.
Uw gebruik van complexe monsterprocedures hangt af van uw specifieke behoeften. De belangrijkste gebruikers zijn degenen die:
• Plan en voer enquêtes uit volgens complexe ontwerpen, mogelijk later analyserend.
De hoofdtool voor landmeters is de Sampling Wizard.
Voordat u de
Complexe Monsteranalyseprocedures, u kunt nodig hebben om de Analyse Voorbereiding Wizard te gebruiken.
Ongeacht welk type gebruiker u bent, moet u ontwerpinformatie verstrekken aan complexe monsterprocedures. Deze informatie wordt opgeslagen in een planbestand voor gemakkelijk hergebruik.
Een planbestand bevat complexe monsterspecificaties. Er zijn twee soorten plannen:
Monsterplan. De specificaties in de Sampling Wizard definiëren een monsterontwerp dat wordt gebruikt om een complex monster te trekken. Het steekproefplandossier bevat die specificaties. Het steekproefplanbestand bevat ook een standaardanalyseplan dat gebruik maakt van schattingsmethoden die geschikt zijn voor het gespecificeerde monsterontwerp.
Analyseplan. Dit planbestand bevat informatie die nodig is voor complexe monsteranalyseprocedures om de variatieschattingen van een complex monster goed te berekenen. Het plan omvat de steekproefstructuur, schattingsmethoden voor elke fase en verwijzingen naar vereiste variabelen zoals monstergewichten. Met de analysevoorbereidingsassistent kunt u analyses plannen maken en bewerken.
Er zijn verschillende voordelen om uw specificaties op te slaan in een planbestand, waaronder:
A surveyor can specify the first stage of a multistage sampling plan and draw first-stage
nu eenheden verzamelen van informatie over de bemonsteringseenheden voor de tweede fase, en vervolgens het steekproefplan wijzigen om ook in de tweede stap te worden opgenomen.

Inleiding tot complexe monsterprocedures
An analyst who doesn’t have access to the sampling plan file can specify an analysis plan and
de naam van het monster,
A designer of large-scale public use samples can publish the sampling plan file, which
Vereenvoudigt de instructies voor analisten en vermijdt dat elke analist zijn of haar eigen analyseplannen moet specificeren.
Voor meer informatie over bemonsteringstechnieken, zie de volgende teksten:
Cochran, W. G. 1977. Monstertechnieken, 3rd Ed. New York: John Wiley and Sons.
Kish, L. 1965. Enquêtebemonstering. New York: John Wiley and Sons.
Kish, L. 1987. Statistische opzet voor onderzoek. New York: John Wiley and Sons.
Murthy, M. N. 1967. Monsternametheorie en -methoden. Calcutta, India: Statistical Publishing Society.
Särndal, C., B. Swensson en J. Wretman. 1992. Model steekproef van ondersteunde enquêtes. New York: Springer-Verlag.

Figuur 2-1 Monstername Wizard, Welkom stap

De Sampling Wizard leidt u door de stappen voor het maken, wijzigen of uitvoeren van een sample plan bestand. Voordat u de Wizard gebruikt, moet u een goed gedefinieerde doelgroep hebben, een lijst van steekproefeenheden en een passend monsterontwerp in gedachten.
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Selecteer een monster...
E Selecteer Een sample ontwerpen en kies een bestandsnaam voor het plan om de steekproef op te slaan.
© Copyright SPSS Inc. 1989, 2010 4

Monstername van een complex ontwerp
E Klik op Volgende om door de Wizard te gaan.
E Optioneel kunt u in de stap Design Variables strata, clusters en input samplegewichten definiëren.
Nadat u deze definieert, klikt u op Volgende.
E Optioneel kunt u in de stappen van de bemonsteringsmethode een methode kiezen voor het selecteren van items.
Als u PPS Brewer of PPS Murthy selecteert, kunt u op Finish klikken om het monster te tekenen. Anders, klik op Volgende en vervolgens:
E In de stap van steekproefgrootte, het aantal of percentage eenheden dat moet worden genomen.
E U kunt nu op Voltooien om het monster te tekenen.
Optioneel kunt u in verdere stappen:
Kies uitvoervariabelen om op te slaan.
Add a second or third stage to the design.
• Stel verschillende selectieopties in, waaronder welke stadia om monsters uit te trekken, de willekeurige
aantal zaad, en of u de ontbrekende waarden als geldige waardes van ontwerpvariabelen moet behandelen.
Choose where to save output data.
Paste your selections as command syntax.

Figuur 2-2 Sampling Wizard, Design Variables step

Deze stap stelt u in staat om stratificatie en clustering variabelen te selecteren en input sample gewichten vast te stellen. U kunt ook een label voor het podium opgeven.
Stratify by. De kruisclassificatie van stratificatievariabelen definieert verschillende subpopulaties, of lagen. Voor elke stratum worden afzonderlijke monsters genomen. Om de nauwkeurigheid van uw schattingen te verbeteren, moeten eenheden binnen strata zo homogeen mogelijk zijn voor de kenmerken van belang.
Clusters. Clustervariabelen definiëren groepen van observationele eenheden, of clusters. Clusters zijn nuttig wanneer direct steekproef observationele eenheden van de populatie is duur of onmogelijk; in plaats daarvan kunt u clusters uit de bevolking te nemen en vervolgens monsters observatie-eenheden uit de geselecteerde clusters. Het gebruik van clusters kan echter correlaties tussen de bemonsteringseenheden tot gevolg hebben, wat resulteert in een verlies aan precisie. Om dit effect te minimaliseren, moeten eenheden binnen clusters zo heterogeen mogelijk zijn voor de kenmerken van belang. U moet ten minste één clustervariabele definiëren om een multifase ontwerp te kunnen plannen. Clusters zijn ook nodig bij het gebruik van verschillende bemonsteringsmethoden. Voor meer informatie, zie het onderwerp Sampling Wizard: Sample Methode op p. 8.

Monstername van een complex ontwerp
Input Sample Gewicht. Als het huidige monsterontwerp deel uitmaakt van een groter steekproefontwerp, kan je monstersgewichten hebben uit een vorige fase van de grotere ontwerp. U kunt een numerieke variabele opgeven die deze gewichten bevat in de eerste fase van het huidige ontwerp. De bemonsteringsgewichten worden automatisch berekend voor de volgende fasen van het huidige ontwerp.
Stage label. U kunt een optioneel tekenreekslabel voor elke fase opgeven. Dit wordt gebruikt in de uitvoer om stapsgewijze informatie te helpen identificeren.
Aan de linkerkant van elke stap in de Sampling Wizard is een overzicht van alle stappen. U kunt de Wizard navigeren door op de naam van een actieve stap in het overzicht te klikken. Stappen zijn ingeschakeld zolang alle voorgaande stappen geldig zijn.Dit betekent dat, als elke vorige stap de minimumvoorschriften voor die fase is gegeven. Zie de Help voor individuele stappen voor meer informatie over waarom een bepaalde stap ongeldig kan zijn.

Figuur 2 - 3 Monstername-assistent, bemonsteringsmethodestap

Deze stap geeft u de mogelijkheid om te specificeren hoe u gevallen kunt selecteren uit het actieve dataset.
Methode. Controles in deze groep worden gebruikt om een selectiemethode te kiezen. Sommige sampling types kunt u kiezen of te nemen met vervanging (WR) of zonder vervanging (WARS). Zie de typebeschrijvingen voor meer informatie. Merk op dat sommige types waarschijnlijkheids-proportioneel-maat (PPS) alleen beschikbaar zijn wanneer clusters gedefinieerd worden en alle soorten PPS enkel in de eerste fase van een ontwerp verkrijgbaar zijn. Bovendien zijn WR-methoden alleen beschikbaar in de laatste fase van een ontwerp.
Eenvoudige willekeurige steekproef. Eenheden zijn geselecteerd met gelijke waarschijnlijkheid. Ze kunnen geselecteerd worden
met of zonder vervanging.
Eenvoudig Systematisch. Eenheden worden geselecteerd met een vast interval gedurende het hele bemonsteringsframe (of
Streek, indien zij zijn gespecificeerd) en zonder vervanging worden gewonnen. Een willekeurig geselecteerde eenheid binnen het eerste interval wordt gekozen als startpunt.
Eenvoudige sequentiële. Eenheden worden achtereenvolgens met gelijke waarschijnlijkheid en zonder geselecteerd
vervanging.
PPS. Dit is een eerste-fase methode die eenheden willekeurig selecteert met kans evenredig
op maat. Alle eenheden kunnen worden geselecteerd met vervanging; alleen clusters mogen zonder vervanging worden bemonsterd.

Monstername van een complex ontwerp
PPS Systematisch. Dit is een eerste-fase methode die systematisch eenheden selecteert met waarschijnlijkheid
evenredig aan de grootte. Ze worden geselecteerd zonder vervanging.
PPS Sequential. Dit is een eerste-fase methode die sequentiële eenheden selecteert met waarschijnlijkheid
evenredig aan clustergrootte en zonder vervanging.
PPS Brewer. Dit is een eerste fase methode die twee clusters uit elke stratum selecteert met
waarschijnlijkheid evenredig aan clustergrootte en zonder vervanging. Om deze methode te kunnen gebruiken moet een clustervariabele worden gespecificeerd.
PPS Murthy. Dit is een eerste fase methode die twee clusters uit elke stratum selecteert met
waarschijnlijkheid evenredig aan clustergrootte en zonder vervanging. Om deze methode te kunnen gebruiken moet een clustervariabele worden gespecificeerd.
PPS Sampford. Dit is een eerste fase methode die meer dan twee clusters van elk selecteren
Securitisatie met waarschijnlijkheid evenredig aan clustergrootte en zonder vervanging. Het is een uitbreiding van Brewers methode. Om deze methode te kunnen gebruiken moet een clustervariabele worden gespecificeerd.
Gebruik WR-schatting voor analyse. Standaard wordt een schattingsmethode gespecificeerd in het planbestand
die overeenstemt met de gekozen bemonsteringsmethode. Dit stelt u in staat om een schatting met vervanging te gebruiken, zelfs als de steekproefmethode WOR-schatting impliceert. Deze optie is alleen beschikbaar in fase 1.
Meting van de grootte (MOS). Als een PPS-methode is geselecteerd, moet u de grootte van elke eenheid bepalen. Deze maten kunnen expliciet in een variabele worden gedefinieerd of ze kunnen uit de gegevens worden berekend. Optioneel kunt u de MOS-waarden onder en boven stellen, waarbij alle waarden in de Mosa variabele worden overtroffen of uit gegevens wordt berekend. Deze opties zijn alleen beschikbaar in fase 1.

Figuur 2-4 Monstername-assistent, stap voor monstergrootte

Deze stap stelt u in staat om het aantal of de verhouding van eenheden te specificeren die binnen de huidige fase worden genomen. De steekproefgrootte kan worden vastgesteld of kunnen variëren van strata. Om de steekproefgrootte te specificeren, kunnen clusters die in voorgaande fasen zijn gekozen worden gebruikt om strata vast te stellen.
Eenheden. U kunt een exacte steekproefgrootte of een deel van de eenheden om te nemen specificeren.
Waarde. Een enkele waarde wordt toegepast op alle lagen. Als de telwaarde als eenheid wordt geselecteerd, moet u
voer een positief geheel getal in. Als Proportions geselecteerd is, moet u een niet-negatieve waarde invoeren. Tenzij de bemonstering door vervanging plaatsvindt, mogen ook verhoudingswaarden niet groter zijn dan 1.
Ongelijke waarden voor strata. Hiermee kunt u groottewaarden per stratum invoeren via de definitie
Dialoogvenster Ongeëvenaarde groottes.
Lees waarden van variabele. Hiermee kunt u een numerieke variabele selecteren die groottewaarden bevat
voor strata.
Als Proportions is geselecteerd, hebt u de optie om onder- en bovengrenzen in te stellen op het aantal bemonsterde eenheden.

Monstername van een complex ontwerp
Figuur 2-5 Dialoogvenster Ongeëvenaarde groottes definiëren

Het dialoogvenster Ongeëvenaarde groottes definiëren stelt u in staat om de maten per stratum te invoeren.
Maat Specificaties raster. Het raster toont de kruising van maximaal vijf strata of clustervariabelen een combinatie van › en/of cluster per rij. In aanmerking komende rastervariabelen omvatten alle stratificatievariabelen uit de huidige en vorige stadia, alsmede alle clustervariabelen van voorgaande fasen. Variabelen kunnen binnen het raster worden herschikk of naar de Exclude lijst verplaatst. Voer de grootte in van het rechter kolomblad. Klik op Labels of Waarden om het display van waardelabels en gegevenswaarden voor stratificatie- en clustervariabelen in de rastercellen aan te schakelen. Cellen die niet-gelabelde waarden bevatten tonen altijd waardes. Klik op Vernieuwen Strata om het raster opnieuw te bevolken met elke combinatie van gelabelde gegevenswaarden voor variabelen in het net.
Uitgesloten. Om groottes voor een deelverzameling van stratum/clustercombinaties te specificeren, moet u één of meer variabelen naar de lijst Exclude verplaatsen. Deze variabelen worden niet gebruikt om steekproefgroottes te definiëren.

Figuur 2-6 Monstername-assistent, uitvoervariabelenstap

Deze stap stelt u in staat variabelen te kiezen om op te slaan wanneer het monster wordt getrokken.
Bevolkingsgrootte. Het geschatte aantal eenheden in de populatie voor een bepaalde fase. De rootnaam voor de opgeslagen variabele is Bevolkingsgrootte.
Monsterverhouding. De bemonsteringssnelheid in een bepaald stadium. De rootnaam voor de opgeslagen variabele is SamplingRate.
Monstergrootte. Het aantal in een bepaald stadium getrokken eenheden. De rootnaam voor de opgeslagen variabele is Monstergrootte.
Gewicht van het monster. De omgekeerde van de inclusie waarschijnlijkheden. De rootnaam voor de opgeslagen variabele is Monstergewicht.
Sommige trapsgewijze variabelen worden automatisch gegenereerd. Dit zijn o.a:
Inclusie-waarschijnlijkheden. Het aandeel van de in een bepaald stadium opgenomen eenheden. De rootnaam voor de opgeslagen variabele is InclusieWaarschuwing.
Cumulatieve gewicht. Het cumulatieve gewicht van de monsters over stadia voorafgaand aan en met inbegrip van het huidige. De rootnaam voor de opgeslagen variabele is MonsterGewichtCumulatief.

Monstername van een complex ontwerp
Index. Geeft aan welke eenheden meerdere keren in een bepaald stadium zijn geselecteerd. De rootnaam voor de opgeslagen variabele is Index.
Figuur 2-7 Monstername Wizard, Plan Samenvatting stap

Dit is de laatste stap in elke fase, die een samenvatting geeft van de specificaties voor het ontwerp van monsters gedurende de huidige fase. Vanaf hier kunt u ofwel naar de volgende fase (het creëren, indien nodig) of instellen opties voor het tekenen van de steekproef.

Figuur 2-8 Sample Wizard, Teken de selectie-opties stap

Deze stap laat u toe om te kiezen of een monster wordt getrokken. U kunt ook andere sampling opties, zoals de willekeurige zaad en ontbrekende waarde handling.
Teken het monster. Naast het kiezen of je een monster wilt trekken, kun je er ook voor kiezen om een deel van de steekproefvorm uit te voeren. De fasen moeten zodanig worden opgesteld dat fase 2 slechts kan worden getrokken indien ook stadium 1 wordt getekend. Bij het bewerken of uitvoeren van een plan, kunt u niet opnieuw locked stadia.
Zaad. Hierdoor kunt u een zaadwaarde kiezen voor willekeurige getallengeneratie.
Inclusief gebruikers-ontbrekende waarden. Dit bepaalt of de waarde van het missende gebruiker geldig is. Zo ja, dan worden de ontbrekende waarden van gebruikers behandeld als een aparte categorie.
Data zijn al gesorteerd. Als uw sample frame wordt voorgesorteerd door de waarden van stratificatie variabelen, kunt u met deze optie het selectieproces versnellen.

Monstername van een complex ontwerp
Figuur 2-9 Sampling Wizard, Teken uitvoerbestanden stap

Deze stap kunt u kiezen waar te direct bemonsterde gevallen, gewicht variabelen, gezamenlijke waarschijnlijkheden en case selectie regels.
Monstergegevens. Deze opties laten u bepalen waar sample output wordt geschreven. Het kan worden toegevoegd aan de actieve dataset, geschreven naar een nieuwe gegevensverzameling of opgeslagen in een extern IBM® SPSS® Statistics gegevensbestand. Datasets zijn beschikbaar tijdens de huidige sessie, maar niet in volgende sessies tenzij u ze expliciet als gegevensbestanden opslaat. Datasetnamen moeten zich houden aan variabele naamgevingsregels. Als een extern bestand of nieuwe dataset is gespecificeerd, worden de sampling output variabelen en -variabelen in het actieve gegevensbestand voor de geselecteerde gevallen geschreven.
Gezamenlijke kansen. Deze opties laten u bepalen waar gezamenlijke waarschijnlijkheden worden geschreven. Ze worden opgeslagen in een extern SPS Statistieken-gegevensbestand. Gezamenlijke waarschijnlijkheden worden geproduceerd als de PPS WOR, PPS Brewer, POD Sampford of PPS Murthy methode is geselecteerd en de schatting van het aantal WR niet wordt gespecificeerd.
Regels voor de selectie van zaken. Als u uw steekproef een stap tegelijk aan het opbouwen bent, kunt u de regels voor caseselectie opslaan in een tekstbestand. Zij zijn nuttig voor de bouw van het subframe voor volgende fasen.

Figuur 2-10 Monstername Wizard, Afsluiten stap

Dit is de laatste stap. U kunt het planbestand opslaan en nu de sample tekenen of uw selecties in een syntaxisvenster plakken.
Wanneer u wijzigingen aanmaakt in de fasen van het bestaande planbestand, kunt u het bewerkte plan opslaan naar een nieuw bestand of overschrijven. Wanneer u fasen toevoegt zonder wijzigingen aan bestaande stadia, overschrijft de Wizard automatisch het bestaand planbestand. Als u het plan wilt opslaan in een nieuw bestand, selecteert u de syntaxis die door de Wizard wordt gegenereerd plakken in een syntax venster en wijzigen van de bestandsnaam in de syntactische commando's.
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Selecteer een monster...
E Selecteer Bewerken van een sample ontwerp en kies voor het bestand plan om te bewerken.
E Klik op Volgende om door de Wizard te gaan.

Monstername van een complex ontwerp
E Bekijk het bemonsteringsplan in de Plan Samenvatting stap, en klik vervolgens op Volgende.
De daaropvolgende stappen zijn grotendeels hetzelfde als voor een nieuw ontwerp. Zie de Help voor individuele stappen voor meer informatie.
E Navigeer naar de stap Voltooien en geef een nieuwe naam voor het bewerkte planbestand op of kies ervoor om te overschrijven
het bestaande planbestand.
Optioneel kunt u:
Specify stages that have already been sampled.
Remove stages from the plan.
Figuur 2-11 Monstername Wizard, Plan Samenvatting stap

Deze stap stelt u in staat om het bemonsteringsplan te herzien en stappen aan te geven die al zijn bemonsterd. Als u een plan bewerkt, kunt u ook stappen uit het plan verwijderen.
Eerder bemonsterde stadia. Als een uitgebreid samplingframe niet beschikbaar is, moet u één fase tegelijk met de uitvoering van een meertraps sample ontwerp uitvoeren. Selecteer welke fasen al zijn bemonsterd uit de drop-down lijst. Alle fasen die zijn uitgevoerd, worden vergrendeld; ze zijn niet beschikbaar in de stap Teken Sample Selectieopties en kunnen niet gewijzigd worden bij het bewerken van een plan.

Stappen verwijderen. U kunt de stappen 2 en 3 verwijderen uit een meertraps ontwerp.
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Selecteer een monster...
E Selecteer Teken een sample en kies voor het uitvoeren van een planbestand.
E Klik op Volgende om door de Wizard te gaan.
E Bekijk het bemonsteringsplan in de Plan Samenvatting stap, en klik vervolgens op Volgende.
E De afzonderlijke stappen met fase-informatie worden overgeslagen bij de uitvoering van een steekproefplan. Jij
kan nu op elk moment naar de Finish step gaan.
Optioneel kunt u stadia specificeren die al zijn bemonsterd.
De commandosyntax taal stelt u ook in staat om:
Specify custom names for output variables.
Bijvoorbeeld, kunt u de stapsgewijze samenvatting van
het plan dat wordt weergegeven als een monster is ontworpen of gewijzigd, de samenvatting van de verdeling van de bemonsterde gevallen naar strata die worden getoond wanneer het steekproefontwerp wordt uitgevoerd te onderdrukken en om een samenvatting van case processing verzoeken.
Choose a subset of variables in the active dataset to write to an external sample file or to
een andere dataset.
Zie Syntaxisreferentie voor commando's voor volledige syntaxinformatie.

Figuur 3-1 Analyse Voorbereiding Wizard, Welkom stap

De Analysevoorbereidingswizard begeleidt u door de stappen voor het maken of wijzigen van een analyseplan met behulp van verschillende complexe monsteranalyseprocedures. Voordat u de Wizard gebruikt, moet u een monster laten trekken volgens een complex ontwerp.
Het maken van een nieuw plan is het meest nuttig als u geen toegang heeft tot de steekproefplanbestanden die gebruikt worden om het monster te trekken (herroep dat het bemonsteringsschema een standaardanalyseplan bevat). Als u toegang hebt tot het steekproefplanbestand dat gebruikt wordt om de steekproef te trekken, kunt u gebruik maken van het standaardanalyseplan in het bemonsteringsschema bestand of overschrijven op de standaard analyse specificaties en uw wijzigingen opslaan in een nieuw dossier.
© Copyright SPSS Inc. 1989, 2010 19

E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Bereid je voor op analyse...
E Selecteer Maak een planbestand aan en kies een bestandsnaam van het plan waarop u het analyseplan zult opslaan.
E Klik op Volgende om door de Wizard te gaan.
E Geef de variabele met monstergewichten in het stappenschemavariabelen, optioneel definiëren
Streats en clusters.
E U kunt nu op Voltooien om het plan te bewaren.
Optioneel kunt u in verdere stappen:
Select the method for estimating standard errors in the Estimation Method step.
Specify the number of units sampled or the inclusion probability per unit in the Size step.
Add a second or third stage to the design.
Paste your selections as command syntax.
Figuur 3-2 Analyse Voorbereiding Wizard, Design Variabelen stap


Een complexe steekproef voorbereiden voor analyse
Deze stap stelt u in staat om de stratificatie en clustering variabelen te identificeren en monstergewichten vast te stellen. U kunt ook een label voor het podium.
Strata. De kruisclassificatie van stratificatievariabelen definieert verschillende subpopulaties, of lagen. Uw totale monster vertegenwoordigt de combinatie van onafhankelijke monsters uit elke stratum.
Clusters. Clustervariabelen definiëren groepen van observationele eenheden, of clusters. Monsters die in meerdere fasen zijn genomen, selecteren clusters in de eerdere stadia en vervolgens deelmonsters van eenheden uit geselecteerde clusters. Bij het analyseren van een gegevensbestand verkregen door steekproefing clusters met vervanging, moet u de duplicatie index als cluster variabele.
Monstergewicht. U moet in de eerste fase monstergewichten leveren. De bemonsteringsgewichten worden automatisch berekend voor de volgende fasen van het huidige ontwerp.
Stage label. U kunt een optioneel tekenreekslabel voor elke fase opgeven. Dit wordt gebruikt in de uitvoer om stapsgewijze informatie te helpen identificeren.
Aan de linkerkant van elke stap van de Analyse Wizard is een overzicht van alle stappen. U kunt de Wizard navigeren door op de naam van een actieve stap in het overzicht te klikken. Stappen zijn ingeschakeld zolang alle voorgaande stappen geldig zijn.Dit is, zo lang elke vorige stap de minimum specificaties voor die fase heeft gekregen. Voor meer informatie over waarom een bepaalde stap ongeldig kan zijn, zie de Help voor individuele stappen.

Figuur 3-3 Analyse Voorbereidingswizard, stap voor schattingsmethode

Deze stap stelt u in staat om een schattingsmethode voor het stadium te specificeren.
WR (monsterneming met vervanging). De WR-schatting omvat geen correctie voor de bemonstering van een eindige populatie (FPC) bij het schatten van de variantie in het complexe bemonsteringsontwerp. U kunt ervoor kiezen om de FPC in te sluiten of uit te sluiten bij het schatten van de variantie onder eenvoudige willekeurige bemonstering (SRS).
Het is raadzaam om de FPC voor SRS-variatieschatting niet op te nemen wanneer het analysegewicht zodanig is geschaald dat ze geen rekening houden met de populatiegrootte. De SRS-variantieschatting wordt gebruikt in computerstatistieken zoals het ontwerpeffect. WR schatting kan alleen worden gespecificeerd in de laatste fase van een ontwerp; De wizard zal niet toestaan dat u nog een stadium toe te voegen als je kiest voor WR raming.
Gelijke WOR (gelijke kanssteekproef zonder vervanging). Equal WOR-schatting omvat de eindige populatiecorrectie en gaat ervan uit dat eenheden met gelijke waarschijnlijkheid worden bemonsterd. Gelijke WOR kan in elke fase van een ontwerp worden gespecificeerd.
Ongelijke WOR (ongelijke kansmeting zonder vervanging). Naast het gebruik van de eindige populatiecorrectie, is Onequal WOR verantwoordelijk voor steekproefeenheden (meestal clusters) geselecteerd met ongelijke waarschijnlijkheid. Deze schattingsmethode is alleen in de eerste fase beschikbaar.

Een complexe steekproef voorbereiden voor analyse
Figuur 3-4 Analyse Voorbereiding Wizard, Maatstap

Deze stap wordt gebruikt om de opname waarschijnlijkheden of populatiegroottes voor het huidige stadium te specificeren. De groottes kunnen worden vastgesteld of variëren van strata tot strata. Voor het specificeren van de afmetingen kunnen clusters die in voorgaande fasen zijn gespecificeerd, worden gebruikt om strata te definiëren. Merk op dat deze stap alleen nodig is wanneer Equal WOR als de schattingsmethode wordt gekozen.
Eenheden. U kunt de exacte populatiegroottes of waarschijnlijkheden specificeren waarmee eenheden werden bemonsterd.
Waarde. Een enkele waarde wordt toegepast op alle lagen. Als de populatiegrootte wordt geselecteerd als eenheid metriek,
u moet een niet-negatief geheel getal invoeren. Als Inclusiemogelijkheden zijn geselecteerd, moet u een waarde tussen 0 en 1, inclusief invoeren.
Ongelijke waarden voor strata. Hiermee kunt u groottewaarden per stratum invoeren via de definitie
Dialoogvenster Ongeëvenaarde groottes.
Lees waarden van variabele. Hiermee kunt u een numerieke variabele selecteren die groottewaarden bevat
voor strata.

Figuur 3-5 Dialoogvenster Ongeëvenaarde groottes definiëren
Het dialoogvenster Ongeëvenaarde groottes definiëren stelt u in staat om de maten per stratum te invoeren.
Maat Specificaties raster. Het raster toont de kruising van maximaal vijf strata of clustervariabelen een combinatie van › en/of cluster per rij. In aanmerking komende rastervariabelen omvatten alle stratificatievariabelen uit de huidige en vorige stadia, alsmede alle clustervariabelen van voorgaande fasen. Variabelen kunnen binnen het raster worden herschikk of naar de Exclude lijst verplaatst. Voer de grootte in van het rechter kolomblad. Klik op Labels of Waarden om het display van waardelabels en gegevenswaarden voor stratificatie- en clustervariabelen in de rastercellen aan te schakelen. Cellen die niet-gelabelde waarden bevatten tonen altijd waardes. Klik op Vernieuwen Strata om het raster opnieuw te bevolken met elke combinatie van gelabelde gegevenswaarden voor variabelen in het net.
Uitgesloten. Om groottes voor een deelverzameling van stratum/clustercombinaties te specificeren, moet u één of meer variabelen naar de lijst Exclude verplaatsen. Deze variabelen worden niet gebruikt om steekproefgroottes te definiëren.

Een complexe steekproef voorbereiden voor analyse
Figuur 3-6 Analyse Voorbereidingswizard, Plan Samenvatting stap

Dit is de laatste stap in elke fase, die een samenvatting geeft van de specificaties voor het analyseontwerp gedurende deze fase. Vanaf hier kunt u ofwel verdergaan naar de volgende fase (creëren indien nodig) of opslaan van de analyse specificaties.
Als u geen nieuwe fase kunt toevoegen, is het waarschijnlijk omdat:
No cluster variable was specified in the Design Variables step.
You selected WR estimation in the Estimation Method step.
This is the third stage of the analysis, and the Wizard supports a maximum of three stages.

Figuur 3-7 Analyse Voorbereidingswizard, Stap voltooien

Dit is de laatste stap. U kunt het planbestand nu opslaan of uw selecties plakken in een syntaxisvenster.
Wanneer u wijzigingen aanmaakt in de fasen van het bestaande planbestand, kunt u het bewerkte plan opslaan naar een nieuw bestand of overschrijven. Wanneer u fasen toevoegt zonder wijzigingen aan bestaande stadia, overschrijft de Wizard automatisch het bestaand planbestand. Als u het plan wilt opslaan in een nieuw bestand, kies dan ervoor om de syntaxis die door Wizard wordt gegenereerd te plakken in een syntax venster en verander de bestandsnaam van de syntactische commando's.
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Bereid je voor op analyse...
E Selecteer een planbestand bewerken en kies een bestandsnaam van het plan waarop u het analyseplan zult opslaan.
E Klik op Volgende om door de Wizard te gaan.

Een complexe steekproef voorbereiden voor analyse
E Bekijk het analyseplan in de Plan Samenvatting stap, en klik vervolgens op Volgende.
De daaropvolgende stappen zijn grotendeels hetzelfde als voor een nieuw ontwerp. Zie de Help voor meer informatie over individuele stappen.
E Navigeer naar de stap Voltooien en geef een nieuwe naam voor het bewerkte planbestand op, of kies ervoor om te overschrijven
het bestaande planbestand.
Optioneel kunt u stappen verwijderen uit het plan.
Figuur 3-8 Analyse Voorbereidingswizard, Plan Samenvatting stap

Deze stap stelt u in staat om het analyseplan te herzien en stappen uit het plan verwijderen.
Verwijder Stages. U kunt de stappen 2 en 3 verwijderen uit een meertraps ontwerp. Aangezien een plan minstens één fase moet hebben, kunt u stap 1 bewerken maar niet verwijderen van het ontwerp.

Voor complexe monsteranalyseprocedures zijn analysespecificaties uit een analyse- of steekproefplanbestand nodig om geldige resultaten te kunnen leveren.
Figuur 4-1 Complexe dialoogvenster Monsterplan

Plan. Geef het pad van een analyse- of steekproefplanbestand op.
Gezamenlijke kansen. Om Ongeëvenaarde WOR-schatting voor clusters die met behulp van een PPS WOR methode worden getekend, te gebruiken moet u een apart bestand of open dataset specificeren dat de gezamenlijke waarschijnlijkheden bevat. Dit bestand of dataset wordt gemaakt door de Sampling Wizard tijdens het sample-bestand.
© Copyright SPSS Inc. 1989, 2010 28

De procedure voor complexe monstersfrequenties produceert frequentietabellen voor geselecteerde variabelen en geeft univariate statistieken weer. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Voorbeeld. Met behulp van de Complexe Monsters Frequentieprocedure, kunt u univariate tabel statistieken voor vitaminegebruik onder VS verkrijgen. burgers, gebaseerd op de resultaten van het nationale gezondheidsinterviewonderzoek (NHIS) en met een passend analyseplan voor deze gegevens over openbaar gebruik.
Statistieken. De procedure geeft schattingen van de grootte en het percentage cellenpopulaties, plus standaardfouten, betrouwbaarheidsintervallen, variatiecoëfficiënten, ontwerpeffecten, vierkante wortels van ontwerpeffecten en cumulatieve waarden, en ongewogen tellingen voor elke schatting. Daarnaast worden statistieken over de chi-kwadraat en waarschijnlijkheidsratio berekend voor de test van gelijke celverhoudingen.
Data. Variabelen waarvoor frequentietabellen worden opgesteld, moeten categorisch zijn. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Het verkrijgen van complexe monsters Frequenties
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Frequenties...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 29

Figuur 5-1 Dialoogvenster Frequenties

E Selecteer ten minste één frequentievariabele.
Optioneel kunt u variabelen specificeren om subpopulaties te definiëren. De statistieken worden voor elke subpopulatie afzonderlijk berekend.
Figuur 5-2 Dialoogvenster Frequentiestatistieken

Cellen. Deze groep kunt u schattingen van de celpopulatie grootte en tabelpercentages aanvragen.
Statistieken. Deze groep produceert statistieken die verband houden met de bevolkingsomvang of het tabelpercentage.
Standaardfout. De standaardfout van de schatting.

Vertrouwensinterval. Een betrouwbaarheidsinterval voor de schatting, waarbij gebruik wordt gemaakt van het opgegeven niveau.
Coëfficiënt van variatie. De verhouding tussen de standaardfout van de raming en die schatting.
Ongewogen telling. Het aantal eenheden dat gebruikt wordt om de schatting te berekenen.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Cumulatieve waarden. De cumulatieve schatting door middel van elke waarde van de variabele.
Test van gelijke celverhoudingen. Dit levert chi-kwadraat en kansverhouding testen van de hypothese dat de categorieën van een variabele hebben gelijke frequenties. Voor elke variabele worden afzonderlijke tests uitgevoerd.
Figuur 5-3 Dialoogvenster Ontbrekende waarden

Tafels. Deze groep bepaalt welke gevallen in de analyse worden gebruikt.
Gebruik alle beschikbare gegevens. Ontbrekende waarden worden per tabel bepaald. De Commissie heeft de volgende opmerkingen gemaakt:
gebruikt om statistieken te berekenen kan variëren tussen frequentie- of kruistabulatietabellen.
Gebruik consistente case base. Ontbrekende waarden worden bepaald over alle variabelen. De Commissie heeft de volgende opmerkingen gemaakt:
gebruikt om statistieken te berekenen zijn consistent in tabellen.
Categorische ontwerpvariabelen. Deze groep bepaalt of de waarde van het missende gebruiker geldig is dan wel ongeldig.
Complexe monsterfrequenties

Figuur 5-4 Opties dialoogvenster

Subpopulatieweergave. U kunt ervoor kiezen om subpopulaties in dezelfde tabel of afzonderlijke tabellen te laten weergeven.

De procedure voor complexe monstersbeschrijvingen geeft een univariate samenvattingsstatistieken weer van verschillende variabelen. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Voorbeeld. Met behulp van de Complexe Monsters Descriptives procedure, kunt u Univariate beschrijvende statistieken voor het activiteitsniveau in de VS verkrijgen. burgers, gebaseerd op de resultaten van het nationale gezondheidsinterviewonderzoek (NHIS) en met een passend analyseplan voor deze gegevens over openbaar gebruik.
Statistieken. De procedure levert middelen en bedragen op, plus t tests, standaardfouten, betrouwbaarheidsintervallen, variatiecoëfficiënten, ongewogen aantallen, populatiegroottes, ontwerpeffecten en vierkante wortels van de effecten op het ontwerp voor elke schatting.
Data. Maatregelen moeten schaalvariabelen zijn. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Complexe monstersbeschrijvingen verkrijgen
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Descriptieven...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 33

Figuur 6-1 Dialoogvenster Descriptives

E Selecteer ten minste één maatvariabele.
Optioneel kunt u variabelen specificeren om subpopulaties te definiëren. De statistieken worden voor elke subpopulatie afzonderlijk berekend.
Figuur 6-2 Dialoogvenster Descriptives Statistieken


Samenvattingen. Deze groep stelt u in staat om schattingen van de middelen en bedragen van de variabelen voor metingen aan te vragen. Bovendien kunt u vragen t tests van de ramingen met een bepaalde waarde.
Statistieken. Deze groep produceert statistieken die verband houden met het gemiddelde of de som.
Standaardfout. De standaardfout van de schatting.
Vertrouwensinterval. Een betrouwbaarheidsinterval voor de schatting, waarbij gebruik wordt gemaakt van het opgegeven niveau.
Coëfficiënt van variatie. De verhouding tussen de standaardfout van de raming en die schatting.
Ongewogen telling. Het aantal eenheden dat gebruikt wordt om de schatting te berekenen.
Bevolkingsgrootte. Het geschatte aantal eenheden in de populatie.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Figuur 6-3 Dialoogvenster Descriptives die ontbreken

Statistieken voor de variabelen van meeteenheden. Deze groep bepaalt welke gevallen in de analyse worden gebruikt.
Gebruik alle beschikbare gegevens. Ontbrekende waarden worden per variabele bepaald, zodat de
De gevallen die worden gebruikt om statistieken te berekenen kunnen variëren van meetvariabelen tot variabelen.
Zorg voor een consistente basis. Ontbrekende waarden worden bepaald over alle variabelen, dus de
De gevallen die gebruikt worden om statistieken te berekenen zijn consistent.
Categorische ontwerpvariabelen. Deze groep bepaalt of de waarde van het missende gebruiker geldig is dan wel ongeldig.
Complexe voorbeeldenbeschrijvingen

Figuur 6-4 Opties dialoogvenster
Subpopulatieweergave. U kunt ervoor kiezen om subpopulaties in dezelfde tabel of afzonderlijke tabellen te laten weergeven.

De procedure van de Complexe Monsters Crosstabs produceert crosstabulatietabellen voor paren geselecteerde variabelen en geeft tweewegstatistieken weer. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Voorbeeld. Met behulp van de Complexe Monsters Crosstabs procedure, kunt u kruisclassificatie statistieken voor roken frequentie door vitamine gebruik van VS. burgers, gebaseerd op de resultaten van het nationale gezondheidsinterviewonderzoek (NHIS) en met een passend analyseplan voor deze gegevens over openbaar gebruik.
Statistieken. De procedure geeft schattingen van celpopulaties en rij, kolom en tabelpercentages plus standaardfouten, betrouwbaarheidsintervallen, variatiecoëfficiënten, verwachte waarden, ontwerpeffecten, vierkante wortels van de effecten op het ontwerp, reststoffen, aangepaste residu's en ongewogen tellingen voor elke schatting. De odds ratio, het relatieve risico en het risicoverschil worden berekend voor 2-bij-2 tabellen. Bovendien worden Pearson- en kansratiostatistieken berekend voor de test van onafhankelijkheid van de rij en kolomvariabelen.
Data. De rijen en kolomvariabelen moeten categorisch zijn. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Het verkrijgen van complexe monsters Crosstabs
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Crosstabs...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 37

Figuur 7-1 Dialoogvenster Crosstabs

E Selecteer ten minste één rij variabele en een kolomvariabele.
Optioneel kunt u variabelen specificeren om subpopulaties te definiëren. De statistieken worden voor elke subpopulatie afzonderlijk berekend.

Figuur 7-2 Dialoogvenster Crosstabs Statistieken

Cellen. Deze groep kunt u schattingen van de celpopulatie grootte en rij, kolom en tabelpercentages aanvragen.
Statistieken. Deze groep produceert statistieken die verband houden met de bevolkingsomvang en rij, kolom en tabelpercentages.
Standaardfout. De standaardfout van de schatting.
Vertrouwensinterval. Een betrouwbaarheidsinterval voor de schatting, waarbij gebruik wordt gemaakt van het opgegeven niveau.
Coëfficiënt van variatie. De verhouding tussen de standaardfout van de raming en die schatting.
Verwachte waarden. De verwachte waarde van de raming, onder de hypothese onafhankelijkheid
van de rij en kolom variabele.
Ongewogen telling. Het aantal eenheden dat gebruikt wordt om de schatting te berekenen.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Resten. De verwachte waarde is het aantal gevallen dat u zou verwachten in de cel als er
geen verband tussen de twee variabelen. Een positief restant geeft aan dat er meer gevallen in de cel zijn dan als de rij en kolomvariabelen onafhankelijk zouden zijn.
Aangepaste reststoffen. Het restant voor een cel (waargenomen minus verwachte waarde) gedeeld door
schatting van de standaardfout. Het resulterende gestandaardiseerde restgehalte wordt uitgedrukt in standaardafwijkingseenheden boven of onder het gemiddelde.
Complexe monsters Crosstabs

Samenvattingen voor 2-bij-2 tabellen. Deze groep produceert statistieken voor tabellen waarin de rij en kolomvariabele elk twee categorieën hebben. Elk is een maat voor de kracht van het verband tussen de aanwezigheid van een factor en het optreden van een gebeurtenis.
Odds ratio. De odds ratio kan worden gebruikt als een schatting van het relatieve risico wanneer de gebeurtenis
De factor is zeldzaam.
Relatief risico. De verhouding van het risico op een gebeurtenis in aanwezigheid van de factor ten opzichte van het gevaar van
gebeurtenis zonder factor.
Risicoverschil. Het verschil tussen het risico van een gebeurtenis in aanwezigheid van de factor en
het risico van de gebeurtenis bij afwezigheid van deze factor.
Test van onafhankelijkheid van rijen en kolommen. Dit levert chi-kwadraat en waarschijnlijkheidsratio testen van de hypothese dat een rij en kolom variabele onafhankelijk zijn. Voor elk paar variabelen worden afzonderlijke tests uitgevoerd.
Figuur 7-3 Dialoogvenster Ontbrekende waarden
Tafels. Deze groep bepaalt welke gevallen in de analyse worden gebruikt.
Gebruik alle beschikbare gegevens. Ontbrekende waarden worden per tabel bepaald. De Commissie heeft de volgende opmerkingen gemaakt:
gebruikt om statistieken te berekenen kan variëren tussen frequentie- of kruistabulatietabellen.
Gebruik consistente case base. Ontbrekende waarden worden bepaald over alle variabelen. De Commissie heeft de volgende opmerkingen gemaakt:
gebruikt om statistieken te berekenen zijn consistent in tabellen.
Categorische ontwerpvariabelen. Deze groep bepaalt of de waarde van het missende gebruiker geldig is dan wel ongeldig.

Figuur 7-4 Opties dialoogvenster
Subpopulatieweergave. U kunt ervoor kiezen om subpopulaties in dezelfde tabel of afzonderlijke tabellen te laten weergeven.
Complexe monsters Crosstabs

De procedure voor complexe monstersratio's geeft een uniforme samenvatting van de verhoudingen tussen variabelen. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Voorbeeld. Met behulp van de procedure voor complexe monstersratio's kunt u beschrijvende statistieken verkrijgen over de verhouding tussen actuele waarde en laatst beoordeelde waarde, op basis van resultaten van een statebred enquête uitgevoerd volgens een complex ontwerp en met een passend analyseplan voor de gegevens.
Statistieken. De procedure levert ramingen van de verhouding op, t tests, standaardfouten, betrouwbaarheidsintervallen, variatiecoëfficiënten, ongewogen aantallen, populatiegroottes, ontwerpeffecten en vierkante wortels van de effecten op het ontwerp.
Data. De cijfers en noemers moeten de variabelen van een positieve schaal zijn. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Het verkrijgen van complexe monsters verhoudingen
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Ratio's...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 42

Figuur 8-1 Dialoogvenster Ratio's

E Selecteer ten minste één teller variabele en noemervariabele.
Optioneel kunt u variabelen specificeren om subgroepen te definiëren waarvoor statistieken worden geproduceerd.
Figuur 8-2 Dialoogvenster Ratio's Statistieken

Statistieken. Deze groep produceert statistieken die verband houden met de raming van de verhouding.
Standaardfout. De standaardfout van de schatting.
Vertrouwensinterval. Een betrouwbaarheidsinterval voor de schatting, waarbij gebruik wordt gemaakt van het opgegeven niveau.
Coëfficiënt van variatie. De verhouding tussen de standaardfout van de raming en die schatting.
Ongewogen telling. Het aantal eenheden dat gebruikt wordt om de schatting te berekenen.
Bevolkingsgrootte. Het geschatte aantal eenheden in de populatie.
Complexe monstersverhoudingen

Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
T test. U kunt vragen t tests van de ramingen met een bepaalde waarde.
Figuur 8-3 Dialoogvenster Ratio's die ontbreken

Relaties. Deze groep bepaalt welke gevallen in de analyse worden gebruikt.
Gebruik alle beschikbare gegevens. Ontbrekende waarden worden per verhouding bepaald. De Commissie heeft de volgende opmerkingen gemaakt:
gebruikt om statistieken te berekenen kunnen variëren tussen de teller-denominator paren.
Zorg voor een consistente basis. Ontbrekende waarden worden bepaald over alle variabelen. Thus, the
De gevallen die gebruikt worden om statistieken te berekenen zijn consistent.
Categorische ontwerpvariabelen. Deze groep bepaalt of de waarde van het missende gebruiker geldig is dan wel ongeldig.
Figuur 8-4 Opties dialoogvenster
Subpopulatieweergave. U kunt ervoor kiezen om subpopulaties in dezelfde tabel of afzonderlijke tabellen te laten weergeven.

De procedure voor de algemene lineaire monsteranalyse (CSGLM) voert een lineaire regressieanalyse uit, evenals analyse van variantie en covarium bij monsters die worden genomen met behulp van complexe bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Voorbeeld. Een kruidenierswinkelketen onderzocht een reeks klanten met betrekking tot hun aankoopgewoonten, volgens een complex ontwerp. Gezien de enquêteresultaten en hoeveel klanten in de vorige maand hebben uitgegeven, wil de winkel zien of het aantal klanten dat boodschappen doet gerelateerd is aan hun uitgaven per maand.De klant heeft controle over zijn geslacht en neemt ook het ontwerp van steekproeven op zich.
Statistieken. De procedure levert schattingen, standaardfouten en betrouwbaarheidsintervallen op. t tests, ontwerpeffecten en vierkante wortels van de effecten op het ontwerp voor modelparameters, alsmede correlaties tussen parameterschattingen. Ook zijn er maatstaven voor modelgeschikte en beschrijvende statistieken beschikbaar voor de afhankelijke en onafhankelijke variabelen. Daarnaast kunt u geschatte marginale middelen voor niveaus van modelfactoren en factor interacties.
Data. De afhankelijke variabele is kwantitatief. Factoren zijn categorisch. Covarianten zijn kwantitatieve variabelen die gerelateerd zijn aan de afhankelijke variabele. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Het verkrijgen van een complexe monsters algemeen lineair model
Kies uit de menu's:
Analyseer > Complexe Monsters > Algemeen Lineair Model...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 45

Figuur 9-1 Dialoogvenster Algemeen Lineair Model

E Selecteer een afhankelijke variabele.
Optioneel kunt u:
Select variables for factors and covariates, as appropriate for your data.
De analyse wordt alleen uitgevoerd voor de geselecteerde
categorie van de subpopulatievariabele.

Complexe monsters Algemeen Lineair Model
Figuur 9-2 Dialoogvenster model

Modeleffecten opgeven. Standaard bouwt de procedure een hoofdeffectmodel met behulp van de factoren en covarianten die in het dialoogvenster staan. Als alternatief kunt u een aangepast model bouwen dat interactie effecten en geneste termen bevat.
Voor de geselecteerde factoren en covarianten:
Interactie. Maakt de term van interactie op het hoogste niveau voor alle geselecteerde variabelen.
Voornaamste effecten. Maakt een term voor de belangrijkste effecten aan per geselecteerde variabele.
Alle 2-weg. Creëert alle mogelijke tweerichtingsinteracties van de geselecteerde variabelen.
Alle drie de weg. Maakt alle mogelijke drie-weg interacties van de geselecteerde variabelen.
Alle vier de weg. Maakt alle mogelijke vierweg interacties van de geselecteerde variabelen.
Alle vijf. Creëert alle mogelijke vijf-weg interacties van de geselecteerde variabelen.
Niet-geneesde voorwaarden

U kunt geneste voorwaarden voor uw model bouwen in deze procedure. Genesteringen zijn nuttig voor het modelleren van de werking van een factor of covariant waarvan de waarden niet interageren met de niveaus van een andere factor. Bijvoorbeeld, een supermarktketen kan de uitgavengewoonten van haar klanten volgen op verschillende winkellocaties. Aangezien elke klant slechts één van deze locaties bezoekt, is de Klant effect kan worden gezegd dat geneste binnen de Locatie opslaan effect.
Daarnaast kunt u interactie-effecten, zoals polynomiale termen met dezelfde covariante, of meerdere niveaus van nestelen toevoegen aan de geneste term.
Beperkingen. De geneste termen hebben de volgende beperkingen:
Zo A is een factor, dan specificeren A*A
is ongeldig.
Zo A is een factor, dan specificeren A(A)
is ongeldig.
Zo A een factor is en X is een covariant, dan
specificeren A(X) is ongeldig.
Onderscheppen. De onderschepping is meestal opgenomen in het model. Als u kunt aannemen dat de gegevens door het land van herkomst gaan, dan kan u deze onderscheppen uitsluiten. Zelfs als je de onderschepper in het model opneemt, kun je ervoor kiezen om statistieken te onderdrukken die ermee verband houden.
Figuur 9-3 Dialoogvenster Algemene Lineaire Modelstatistieken

Modelparameters. Deze groep stelt u in staat om het weergeven van statistieken met betrekking tot de modelparameters te controleren.
Schatting. Geeft schattingen van de coëfficiënten weer.
Standaardfout. Toont de standaardfout voor elke coëfficiëntschatting.
Vertrouwensinterval. Geeft een betrouwbaarheidsinterval voor elke coëfficiëntschatting. De
betrouwbaarheidsniveau voor het interval is ingesteld in de dialoog Opties.
T test. Toont a t test van elke schatting van de coëfficiënt. De nulhypothese voor elke test is dat
de waarde van de coëfficiënt is 0.
geneste voorwaarden

Complexe monsters Algemeen Lineair Model
Covarium van parameterschattingen. Geeft een schatting van de covariummatrix voor het
modelcoëfficiënten.
Concordantietabellen van parameterschattingen. Toont een schatting van de correlatiematrix voor het
modelcoëfficiënten.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Model fit. Weergave R2 en root gemiddelde kwadraat foutstatistieken.
Bevolkingsmiddelen van afhankelijke variabele en covarianten. Toont beknopte informatie over de afhankelijke variabele, covarianten en factoren.
Gegevens over het ontwerp van monsters. Toont beknopte informatie over de steekproef, inclusief het ongewogen aantal en de populatiegrootte.
Figuur 9-4 Dialoogvenster Hypothesetesten

Test Statistic. Deze groep stelt u in staat om het type statistiek te selecteren dat gebruikt wordt voor het testen van hypothesen. U kunt kiezen tussen F, aangepast F, chi-kwadraat en verstelbaar chi-vierkant.
Monsterneming van Vrijheidsgraden. Deze groep geeft je controle over de sampling ontwerp graden van vrijheid gebruikt om te berekenen p waarden voor alle teststatistieken. Indien het steekproefontwerp wordt gebruikt, is de waarde gelijk aan het verschil tussen het aantal primaire bemonsteringseenheden en het aantal strata in de

eerste fase van de bemonstering. Als alternatief kunt u een aangepaste vrijheidsgraden instellen door het opgeven van een positief geheel getal.
Aanpassing voor meerdere vergelijkingen. Bij het uitvoeren van hypothesetests met meerdere contrasten kan de totale significantieniveau worden aangepast aan de betekenisniveaus voor de meegeleverde tegenstellingen. Deze groep stelt u in staat om de aanpassingsmethode te kiezen.
- Minst significant verschil. Deze methode heeft geen invloed op de algemene waarschijnlijkheid van afwijzing
de hypothese dat sommige lineaire contrasten verschillen van de nulhypothesewaarden.
Sequentiële Sidak. Dit is een sequentiële stap-down afwijzing van Sidak procedure die veel
minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sequentiële Bonferroni. Dit is een sequentiële stap-down afwijzing Bonferroni procedure die
veel minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sidak. Deze methode biedt strakkere grenzen dan de Bonferroni-aanpak.
Bonferroni. Deze methode past het waargenomen significantieniveau aan voor het feit dat meerdere
De contrasten worden getest.
Figuur 9-5 Dialoogvenster Algemeen Lineair Model Geschatte Middelen


Complexe monsters Algemeen Lineair Model
Het venster Geschatte Middelen stelt u in staat om het modelgeraamde marginale middel voor niveaus van factoren en factor interacties weergegeven te krijgen die zijn gespecificeerd in de Subdialoogbox Model. U kunt ook vragen dat de totale bevolking wordt weergegeven.
Term. Geschatte middelen worden berekend voor de geselecteerde factoren en factor interacties.
Contrast. Het contrast bepaalt hoe hypothesetests worden opgezet om de geschatte middelen te vergelijken.
Simpel. Vergelijkt het gemiddelde van elk niveau met dat van een bepaald niveau. Dit soort contrast
is nuttig als er een controlegroep.
Afwijkingen. Vergelijkt het gemiddelde van elk niveau (behalve een referentiecategorie) met dat van alle niveaus
de niveaus (groot gemiddelde). De niveaus van de factor kunnen in elke volgorde.
Verschil. Vergelijkt het gemiddelde van elk niveau (behalve de eerste) met dat van voorgaande niveaus.
Ze worden soms omgekeerde Helmert contrasten genoemd.
Helmert. Vergelijkt het gemiddelde van elk niveau van de factor (behalve het laatste) met dat van
de volgende niveaus.
Herhaald. Vergelijkt het gemiddelde van elk niveau (behalve de laatste) met dat van het volgende
niveau.
Polynoom. Vergelijkt het lineaire effect, kwadratisch effect, kubieke effecten enzovoort. De
De eerste graad van vrijheid bevat het lineaire effect in alle categorieën; de tweede mate van vrijheid, het kwadratische effect; enzovoort. Deze contrasten worden vaak gebruikt om de polynomiale trends te schatten.
Referentiecategorie. De eenvoudige en deviatiecontrasten vereisen een referentiecategorie of factorniveau waarmee de andere worden vergeleken.
Figuur 9-6 Dialoogvenster Algemeen Lineair Model Opslaan

Opslaan Variabelen. Deze groep stelt u in staat om het model voorspelde waarden en reststoffen op te slaan als nieuwe variabelen in het werkbestand.

Export model als SPSS Statistieken gegevens. Schrijft een dataset in IBM® SPSS® Statistieken formaat met de parameter correlatie of covouriteit matrix met parameters schattingen, standaard fouten, betekenis waarden en vrijheidsgraden. De volgorde van variabelen in het matrixbestand is als volgt.
rijtype . Neemt waarden (en waardelabels), COV (Covaria), CORR (Correlations), EST
(schattingen van de parameter), SE (standaardfouten), SIG ( significantieniveaus) en DF (ontwerpgraad van het monster). Er is een apart geval met rijtype COV (of CORR) voor elke modelparameter, plus een afzonderlijk geval voor elk van de andere rijen.
Varname . Neemt waarden P1, P2, ..., overeenkomend met een geordende lijst van alle modelparameters;
voor rijtypen COV of CORR, met waardelabels die overeenkomen met de parameterstrings in de tabel met parametersramingen. De cellen zijn leeg voor andere rijtypen.
P1, P2, ... Deze variabelen komen overeen met een geordende lijst van alle modelparameters, met variabele
labels die overeenkomen met de parameterstrings in de tabel van parametersramingen en waarden nemen volgens het rijtype. Voor redundante parameters worden alle co ovaria op nul gesteld; correlaties zijn ingesteld op de systeem-ontbrekende waarde, alle parameterschattingen zijn vastgesteld op nul en alle standaardfouten, significantieniveaus en resterende vrijheidsniveaus zijn ingesteld voor het ontbreken van een systeem.
Model exporteren als XML. Bewaart de parameterschattingen en, indien geselecteerd, de parametercovariummatrix in XML (PMML) formaat. U kunt dit modelbestand gebruiken om de modelinformatie toe te passen op andere gegevensbestanden voor het scoren van doeleinden.
Figuur 9-7 Dialoogvenster Algemene lineaire modelopties

Gebruikers-vermissende waarden. Alle ontwerpvariabelen, evenals de afhankelijke variabele en eventuele covarianten moeten geldige gegevens hebben. Gevallen met ongeldige gegevens voor een van deze variabelen worden uit de analyse verwijderd. Deze controles laten u toe om te beslissen of gebruikers-missende waarden worden behandeld als geldig onder de strata, cluster, subpopulatie en factor variabelen.
Vertrouwen Interval. Dit is het betrouwbaarheidsinterval voor de schatting van coëfficiënt en geschatte marginale middelen. Vermeld een waarde van 50 of minder dan 100.

Complexe monsters Algemeen Lineair Model
De commandosyntax taal stelt u ook in staat om:
Specify custom tests of effects versus a linear combination of effects or a value (using the
Commando "CUSTOM" (close-subcommando).
Fix covariates at values other than their means when computing estimated marginal means
(met gebruikmaking van het subcommando EMMEANS).
Specify a metric for polynomial contrasts (using the EMMEANS subcommand).
Specify a tolerance value for checking singularity (using the CRITERIA subcommand).
• Maak door de gebruiker gespecificeerde namen voor opgeslagen variabelen (met behulp van het SAVE-subcommando).
• Maak een algemene tabel met functies die kunnen worden gewaardeerd (met behulp van het subcommando PRINT).
Zie Syntaxisreferentie voor commando's voor volledige syntaxinformatie.

De complexe procedure voor de logistische regressie van monsters voert logistieke regressieanalyses uit op een binaire of multinomiale afhankelijke variabele voor stalen die worden getrokken met behulp van ingewikkelde bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Voorbeeld. Een leningsambtenaar heeft volgens een complex ontwerp gegevens verzameld van klanten die leningen hebben verstrekt bij verschillende vestigingen. Terwijl het opnemen van de steekproef ontwerp, wil de agent zien of de kans waarmee een klant in gebreke blijft is gerelateerd aan leeftijd, werkgelegenheid geschiedenis en bedrag krediet schuld.
Statistieken. De procedure levert ramingen, exponentiated schattingen, standaardfouten en betrouwbaarheidsintervallen op. t tests, ontwerpeffecten en vierkante wortels van de effecten op het ontwerp voor modelparameters, alsmede correlaties tussen parameterschattingen. Pseudo R2 statistieken, classificatietabellen en beschrijvende statistische gegevens voor de afhankelijke en onafhankelijke variabelen zijn ook beschikbaar.
Data. De afhankelijke variabele is categorisch. Factoren zijn categorisch. Covarianten zijn kwantitatieve variabelen die gerelateerd zijn aan de afhankelijke variabele. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Complexe monsters verkrijgen Logistische regressie
Kies uit de menu's:
Analyseer > Complexe Monsters > Logistische Regressie...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 54

Complexe stalen logistische regressie
Figuur 10-1 Logistieke Regressie dialoogvenster

E Selecteer een afhankelijke variabele.
Optioneel kunt u:
Select variables for factors and covariates, as appropriate for your data.
De analyse wordt alleen uitgevoerd voor de geselecteerde
categorie van de subpopulatievariabele.
Figuur 10-2 Logistieke Regressie Referentie Categorie dialoogvenster


Standaard maakt de Complexe Monsters Logistiek Regressie procedure van de meest gewaardeerde categorie tot referentiecategorie. Dit dialoogvenster geeft u de mogelijkheid om als referentiecategorie de hoogste waarde, laagste waarde of een aangepaste categorie te specificeren.
Figuur 10-3 Logistieke Regressie Model dialoogvenster

Modeleffecten opgeven. Standaard bouwt de procedure een hoofdeffectmodel met behulp van de factoren en covarianten die in het dialoogvenster staan. Als alternatief kunt u een aangepast model bouwen dat interactie effecten en geneste termen bevat.
Voor de geselecteerde factoren en covarianten:
Interactie. Maakt de term van interactie op het hoogste niveau voor alle geselecteerde variabelen.
Voornaamste effecten. Maakt een term voor de belangrijkste effecten aan per geselecteerde variabele.
Alle 2-weg. Creëert alle mogelijke tweerichtingsinteracties van de geselecteerde variabelen.
Niet-geneesde voorwaarden

Complexe stalen logistische regressie
Alle drie de weg. Maakt alle mogelijke drie-weg interacties van de geselecteerde variabelen.
Alle vier de weg. Maakt alle mogelijke vierweg interacties van de geselecteerde variabelen.
Alle vijf. Creëert alle mogelijke vijf-weg interacties van de geselecteerde variabelen.
U kunt geneste voorwaarden voor uw model bouwen in deze procedure. Genesteringen zijn nuttig voor het modelleren van de werking van een factor of covariant waarvan de waarden niet interageren met de niveaus van een andere factor. Bijvoorbeeld, een supermarktketen kan de uitgavengewoonten van haar klanten volgen op verschillende winkellocaties. Aangezien elke klant slechts één van deze locaties bezoekt, is de Klant effect kan worden gezegd dat geneste binnen de Locatie opslaan effect.
Daarnaast kunt u interactie-effecten, zoals polynomiale termen met dezelfde covariante, of meerdere niveaus van nestelen toevoegen aan de geneste term.
Beperkingen. De geneste termen hebben de volgende beperkingen:
Zo A is een factor, dan specificeren A*A
is ongeldig.
Zo A is een factor, dan specificeren A(A)
is ongeldig.
Zo A een factor is en X is een covariant, dan
specificeren A(X) is ongeldig.
Onderscheppen. De onderschepping is meestal opgenomen in het model. Als u kunt aannemen dat de gegevens door het land van herkomst gaan, dan kan u deze onderscheppen uitsluiten. Zelfs als je de onderschepper in het model opneemt, kun je ervoor kiezen om statistieken te onderdrukken die ermee verband houden.
Figuur 10-4 Logistieke Regressie Statistieken dialoogvenster

Model Fit. Controleert het weergeven van statistieken die de algemene modelprestaties meten.
geneste voorwaarden

Pseudo R-vierkant. De R2 statistiek van lineaire regressie heeft geen exacte tegenhanger
tussen logistieke regressiemodellen. Er zijn in plaats daarvan meerdere maatregelen die de eigenschappen van het R2 statistiek.
Indelingstabel. Toont de getabelleerde kruisclassificaties van de waargenomen categorie door
de door het model voorspelde categorie op de afhankelijke variabele.
Parameters. Deze groep stelt u in staat om het weergeven van statistieken met betrekking tot de modelparameters te controleren.
Schatting. Geeft schattingen van de coëfficiënten weer.
Geëxponentieerde schatting. Toont de basis van het natuurlijke logaritme dat wordt verhoogd tot aan het vermogen van
ramingen van de coëfficiënten. Hoewel de schatting mooie eigenschappen heeft voor statistische tests, is het gemakkelijker om te interpreteren.
Standaardfout. Toont de standaardfout voor elke coëfficiëntschatting.
Vertrouwensinterval. Geeft een betrouwbaarheidsinterval voor elke coëfficiëntschatting. De
betrouwbaarheidsniveau voor het interval is ingesteld in de dialoog Opties.
T test. Toont a t test van elke schatting van de coëfficiënt. De nulhypothese voor elke test is dat
de waarde van de coëfficiënt is 0.
Covarium van parameterschattingen. Geeft een schatting van de covariummatrix voor het
modelcoëfficiënten.
Concordantietabellen van parameterschattingen. Toont een schatting van de correlatiematrix voor het
modelcoëfficiënten.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Samenvatting van de statistieken voor modelvariabelen. Toont beknopte informatie over de afhankelijke variabele, covarianten en factoren.
Gegevens over het ontwerp van monsters. Toont beknopte informatie over de steekproef, inclusief het ongewogen aantal en de populatiegrootte.

Complexe stalen logistische regressie
Figuur 10-5 Dialoogvenster Hypothesetesten
Test Statistic. Deze groep stelt u in staat om het type statistiek te selecteren dat gebruikt wordt voor het testen van hypothesen. U kunt kiezen tussen F, aangepast F, chi-kwadraat en verstelbaar chi-vierkant.
Monsterneming van Vrijheidsgraden. Deze groep geeft je controle over de sampling ontwerp graden van vrijheid gebruikt om te berekenen p waarden voor alle teststatistieken. Indien gebaseerd op het bemonsteringsontwerp, is de waarde het verschil tussen het aantal primaire bemonsteringseenheden en het aantal strata in de eerste fase van monsterneming. Als alternatief kunt u een aangepaste vrijheidsgraden instellen door het opgeven van een positief geheel getal.
Aanpassing voor meerdere vergelijkingen. Bij het uitvoeren van hypothesetests met meerdere contrasten kan de totale significantieniveau worden aangepast aan de betekenisniveaus voor de meegeleverde tegenstellingen. Deze groep stelt u in staat om de aanpassingsmethode te kiezen.
- Minst significant verschil. Deze methode heeft geen invloed op de algemene waarschijnlijkheid van afwijzing
de hypothese dat sommige lineaire contrasten verschillen van de nulhypothesewaarden.
Sequentiële Sidak. Dit is een sequentiële stap-down afwijzing van Sidak procedure die veel
minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sequentiële Bonferroni. Dit is een sequentiële stap-down afwijzing Bonferroni procedure die
veel minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sidak. Deze methode biedt strakkere grenzen dan de Bonferroni-aanpak.
Bonferroni. Deze methode past het waargenomen significantieniveau aan voor het feit dat meerdere
De contrasten worden getest.

Figuur 10-6 Logistieke Regressie Odds Ratio's dialoogvenster

Het dialoogvenster Odds Ratios geeft u de door het model geraamde odds ratio's voor bepaalde factoren en covarianten weer. Voor elke categorie van de afhankelijke variabele wordt een aparte reeks odds ratio's berekend, met uitzondering van de referentiecategorie.
Factoren. Voor elke geselecteerde factor wordt de verhouding tussen het verschil in kans bij iedere categorie van de factor en de odds bij de gespecificeerde referentiecategorie weergegeven.
Covarianten. Voor elke geselecteerde covariant, toont de verhouding tussen de odds bij het covariate . mean value plus de opgegeven eenheden van verandering aan de kansen op het gemiddelde.
Wanneer de odds ratio's voor een factor of covariant worden berekend, wordt in het proces alle andere factoren op hun hoogste niveaus en alle overige covariaten op hun middelen vastgesteld. Als een factor of covariante interageert met andere voorspellers in het model, dan hangen de odds ratio's niet alleen af van de verandering in de opgegeven variabele maar ook van de waarden van de variabelen waarmee hij reageert. Als een opgegeven covariante met zichzelf in het model interacteert (bijvoorbeeld, leeftijd*====Odds ratio's==="The Crossing" is een link tussen de covariant en het covariate.

Complexe stalen logistische regressie
Figuur 10-7 Logistieke regressie Dialoogvenster opslaan

Opslaan Variabelen. Deze groep stelt u in staat om de door het model voorspelde categorie en voorspelde waarschijnlijkheden op te slaan als nieuwe variabelen in de actieve dataset.
Export model als SPSS Statistieken gegevens. Schrijft een dataset in IBM® SPSS® Statistieken formaat met de parameter correlatie of covouriteit matrix met parameters schattingen, standaard fouten, betekenis waarden en vrijheidsgraden. De volgorde van variabelen in het matrixbestand is als volgt.
rijtype . Neemt waarden (en waardelabels), COV (Covaria), CORR (Correlations), EST
(schattingen van de parameter), SE (standaardfouten), SIG ( significantieniveaus) en DF (ontwerpgraad van het monster). Er is een apart geval met rijtype COV (of CORR) voor elke modelparameter, plus een afzonderlijk geval voor elk van de andere rijen.
Varname . Neemt waarden P1, P2, ..., overeenkomend met een geordende lijst van alle modelparameters;
voor rijtypen COV of CORR, met waardelabels die overeenkomen met de parameterstrings in de tabel met parametersramingen. De cellen zijn leeg voor andere rijtypen.
P1, P2, ... Deze variabelen komen overeen met een geordende lijst van alle modelparameters, met variabele
labels die overeenkomen met de parameterstrings in de tabel van parametersramingen en waarden nemen volgens het rijtype. Voor redundante parameters worden alle co ovaria op nul gesteld; correlaties zijn ingesteld op de systeem-ontbrekende waarde, alle parameterschattingen zijn vastgesteld op nul en alle standaardfouten, significantieniveaus en resterende vrijheidsniveaus zijn ingesteld voor het ontbreken van een systeem.
Model exporteren als XML. Bewaart de parameterschattingen en, indien geselecteerd, de parametercovariummatrix in XML (PMML) formaat. U kunt dit modelbestand gebruiken om de modelinformatie toe te passen op andere gegevensbestanden voor het scoren van doeleinden.

Figuur 10-8 Dialoogvenster Logistieke regressie-opties

Schatting. Deze groep geeft je controle over verschillende criteria die in de modelschatting worden gebruikt.
Maximale iteraties. Het maximale aantal herhalingen dat het algoritme zal uitvoeren. Geef een
niet-negatief geheel getal.
Maximale staphalving. Bij elke iteratie wordt de stapgrootte met 0,5 verminderd tot
log-likelithity verhoogt of maximale staphalving wordt bereikt. Geef een positief geheel getal op.
De iteraties beperken op basis van verandering in parameterschattingen. Wanneer geselecteerd, stopt het algoritme
na een iteratie waarbij de absolute of relatieve verandering in de parameterschattingen lager is dan de opgegeven waarde, die niet negatief moet zijn.
Beperk iteraties op basis van verandering in log-likelithiciteit. Wanneer geselecteerd, stopt het algoritme na een
iteratie waarbij de absolute of relatieve verandering in de log-likelithiciteitsfunctie lager is dan de opgegeven waarde, die niet negatief moet zijn.
Controleer of de gegevenspunten volledig gescheiden zijn. Wanneer geselecteerd, voert het algoritme tests uit om
ervoor zorgen dat de parameterschattingen unieke waarden hebben. Scheiding vindt plaats wanneer de procedure een model kan produceren dat elke zaak correct classificeert.
Toon iteratiegeschiedenis. Toont parameterschattingen en statistieken bij elke n iteraties
beginnend met de 0e iteratie (de oorspronkelijke schattingen). Als u ervoor kiest om de iteratiegeschiedenis af te drukken, wordt altijd de laatste herhaling gedrukt ongeacht het waarde van n.
Gebruikers-vermissende waarden. Alle ontwerpvariabelen, evenals de afhankelijke variabele en eventuele covarianten moeten geldige gegevens hebben. Gevallen met ongeldige gegevens voor een van deze variabelen worden uit de analyse verwijderd. Deze controles laten u toe om te beslissen of gebruikers-missende waarden worden behandeld als geldig onder de strata, cluster, subpopulatie en factor variabelen.

Complexe stalen logistische regressie
Vertrouwen Interval. Dit is het betrouwbaarheidsinterval voor de schatting van coëfficiënten, exponentiated coëfficient estimates en odds ratio's. Vermeld een waarde van 50 of minder dan 100.
De commandosyntax taal stelt u ook in staat om:
Specify custom tests of effects versus a linear combination of effects or a value (using the
Commando "CUSTOM" (close-subcommando).
Fix values of other model variables when computing odds ratios for factors and covariates
(met gebruikmaking van het subcommando ODDSRATIOS).
Specify a tolerance value for checking singularity (using the CRITERIA subcommand).
• Maak door de gebruiker gespecificeerde namen voor opgeslagen variabelen (met behulp van het SAVE-subcommando).
• Maak een algemene tabel met functies die kunnen worden gewaardeerd (met behulp van het subcommando PRINT).
Zie Syntaxisreferentie voor commando's voor volledige syntaxinformatie.

De complexe procedure voor de normale regressie van monsters voert regressieanalyses uit op een binaire of ordinale variabele die afhankelijk is van het systeem, voor stalen met behulp van ingewikkelde bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Voorbeeld. Vertegenwoordigers die een wetsvoorstel voor de wetgever overwegen, zijn geïnteresseerd in het feit of er publieke steun is voor het wetsontwerp en hoe ondersteuning van het wetsvoorstel gerelateerd is aan kiezersdemografie. Pollsters ontwerpen en voeren interviews volgens een complex sampling ontwerp. Met behulp van Complexe Monsters Ordinale Regressie, kunt u een model voor het niveau van steun aan de wet op basis van kiezersdemografie.
Data. De afhankelijke variabele is ordinaal. Factoren zijn categorisch. Covarianten zijn kwantitatieve variabelen die gerelateerd zijn aan de afhankelijke variabele. Subpopulatie variabelen kunnen string of numeriek zijn, maar moeten categorisch.
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
Het verkrijgen van complexe monsters Ordinale Regressie
Kies uit de menu's:
Analyseer > Complexe Monsters > Ordinale Regressie...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.
© Copyright SPSS Inc. 1989, 2010 64

Complexe monsters Ordinale Regressie
Figuur 11-1 Dialoogvenster voor de normale regressie

E Selecteer een afhankelijke variabele.
Optioneel kunt u:
Select variables for factors and covariates, as appropriate for your data.
De analyse wordt alleen uitgevoerd voor de geselecteerde
de categorie van de subpopulatievariabele, hoewel verschillen nog steeds naar behoren worden geschat op basis van het volledige gegevensbestand.
Select a link function.
Linkfunctie. De koppelingsfunctie is een transformatie van de cumulatieve waarschijnlijkheden die het mogelijk maakt om het model te schatten. Er zijn vijf verbindingsfuncties beschikbaar, samengevat in de volgende tabel.
Functievorm Typische toepassing Logit log( ξ / (1−ξ) ) Even verdeelde categorieën Aanvullende logboeklog(−log(1−ξ]) Hogere categorieën waarschijnlijker Negatieve log-log −log[−log-[ξ)) Lagere categorieën meer waarschijnlijke Probit Φ−1(ξ) Latente variabele is normaal verspreid Cauchit (inverse cauchy) Tan(π(ξ−0.5))) Laatste variabele heeft vele extreme waarden

Figuur 11-2 Dialoogvenster voor de waarschijnlijkheid van een normale regressierespons

Het dialoogvenster Response Probabilities geeft aan of de cumulatieve waarschijnlijkheid van een respons (dat wil zeggen, de kans op het behoren tot en met inbegrip van een bepaalde categorie van de afhankelijke variabele) toeneemt bij toenemende of afnemende waarden van de afhankelijkheidsvariabele.
Figuur 11-3 Dialoogvenster Ordinaal Regressiemodel

Modeleffecten opgeven. Standaard bouwt de procedure een hoofdeffectmodel met behulp van de factoren en covarianten die in het dialoogvenster staan. Als alternatief kunt u een aangepast model bouwen dat interactie effecten en geneste termen bevat.

Complexe monsters Ordinale Regressie
Voor de geselecteerde factoren en covarianten:
Interactie. Maakt de term van interactie op het hoogste niveau voor alle geselecteerde variabelen.
Voornaamste effecten. Maakt een term voor de belangrijkste effecten aan per geselecteerde variabele.
Alle 2-weg. Creëert alle mogelijke tweerichtingsinteracties van de geselecteerde variabelen.
Alle drie de weg. Maakt alle mogelijke drie-weg interacties van de geselecteerde variabelen.
Alle vier de weg. Maakt alle mogelijke vierweg interacties van de geselecteerde variabelen.
Alle vijf. Creëert alle mogelijke vijf-weg interacties van de geselecteerde variabelen.
U kunt geneste voorwaarden voor uw model bouwen in deze procedure. Genesteringen zijn nuttig voor het modelleren van de werking van een factor of covariant waarvan de waarden niet interageren met de niveaus van een andere factor. Bijvoorbeeld, een supermarktketen kan de uitgavengewoonten van haar klanten volgen op verschillende winkellocaties. Aangezien elke klant slechts één van deze locaties bezoekt, is de Klant effect kan worden gezegd dat geneste binnen de Locatie opslaan effect.
Daarnaast kunt u interactie-effecten, zoals polynomiale termen met dezelfde covariante, of meerdere niveaus van nestelen toevoegen aan de geneste term.
Beperkingen. De geneste termen hebben de volgende beperkingen:
Zo A is een factor, dan specificeren A*A
is ongeldig.
Zo A is een factor, dan specificeren A(A)
is ongeldig.
Zo A een factor is en X is een covariant, dan
specificeren A(X) is ongeldig.
Niet-geneesde voorwaarden · geneste voorwaarden

Figuur 11-4 Dialoogvenster Ordinale Regressie Statistieken

Model Fit. Controleert het weergeven van statistieken die de algemene modelprestaties meten.
Pseudo R-vierkant. De R2 statistiek van lineaire regressie heeft geen exacte tegenhanger
tussen normale regressiemodellen. Er zijn in plaats daarvan meerdere maatregelen die de eigenschappen van het R2 statistiek.
Indelingstabel. Toont de getabelleerde kruisclassificaties van de waargenomen categorie door
de door het model voorspelde categorie op de afhankelijke variabele.
Parameters. Deze groep stelt u in staat om het weergeven van statistieken met betrekking tot de modelparameters te controleren.
Schatting. Geeft schattingen van de coëfficiënten weer.
Geëxponentieerde schatting. Toont de basis van het natuurlijke logaritme dat wordt verhoogd tot aan het vermogen van
ramingen van de coëfficiënten. Hoewel de schatting mooie eigenschappen heeft voor statistische tests, is het gemakkelijker om te interpreteren.
Standaardfout. Toont de standaardfout voor elke coëfficiëntschatting.
Vertrouwensinterval. Geeft een betrouwbaarheidsinterval voor elke coëfficiëntschatting. De
betrouwbaarheidsniveau voor het interval is ingesteld in de dialoog Opties.
T test. Toont a t test van elke schatting van de coëfficiënt. De nulhypothese voor elke test is dat
de waarde van de coëfficiënt is 0.
Covarium van parameterschattingen. Geeft een schatting van de covariummatrix voor het
modelcoëfficiënten.
Concordantietabellen van parameterschattingen. Toont een schatting van de correlatiematrix voor het
modelcoëfficiënten.

Complexe monsters Ordinale Regressie
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatregel, uitgedrukt in eenheden die vergelijkbaar zijn met de van
de standaardfout, het effect van een complex ontwerp te specificeren waarbij waarden verder dan 1 grotere effecten aangeven.
Parallelle lijnen. Deze groep stelt u in staat statistieken op te vragen die zijn gekoppeld aan een model met niet-parallelle lijnen waarbij voor elke responscategorie (behalve de laatste) een afzonderlijke regressielijn is aangebracht.
Wald test. Produceert een test van de nulhypothese dat regressieparameters gelijk zijn voor alle
cumulatieve reacties. Het model met niet-parallelle lijnen wordt geschat en de Wald test van gelijke parameters is toegepast.
Parametersschattingen. Geeft schattingen van de coëfficiënten en standaardfouten voor het model weer
met niet-parallelle lijnen.
Covarium van parameterschattingen. Geeft een schatting van de covariummatrix voor het
coëfficiënten van het model met niet-parallelle lijnen.
Samenvatting van de statistieken voor modelvariabelen. Toont beknopte informatie over de afhankelijke variabele, covarianten en factoren.
Gegevens over het ontwerp van monsters. Toont beknopte informatie over de steekproef, inclusief het ongewogen aantal en de populatiegrootte.
Figuur 11-5 Dialoogvenster Hypothesetesten

Test Statistic. Deze groep stelt u in staat om het type statistiek te selecteren dat gebruikt wordt voor het testen van hypothesen. U kunt kiezen tussen F, aangepast F, chi-kwadraat en verstelbaar chi-vierkant.
Monsterneming van Vrijheidsgraden. Deze groep geeft je controle over de sampling ontwerp graden van vrijheid gebruikt om te berekenen p waarden voor alle teststatistieken. Indien gebaseerd op het bemonsteringsontwerp, is de waarde het verschil tussen het aantal primaire bemonsteringseenheden en het aantal strata in de eerste fase van monsterneming. Als alternatief kunt u een aangepaste vrijheidsgraden instellen door het opgeven van een positief geheel getal.
Aanpassing voor meerdere vergelijkingen. Bij het uitvoeren van hypothesetests met meerdere contrasten kan de totale significantieniveau worden aangepast aan de betekenisniveaus voor de meegeleverde tegenstellingen. Deze groep stelt u in staat om de aanpassingsmethode te kiezen.
- Minst significant verschil. Deze methode heeft geen invloed op de algemene waarschijnlijkheid van afwijzing
de hypothese dat sommige lineaire contrasten verschillen van de nulhypothesewaarden.
Sequentiële Sidak. Dit is een sequentiële stap-down afwijzing van Sidak procedure die veel
minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sequentiële Bonferroni. Dit is een sequentiële stap-down afwijzing Bonferroni procedure die
veel minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sidak. Deze methode biedt strakkere grenzen dan de Bonferroni-aanpak.
Bonferroni. Deze methode past het waargenomen significantieniveau aan voor het feit dat meerdere
De contrasten worden getest.
Figuur 11-6 Dialoogvenster Odds Ratio's van de ordinale regressie

Het dialoogvenster Odds Ratios geeft u de modelgeschatte cumulatieve odds ratio's voor gespecificeerde factoren en covarianten weer. Deze functie is alleen beschikbaar voor modellen die de Logit linkfunctie gebruiken. Een enkele cumulatieve odds ratio wordt berekend voor alle categorieën van de afhankelijke variabele behalve het laatste; de proportionele odd's model postuleert dat ze allemaal gelijk zijn.

Complexe monsters Ordinale Regressie
Factoren. Voor elke geselecteerde factor wordt de verhouding tussen de cumulatieve odds bij iedere categorie van de factor en de odd's in de gespecificeerde referentiecategorie weergegeven.
Covarianten. Voor elke geselecteerde covariant geeft de verhouding van de cumulatieve odds bij het gemiddelde waarde voor covariate . plus de opgegeven eenheden van verandering tot de kansen op het gemiddelde weer.
Wanneer de odds ratio's voor een factor of covariant worden berekend, wordt in het proces alle andere factoren op hun hoogste niveaus en alle overige covariaten op hun middelen vastgesteld. Als een factor of covariante interageert met andere voorspellers in het model, dan hangen de odds ratio's niet alleen af van de verandering in de opgegeven variabele maar ook van de waarden van de variabelen waarmee hij reageert. Als een opgegeven covariante met zichzelf in het model interacteert (bijvoorbeeld, leeftijd*====Odds ratio's==="The Crossing" is een link tussen de covariant en het covariate.
Figuur 11-7 Dialoogvenster Ordinale Regressie opslaan

Opslaan Variabelen. Deze groep kunt u de model-voorspelde categorie, waarschijnlijkheid van voorspelde categorie, kans op waargenomen categorieën, cumulatieve kansen en voorspelde mogelijkheden als nieuwe variabelen in het actieve dataset opslaan.
Export model als SPSS Statistieken gegevens. Schrijft een dataset in IBM® SPSS® Statistieken formaat met de parameter correlatie of covouriteit matrix met parameters schattingen, standaard fouten, betekenis waarden en vrijheidsgraden. De volgorde van variabelen in het matrixbestand is als volgt.

rijtype . Neemt waarden (en waardelabels), COV (Covaria), CORR (Correlations), EST
(schattingen van de parameter), SE (standaardfouten), SIG ( significantieniveaus) en DF (ontwerpgraad van het monster). Er is een apart geval met rijtype COV (of CORR) voor elke modelparameter, plus een afzonderlijk geval voor elk van de andere rijen.
Varname . Neemt waarden P1, P2, ..., overeenkomend met een geordende lijst van alle modelparameters;
voor rijtypen COV of CORR, met waardelabels die overeenkomen met de parameterstrings in de tabel met parametersramingen. De cellen zijn leeg voor andere rijtypen.
P1, P2, ... Deze variabelen komen overeen met een geordende lijst van alle modelparameters, met variabele
labels die overeenkomen met de parameterstrings in de tabel van parametersramingen en waarden nemen volgens het rijtype. Voor redundante parameters worden alle co ovaria op nul gesteld; correlaties zijn ingesteld op de systeem-ontbrekende waarde, alle parameterschattingen zijn vastgesteld op nul en alle standaardfouten, significantieniveaus en resterende vrijheidsniveaus zijn ingesteld voor het ontbreken van een systeem.
Exporteer model als XML. Bewaart de parameterschattingen en, indien geselecteerd, de parametercovariummatrix in XML (PMML) formaat. U kunt dit modelbestand gebruiken om de modelinformatie toe te passen op andere gegevensbestanden voor het scoren van doeleinden.
Figuur 11-8 Dialoogvenster Ordinale Regressieopties


Complexe monsters Ordinale Regressie
Schattingsmethode. U kunt een parameterschattingsmethode kiezen; kies tussen Newton-Rafson, Fisher scoren of een hybride methode waarbij Fiszer iteraties scoort voordat u overstapt op de Newton- Rafsonmethode. Als convergentie wordt bereikt tijdens de Fisher scorefase van de hybride methode voordat het maximale aantal Fisjer-iteraties is bereikt, gaat het algoritme verder met de Newton-Rafsonmethode.
Schatting. Deze groep geeft je controle over verschillende criteria die in de modelschatting worden gebruikt.
Maximale iteraties. Het maximale aantal herhalingen dat het algoritme zal uitvoeren. Geef een
niet-negatief geheel getal.
Maximale staphalving. Bij elke iteratie wordt de stapgrootte met 0,5 verminderd tot
log-likelithity verhoogt of maximale staphalving wordt bereikt. Geef een positief geheel getal op.
De iteraties beperken op basis van verandering in parameterschattingen. Wanneer geselecteerd, stopt het algoritme
na een iteratie waarbij de absolute of relatieve verandering in de parameterschattingen lager is dan de opgegeven waarde, die niet negatief moet zijn.
Beperk iteraties op basis van verandering in log-likelithiciteit. Wanneer geselecteerd, stopt het algoritme na een
iteratie waarbij de absolute of relatieve verandering in de log-likelithiciteitsfunctie lager is dan de opgegeven waarde, die niet negatief moet zijn.
Controleer of de gegevenspunten volledig gescheiden zijn. Wanneer geselecteerd, voert het algoritme tests uit om
ervoor zorgen dat de parameterschattingen unieke waarden hebben. Scheiding vindt plaats wanneer de procedure een model kan produceren dat elke zaak correct classificeert.
Toon iteratiegeschiedenis. Toont parameterschattingen en statistieken bij elke n iteraties
beginnend met de 0e iteratie (de oorspronkelijke schattingen). Als u ervoor kiest om de iteratiegeschiedenis af te drukken, wordt altijd de laatste herhaling gedrukt ongeacht het waarde van n.
Gebruikers-vermissende waarden. Schaalontwerpvariabelen, evenals de afhankelijke variabele en eventuele covarianten moeten geldige gegevens hebben. Gevallen met ongeldige gegevens voor een van deze variabelen worden uit de analyse verwijderd. Deze controles laten u toe om te beslissen of gebruikers-missende waarden worden behandeld als geldig onder de strata, cluster, subpopulatie en factor variabelen.
Vertrouwen Interval. Dit is het betrouwbaarheidsinterval voor de schatting van coëfficiënten, exponentiated coëfficient estimates en odds ratio's. Vermeld een waarde van 50 of minder dan 100.
De commandosyntax taal stelt u ook in staat om:
Specify custom tests of effects versus a linear combination of effects or a value (using the
Commando "CUSTOM" (close-subcommando).
Fix values of other model variables at values other than their means when computing
cumulatieve odds ratio's voor factoren en covarianten (met behulp van het ODDSRATIOS subcommando).
Use unlabeled values as custom reference categories for factors when odds ratios are requested
(met gebruikmaking van het subcommando ODDSRATIOS).
Specify a tolerance value for checking singularity (using the CRITERIA subcommand).
• Maak een algemene tabel met functies die kunnen worden gewaardeerd (met behulp van het subcommando PRINT).
• Bespaar meer dan 25 waarschijnlijkheidsvariabelen (met behulp van het SAVE-subcommando).
Zie Syntaxisreferentie voor commando's voor volledige syntaxinformatie.

De complexe procedure voor de regressie van monsters Cox voert overlevingsanalyse uit bij stalen die worden genomen met behulp van ingewikkelde bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Voorbeelden. Een overheidsbureau voor wetshandhaving is bezorgd over de recidivisten in hun rechtsgebied. Een van de maatregelen voor recidivisme is het moment tot tweede arrestatie. Het agentschap wil graag tijd om te repareren modelleren met behulp van Cox Regression, maar zijn bang dat de proportionele gevaren veronderstelling is ongeldig over leeftijdscategorieën.
Medische onderzoekers onderzoeken overlevingstijden voor patiënten die een revalidatieprogramma verlaten na een beroerte. Er is het potentieel voor meerdere gevallen per patiënt, aangezien de geschiedenis van patiënten verandert omdat er significante niet-doodgebeurtenissen worden opgemerkt en de tijden van deze gebeurtenissen zijn geregistreerd. Het monster wordt ook links afgekapt in de zin dat de waargenomen overlevingstijden worden opgeblazen door de duur van revalidatie, omdat terwijl het begin van risico begint bij de tijd van een ischemische beroerte, alleen patiënten die overleven voorbij het rehabilitatieprogramma zijn in het steekproef.
Overlevingstijd. De procedure past Cox regressie toe op de analyse van overlevingstijden dat wil zeggen, de duur voordat een gebeurtenis plaatsvindt. Afhankelijk van de begintijd van het interval zijn er twee manieren om de overlevingstijd te specificeren:
Tijd=0. Vaak zal u volledige informatie hebben over het begin van de interval voor elke
onderwerp en zal gewoon een variabele hebben die eindtijden bevat (of maak één enkele variabele met eindetijd vanaf Datum & Tijd variabelen; zie hieronder).
Verandert per onderwerp. Dit is passend wanneer u linkse truncation, ook wel genoemd vertraagd
invoerveld; Als u bijvoorbeeld de overlevingstijden voor patiënten die een revalidatieprogramma na beroerte verlaten analyseert, zou u kunnen overwegen dat hun aanvang van het risico begint op het moment van de beroerte. Echter, als uw monster alleen patiënten omvat die het revalidatieprogramma hebben overleefd, dan is je steekproef links afgekort in de zin dat de waargenomen overlevingstijden worden ..opgeblazen door de duur van rehabilitatie. U kunt dit verklaren door het tijdstip waarop zij de revalidatie verlieten te specificeren als tijd van intreden.
Datum & tijd Variabelen. Data & tijd variabelen kunnen niet direct gebruikt worden om het begin en einde van de interval; te definiëren als je Datum & Tijd variabelen hebt, moet je ze gebruiken voor het creëren van variabelen die overlevingstijden bevatten. Als er geen linker-trui is, maak dan gewoon een variabele met eindtijden op basis van het verschil tussen de datum waarop in het onderzoek wordt opgenomen en de observatiedatum. Als er linkse truncatie is, maak dan een variabele met starttijden op basis van het verschil tussen de datum waarop de studie begint en de ingangsdatum en een variabele die eindtijd bevat, gebaseerd op het verschil dat bestaat uit de begindatum van de studie en de observatiedatum.
Gebeurtenisstatus. Je hebt een variabele nodig die registreert of het onderwerp de gebeurtenis van belang heeft ervaren binnen het interval. Onderwerpen waarvoor de gebeurtenis niet heeft plaatsgevonden, zijn rechtsgecensureerd.
© Copyright SPSS Inc. 1989, 2010 74

Complexe monsters Cox Regressie
Onderwerp. Je kunt gemakkelijk stuksgewijze, tijdafhankelijke voorspellers integreren door de waarnemingen te splitsen van één onderwerp over meerdere gevallen. Bijvoorbeeld, als u de overlevingstijden voor patiënten na een beroerte analyseert, moeten variabelen die hun medische geschiedenis weergeven nuttig zijn als voorspellende factoren. Na verloop van tijd kunnen ze grote medische gebeurtenissen ervaren die hun medische geschiedenis veranderen. De volgende tabel laat zien hoe een dergelijke dataset te structureren: ID patiënt de identificatiecode van het onderwerp is; Eindtijd de waargenomen intervallen bepaalt; Status belangrijke medische voorvallen te registreren, en Voorgeschiedenis van hartaanvallen en Eerdere voorgeschiedenis van bloedingen zijn stuksgewijze-constant, tijdafhankelijke voorspellers.
ID patiënt Eindtijd Status Eerder geschiedenis van hartaanval
Eerder geschiedenis van bloedingen 1 5 Hartaanval Nee Nee 1 7 Bloedingen Ja Nee 1 8 Overleden Ja Ja 2 24 Overleden Nee Nee 3 8 Hartaanvallen Nee Nee Nee 4 15 Overleden
Veronderstellingen. De gevallen in het gegevensbestand vertegenwoordigen een monster van een complex ontwerp dat moet worden geanalyseerd volgens de specificaties in het bestand geselecteerd in het Complex Monsterplan dialoogvenster.
De regressiemodellen van Cox gaan doorgaans uit van proportionele gevaren.De verhouding tussen de risico's in het ene geval en die in de andere mag niet variëren over een bepaalde tijd. Als deze aanname niet houdt, moet u mogelijk tijdafhankelijke voorspellers toevoegen aan het model.
Kaplan-Meier Analyse. Als u geen voorspellers selecteert (of niet een geselecteerde voorspeller in het model invoert) en de productlimietmethode kiest om op het Optiestabblad de basiswaarde overlevingscurve te berekenen, voert de procedure een Kaplan-Meier type overlevingsanalyse uit.
Complexe monsters Cox-regressie verkrijgen
E Uit de menu's kiezen:
Analyseer > Complexe Monsters > Cox Regressie...
E Selecteer een planbestand. Optioneel, selecteer een aangepaste gezamenlijke waarschijnlijkheden bestand.
E Klik verder.

Figuur 12-1 Cox Regressie dialoogvenster, Tijd en Gebeurtenis tabblad

E Geef de overlevingstijd door uit het onderzoek te kiezen welke in- en vertrektijden er zijn.
E Selecteer een variabele voor de status van het evenement.
E Klik op Evenement definiëren en definieer ten minste één gebeurteniswaarde.
Optioneel kunt u een onderwerp-identificatie selecteren.

Complexe monsters Cox Regressie
Figuur 12-2 Dialoogvenster voor gebeurtenissen definiëren

Geef de waarden op die aangeven dat er een terminal-gebeurtenis heeft plaatsgevonden.
Individuele waarde(s). Geef een of meer waarden door ze in het raster te plaatsen of deze te selecteren
uit een lijst van waarden met gedefinieerde waardelabels.
Bereik van waarden. Geef een reeks waarden door de minimum- en maximumwaarden in te voeren of
waarden selecteren uit een lijst met gedefinieerde waardelabels.

Figuur 12-3 Cox Regressie dialoogvenster, tab Predictors

Met het tabblad Voorspellers kunt u de factoren en covarianten specificeren die gebruikt worden om modeleffecten te bouwen.
Factoren. Factoren zijn categorische voorspellers; ze kunnen numeriek of string.
Covarianten. Covarianten zijn schaalvoorspellers; ze moeten numeriek zijn.
Tijdgebonden predictoren. Er zijn bepaalde situaties waarin de proportionele gevarenveronderstelling niet in acht neemt. Dat wil zeggen, de gevarenratio's veranderen in tijd; de waarden van één (of meer) van je voorspellers zijn verschillend op verschillende tijdstippen. In dergelijke gevallen moet je tijdsafhankelijke voorspellers specificeren. Voor meer informatie, zie het onderwerp Definieer tijd-afgewikkelde predictor op p. 79. Tijdafhankelijke voorspellers kunnen worden geselecteerd als factoren of covarianten.

Complexe monsters Cox Regressie
Figuur 12-4 Cox Regressie Definieer het dialoogvenster Tijd-Ontwikkelde Predictor

Het dialoogvenster Tijd-afgewikkelde Predictor definiëren stelt u in staat om een voorspeller te maken die afhankelijk is van de ingebouwde tijdvariabele, T_. U kunt deze variabele gebruiken om tijdafhankelijke covarianten op twee algemene manieren te definiëren:
If you want to estimate an extended Cox regression model that allows nonproportional
gevaren, kunt u dit doen door het definiëren van uw tijdafhankelijke voorspeller als functie van de tijdsvariabele T_ en de covariant in kwestie. Een gemeenschappelijk voorbeeld zou het eenvoudige product van de tijdvariabele en de voorspeller zijn, maar ook complexere functies kunnen worden gespecificeerd.
Some variables may have different values at different time periods but aren’t systematically
gerelateerd aan tijd. In dergelijke gevallen moet u een Gesegmenteerde tijdafhankelijke voorspeller, wat kan worden gedaan met behulp van logische uitdrukkingen. Logische expressies nemen de waarde 1 als waar en 0 indien onjuist. Met behulp van een reeks logische expressies, kunt u uw tijdafhankelijke voorspeller maken uit een set metingen. Als u bijvoorbeeld eenmaal per week gedurende de vier weken van uw studie een bloeddrukwaarde heeft (geïdentificeerd als BP1 tot BP4), kunt u uw tijdafhankelijke voorspeller definiëren als (T_ < 1) * BP1 + (T_ >= 1 & T_ < 2) * BP2 + (T_ >= 2 & T_ < 3) * BP3 + (T_ >= 3 & T_ < 4) * BP4. Merk op dat precies één van de termen tussen haakjes gelijk is aan 1 voor een bepaald geval en de rest zal allemaal gelijk zijn aan 0. Met andere woorden, deze functie betekent dat als de tijd minder dan een week is, gebruik BP1; als het meer dan één week maar minder dan twee weken is, gebruik BP2; en ga zo maar door.

In het dialoogvenster Tijd-afgewikkelde Predictor definiëren, kunt u de functieopbouwers gebruiken om een expressie te bouwen voor tijdafhankelijke covariante of deze direct invoeren in Numeric Expression tekstgebied. Merk op dat string constanten moeten worden ingesloten met aanhalingen of apostrofes, en numerieke constanten moet worden getypt in Amerikaanse formaat, met de stip als decimale afbakening. De resulterende variabele krijgt de naam die u specificeert en moet worden opgenomen als een factor of covariant op het tabblad Voorspellers.
Figuur 12-5 Cox Regressie dialoogvenster, tabgroepen

Basislijn Strata. Voor elke waarde van deze variabele wordt een afzonderlijke basis-risico en overlevingsfunctie berekend, terwijl één enkele set modelcoëfficiënten over strata wordt geschat.
Subpopulatie Variabele. Geef een variabele op om de subpopulatie te definiëren. De analyse wordt alleen uitgevoerd voor de geselecteerde categorie van de subpopulatievariabele.

Complexe monsters Cox Regressie
Figuur 12-6 Cox Regressie dialoogvenster, Model tab

Modeleffecten opgeven. Standaard bouwt de procedure een hoofdeffectmodel met behulp van de factoren en covarianten die in het dialoogvenster staan. Als alternatief kunt u een aangepast model bouwen dat interactie effecten en geneste termen bevat.
Voor de geselecteerde factoren en covarianten:
Interactie. Maakt de term van interactie op het hoogste niveau voor alle geselecteerde variabelen.
Voornaamste effecten. Maakt een term voor de belangrijkste effecten aan per geselecteerde variabele.
Alle 2-weg. Creëert alle mogelijke tweerichtingsinteracties van de geselecteerde variabelen.
Alle drie de weg. Maakt alle mogelijke drie-weg interacties van de geselecteerde variabelen.
Alle vier de weg. Maakt alle mogelijke vierweg interacties van de geselecteerde variabelen.
Alle vijf. Creëert alle mogelijke vijf-weg interacties van de geselecteerde variabelen.
Niet-geneesde voorwaarden

U kunt geneste voorwaarden voor uw model bouwen in deze procedure. Genesteringen zijn nuttig voor het modelleren van de werking van een factor of covariant waarvan de waarden niet interageren met de niveaus van een andere factor. Bijvoorbeeld, een supermarktketen kan de uitgavengewoonten van haar klanten volgen op verschillende winkellocaties. Aangezien elke klant slechts één van deze locaties bezoekt, is de Klant effect kan worden gezegd dat geneste binnen de Locatie opslaan effect.
Daarnaast kunt u interactie-effecten, zoals polynomiale termen met dezelfde covariante, of meerdere niveaus van nestelen toevoegen aan de geneste term.
Beperkingen. De geneste termen hebben de volgende beperkingen:
Zo A is een factor, dan specificeren A*A
is ongeldig.
Zo A is een factor, dan specificeren A(A)
is ongeldig.
Zo A een factor is en X is een covariant, dan
specificeren A(X) is ongeldig.
Figuur 12-7 Cox Regression dialoogvenster, tab Statistieken

geneste voorwaarden

Complexe monsters Cox Regressie
Gegevens over het ontwerp van monsters. Toont beknopte informatie over de steekproef, inclusief het ongewogen aantal en de populatiegrootte.
Evenement en censureren samenvatting. Toont beknopte informatie over het aantal en percentage gecensureerde gevallen.
Risico vastgesteld op evenemententijden. Geeft het aantal gebeurtenissen en risicoaantal voor elke gebeurtenistijd in elk beginsegment weer.
Parameters. Deze groep stelt u in staat om het weergeven van statistieken met betrekking tot de modelparameters te controleren.
Schatting. Geeft schattingen van de coëfficiënten weer.
Geëxponentieerde schatting. Toont de basis van het natuurlijke logaritme dat wordt verhoogd tot aan het vermogen van
ramingen van de coëfficiënten. Hoewel de schatting mooie eigenschappen heeft voor statistische tests, is het gemakkelijker om te interpreteren.
Standaardfout. Toont de standaardfout voor elke coëfficiëntschatting.
Vertrouwensinterval. Geeft een betrouwbaarheidsinterval voor elke coëfficiëntschatting. De
betrouwbaarheidsniveau voor het interval is ingesteld in de dialoog Opties.
Test. Toont a t test van elke schatting van de coëfficiënt. De nulhypothese voor elke test is dat de
de waarde van de coëfficiënt is 0.
Covarium van parameterschattingen. Geeft een schatting van de covariummatrix voor het
modelcoëfficiënten.
Concordantietabellen van parameterschattingen. Toont een schatting van de correlatiematrix voor het
modelcoëfficiënten.
Ontwerpeffect. De verhouding tussen de variantie van de schatting en het verschil dat door aanname wordt verkregen
dat het monster een eenvoudig willekeurig monster is. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp, waarbij waarden verder dan 1 meer effecten aangeven.
Vierkante wortel van het ontwerp effect. Dit is een maatstaf voor het effect van de specificatie van een complex ontwerp,
waar de waarden verder van 1 wijzen op grotere effecten.
Model Veronderstellingen. Deze groep stelt u in staat om een test van de proportionele gevaren veronderstelling te produceren. De test vergelijkt het gemonteerde model met een alternatief model dat tijdafhankelijke voorspellers omvat x*_TF voor elke voorspeller x, waar _TF de gespecificeerde tijdfunctie is.
Tijdfunctie. Geeft de vorm aan van _TF voor het alternatieve model. Voor de identiteit functie,
_TF=T_. Voor de log functie, _TF=log(T_). Voor Kaplan-Meier, _TF=1−SKM(T_), waarbij SKM() is de Kaplan-Meier schatting van de overlevingsfunctie. Voor rang, _TF is de rangorde van T_ tussen de waargenomen eindtijden.
Parameterschattingen voor alternatief model. Toont de schatting, standaardfout en vertrouwen
interval voor elke parameter in het alternatieve model.
Covariummatrix voor alternatief model. Toont de matrix van geschatte courovaria tussen
parameters in het alternatieve model.
Overlevings- en cumulatieve gevarenfuncties bij aanvang. Geeft de basisoverlevingsfunctie en cumulatieve gevarenfunctie van baseline weer, samen met hun standaardfouten.

Figuur 12-8 Cox Regression dialoogvenster, Plots tab

Met het Plots-tabblad kunt u percelen van de gevarenfunctie, overlevingsfunctie, log-minus-log van de overlevingsfunctie en één minus de overlevingsfuncties aanvragen. U kunt er ook voor kiezen om betrouwbaarheidsintervallen te plotten langs de opgegeven functies; het vertrouwensniveau wordt ingesteld op het tabblad Opties.
Voorspellerspatronen. U kunt een patroon van voorspellerwaarden specificeren die gebruikt moeten worden voor de gevraagde percelen en het geëxporteerde overlevingsbestand op het tabblad Exporteren. Merk op dat deze opties niet beschikbaar zijn als tijdsafhankelijke voorspellers gedefinieerd in het tabblad Voorspellingen worden opgenomen.
Plot Factors at. Standaard wordt elke factor op zijn hoogste niveau beoordeeld. Voer een
verschillend niveau indien gewenst. Als alternatief kunt u ervoor kiezen om aparte lijnen voor elk niveau van een enkele factor te plotten door het selectievakje voor die factor te selecteren.
Plot Covarianten op. Elke covariant wordt op zijn gemiddelde beoordeeld. Voer een andere waarde in of selecteer deze
indien gewenst.

Complexe monsters Cox Regressie
Figuur 12-9 Cox Regressie dialoogvenster, tab Hypothese Tests

Test Statistic. Deze groep stelt u in staat om het type statistiek te selecteren dat gebruikt wordt voor het testen van hypothesen. U kunt kiezen tussen F, aangepast F, chi-kwadraat en verstelbaar chi-vierkant.
Monsterneming van Vrijheidsgraden. Deze groep geeft je controle over de sampling ontwerp graden van vrijheid gebruikt om te berekenen p waarden voor alle teststatistieken. Indien gebaseerd op het bemonsteringsontwerp, is de waarde het verschil tussen het aantal primaire bemonsteringseenheden en het aantal strata in de eerste fase van monsterneming. Als alternatief kunt u een aangepaste vrijheidsgraden instellen door het opgeven van een positief geheel getal.
Aanpassing voor meerdere vergelijkingen. Bij het uitvoeren van hypothesetests met meerdere contrasten kan de totale significantieniveau worden aangepast aan de betekenisniveaus voor de meegeleverde tegenstellingen. Deze groep stelt u in staat om de aanpassingsmethode te kiezen.
- Minst significant verschil. Deze methode heeft geen invloed op de algemene waarschijnlijkheid van afwijzing
de hypothese dat sommige lineaire contrasten verschillen van de nulhypothesewaarden.
Sequentiële Sidak. Dit is een sequentiële stap-down afwijzing van Sidak procedure die veel
minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.

Sequentiële Bonferroni. Dit is een sequentiële stap-down afwijzing Bonferroni procedure die
veel minder conservatief in termen van afwijzing van individuele hypothesen, maar behoudt hetzelfde algemeen belangsniveau.
Sidak. Deze methode biedt strakkere grenzen dan de Bonferroni-aanpak.
Bonferroni. Deze methode past het waargenomen significantieniveau aan voor het feit dat meerdere
De contrasten worden getest.
Figuur 12-10 Cox-regressiedialoogvenster, tabblad opslaan

Opslaan Variabelen. Deze groep stelt u in staat om modelgerelateerde variabelen op te slaan naar de actieve dataset voor verder gebruik bij diagnostiek en rapportage van resultaten. Merk op dat geen van deze beschikbaar zijn wanneer tijdafhankelijke voorspellers in het model worden opgenomen.
Overlevingsfunctie. Bespaart de kans op overleving (de waarde van de overlevingsfunctie) bij
de waargenomen tijd en voorspellerwaarden per geval.
Lagere betrouwbaarheidsinterval voor overlevingsfunctie. Bewaart de ondergrens van het
betrouwbaarheidsinterval voor de overlevingsfunctie op het waargenomen tijdstip en de waarden van de voorspeller per geval.

Complexe monsters Cox Regressie
Bovengrens van het betrouwbaarheidsinterval voor overlevingsfunctie. Bespaart de bovengrens van het vertrouwen
interval voor de overlevingsfunctie op het waargenomen tijdstip en de waarden van de voorspeller per geval.
Cumulatieve gevarenfunctie. Bespaart het cumulatieve gevaar, of −ln(overleving), op de waargenomen tijd
en voorspellerwaarden per geval.
Lagere betrouwbaarheidsinterval voor cumulatieve gevarenfunctie. Bewaart de ondergrens van
het betrouwbaarheidsinterval voor de cumulatieve gevarenfunctie op het waargenomen tijdstip en de waarden van de voorspeller per geval.
Bovengrens van betrouwbaarheidsinterval voor cumulatieve gevarenfunctie. Bewaart de bovengrens van
het betrouwbaarheidsinterval voor de cumulatieve gevarenfunctie op het waargenomen tijdstip en de waarden van de voorspeller per geval.
Voorspelde waarde van lineaire voorspeller. Bespaart de lineaire combinatie van gecorrigeerde referentiewaarde
voorspellers maal regressiecoëfficiënten. De lineaire voorspeller is de verhouding tussen de gevarenfunctie en het basisrisico. Onder het model van proportionele gevaren is deze waarde constant in de tijd.
Schoenfeld rest. Voor elk ongecensureerd geval en elke niet-reducerende parameter in de
model, het Schoenfeld restant is het verschil tussen de waargenomen waarde van de voorspeller die met de modelparameter geassocieerd wordt en de verwachte waarde van deze voorspelling in gevallen waarin dit risico op het moment dat de gebeurtenis zich voordoet, is vastgesteld. Schoenfeld reststoffen kunnen worden gebruikt om de proportionele gevarenveronderstelling te helpen beoordelen; bijvoorbeeld voor een voorspellende factor x, de percelen van het Schoenfeld residu voor tijdafhankelijke predictor x*in(T_) ten opzichte van de tijd moet een horizontale lijn op 0 worden getoond indien evenredige gevaren zich houden. Voor elke niet-redundante parameter in het model wordt een aparte variabele opgeslagen. Schoenfeld reststoffen worden alleen berekend voor ongecensureerde gevallen.
Martingale rest. Voor elk geval is het martingale residu het verschil tussen de
waargenomen censoring (0 indien gecensureerd, 1 zo niet) en de verwachting van een gebeurtenis tijdens het observatietijdvak.
Deviance rest. Deviance restants zijn martingale resten ..onvoldoende om meer te verschijnen
symmetrisch ongeveer 0. Plots van afwijkende resten tegen voorspellers mogen geen patronen onthullen.
Cox-Snell restant. Voor elk geval is de Cox-Snell restant de verwachting van een gebeurtenis tijdens
de observatietijd, of het waargenomen censoreren minus het martingale residu.
Score restant. Voor elk geval en elke niet-redundante parameter in het model, de score
rest is de bijdrage van het geval aan het eerste derivaat van de pseudo-vermoedenschap. Voor elke niet-redundante parameter in het model wordt een aparte variabele opgeslagen.
DFBeta rest. Voor elk geval en elke niet-redundante parameter in het model, de DFBeta
restwaarde benadert de verandering in waarde van de parameterschatting wanneer het geval uit het model wordt verwijderd. Gevallen met relatief grote DFBeta-resten kunnen een ongepaste invloed op de analyse uitoefenen. Voor elke niet-redundante parameter in het model wordt een aparte variabele opgeslagen.
Geaggregeerde reststoffen. Wanneer meerdere gevallen één onderwerp vertegenwoordigen, is het geaggregeerde restbedrag
voor een onderwerp is de som van het overeenkomstige geval restant in alle gevallen die tot hetzelfde onderwerp behoren. Voor de rest van Schoenfeld Deze reststoffen zijn alleen beschikbaar wanneer een onderwerp-identificatie is opgegeven op het tabblad Tijd en Gebeurtenis.

Namen van opgeslagen variabelen. Automatische naam generatie zorgt ervoor dat u al uw werk te houden. Aangepaste namen kunnen u de resultaten van vorige programma's weggooien/vervangen zonder eerst de opgeslagen variabelen in de Gegevenseditor te verwijderen.
Figuur 12-11 Cox-regressiedialoogvenster, tabblad Exporteren

Export model als SPSS Statistieken gegevens. Schrijft een dataset in IBM® SPSS® Statistieken formaat met de parameter correlatie of covouriteit matrix met parameters schattingen, standaard fouten, betekenis waarden en vrijheidsgraden. De volgorde van variabelen in het matrixbestand is als volgt.
rijtype . Neemt waarden (en waardelabels), COV (Covaria), CORR (Correlations), EST
(schattingen van de parameter), SE (standaardfouten), SIG ( significantieniveaus) en DF (ontwerpgraad van het monster). Er is een apart geval met rijtype COV (of CORR) voor elke modelparameter, plus een afzonderlijk geval voor elk van de andere rijen.

Complexe monsters Cox Regressie
Varname . Neemt waarden P1, P2, ..., overeenkomend met een geordende lijst van alle modelparameters;
voor rijtypen COV of CORR, met waardelabels die overeenkomen met de parameterstrings in de tabel met parametersramingen. De cellen zijn leeg voor andere rijtypen.
P1, P2, ... Deze variabelen komen overeen met een geordende lijst van alle modelparameters, met variabele
labels die overeenkomen met de parameterstrings in de tabel van parametersramingen en waarden nemen volgens het rijtype. Voor redundante parameters worden alle co ovaria op nul gesteld; correlaties zijn ingesteld op de systeem-ontbrekende waarde, alle parameterschattingen zijn vastgesteld op nul en alle standaardfouten, significantieniveaus en resterende vrijheidsniveaus zijn ingesteld voor het ontbreken van een systeem.
Export survival functie als SPSS Statistieken gegevens. Schrijft een dataset in het formaat voor SPSS-statistieken met de overlevingsfunctie; standaardfout van de overlevingsfunctie; bovenste en onderste grenzen van het betrouwbaarheidsinterval van de survival functie, en de cumulatieve gevarenfunctie voor elke storing of gebeurtenistijd, geëvalueerd bij baseline en op de voorspellende patronen die zijn gespecificeerd op het Plot tabblad. De volgorde van variabelen in het matrixbestand is als volgt.
Basis strata variabel. Voor elke waarde van de strata worden afzonderlijke overlevingstabellen opgesteld.
variabele.
Overlevingstijd variabel. De gebeurtenistijd; er wordt een aparte case aangemaakt voor elke unieke evenementduur.
Sur 0, LCL Sur 0, UCL Zuur 0. Overlevingsfunctie bij baseline en de bovenste en onderste grenzen
van zijn betrouwbaarheidsinterval.
Sur R, LCL Sur R, UCL Zuur R. Overlevingsfunctie geëvalueerd op het
patroonwaarden tabel in de output) en het bovenste en onderste grenzen van zijn betrouwbaarheidsinterval.
Sur #.#, LCL Sur #.#; UCL sur *#, ... Overlevingsfunctie geëvalueerd bij elk van de voorspeller
patronen die op het Plots-tabblad en de boven- en ondergrenzen van hun betrouwbaarheidsintervallen zijn gespecificeerd. Zie de tabel met patroonwaarden in het uitvoerpatroon om patronen te vergelijken met nummer #.#.
Haz 0, LCL Haz 0, UCL haz 0. Cumulatief risicofunctie bij aanvang en het bovenste en onderste
grenzen van zijn betrouwbaarheidsinterval.
Haz R, LCL Haz R. Cumulatieve gevarenfunctie geëvalueerd bij de referentie
patroon (zie de tabel met patroonwaarden in het uitvoerveld) en de bovenste en onderste grenzen van zijn betrouwbaarheidsinterval.
Haz #.#, LCL Haz # .# , UCL haz # Cumulatieve gevarenfunctie beoordeeld op elk van de
voorspellerpatronen gespecificeerd op de Plots tab en de bovenste en onderste grenzen van hun betrouwbaarheidsintervallen. Zie de tabel met patroonwaarden in het uitvoerpatroon om patronen te vergelijken met nummer #.#.
Exporteer model als XML. Bespaart alle informatie die nodig is om de overlevingsfunctie te voorspellen, inclusief parameterschattingen en de basisoverlevingsfunctie in XML (PMML) formaat. U kunt dit modelbestand gebruiken om de modelinformatie toe te passen op andere gegevensbestanden voor het scoren van doeleinden.

Figuur 12-12 Cox Regressie dialoogvenster, Opties tabblad

Schatting. Deze controles geven criteria voor de schatting van regressiecoëfficiënten.
Maximale iteraties. Het maximale aantal herhalingen dat het algoritme zal uitvoeren. Geef een
niet-negatief geheel getal.
Maximale staphalving. Bij elke iteratie wordt de stapgrootte met 0,5 verminderd tot
log-likelithity verhoogt of maximale staphalving wordt bereikt. Geef een positief geheel getal op.
De iteraties beperken op basis van verandering in parameterschattingen. Wanneer geselecteerd, stopt het algoritme
na een iteratie waarbij de absolute of relatieve verandering in de parameterschattingen lager is dan de opgegeven waarde, die positief moet zijn.
Beperk iteraties op basis van verandering in log-likelithiciteit. Wanneer geselecteerd, stopt het algoritme na een
iteratie waarbij de absolute of relatieve verandering in de log-likeliditeitsfunctie kleiner is dan de opgegeven waarde, die positief moet zijn.
Toon iteratiegeschiedenis. Toont de iteratiegeschiedenis voor parameterschattingen en pseudo
log-likelithiciteit en drukt de laatste evaluatie van de verandering in parameterschattingen en pseudolog-likeliditeit af. De iteratie geschiedenis tabel drukt elke n iteraties beginnend met de 0rd

Complexe monsters Cox Regressie
iteratie (de oorspronkelijke ramingen), waarbij n de waarde van het verhogingspercentage. Als de iteratie geschiedenis wordt gevraagd, dan is altijd de laatste herhaling weergegeven ongeacht n.
Breekmethode voor parameterschatting. Wanneer er zijn gebonden waargenomen falen tijden, een van
Deze methoden worden gebruikt om de banden te verbreken. De Efron methode is meer rekenbaar duur.
Overlevingsfuncties. Deze controles geven criteria voor berekeningen met betrekking tot de overlevingsfunctie.
Methode voor het schatten van de overlevingsfuncties bij aanvang. De BreslowCity in New York USA (of Nelson-Alan of empirisch)
methode schat het cumulatieve risico op baseline door een niet-afnemende stapfunctie met stappen in de waargenomen uitvaltijden, berekent vervolgens de overleving vanaf basis volgens de relatie survival=exp(−cumulerend gevaar). De Efron methode is meer computationeel duur en vermindert tot de Breslow-methode wanneer er geen banden zijn. De productlimiet methode schat de overleving van het basisscenario door een niet-toenemende juiste continue functie; wanneer er geen voorspellers in het model zijn, reduceert deze methode tot Kaplan-Meier schatting.
Vertrouwensintervallen van overlevingsfuncties. Het betrouwbaarheidsinterval kan worden berekend in drie
manieren: in originele eenheden, via een log transformatie of een log-minus-log transformatie. Alleen de log-minus-log transformatie garandeert dat het betrouwbaarheidsinterval tussen 0 en 1 ligt, maar de logtransformatie lijkt over het algemeen .
Gebruiker ontbreekt waarden. Alle variabelen moeten geldige waarden hebben voor een geval dat in de analyse moet worden opgenomen. Deze controles laten u toe te beslissen of de waarde van gebruikersvermissers wordt behandeld als geldig onder categorische modellen (waaronder factoren, gebeurtenis-, strata- en subpopulatievariabelen) en sampling ontwerp variabelen.
Betrouwbaarheidsinterval (*%) Dit is het betrouwbaarheidsinterval dat wordt gebruikt voor de schatting van coëfficiënten, exponentiated coëfficiente schattingen, overlevingsfunctiesschattingen en cumulatieve gevarenfunctieramingen. Geef een waarde van 0 of meer en minder dan 100.
De commandotaal stelt u ook in staat om:
• Voer aangepaste hypothesetests uit (met behulp van het CUSTOM subcommando en/PRINT LMATRIX).
• Toegestane specificatie (met behulp van /CRITERIA SIÉR).
• Algemene functietabel (gebruik makend van /print GEF).
• Meerdere voorspellers (met meerdere PATROON-subcommando's).
Maximum number of saved variables when a rootname is specified (using the SAVE
subcommando). Het dialoogvenster eert de CSCOXREG standaard van 25 variabelen.
Zie Syntaxisreferentie voor commando's voor volledige syntaxinformatie.


De Sampling Wizard leidt u door de stappen voor het maken, wijzigen of uitvoeren van een sample plan bestand. Voordat u de wizard gebruikt, moet u een goed gedefinieerde doelgroep hebben, een lijst van steekproefeenheden en een passend monsterontwerp in gedachten.
Een overheidsagentschap wordt belast met het garanderen van eerlijke onroerend goed belastingen tussen de provincie en county. Belastingen zijn gebaseerd op de geschatte waarde van het pand, dus het agentschap wil een steekproef van eigenschappen per provincie te controleren om er zeker van dat elke county . Echter, middelen voor het verkrijgen van huidige beoordelingen zijn beperkt, dus is het belangrijk dat wat beschikbaar is verstandig wordt gebruikt. Het agentschap besluit om een complexe steekproefmethode te gebruiken voor het selecteren van eigenschappen.
Een lijst van eigenschappen wordt verzameld in eigenschap assess.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik de Complexe Monstername Wizard om een monster te selecteren.
E Om de Complex Samples Sample Wizard uit te voeren, kies je in het menu:
Analyseer > Complexe Monsters > Selecteer een monster...
© Copyright SPSS Inc. 1989, 2010 93

Figuur 13-1 Monstername Wizard, Welkom stap
E Selecteer Een sample ontwerpen, blader naar waar u het bestand wilt opslaan en typ property assess.csplan
als de naam van het planbestand.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-2 Monstername Wizard, stap Ontwerp Variabelen (fase 1)
E Selecteren Provincie als stratificatievariabele.
E Selecteren Township als een cluster variabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elk district onafhankelijke monsters worden genomen. In deze fase worden steden als primaire steekproefeenheid getekend volgens de standaardmethode, eenvoudige willekeurige bemonstering.

Figuur 13-3 Monstername-assistent, stap voor monstergrootte (fase 1)
E Selecteer de nummers uit het keuzelijstje van eenheden.
E Type 4 als de waarde voor het aantal eenheden dat in deze fase moet worden geselecteerd.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Complexe Monstername-assistent
Figuur 13-4 Monstername Wizard, Plan Samenvatting stap (fase 1)
E Selecteer Ja, voeg fase 2 nu toe.
E Klik op Volgende.

Figuur 13-5 Monstername Wizard, stap Design Variables (fase 2)

E Selecteren Buurt als stratificatievariabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elke buurt van de townships in fase 1 onafhankelijke monsters worden genomen. In dit stadium worden eigenschappen als primaire bemonsteringseenheid met behulp van eenvoudige steekproefsgewijze bemonsteringen getrokken.

Complexe Monstername-assistent
Figuur 13-6 Monstername-assistent, stap voor monstergrootte (fase 2)

E Selecteer de verhoudingen uit het keuzelijstje van eenheden.
E type 0,2 als de waarde van het aandeel eenheden in de steekproef uit elke stratum.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Figuur 13-7 Monstername Wizard, Plan Samenvatting stap (fase 2)

E Kijk over het sampling ontwerp, en klik vervolgens op Volgende.

Complexe Monstername-assistent
Figuur 13-8 Sample Wizard, Teken sample, Selectieopties stap

E Selecteer de aangepaste waarde voor het soort willekeurig te gebruiken zaad en type 241972 als waarde.
Met behulp van een aangepaste waarde kunt u de resultaten van dit voorbeeld precies repliceren.
E Klik op Volgende en klik vervolgens op Next in de stap Sample Output Files.

Figuur 13-9 Monstername Wizard, Afsluiten stap

E Klik op Voltooien.
Deze selecties leveren het steekproefplanbestand op property assess.csplan en trek een monster volgens dat plan.

Complexe Monstername-assistent
Figuur 13-10 Samenvatting van het plan

De samenvattingstabel geeft een overzicht van uw steekproefplan en is nuttig om ervoor te zorgen dat het plan uw intenties vertegenwoordigt.
Figuur 13-11 Overzicht van de fasen

Deze samenvattingstabel geeft een overzicht van de eerste fase van bemonstering en is nuttig om te controleren of het monster volgens plan was genomen. Op verzoek werden vier steden van elk district bemonsterd.

Figuur 13-12 Overzicht van de fasen

Deze overzichtstabel (waarvan het bovenste deel hier wordt weergegeven) geeft een overzicht van de tweede fase van de bemonstering. Het is ook nuttig om te controleren of de bemonstering volgens plan verliep. Ongeveer 20% van de eigenschappen werden, zoals gevraagd, uit elke buurt bemonsterd vanuit elk dorp in de eerste fase.
Figuur 13-13 Gegevenseditor met steekproefresultaten

U kunt de steekproefresultaten in de Data Editor zien. In het werkdossier werden vijf nieuwe variabelen opgeslagen, die de mogelijkheid van opneming en cumulatieve bemonsteringsgewichten voor elke fase vertegenwoordigden plus de eindbemonsteringsgewichten.
• Er werden gevallen geselecteerd met waarden voor deze variabelen.
• Er zijn geen gevallen geselecteerd met systeemontbrekende waarden voor de variabelen.

Complexe Monstername-assistent
Het agentschap zal nu zijn middelen gebruiken om actuele waarderingen te verzamelen voor de in de steekproef geselecteerde eigendommen. Zodra deze waarderingen beschikbaar zijn, kunt u de steekproef verwerken met complexe monsteranalyseprocedures, gebruik makend van het bemonsteringsplan property assess.csplan de specificaties voor het nemen van monsters te verstrekken.
Een bedrijf is geïnteresseerd in het samenstellen en verkopen van een database met hoogwaardige enquête informatie. De steekproef moet representatief zijn, maar efficiënt worden uitgevoerd en daarom wordt gebruik gemaakt van complexe bemonsteringsmethoden. Het volledige bemonsteringsontwerp vereist de volgende structuur:
Strata-clusters Regio provincie 2 District Stad 3 Deelsector
In de derde fase zijn huishoudens de primaire steekproefeenheid en zullen geselecteerde gezinnen worden onderzocht. Aangezien informatie echter gemakkelijk op het niveau van de stad beschikbaar is, wil de onderneming nu al de eerste twee fasen van het ontwerp uitvoeren en vervolgens gegevens verzamelen over het aantal onderverdelingen en huishoudens uit de in de steekproef opgenomen steden. De beschikbare informatie op het niveau van de stad wordt verzameld in demo cs 1.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Merk op dat dit bestand een variabele bevat Deelsector dat alle 1 . Dit is een plaatshouder voor de .true Gebruik de Complexe Monstername Wizard om het volledige complexe bemonsteringsontwerp te specificeren en vervolgens de eerste twee fasen uit te tekenen.
E Om de Complex Samples Sample Wizard uit te voeren, kies je in het menu:
Analyseer > Complexe Monsters > Selecteer een monster...

Figuur 13-14 Monstername Wizard, Welkom stap

E Selecteer Een sample ontwerpen, blader naar waar u het bestand wilt opslaan en typ demo.csplan als
de naam van het planbestand.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-15 Monstername Wizard, stap Ontwerp Variabelen (fase 1)

E Selecteren Gebieden als stratificatievariabele.
E Selecteren Provincie als een cluster variabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elke regio onafhankelijke monsters worden genomen. In dit stadium worden provincies als primaire steekproefeenheid getekend volgens de standaardmethode, eenvoudige willekeurige bemonstering.

Figuur 13-16 Monstername-assistent, stap voor monstergrootte (fase 1)

E Selecteer de nummers uit het keuzelijstje van eenheden.
E Type 3 als de waarde voor het aantal eenheden dat in deze fase moet worden geselecteerd.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Complexe Monstername-assistent
Figuur 13-17 Monstername Wizard, Plan Samenvatting stap (fase 1)

E Selecteer Ja, voeg fase 2 nu toe.
E Klik op Volgende.

Figuur 13-18 Monstername Wizard, stap Design Variables (fase 2)

E Selecteren District als stratificatievariabele.
E Selecteren Stad als een cluster variabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elke wijk onafhankelijke monsters worden genomen. In dit stadium worden steden als primaire steekproefeenheid getrokken met behulp van de standaardmethode, eenvoudige willekeurige bemonstering.

Complexe Monstername-assistent
Figuur 13-19 Monstername-assistent, stap voor monstergrootte (fase 2)

E Selecteer de verhoudingen uit het keuzelijstje van eenheden.
E Type 0.1 als de waarde van het aandeel eenheden in steekproef uit elke strata.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Figuur 13-20 Monstername Wizard, Plan Samenvatting stap (fase 2)

E Selecteer Ja, voeg fase 3 nu toe.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-21 Monstername Wizard, stap Design Variables (fase 3)

E Selecteren Deelsector als stratificatievariabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elke onderverdeling onafhankelijke monsters worden genomen. In dit stadium worden huishoudelijke eenheden als primaire steekproefeenheid gebruikt volgens de standaardmethode, eenvoudige willekeurige bemonstering.

Figuur 13-22 Monstername-assistent, stap voor de monstergrootte (fase 3)

E Selecteer de verhoudingen uit het keuzelijstje van eenheden.
E Type 0.2 als de waarde voor het deel van eenheden dat in deze fase moet worden geselecteerd.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Complexe Monstername-assistent
Figuur 13-23 Monstername Wizard, Plan Samenvatting stap (fase 3)

E Kijk over het sampling ontwerp, en klik vervolgens op Volgende.

Figuur 13-24 Sample Wizard, Teken de selectie-opties stap

E Selecteer 1, 2 als de stadia om nu te nemen.
E Selecteer de aangepaste waarde voor het soort willekeurig te gebruiken zaad en type 241972 als waarde.
Met behulp van een aangepaste waarde kunt u de resultaten van dit voorbeeld precies repliceren.
E Klik op Volgende en klik vervolgens op Next in de stap Sample Output Files.

Complexe Monstername-assistent
Figuur 13-25 Monstername Wizard, Afsluiten stap

E Klik op Voltooien.
Deze selecties leveren het steekproefplanbestand op demo.csplan en een monster te trekken volgens de eerste twee fasen van dat plan.

Figuur 13-26 Gegevenseditor met steekproefresultaten

U kunt de steekproefresultaten in de Data Editor zien. Vijf nieuwe variabelen werden opgeslagen in het werkbestand, wat de opnamemogelijkheden en cumulatieve bemonsteringsgewichten voor elke fase vertegenwoordigt, plus de .EffectleSampling Weights voor de eerste twee fasen.
• Steden met waarden voor deze variabelen werden geselecteerd in de steekproef.
• Steden met systeemontbrekende waarden voor de variabelen werden niet geselecteerd.
Voor elke gekozen stad heeft het bedrijf onderverdelings- en gezinsinformatie verkregen, die in de volgende tabel is opgenomen: demo cs 2.sav. Gebruik dit bestand en de Sampling Wizard om het derde stadium van deze ontwerp te proeven.
E Om de Complex Samples Sample Wizard uit te voeren, kies je in het menu:
Analyseer > Complexe Monsters > Selecteer een monster...

Complexe Monstername-assistent
Figuur 13-27 Monstername Wizard, Welkom stap

E Selecteer Teken een sample, blader naar waar u het planbestand hebt opgeslagen en selecteer demo.csplan
bestand dat u hebt gemaakt.
E Klik op Volgende.

Figuur 13-28 Monstername Wizard, Plan Samenvatting stap (fase 3)

E Selecteer 1, 2 als reeds bemonsterde stadia.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-29 Sample Wizard, Teken de selectie-opties stap

E Selecteer de aangepaste waarde voor het soort willekeurig te gebruiken zaad en type 4231946 als waarde.
E Klik op Volgende en klik vervolgens op Next in de stap Sample Output Files.

Figuur 13-30 Monstername Wizard, Afsluiten stap

E Selecteer Plakken de syntaxis die door de Wizard is gegenereerd in een syntax venster.
E Klik op Voltooien.
De volgende syntaxis wordt gegenereerd:
* Sampling Wizard. CSALECT
/PLAN FILE='DEMO.CSPLAN'/CRITERIA STAGES = 3 SEED = 4231946 /CLASSMISTING EXCLUDE /DATA RENAMEVARS /PRINT SELECTION.
Het afdrukken van de samenvatting van het monster in dit geval levert een omslachtige tabel op die problemen veroorzaakt bij de Output Viewer. Om het display van de samenvatting te kunnen uitschakelen, dient SELECTION in het subcommando PRINT door CPS te worden vervangen. Voer vervolgens de syntaxis uit in het syntax venster.
Deze selecties trekken een monster volgens de derde fase van het demo.csplan bemonsteringsplan.

Complexe Monstername-assistent
Figuur 13-31 Gegevenseditor met steekproefresultaten

U kunt de steekproefresultaten in de Data Editor zien. Drie nieuwe variabelen werden opgeslagen in het werkdossier, wat de opnamemogelijkheden en cumulatieve bemonsteringsgewichten voor de derde fase, plus de eindbemonsteringsgewichten, weergeeft. Deze nieuwe gewichten houden rekening met de tijdens het nemen van de eerste twee fasen berekende gewichten.
Units with values for these variables were selected to the sample.
Units with system-missing values for these variables were not selected.
Het bedrijf zal nu zijn middelen gebruiken om enquête-informatie te verkrijgen voor de in de steekproef geselecteerde wooneenheden. Zodra de enquêtes zijn verzameld, kunt u het monster verwerken met complexe analyseprocedures door gebruik te maken van het bemonsteringsplan. demo.csplan de specificaties voor het nemen van monsters te verstrekken.
Vertegenwoordigers die een wetsvoorstel voor de wetgever overwegen, zijn geïnteresseerd in het feit of er publieke steun is voor het wetsontwerp en hoe ondersteuning van het wetsvoorstel gerelateerd is aan kiezersdemografie. Pollsters ontwerpen en voeren interviews volgens een complex sampling ontwerp.
Een lijst van geregistreerde kiezers wordt verzameld in pol cs.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik de Complexe Monstername Wizard om een monster te selecteren voor verdere analyse.
E Om de Complex Samples Sample Wizard uit te voeren, kies je in het menu:
Analyseer > Complexe Monsters > Selecteer een monster...

Figuur 13-32 Monstername Wizard, Welkom stap

E Selecteer Ontwerp een sample, blader naar waar u het bestand wilt opslaan en typ poll.csplan als de
naam van het planbestand.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-33 Monstername Wizard, stap Ontwerp Variabelen (fase 1)

E Selecteren Provincie als stratificatievariabele.
E Selecteren Township als een cluster variabele.
E Klik op Volgende.
Deze ontwerpstructuur betekent dat voor elk district onafhankelijke monsters worden genomen. In deze fase worden steden als primaire steekproefeenheid getekend.

Figuur 13-34 Monstername-assistent, bemonsteringsmethodestap (fase 1)

E Selecteer PPS als bemonsteringsmethode.
E Selecteer Telgegevens als maat voor grootte.
E Klik op Volgende.
Binnen elke provincie worden de townships zonder vervanging getekend, waarbij waarschijnlijkheid evenredig is met het aantal records per stad. Met behulp van een PPS-methode genereert gezamenlijke sampling waarschijnlijkheden voor de steden; u zult aangeven waar deze waarden in de Output Files stap worden opgeslagen.

Complexe Monstername-assistent
Figuur 13-35 Monstername-assistent, stap voor monstergrootte (fase 1)

E Selecteer de verhoudingen uit het keuzelijstje van eenheden.
E Type 0.3 als de waarde voor het aandeel van steden in deze etappe te selecteren per provincie.
Wetgevers uit de West county wijzen erop dat er minder townships in hun provincie dan in andere. Om een adequate vertegenwoordiging te waarborgen, willen zij minimaal drie steden per provincie in kaart brengen.
E Type 3 als het minimum aantal te selecteren steden en 5 als maximum.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Figuur 13-36 Monstername Wizard, Plan Samenvatting stap (fase 1)

E Selecteer Ja, voeg fase 2 nu toe.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-37 Monstername Wizard, stap Design Variables (fase 2)

E Selecteren Buurt als stratificatievariabele.
E Klik op Volgende en klik vervolgens op Next in de Stap van de Sampling Methode.
Deze ontwerpstructuur betekent dat voor elke buurt van de townships in fase 1 onafhankelijke monsters worden genomen. In dit stadium worden kiezers als primaire steekproefeenheid getrokken door middel van eenvoudige willekeurige steekproeven zonder vervanging.

Figuur 13-38 Monstername-assistent, stap voor monstergrootte (fase 2)

E Selecteer de verhoudingen uit het keuzelijstje van eenheden.
E type 0,2 als de waarde van het aandeel eenheden in de steekproef uit elke strata.
E Klik op Volgende, en klik vervolgens op Next in de stap Uitvoervariabelen.

Complexe Monstername-assistent
Figuur 13-39 Monstername Wizard, Plan Samenvatting stap (fase 2)

E Kijk over het sampling ontwerp, en klik vervolgens op Volgende.

Figuur 13-40 Sample Wizard, Teken de selectie-opties stap

E Selecteer de aangepaste waarde voor het soort willekeurig te gebruiken zaad en type 592004 als waarde.
Met behulp van een aangepaste waarde kunt u de resultaten van dit voorbeeld precies repliceren.
E Klik op Volgende.

Complexe Monstername-assistent
Figuur 13-41 Sample Wizard, Teken de selectie-opties stap

E Kies om het monster op te slaan in een nieuwe dataset en typ poll cs sample als de naam van de gegevensverzameling.
E Blader naar waar u de gezamenlijke waarschijnlijkheden wilt opslaan en typ poll jointprob.sav als naam
van het gezamenlijke waarschijnlijkheidsbestand.
E Klik op Volgende.

Figuur 13-42 Monstername Wizard, Afsluiten stap
E Klik op Voltooien.
Deze selecties leveren het steekproefplanbestand op poll.csplan en een monster volgens dat plan te trekken, sla de steekproefresultaten op in het nieuwe dataset poll cs sample, en sla het gezamenlijke waarschijnlijkheden bestand naar de externe gegevensbestand poll jointprob.sav.

Complexe Monstername-assistent
Figuur 13-43 Samenvatting van het plan

De samenvattingstabel geeft een overzicht van uw steekproefplan en is nuttig om ervoor te zorgen dat het plan uw intenties vertegenwoordigt.
Figuur 13-44 Overzicht van de fasen

Deze samenvattingstabel geeft een overzicht van de eerste fase van bemonstering en is nuttig om te controleren of het monster volgens plan was genomen. Herinner eraan dat u een 30%-monster van de steden per provincie hebt aangevraagd; het feitelijke aantal bemonsterde plaatsen is bijna 30 procent, behalve in West en Zuid. Dit komt omdat deze provincies elk slechts zes townships hebben, en u hebt ook aangegeven dat er per provincie minimaal drie steden geselecteerd moeten worden.

Figuur 13-45 Overzicht van de fasen

Deze overzichtstabel (waarvan het bovenste deel hier wordt weergegeven) geeft een overzicht van de tweede fase van de bemonstering. Het is ook nuttig om te controleren of de bemonstering volgens plan verliep. Ongeveer 20% van de kiezers werd uit elke buurt bemonsterd vanuit elk dorp in het eerste stadium, zoals gevraagd.

Complexe Monstername-assistent
Figuur 13-46 Gegevenseditor met steekproefresultaten

Je kunt de sampling resultaten zien in het nieuw aangemaakte dataset. In het werkdossier werden vijf nieuwe variabelen opgeslagen, die de mogelijkheid van opneming en cumulatieve bemonsteringsgewichten voor elke fase vertegenwoordigden plus de eindbemonsteringsgewichten. Kiezers die niet in het monster zijn geselecteerd, worden uitgesloten van deze gegevensset.
De uiteindelijke steekproefgewichten zijn identiek voor kiezers binnen dezelfde buurt omdat ze worden geselecteerd volgens een eenvoudige willekeurige bemonsteringsmethode in de wijken. Echter, ze zijn verschillend in de buurten binnen dezelfde stad omdat de bemonsterde verhoudingen niet precies 20% in alle wijken.

Figuur 13-47 Gegevenseditor met steekproefresultaten

In tegenstelling tot de kiezers in het tweede stadium zijn de eerste fase van de steekproef niet identiek voor steden binnen hetzelfde district omdat ze met waarschijnlijkheid evenredig aan grootte worden geselecteerd.
Figuur 13-48 Gezamenlijke waarschijnlijkhedenbestand

Het bestand poll jointprob.sav bevat de eerste fase van gezamenlijke kansen voor geselecteerde steden binnen provincies. Provincie een eerste-fase stratificatievariabele is, en Township is een clustervariabele. Combinaties van deze variabelen identificeren alle eerste fase PSU's uniek. Eenheid Nee labels PSU's binnen elke stratum en wordt gebruikt om aan te passen met Gezamenlijke Prob 1, Gezamenlijke Prob 2, Gezamenlijke Prob 3, Gezamenlijke Prob 4, en Gezamenlijke Prob 5. De eerste twee lagen hebben elk 4 PSU's; daarom, de gezamenlijke

Complexe Monstername-assistent
de inclusie-kansmatrices 4×4 voor deze strata zijn, en Gezamenlijke Prob 5 kolom is leeg gelaten voor deze rijen. De strata 3 en 5 hebben ook 3×3 kansmatrices voor gezamenlijke opname, en stratum 4 heeft een waarschijnlijkheidsmatrix voor de gezamenlijke inclusie van 5×5. De noodzaak van een gezamenlijk bestand met waarschijnlijkheden wordt gezien door het doorlezen van de waarden van de gezamenlijke inclusie-kansmatrices. Wanneer de steekproefmethode geen PPS WOR-methode is, staat een andere PSU niet voor het kiezen van een andere methode en is hun kans op gezamenlijke opneming eenvoudigweg het product van hun inclusiemogelijkheden. De kans op gezamenlijke inclusie voor Townsies 9 en 10 van County 1 is daarentegen ongeveer 0,11 (zie het eerste geval van Gezamenlijke Prob 3 of het derde geval van Gezamenlijke Prob 1), of minder dan het product van hun individuele inclusie waarschijnlijkheden (het produkt van de eerste geval Gezamenlijke Prob 1 en het derde geval van Gezamenlijke Prob 3 is 0.31×0.44=0.1364).
De stemmers zullen nu interviews voor de geselecteerde steekproef. Zodra de resultaten beschikbaar zijn, kunt u het monster verwerken met complexe analyseprocedures door gebruik te maken van het bemonsteringsplan. poll.csplan de specificaties voor het nemen van monsters te verstrekken, en poll jointprob.sav de nodige mogelijkheden voor gezamenlijke opneming te bieden.
De Complexe Monstername Wizard procedure is een nuttig hulpmiddel voor het maken van een steekproefplan bestand en tekenen van een monster.
To ready a sample for analysis when you do not have access to the sampling plan file, use
de analyse voorbereidingswizard.

De Analysevoorbereidingswizard begeleidt u door de stappen voor het maken of wijzigen van een analyseplan met behulp van verschillende complexe monsteranalyseprocedures. Het is zeer nuttig als u geen toegang heeft tot het steekproefplanbestand dat gebruikt wordt om de sample te tekenen.
De National Health Interview Survey (NHIS) is een groot, bevolkingsgericht onderzoek van de VS. burgerbevolking. De interviews worden rechtstreeks uitgevoerd in een nationaal representatieve steekproef van huishoudens. Demografische informatie en observaties over gezondheid gedrag en status worden verkregen voor leden van elk huishouden.
Een deelverzameling van de enquête 2000 wordt verzameld in nhis2000 subset.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik de Complexe Monsteranalysevoorbereidingswizard om een analyseplan voor dit gegevensbestand te maken zodat het kan worden verwerkt door middel van complexe monsteranalyseprocedures.
E Om een monster te bereiden met behulp van de Complexe Monsteranalyse-Wizard, uit het menu
kies:
Analyseer > Complexe Monsters > Bereid je voor op analyse...
© Copyright SPSS Inc. 1989, 2010 140

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-1 Analyse Voorbereiding Wizard, Welkom stap

E Blader naar waar u het planbestand wilt opslaan en typ nhis2000 subset.csaplan als de naam voor
het analyseplanbestand.
E Klik op Volgende.

Figuur 14-2 Analyse Voorbereiding Wizard, Stap Ontwerp Variabelen (fase 1)

De gegevens worden verkregen met behulp van een complexe meerfasenmonster. Voor eindgebruikers werden de oorspronkelijke NHIS ontwerpvariabelen echter omgezet in een vereenvoudigde set van ontwerpen en gewichtsvariabelen waarvan het resultaat ongeveer die van de originele constructiestructuren is.
E Selecteren Stratum voor variantieschatting als een variabele strata.
E Selecteren PSU voor variantieschatting als een cluster variabele.
E Selecteren Gewicht - laatste jaarlijkse als variabele voor het gewicht van de monsters.
E Klik op Voltooien.

Complexe monsteranalyse voorbereidingsassistent

De samenvattingstabel geeft een overzicht van uw analyseplan. Het plan bestaat uit één fase met een ontwerp van één stratificatievariabele en één clustervariabele. De schatting van de vervanging (WR) wordt gebruikt en het plan is opgeslagen in c:\nhis2000 subset.csaplan. U kunt dit planbestand nu gebruiken om het te verwerken nhis2000 subset.sav met complexe analyseprocedures voor monsters.
Een leningsfunctionaris heeft een verzameling klantengegevens, die volgens een complex ontwerp zijn opgesteld; de steekproefgewichten worden echter niet in het dossier opgenomen. Deze informatie is opgenomen in bankloan cs noweights.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Om te beginnen met wat ze weet over het sampling ontwerp, wil de agent gebruik maken van de Complexe Monsteranalyse Voorbereiding Wizard om een analyseplan voor dit gegevensbestand op te stellen zodat het kan worden verwerkt door middel van complexe monsteranalyseprocedures.
De leningsambtenaar weet dat de gegevens in twee fasen zijn geselecteerd, waarbij 15 van de 100 bankkantoren met gelijke waarschijnlijkheid en zonder vervanging werden gekozen. Honderd klanten werden vervolgens geselecteerd uit elk van deze banken met gelijke waarschijnlijkheid en zonder vervanging in de tweede fase, en informatie over het aantal cliënten bij elke bank is opgenomen in het gegevensbestand. De eerste stap om een analyseplan op te stellen is het berekenen van de fasesgewijze inclusie-waarschijnlijkheden en eindbemonsteringsgewichten.
E Om de inclusiemogelijkheden voor het eerste stadium te berekenen, kiest u uit de menu's:
Transformeren > Variabele berekenen...
Figuur 14-3 Samenvatting

Figuur 14-4 Variabel dialoogvenster berekenen

Vijftien van de honderd bankkantoren werden in het eerste stadium zonder vervanging geselecteerd; dus is de kans dat een bepaalde bank werd gekozen 15/100 = 0,15.
E Typ inclprob s1 als de doelvariabele.
E Type 0,15 als de numerieke expressie.
E Klik OK.

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-5 Variabel dialoogvenster berekenen

In de tweede fase werden honderd klanten geselecteerd uit elk bijkantoor; dus is het aantal cliënten bij een bepaalde bank 100/het instapscenario voor elke klant per stadium 2.
E Herinneren het dialoogvenster Variable berekenen.
E Typ inclprob s2 als de doelvariabele.
E Type 100/ncust als de numerieke expressie.
E Klik OK.

Figuur 14-6 Variabel dialoogvenster berekenen

Nu dat je de inclusie waarschijnlijkheden voor elke fase, het is gemakkelijk om te berekenen van de uiteindelijke steekproef gewichten.
E Herinneren het dialoogvenster Variable berekenen.
E Typ het eindgewicht als de doelvariabele.
E Type 1/(inclprob s1 * inclprob s2) als de numerieke expressie.
E Klik OK.
U bent nu klaar om het analyseplan te maken.
E Om een monster te bereiden met behulp van de Complexe Monsteranalyse-Wizard, uit het menu
kies:
Analyseer > Complexe Monsters > Bereid je voor op analyse...

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-7 Analyse Voorbereiding Wizard, Welkom stap
E Blader naar waar u het planbestand wilt opslaan en typ bankloan.csaplan als de naam voor
Analyseplanbestand.
E Klik op Volgende.

Figuur 14-8 Analyse Voorbereiding Wizard, Stap Ontwerp Variabelen (fase 1)
E Selecteren Branch als een cluster variabele.
E Selecteren eindgewicht als variabele voor het gewicht van de monsters.
E Klik op Volgende.

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-9 Analyse Voorbereidingswizard, stap voor schattingsmethode (fase 1)
E Selecteer Gelijke WOR als de eerste-stap schattingsmethode.
E Klik op Volgende.

Figuur 14-10 Analyse Voorbereidingswizard, maatstap (fase 1)
E Selecteer leeswaarden van variabele en selecteer inclprob s1 als variabele die de eerste fase bevat
Inclusiemogelijkheden.
E Klik op Volgende.

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-11 Analyse Voorbereidingswizard, Plan Samenvatting stap (fase 1)
E Selecteer Ja, voeg fase 2 nu toe.
E Klik op Volgende en klik vervolgens op Next in de stap Design Variables.

Figuur 14-12 Analyse Voorbereidingswizard, stap voor de schattingsmethode (fase 2)

E Selecteer Gelijke WOR als de tweede-fase schattingsmethode.
E Klik op Volgende.

Complexe monsteranalyse voorbereidingsassistent
Figuur 14-13 Analyse Voorbereidingswizard, maatstap (fase 2)

E Selecteer leeswaarden van variabele en selecteer inclprob s2 als variabele die de tweede fase bevat
Inclusiemogelijkheden.
E Klik op Voltooien.

Figuur 14-14 Schematisch overzicht

De samenvattingstabel geeft een overzicht van uw analyseplan. Het plan bestaat uit twee fasen met een ontwerp van één clustervariabele. De berekening van de gelijke waarschijnlijkheid zonder vervanging (WOR) wordt gebruikt en het plan wordt opgeslagen op c:\bankloan.csaplan. U kunt dit planbestand nu gebruiken om het te verwerken bankloan noweights.sav (met de inclusie-waarschijnlijkheden en bemonsteringsgewichten die u hebt berekend) met complexe analyseprocedures voor monsters.
De Complexe Monsteranalyse Voorbereiding Wizard procedure is een nuttig hulpmiddel voor het klaarmaken van een monster voor analyse wanneer u geen toegang tot de steekproefplan bestand.
To create a sampling plan file and draw a sample, use the Sampling Wizard.

De procedure voor complexe monstersfrequenties produceert frequentietabellen voor geselecteerde variabelen en geeft univariate statistieken weer. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Een onderzoeker wil het gebruik van voedingssupplementen onder de VS bestuderen. burgers, gebruikmakend van de resultaten van het National Health Interview Survey (NHIS) en een eerder opgesteld analyseplan. Voor meer informatie, zie het onderwerp Gebruik van de Complexe Monsteranalyse Voorbereiding Wizard om NHIS Public Data klaar te maken in Hoofdstuk 14 op p. 140.
Een deelverzameling van de enquête 2000 wordt verzameld in nhis2000 subset.sav. Het analyseplan wordt opgeslagen in nhis2000 subset.csaplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik complexe monsters Frequenties om statistieken voor voedingssupplementen gebruik te produceren.
E Om een complexe analyse van de frequenties uit te voeren, kiest u in het menu:
Analyseer > Complexe Monsters > Frequenties...
© Copyright SPSS Inc. 1989, 2010 155

Figuur 15-1 Complexe dialoogvenster Monsterplan
E Blader naar en selecteer nhis2000 subset.csaplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden
in aanhangsel A, IBM SPS Complex Monsters 19.
E Klik verder.

Figuur 15-2 Dialoogvenster Frequenties
E Selecteren Vitamine/minerale inseponten-na 12 m als frequentievariabele.
E Selecteren Leeftijdscategorie als een subpopulatievariabele.
E Klik op statistieken.
Figuur 15-3 Dialoogvenster Frequentiestatistieken

E Selecteer Tabelpercentage in de Cellengroep.
E Selecteer betrouwbaarheidsinterval in de groep Statistieken.
E Klik verder.
E Klik op OK in het dialoogvenster Frequenties.
Complexe monsterfrequenties

Figuur 15-4 Frequentietabel voor variabele/situatie

Elke geselecteerde statistiek wordt berekend voor elke gekozen celmaat. De eerste kolom bevat schattingen van het aantal en percentage van de populatie die al dan niet vitamine/minerale supplementen gebruiken. De betrouwbaarheidsintervallen zijn niet-overlappend; dus, kunt u concluderen dat over het algemeen meer Amerikanen nemen vitamine / mineralen supplementen dan niet.
Figuur 15-5 Frequentietabel per subpopulatie

Bij het berekenen van statistieken per subpopulatie wordt elke geselecteerde statistiek berekend voor iedere gekozen celmaat met de waarde van Leeftijdscategorie. De eerste kolom bevat schattingen van het aantal en percentage van de populatie per categorie die al dan niet vitamine-/minerale supplementen gebruiken. De betrouwbaarheidsintervallen voor de tabelpercentages zijn allemaal niet-overlappend; dus, kunt u concluderen dat het gebruik van vitamine/minerale supplementen toeneemt met leeftijd.

Met behulp van de Complexe Monsters Frequentieprocedure, hebt u statistieken verkregen voor het gebruik van voedingssupplementen onder VS. burgers.
Overall, more Americans take vitamin/mineral supplements than not.
When broken down by age category, greater proportions of Americans take vitamin/mineral
supplementen met toenemende leeftijd.
De procedure voor complexe monstersfrequenties is een nuttig hulpmiddel om univariate beschrijvende statistieken van categorische variabelen te verkrijgen bij waarnemingen die via een complex bemonsteringsontwerp worden verkregen.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to set analysis specifications for
een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
• De procedure voor de complexe steekproeven bevat beschrijvende statistieken over het
kruistabulatie van categorische variabelen.
The Complex Samples Descriptives procedure provides univariate descriptive statistics for
schaalvariabelen.
Complexe monsterfrequenties

De procedure voor complexe monstersbeschrijvingen geeft een univariate samenvattingsstatistieken weer van verschillende variabelen. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Een onderzoeker wil de activiteitsniveaus van VS bestuderen. burgers, gebruikmakend van de resultaten van het National Health Interview Survey (NHIS) en een eerder opgesteld analyseplan. Voor meer informatie, zie het onderwerp Gebruik van de Complexe Monsteranalyse Voorbereiding Wizard om NHIS Public Data klaar te maken in Hoofdstuk 14 op p. 140.
Een deelverzameling van de enquête 2000 wordt verzameld in nhis2000 subset.sav. Het analyseplan wordt opgeslagen in nhis2000 subset.csaplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik Complexe Monsters Descriptives om univariate beschrijvende statistieken voor activiteitsniveaus te produceren.
E Om een Complexe Monsters Descriptives analyse uit te voeren, kies in de menu's:
Analyseer > Complexe Monsters > Descriptieven...
© Copyright SPSS Inc. 1989, 2010 160

Figuur 16-1 Complexe dialoogvenster Monsterplan
E Blader naar en selecteer nhis2000 subset.csaplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden
in aanhangsel A, IBM SPS Complex Monsters 19.
E Klik verder.
Complexe voorbeeldenbeschrijvingen

Figuur 16-2 Dialoogvenster Descriptives
E Selecteren Freq-krachtige activiteit (tijden per wk) door Freq-sterkteactiviteit (tijden per wk) als
meet variabelen.
E Selecteren Leeftijdscategorie als een subpopulatievariabele.
E Klik op statistieken.
Figuur 16-3 Dialoogvenster Descriptives Statistieken
E Selecteer betrouwbaarheidsinterval in de groep Statistieken.

E Klik verder.
E Klik op OK in het dialoogvenster Complexe Monsters Descriptives.
Figuur 16-4 Univariate statistieken

Elke geselecteerde statistiek wordt berekend voor elke maatvariabele. De eerste kolom bevat schattingen van het gemiddelde aantal keren per week dat een persoon aan een bepaald soort activiteit deelneemt. De betrouwbaarheidsintervallen voor de middelen zijn niet-overlappend. Dus, je kunt concluderen dat over het algemeen Amerikanen bezig zijn met een kracht activiteit minder vaak dan krachtige activiteiten en ze actief in energieke activiteit minder dikwijls dan matige activiteit.
Figuur 16-5 Univariate statistieken per subpopulatie

Complexe voorbeeldenbeschrijvingen

Elke geselecteerde statistiek wordt berekend voor elke variabele meetwaarden door waarden van Leeftijdscategorie. De eerste kolom bevat schattingen van het gemiddelde aantal keer per week dat mensen uit elke categorie een bepaald soort activiteit uitoefenen. De betrouwbaarheidsintervallen voor de middelen stellen u in staat om enkele interessante conclusies te trekken.
In terms of vigorous and moderate activities, 25–44-year-olds are less active than those 18–24
en 45/64 jaar zijn minder actief dan 65 of ouder.
In terms of strength activity, 25–44-year-olds are less active than those 45–64, and 18–24 and
45-64-jarigen zijn minder actief dan 65 jaar of ouder.
Met behulp van de Complexe Monsters Descriptives procedure, hebt u statistieken voor het activiteitsniveau in de VS verkregen. burgers.
Overall, Americans spend varying amounts of time at different types of activities.
When broken down by age, it roughly appears that post-collegiate Americans are initially less
actief dan ze waren op school, maar worden gewetensvoller over het sporten als zij ouder.
De procedure voor complexe monstersbeschrijvingen is een nuttig hulpmiddel om univariate beschrijvende statistieken te verkrijgen van schaalmetingen die zijn verkregen via een complex steekproefontwerp.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to set analysis specifications for
een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples Ratios procedure provides descriptive statistics for ratios of scale
maatregelen.
The Complex Samples Frequencies procedure provides univariate descriptive statistics of
Cenelec variabelen.

De procedure van de Complexe Monsters Crosstabs produceert crosstabulatietabellen voor paren geselecteerde variabelen en geeft tweewegstatistieken weer. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Een bedrijf dat tijdschriftenabonnementen verkoopt stuurt traditioneel maandelijks mailings naar een gekochte database met namen. De respons is meestal laag, dus je moet een manier vinden om potentiële klanten beter te richten. Een suggestie is om mailings te richten op mensen met krantenabonnementen, waarbij wordt aangenomen dat de lezers eerder een abonnement nemen op tijdschriften.
Gebruik de procedure van Complexe Monsters Crosstabs om deze theorie te testen door een tabel met twee bij twee samen te stellen: Krantabonnement door Respons en het relatieve risico dat een persoon met een krantenabonnement zal reageren op de mailing berekenen. Deze informatie wordt verzameld in demo cs.sav en moet geanalyseerd worden met behulp van het bemonsteringsplanbestand demo.csplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19.
E Om een complexe analyse van de monsters Crosstabs uit te voeren, kies in het menu:
Analyseer > Complexe Monsters > Crosstabs...
© Copyright SPSS Inc. 1989, 2010 165

Figuur 17-1 Complexe dialoogvenster Monsterplan

E Blader naar en selecteer demo.csplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in
Aanhangsel A in IBM SPS Complex Monsters 19.
E Klik verder.

Figuur 17-2 Dialoogvenster Crosstabs
E Selecteren Krantabonnement als een rij variabele.
E Selecteren Respons als kolomvariabele.
E Er is ook enige belangstelling voor de resultaten uitgesplitst naar inkomenscategorieën, dus selecteer
Inkomenscategorie in duizenden als een subpopulatievariabele.
E Klik op statistieken.
Complexe monsters Crosstabs

Figuur 17-3 Dialoogvenster Crosstabs Statistieken

E Deselecteer de populatiegrootte en selecteer rijpercentage in de celgroep.
E Selecteer de Odds ratio en het Relatieve risico in de Samenvattingen voor 2-bij-2 Tabellengroep.
E Klik verder.
E Klik op OK in het dialoogvenster Complexe Monsters Crosstabs.
Deze selecties leveren een kruisingtabel en risicoschatting voor Krantabonnement door Respons. Aparte tabellen met resultaten opgesplitst door Inkomenscategorie in duizenden worden ook gecreëerd.
Figuur 17-4 Crosstabulatie voor krantenabonnement op antwoord

De kruising toont aan dat over het algemeen weinig mensen reageerden op de mailing. Een groter deel van de abonnees in kranten reageerde echter.

Figuur 17-5 Risicoschatting voor een abonnement op kranten volgens reactie

Het relatieve risico is een verhouding tussen de waarschijnlijkheden van gebeurtenissen. Het relatieve risico van een reactie op de mailing is de verhouding tussen de waarschijnlijkheid dat een krantenabonnee reageert op de kans dat er geen abonnees reageren. De schatting van het relatieve risico is dus gewoon 17,2%/10,3% = 1,673. Het relatieve risico van non-respons is eveneens de verhouding tussen waarschijnlijkheid dat een abonnee niet reageert op de kans dat geen andere abonnee reageert. Uw schatting van dit relatieve risico is 0,923. Gezien deze resultaten, kunt u schatten dat een krantenabonnee 1,673 keer zo waarschijnlijk om te reageren op de mailing als niet-subscriber, of 0,923 maal zo waarschijnlijk is als een non-abonnees niet te antwoorden.
De kansverhouding is een verhouding tussen de kansen. De kans op een gebeurtenis is de verhouding tussen waarschijnlijkheid en waarschijnlijkheid dat het evenement niet plaatsvindt. De schatting van de kans dat een abonnee op het versturen reageert, is dus 17,2%/82,8% = 0,208. Ook de schatting van de kansen dat een niet-abonnee reageert is 10,3%/89,7% = 0,115. De schatting van de odds ratio is daarom 0,208/0,115 = 1,812 (let op, er zit een afrondingsfout in de tussenliggende stappen). De odds ratio is ook de verhouding tussen het relatieve risico van respons op het relatief risico dat niet reageert, of 1,673/0.923 = 1,812.
Aangezien het een verhoudingsverhouding is, is de odds ratio zeer moeilijk te interpreteren. Het relatieve risico is gemakkelijker te interpreteren, dus de odds ratio alleen al is niet erg nuttig. Er zijn echter bepaalde vaak voorkomende situaties waarin de schatting van het relatieve risico niet erg goed is en waarbij de odds ratio kan worden gebruikt om het relatief risico van een gebeurtenis te benaderen. De odds ratio moet worden gebruikt als benadering van het relatieve risico op de gebeurtenis of interest wanneer aan beide volgende voorwaarden is voldaan:
• De kans op de gebeurtenis van belang is klein (< 0,1). Deze voorwaarde garandeert dat de odds ratio een goede benadering van het relatieve risico zal maken. In dit voorbeeld is de gebeurtenis van belang een reactie op het mailen.
Deze voorwaarde geeft aan dat de gebruikelijke schatting van het relatieve risico waarschijnlijk niet goed zal zijn. Een case-control studie is retrospectief, meestal gebruikt wanneer de gebeurtenis van belang onwaarschijnlijk is of als het ontwerp van een prospectieve experiment onpraktisch of niet-ethisch.
Aan geen van beide voorwaarden is voldaan in dit voorbeeld, aangezien het totale percentage respondenten 12,8% bedroeg en de opzet van de studie niet zaakcontrole was; dus het veiliger om 1.673 als relatief risico te rapporteren dan de waarde van de odds ratio.
Complexe monsters Crosstabs

Figuur 17-6 Risicoschatting voor het abonnement op kranten volgens respons, controle van de inkomenscategorie

De relatieve risicoramingen worden voor elke inkomenscategorie afzonderlijk berekend. Merk op dat het relatieve risico van een positieve reactie voor krantenabonnees geleidelijk lijkt te dalen met toenemende inkomsten, wat erop wijst dat u in staat kunt zijn om verder gericht de mailings.
Met behulp van Complexe Monsters Crosstabs risicoschattingen, u ontdekt dat je kunt verhogen uw responspercentage voor directe mailings door het richten op krantenabonnees. Verder vond u enig bewijs dat de risicoschattingen mogelijk niet constant zijn in Inkomenscategorie, dus u kunt in staat zijn om uw responspercentage nog meer te verhogen door zich op lagere inkomens kranten abonnees.
De procedure voor complexe monsters Crosstabs is een nuttig hulpmiddel om beschrijvende statistieken te verkrijgen van de kruising van categorische variabelen bij waarnemingen die via een complex bemonsteringsontwerp worden verkregen.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to set analysis specifications for
een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples Frequencies procedure provides univariate descriptive statistics of
Cenelec variabelen.

De procedure voor complexe monstersratio's geeft een uniforme samenvatting van de verhoudingen tussen variabelen. Optioneel kunt u statistieken aanvragen per subgroep, gedefinieerd door één of meer categorische variabelen.
Een overheidsinstelling moet ervoor zorgen dat de onroerend goed belastingen eerlijk worden beoordeeld van provincie tot district. Belastingen zijn gebaseerd op de geschatte waarde van het pand, dus het agentschap wil om onroerend goed waarden te volgen in provincies om er zeker van dat elke provincie . Aangezien de middelen voor het verkrijgen van huidige beoordelingen beperkt zijn, koos het agentschap ervoor om complexe steekproefmethodes te gebruiken om eigenschappen te selecteren.
De geselecteerde eigenschappen en de huidige beoordelingsgegevens worden verzameld in eigenschap assess cssample.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik Complexe Monsters Ratio's om de verandering in vastgoedwaarden te beoordelen over de vijf provincies sinds het laatste onderzoek.
E Om een complexe analyse van de Samples Ratio's uit te voeren, kiest u in het menu:
Analyseer > Complexe Monsters > Ratio's...
© Copyright SPSS Inc. 1989, 2010 171

Figuur 18-1 Complexe dialoogvenster Monsterplan

E Blader naar en selecteer property assess.csplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in
Aanhangsel A in IBM SPS Complex Monsters 19.
E Klik verder.

Figuur 18-2 Dialoogvenster Ratio's
E Selecteren Huidige waarde als tellervariabele.
E Selecteren Waarde laatste beoordeling als de noemer variabele.
E Selecteren Provincie als een subpopulatievariabele.
E Klik op statistieken.
Figuur 18-3 Dialoogvenster Ratio's Statistieken
E Selecteer betrouwbaarheidsinterval, ongewogen telling en populatiegrootte in de groep Statistieken.
E Selecteer t-test en voer 1.3 in als testwaarde.
E Klik verder.
E Klik op OK in het dialoogvenster Complexe Monsters Ratio's.
Complexe monstersverhoudingen

Figuur 18-4 Verhoudingentabel

Het standaard display van de tabel is zeer breed, dus u moet het draaien voor een beter uitzicht.
E Dubbelklik op de tabel om het te activeren.
E Kies uit de menu's met kijker:
Pivot > Pictogram
E Sleep Nummering en dan Denominator van de rij tot aan het laagje.
E Sleep Provincie van de rij naar de kolom.
E Sleep Statistieken van de kolom tot aan de rij.
E Sluit het draaibare venster van de trays.
Figuur 18-5 Tabel met gepivoteerde ratio's

De ratiotabel is nu zo geschraagd dat statistieken gemakkelijker te vergelijken zijn tussen de verschillende provincies.
• De schattingen variëren van een laag percentage van 1,195 in het zuidelijke graafschap tot 1,524 in de regio.
De West county.
There is also quite a bit of variability in the standard errors, which range from a low of 0.029
in de zuidelijke provincie tot 0,068 in het oostelijke graafschap.

• Sommige betrouwbaarheidsintervallen overlappen elkaar niet; dus, kunt u concluderen dat de ratio's voor het
Westelijk graafschap is hoger dan de verhouding tussen Noord en Zuid.
Finally, as a more objective measure, note that the significance values of the t tests voor de
West- en Zuid-districten zijn minder dan 0,05. Zo kan je concluderen dat de verhouding voor het westelijke graafschap groter is dan 1,3 en de ratio voor het zuidelijke district kleiner is dan 1.3.
Met behulp van de procedure voor complexe monstersratio's heeft u verschillende statistieken verkregen over de ratio's Huidige waarde tot Waarde laatste beoordeling. De resultaten wijzen erop dat er bepaalde ongelijkheden kunnen bestaan bij de beoordeling van onroerend goed belastingen tussen district en provincie, namelijk:
The ratios for the Western county are high, indicating that their records are not as up-to-date
als andere provincies met betrekking tot de waardebepaling van onroerend goed. De onroerend goed belastingen zijn waarschijnlijk te laag in dit district.
The ratios for the Southern county are low, indicating that their records are more up-to-date
dan de andere provincies met betrekking tot de waardebepaling van onroerend goed. De onroerend goed belastingen zijn waarschijnlijk te hoog in dit district.
The ratios for the Southern county are lower than those of the Western county but are still
binnen de doelstelling van 1.3.
De middelen die worden gebruikt om de waarde van onroerend goed in het zuidelijke graafschap te volgen, zullen aan West-Stad worden toegewezen zodat deze county's op één lijn komen met andere provincies en met als doel 1,3.
De procedure voor complexe monstersverhoudingen is een nuttig hulpmiddel om univariate beschrijvende statistieken te verkrijgen van de verhouding tussen schaalmetingen die worden verkregen door middel van een complex steekproefontwerp.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to set analysis specifications for
een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples Descriptives procedure provides descriptive statistics for scale
variabelen.
Complexe monstersverhoudingen

De procedure voor de algemene lineaire monsteranalyse (CSGLM) voert een lineaire regressieanalyse uit, evenals analyse van variantie en covarium bij monsters die worden genomen met behulp van complexe bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Een kruidenierswinkelketen onderzocht een reeks klanten met betrekking tot hun aankoopgewoonten, volgens een complex ontwerp. Gezien de enquêteresultaten en hoeveel klanten in de vorige maand hebben uitgegeven, wil de winkel zien of het aantal klanten dat boodschappen doet gerelateerd is aan hun uitgaven per maand.De klant heeft controle over zijn geslacht en neemt ook het ontwerp van steekproeven op zich.
Deze informatie wordt verzameld in supermarkt 1maand sample.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik de procedure voor complexe monsters algemeen lineair model om een twee-factor (of tweeweg) ANOVA uit te voeren op de uitgegeven bedragen.
E Om een Complexe Monsters Algemene Lineaire Modelanalyse uit te voeren, kies de menu's:
Analyseer > Complexe Monsters > Algemeen Lineair Model...
© Copyright SPSS Inc. 1989, 2010 176

Complexe monsters Algemeen Lineair Model
Figuur 19-1 Complexe dialoogvenster Monsterplan

E Blader naar en selecteer supermarkt.csplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in
Aanhangsel A in IBM SPS Complex Monsters 19.
E Klik verder.

Figuur 19-2 Dialoogvenster Algemeen Lineair Model
E Selecteren Uitgegeven bedrag als de afhankelijke variabele.
E Selecteren Wie winkelt er voor en coupons gebruiken Als factoren.
E Klik Model.

Complexe monsters Algemeen Lineair Model
Figuur 19-3 Dialoogvenster model
E Kies om een Aangepast model te bouwen.
E Selecteer belangrijkste effecten als het type term dat moet worden gebouwd en geselecteerd shopvoor en usecoup als modeltermen.
E Selecteer Interactie als het type term om te bouwen en toe te voegen shopvoor*usecoup interactie als model
term.
E Klik verder.
E Klik op Statistieken in het dialoogvenster Algemeen Lineair Model.

Figuur 19-4 Dialoogvenster Algemene Lineaire Modelstatistieken
E Selecteer schatting, standaardfout, betrouwbaarheidsinterval en ontwerpeffect in de modelparameters
Groep.
E Klik verder.
E Klik op geschatte middelen in het dialoogvenster Algemeen Lineair Model.
Figuur 19-5 Dialoogvenster Algemeen Lineair Model Geschatte Middelen
E Kies om de middelen voor het weergeven van shopvoor, usecoup, en de shopvoor*usecoup interactie.

Complexe monsters Algemeen Lineair Model
E Selecteer een eenvoudig contrast en 3 Zelf-en familie als de referentiecategorie voor shopvoor. Merk dat op, een keer
geselecteerd, de categorie verschijnt als
E Selecteer een eenvoudig contrast en 1 nr als referentiecategorie voor usecoup.
E Klik verder.
E Klik op OK in het dialoogvenster Algemeen Lineair Model.
Figuur 19-6 R-vierkante statistiek

R-kwadraat, de bepalingscoëfficiënt, is een maat voor de sterkte van het model. Het toont aan dat ongeveer 60% van de variatie in Uitgegeven bedrag wordt uitgelegd door het model, dat geeft u een goede verklarende vermogen. U wilt misschien nog andere voorspellers aan het model toevoegen om de pasvorm verder te verbeteren.
Figuur 19-7 Tests van effecten tussen proefpersonen

Elke term in het model, plus het model als geheel, wordt getest op de vraag of de waarde van zijn effect gelijk is aan 0. Termen met betekeniswaarden van minder dan 0,05 hebben een merkbaar effect. Zo dragen alle modeltermen bij aan het model.

Figuur 19-8 Parameterschattingen

De parameterschattingen geven het effect van elke voorspeller op Uitgegeven bedrag. De waarde van 518.249 voor de onderschepper term geeft aan dat de kruidenierswinkelketen kan verwachten een shopper met een familie die gebruik maakt van coupons uit de krant en gerichte mailings om $518,25, gemiddeld besteden. Je kunt zien dat de intercept geassocieerd is met deze factor niveaus omdat dit zijn het niveau van factoren waarvan parameters overbodig.
• De shopvoor coëfficiënten suggereren dat onder klanten die zowel gemailde coupons gebruiken en
De heer Prag (ED). - (EN) Mijnheer de Voorzitter, ik wil het hebben over een aantal punten die in dit debat aan bod komen. Aangezien uit de tests van modeleffecten is gebleken dat deze term bijdraagt aan het model, zijn die verschillen niet toe te schrijven aan toeval.
• De usecoup coëfficiënten suggereren dat uitgaven onder klanten met afhankelijke mensen thuis
neemt af bij een verminderd coupongebruik. De schattingen bevatten een matige hoeveelheid onzekerheid, maar de betrouwbaarheidsintervallen omvatten geen 0.
The interaction coefficients suggest that customers who do not use coupons or only clip from
de krant en hebben geen afhankelijken neigen om meer uit te geven dan je anders zou verwachten. Als een deel van een interactieparameter overbodig is, dan is de interactie parameter redundant.
The deviation in the values of the design effects from 1 indicate that some of the standard
De berekende fouten voor deze parameterschattingen zijn groter dan die welke je zou krijgen als je ervan uitging dat de waarnemingen afkomstig waren van een eenvoudige willekeurige steekproef, terwijl andere kleiner zouden zijn. Het is van vitaal belang om de sampling ontwerp informatie in uw analyse te verwerken, omdat u anders zou kunnen afleiden dat bijvoorbeeld het usecoup=3 coëfficiënt is niet verschillend van 0!

Complexe monsters Algemeen Lineair Model
De parameterschattingen zijn nuttig voor het kwantificeren van de effecten van elke modelterm, maar door de geschatte marginale gemiddelden kunnen de resultaten gemakkelijker worden geïnterpreteerd.
Figuur 19-9 Geschatte marginale middelen door niveaus van Who shopping voor

Deze tabel geeft de modelgeschatte marginale middelen en standaardfouten van Uitgegeven bedrag bij de factorniveaus van Wie winkelt er voor. Deze tabel is nuttig voor het onderzoeken van de verschillen tussen de niveaus van deze factor. In dit voorbeeld, een klant die winkelt voor hem- of zichzelf wordt verwacht om ongeveer $308.53 te besteden, terwijl een klant met een echtgenoot naar verwachting $370.34 uit te geven en een klant van afhankelijken zal uitgeven $459.44. Om te zien of dit een echt verschil vertegenwoordigt, dan wel door kansvariaties is, kijk naar de testresultaten.
Figuur 19-10 Individuele testresultaten voor geschatte marginale geslachtsgewichten

De individuele testtabel toont twee eenvoudige contrasten in uitgaven.
• De contrastschatting is het verschil in uitgaven voor de vermelde niveaus van Wie winkelt er voor.
The hypothesized value of 0.00 represents the belief that there is no difference in spending.
The Wald F De Commissie heeft de volgende maatregelen genomen:
Het verschil tussen een contrastschatting en de hypothesewaarde is te wijten aan kansvariatie.
Since the significance values are less than 0.05, you can conclude that there are differences in
uitgaven.
De waarden van de contrastschattingen verschillen van die voor parameterramingen. Dit komt omdat er een interactie term die de Wie winkelt er voor effect. Als gevolg hiervan is de parameterschatting voor shopfor=1 is een eenvoudig contrast tussen de niveaus Zelf en Zelf en familie op het niveau Van beide van de variabele coupons gebruiken. De in deze tabel opgenomen contrastschatting wordt gemiddeld over de niveaus van coupons gebruiken.

Figuur 19-11 Algemene testresultaten voor geschatte marginale geslachtsgewichten
De totale testtabel geeft de resultaten van een test met alle contrasten in de afzonderlijke testtafel weer. De betekenis van de begroting is minder dan 0,05, hetgeen bevestigt dat er een verschil bestaat in uitgaven tussen het niveau van Wie winkelt er voor.
Figuur 19-12 Geschatte marginale middelen door niveaus van winkelstijl

Deze tabel geeft de modelgeschatte marginale middelen en standaardfouten van Uitgegeven bedrag bij de factorniveaus van coupons gebruiken. Deze tabel is nuttig voor het onderzoeken van de verschillen tussen de niveaus van deze factor. In dit voorbeeld, een klant die geen coupons gebruikt wordt verwacht om ongeveer $319.65 te besteden en degenen die wel gebruik maken van coupons worden geacht aanzienlijk meer uit te geven.
Figuur 19-13 Individuele testresultaten voor geschatte marginale winkelstijl

De individuele testtabel toont drie eenvoudige contrasten, waarbij de uitgaven van klanten die geen coupons gebruiken worden vergeleken met degenen die dat wel doen.
Aangezien de betekenis van de tests minder dan 0,05 zijn, kunt u concluderen dat klanten die coupons gebruiken hebben de neiging om meer uit te geven dan degenen die niet.
Figuur 19-14 Algemene testresultaten voor geschatte marginale winkelstijl

De totale testtabel geeft de resultaten weer van een test met alle contrasten in de afzonderlijke testtafel. De betekenis van de begroting is minder dan 0,05, hetgeen bevestigt dat er een verschil bestaat in uitgaven tussen het niveau van coupons gebruiken. Merk op dat de algemene tests voor coupons gebruiken en Wie winkelt er voor zijn gelijk aan de tests van modeleffecten omdat het hypothesized contrast waarde is gelijk aan 0.

Complexe monsters Algemeen Lineair Model
Figuur 19-15 Geschatte marginale middelen door geslachtsniveaus naar winkelstijl

Deze tabel geeft de modelgeschatte marginale middelen, standaardfouten en betrouwbaarheidsintervallen van Uitgegeven bedrag bij factorcombinaties van Wie winkelt er voor en coupons gebruiken. Deze tabel is nuttig voor het onderzoeken van de interactie-effect tussen deze twee factoren die werd gevonden in de tests van modeleffecten.
In dit voorbeeld, de geschatte marginale middelen bleek verschillen in uitgaven tussen klanten op verschillende niveaus van Wie winkelt er voor en coupons gebruiken. De proeven van modeleffecten bevestigden dit, evenals het feit dat er een Wie winkelt voor* Gebruik coupons interactie-effect. Uit de samenvattingstabel van het model bleek dat dit model iets meer dan de helft van de variatie in gegevens verklaart en waarschijnlijk kan worden verbeterd door meer voorspellers toe te voegen.
De procedure voor complexe monsters algemeen lineair model is een nuttig instrument om een schaalvariabele te modelleren wanneer de gevallen zijn getrokken volgens een complex bemonsteringsschema.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to specify analysis specifications
voor een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples Logistic Regression procedure allows you to model a categorical
Antwoord.
The Complex Samples Ordinal Regression procedure allows you to model an ordinal response.

De complexe procedure voor de logistische regressie van monsters voert logistieke regressieanalyses uit op een binaire of multinomiale afhankelijke variabele voor stalen die worden getrokken met behulp van ingewikkelde bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Als u een leningsambtenaar bij een bank bent, wilt u kenmerken kunnen identificeren die indicatief zijn voor mensen die waarschijnlijk in gebreke blijven op leningen en dan gebruik maken van deze eigenschappen om goede en slechte kredietrisico's te identificeren.
Stel dat een leningsambtenaar gegevens heeft verzameld van klanten die leningen hebben verstrekt bij verschillende vestigingen, volgens een complex ontwerp. Deze informatie is opgenomen in bank oan.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. De agent wil zien of de kans waarmee een klant in gebreke blijft verband houdt met leeftijd, arbeidsverleden en het bedrag van kredietschulden, inclusief het steekproefontwerp.
E Om het logistieke regressiemodel te maken, kies uit de menu's:
Analyseer > Complexe Monsters > Logistische Regressie...
© Copyright SPSS Inc. 1989, 2010 186

Complexe stalen logistische regressie
Figuur 20-1 Complexe dialoogvenster Monsterplan

E Blader naar en selecteer bankloan.csaplan. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in
Aanhangsel A in IBM SPS Complex Monsters 19.
E Klik verder.

Figuur 20-2 Logistieke Regressie dialoogvenster
E Selecteren Eerder standaard als de afhankelijke variabele.
E Selecteren Onderwijsniveau Als factor.
E Selecteren Leeftijd in jaren door Overige schuld in duizenden als covarianten.
E Selecteren Eerder standaard en klik op referentie categorie.

Complexe stalen logistische regressie
Figuur 20-3 Logistieke Regressie Referentie Categorie dialoogvenster

E Selecteer de laagste waarde als referentiecategorie.
Dit stelt de categorie .qd niet standaard-aanwezig als referentiecategorie; dus, zullen de odds ratio's gerapporteerd in de output hebben dat het verhogen van kansen verhouding correspondeert met toenemende kans op wanbetaling.
E Klik verder.
E Klik op Statistieken in het Logistieke Regressie dialoogvenster.
Figuur 20-4 Logistieke Regressie Statistieken dialoogvenster
E Selecteer classificatietabel in de Model Fit-groep
E Selecteer schatting, Exponentiated estimation, Standard error, Betrouwbaarheidsinterval en ontwerp effect in
de Parametersgroep.
E Klik verder.
E Klik op Odds Ratio's in het Logistic Regresion dialoogvenster.

Figuur 20-5 Logistieke Regressie Odds Ratio's dialoogvenster
E Kies om odds ratio's voor de factor aan te maken rd En de mede-varianten. werk en schuldinc.
E Klik verder.
E Klik op OK in het Logistic Regression dialoogvenster.
Figuur 20-6 Pseudo R-kwadraatstatistieken

In het lineaire regressiemodel wordt de bepalingscoëfficiënt bepaald, R2, vat het percentage van de variatie in de afhankelijke variabele geassocieerd met de voorspeller (onafhankelijk) variabelen samen, waarbij groter R2 waarden die aangeven dat meer van de variatie wordt verklaard door het model, tot een maximum van 1. Voor regressiemodellen met een categorische afhankelijke variabele is het niet mogelijk om één enkele R2 statistiek die alle kenmerken van R2 in het lineaire regressiemodel, zodat deze benaderingen worden berekend. De volgende methoden worden gebruikt om de bepalingscoëfficiënt te schatten.
Cox and Snell’s R2 (Cox en Snell, 1989) is gebaseerd op de log-waarschijnlijkheid voor het model
in vergelijking met de log-waarschijnlijkheid voor een basismodel. Met categorische uitkomsten heeft het echter een theoretische maximale waarde van minder dan 1, zelfs voor een perfecte .
. Nagelkerke R2 (Nagelkerke, 1991) is een aangepaste versie van de Cox & Snell R- vierkant dat
past de schaal van de statistiek aan om het volledige bereik te bestrijken tussen 0 en 1.
McFaddens R2 (McFadden, 1974) is een andere versie gebaseerd op de log-likelihood kernels voor
het model alleen voor onderschepping en het volledige geschatte model.

Complexe stalen logistische regressie
Wat is een goede ? R2 waarde varieert tussen verschillende toepassingsgebieden. Hoewel deze statistieken op zichzelf al suggestief kunnen zijn, zijn ze het meest nuttig bij de vergelijking van concurrerende modellen voor dezelfde gegevens. Het model met de grootste R2 statistiek is ..beste volgens deze maatregel.
Figuur 20-7 Indelingstabel

De classificatietabel toont de praktische resultaten van het gebruik van het logistieke regressiemodel. Voor elk geval is de voorspelde respons Ja. indien de modelvoorspelde logit groter is dan 0. Gevallen worden gewogen met eindgewicht, zodat de classificatietabel de verwachte modelprestaties in de bevolking meldt.
Cells on the diagonal are correct predictions.
Cells off the diagonal are incorrect predictions.
Op basis van de gevallen die gebruikt worden om het model te maken, kunt u verwachten dat 85.5% van de niet-defaulters in de populatie correct classificeren met behulp van dit model. Ook kunt u verwachten om te correct classificeren 60,9% van de in gebreke gebleven personen. Over het geheel genomen kan je verwachten dat 76,5% van de gevallen correct worden ingedeeld; omdat deze tabel is samengesteld met de cases die zijn gebruikt om dit model te creëren, zullen deze schattingen waarschijnlijk al veel te optimistisch zijn.
Figuur 20-8 Tests van effecten tussen proefpersonen


Elke term in het model, plus het model als geheel, wordt getest op de vraag of zijn effect gelijk is aan 0. Termen met betekeniswaarden van minder dan 0,05 hebben een merkbaar effect. Zo, leeftijd, werk, schuldinc, en schuldbekentenis bijdragen tot het model, terwijl de andere belangrijkste effecten dat niet doen. In een verdere analyse van de gegevens, zou u waarschijnlijk verwijderen rd, adres, inkomen, en schuld van modelconsideratie.
Figuur 20-9 Parameterschattingen

De tabel met de ramingen van parameters geeft een overzicht van het effect van elke voorspeller. Merk op dat parameterwaarden de waarschijnlijkheid van de categorie .qd-default Zo verhogen parameters met positieve coëfficiënten de kans op wanbetaling, terwijl parameters met negatieve coëfficiënten de waarschijnlijkheid van wanbetaling verminderen.
De betekenis van een logistische regressiecoëfficiënt is niet zo eenvoudig als die van een lineaire regressiecoëfficiënt. Terwijl B geschikt is voor het testen van de modeleffecten; Exp(B) is gemakkelijker te interpreteren. Exp(B) De verhoudingsverandering in de kansen van het geval van rente die kan worden toegeschreven aan een eenmalige toename van de voorspeller voor voorspellende factoren, die geen deel uitmaken van interactietermen. Bijvoorbeeld, Exp(B) voor werk is gelijk aan 0,798, wat betekent dat de kans op wanbetaling voor mensen die al twee jaar bij hun huidige werkgever zijn 0.798 keer zo groot als de kans van verzuim voor degenen die een jaar met hun huidige werkgevers samenzijn en alle andere dingen gelijkwaardig zijn geweest.
De ontwerpeffecten geven aan dat sommige van de standaardfouten berekend voor deze parameter schattingen groter zijn dan die je zou krijgen als u veronderstelde dat deze waarnemingen afkomstig waren uit een eenvoudige willekeurige steekproef, terwijl andere kleiner. Het is van vitaal belang om de sampling ontwerp informatie in uw analyse te verwerken, omdat u anders zou kunnen afleiden dat bijvoorbeeld de leeftijdscoëfficiënt niet verschilt van 0!

Complexe stalen logistische regressie
Figuur 20-10 Odds ratio's voor het opleidingsniveau

Deze tabel toont de odds ratio's van Eerder standaard bij de factorniveaus van Onderwijsniveau. De gerapporteerde waarden zijn de ratio's van de kans op wanbetaling voor Heeft de middelbare school niet voltooid door Collegediploma, vergeleken met de kans op wanbetaling voor Post-undergraduate. De kans op een odds ratio van 2.054 in de eerste rij van de tabel betekent dus dat de kansen voor iemand die niet volledig middelbare school zijn 2,054 keer de kans op wanbetaling voor een persoon met een post-undergraduate diploma.
Figuur 20-11 Odds ratio's voor jaren met de huidige werkgever

Deze tabel toont de odds ratio van Eerder standaard voor een verandering van de eenheid in het covariate Jaren met de huidige werkgever. De gerapporteerde waarde is de verhouding tussen het verschil in wanbetaling voor een persoon met 7,99 jaar op hun huidige baan, vergeleken met de kans dat iemand met 6,99 jaar (het gemiddelde) niet aan zijn verplichtingen voldoet.
Figuur 20-12 Odds ratio's for schuld/inkomenratio


Deze tabel toont de odds ratio van Eerder standaard voor een verandering van de eenheid in het covariate Schuld/inkomensratio. De gerapporteerde waarde is de verhouding tussen het verschil in wanbetaling voor een persoon met een schuld/inkomensverhouding van 10,9341 ten opzichte van de kans op verzuim voor iemand met 9,9341 (het gemiddelde).
Merk op dat omdat geen van deze voorspellers deel uitmaken van interactietermen, de waarden van de odds ratio's die in deze tabellen worden gerapporteerd gelijk zijn aan de waarde van de exponentiated parameterschatting. Wanneer een voorspeller deel uitmaakt van een interactieterm, zal de odds ratio zoals gerapporteerd in deze tabellen ook afhangen van de waarden van andere voorspellers die samen met de wisselwerking bestaan.
Met behulp van de Complexe Monsters Logistic Regressie Procedure, hebt u een model voor het voorspellen van de kans dat een bepaalde klant zal in gebreke blijven op een lening.
Een cruciaal probleem voor leningsfunctionarissen zijn de kosten van fouten in type I en Type II. Dat wil zeggen, wat is de kosten van het classificeren van een in gebreke gebleven persoon als niet-defaulter (Type I)? Wat is de kosten van het classificeren van een niet-defaulter als standaardsoldaten (type II)? Als slechte schuld is de primaire zorg, dan wilt u uw Type I fout te verlagen en maximaliseren van je gevoeligheid. Als het kweken van uw klantenbestand de prioriteit is, dan wilt u verlagen uw Type II fout en maximaliseren specificiteit. Meestal zijn beide belangrijke zorgen, dus je moet kiezen voor een beslissing regel voor het classificeren van klanten die de beste mix van gevoeligheid en specificiteit geeft.
De complexe procedure voor de logistische regressie van monsters is een nuttig instrument om een categorische variabele te modelleren wanneer de gevallen zijn getrokken volgens een complex bemonsteringsschema.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to specify analysis specifications
voor een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples General Linear Model procedure allows you to model a scale response.
The Complex Samples Ordinal Regression procedure allows you to model an ordinal response.

De complexe procedure voor de Ordinale Regressie van monsters creëert een voorspellend model voor een ordinaal afhankelijke variabele voor stalen die worden getrokken met behulp van ingewikkelde bemonsteringsmethoden. Optioneel kunt u analyses aanvragen voor een subpopulatie.
Vertegenwoordigers die een wetsvoorstel voor de wetgever overwegen, zijn geïnteresseerd in het feit of er publieke steun is voor het wetsontwerp en hoe ondersteuning van het wetsvoorstel gerelateerd is aan kiezersdemografie. Pollsters ontwerpen en voeren interviews volgens een complex sampling ontwerp.
De enquêteresultaten worden verzameld in pol cs sample.sav. Het door de stemmers gebruikte bemonsteringsplan is opgenomen in poll.csplan; omdat het gebruik maakt van een waarschijnlijkheids-proportioneel-maat (PPS) methode, is er ook een bestand met de gezamenlijke selectie mogelijkheden (poll jointprob.sav). Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik Complexe Monsters Ordinale Regressie om een model te passen voor het niveau van steun aan de wet op basis van kiezersdemografie.
E Om een complexe Monsters Ordinale Regressie analyse uit te voeren, kies van de menu's:
Analyseer > Complexe Monsters > Ordinale Regressie...
© Copyright SPSS Inc. 1989, 2010 195

Figuur 21-1 Complexe dialoogvenster Monsterplan

E Blader naar en selecteer poll.csplan als het plandossier. Voor meer informatie, zie het onderwerp Voorbeeldbestanden
in aanhangsel A, IBM SPS Complex Monsters 19.
E Selecteren poll jointprob.sav als het gezamenlijke waarschijnlijkheidsbestand.
E Klik verder.

Complexe monsters Ordinale Regressie
Figuur 21-2 Dialoogvenster voor de normale regressie
E Selecteren De wetgever moet een gasbelasting heffen als de afhankelijke variabele.
E Selecteren Leeftijdscategorie door Rijfrequentie Als factoren.
E Klik op statistieken.

Figuur 21-3 Dialoogvenster Ordinale Regressie Statistieken
E Selecteer classificatietabel in de Model Fit-groep.
E Selecteer schatting, Exponentiated estimation, Standard error, Betrouwbaarheidsinterval en ontwerp effect in
de Parametersgroep.
E Selecteer Wald test van gelijke hellingen en parameter schattingen voor algemene (ongeëvenaarde pistes) model.
E Klik verder.
E Klik op Hypothesetesten in het dialoogvenster Complexe Monsters Ordinale Regressie.

Complexe monsters Ordinale Regressie
Figuur 21-4 Dialoogvenster Hypothesetesten

Zelfs voor een matig aantal voorspellende en respons categorieën, de Wald F teststatistieken kunnen niet worden geschat voor de proef van parallelle lijnen.
E Selecteer Aangepaste F in de test statistic groep.
E Selecteer Sequential Sidak als aanpassingsmethode voor meerdere vergelijkingen.
E Klik verder.
E Klik op Odds Ratio's in het dialoogvenster Complexe Monsters Ordinale Regressie.
Figuur 21-5 Dialoogvenster Odds Ratio's van de ordinale regressie
E Kies om cumulatieve odds ratio's voor te produceren Leeftijdscategorie en Rijfrequentie.
E Selecteer 10-14.999 mijl/jaar, een meer
categorie voor Rijfrequentie.
E Klik verder.

E Klik op OK in het dialoogvenster Complexe Monsters Ordinale Regressie.
Figuur 21-6 Pseudo R-Squares

In het lineaire regressiemodel wordt de bepalingscoëfficiënt bepaald, R2, vat het percentage van de variatie in de afhankelijke variabele geassocieerd met de voorspeller (onafhankelijk) variabelen samen, waarbij groter R2 waarden die aangeven dat meer van de variatie wordt verklaard door het model, tot een maximum van 1. Voor regressiemodellen met een categorische afhankelijke variabele is het niet mogelijk om één enkele R2 statistiek die alle kenmerken van R2 in het lineaire regressiemodel, zodat deze benaderingen worden berekend. De volgende methoden worden gebruikt om de bepalingscoëfficiënt te schatten.
Cox and Snell’s R2 (Cox en Snell, 1989) is gebaseerd op de log-waarschijnlijkheid voor het model
in vergelijking met de log-waarschijnlijkheid voor een basismodel. Met categorische uitkomsten heeft het echter een theoretische maximale waarde van minder dan 1, zelfs voor een perfecte .
. Nagelkerke R2 (Nagelkerke, 1991) is een aangepaste versie van de Cox & Snell R- vierkant dat
past de schaal van de statistiek aan om het volledige bereik te bestrijken tussen 0 en 1.
McFaddens R2 (McFadden, 1974) is een andere versie gebaseerd op de log-likelihood kernels voor
het model alleen voor onderschepping en het volledige geschatte model.
Wat is een goede ? R2 waarde varieert tussen verschillende toepassingsgebieden. Hoewel deze statistieken op zichzelf al suggestief kunnen zijn, zijn ze het meest nuttig bij de vergelijking van concurrerende modellen voor dezelfde gegevens. Het model met de grootste R2 statistiek is ..beste volgens deze maatregel.
Figuur 21-7 Tests van modeleffecten


Complexe monsters Ordinale Regressie
Elke term in het model wordt getest op de vraag of zijn effect gelijk is aan 0. Termen met betekeniswaarden minder dan 0,05 hebben een duidelijk effect. Zo, agecat en drivefreq bijdragen tot het model, terwijl de andere belangrijkste effecten dat niet doen. In een verdere analyse van de gegevens, zou u overwegen te verwijderen geslacht en stemuitslag van het model.
De tabel met de ramingen van parameters geeft een overzicht van het effect van elke voorspeller. Hoewel de interpretatie van de coëfficiënten in dit model moeilijk is vanwege de aard van de koppelingsfunctie, kunnen de tekenen van de covarianten en relatieve waarden voor factorniveaus belangrijke inzichten geven over het effect van de voorspellers in het model.
For covariates, positive (negative) coefficients indicate positive (inverse) relationships
tussen voorspellers en resultaten. Een toenemende waarde van een covariant met een positieve coëfficiënt komt overeen met de toegenomen kans dat het in één van de .hogere cumulatieve uitkomstcategorieën zal zijn.
• Voor factoren duidt een factorniveau met een grotere coëfficiënt op meer kans dat men in
een van de .Hoger-gecumuleerde resultaatcategorieën. Het teken van een coëfficiënt voor een factorniveau is afhankelijk van dat factorniveaueffect ten opzichte van de referentiecategorie.
Figuur 21-8 Parameterschattingen

U kunt de volgende interpretaties maken op basis van parameterschattingen:
Those in lower age categories show greater support for the bill than those in the highest age
categorie.

Those who drive less frequently show greater support for the bill than those who drive more
vaak.
The coefficients for the variables geslacht en stemuitslag, naast het feit dat niet statistisch
De Commissie heeft de Raad op 20 juni een voorstel voor een verordening voorgelegd betreffende het stelsel van eigen middelen.
De ontwerpeffecten geven aan dat sommige van de standaardfouten berekend voor deze parameter schattingen groter zijn dan die je zou krijgen als u een eenvoudige willekeurige steekproef gebruikt, terwijl andere kleiner. Het is van vitaal belang om de gegevens over het steekproefontwerp in uw analyse op te nemen, omdat u anders zou kunnen afleiden dat bijvoorbeeld de coëfficiënt voor het derde niveau Leeftijdscategorie, [agecat=3], is aanzienlijk verschillend van 0!
Figuur 21-9 Categoriematige variabele informatie

Gezien de waargenomen gegevens zou het .null Akkoord. Het nulmodel zou dus 27,3% van de tijd correct zijn.

Complexe monsters Ordinale Regressie
Figuur 21-10 Indelingstabel

De classificatietabel toont de praktische resultaten van het gebruik van dit model. Voor elk geval is de voorspelde respons de reactiecategorie met de hoogste modelvoorspelde waarschijnlijkheid. Gevallen worden gewogen met Eindbemonsteringsgewicht, zodat de classificatietabel de verwachte modelprestaties in de bevolking meldt.
Cells on the diagonal are correct predictions.
Cells off the diagonal are incorrect predictions.
Het model classificeert 9,9% meer, of 37,2% van de gevallen. Het model is met name veel beter in het classificeren van degenen die Akkoord of Zeer oneens, en iets slechter met degenen die Niet mee eens.
Cumulatieve kansen worden gedefinieerd als de verhouding tussen de waarschijnlijkheid dat een afhankelijke variabele een waarde heeft die kleiner is dan of gelijk is aan een bepaalde responscategorie, en het risico bestaat dat hij een grotere waarde neemt dan deze reactiecategorie. De cumulatieve odds ratio de verhouding tussen cumulatieve kansen voor verschillende voorspellerswaarden en is nauw gerelateerd aan de exponentiated parameterschattingen. Interessant is dat de cumulatieve odds ratio zelf niet afhankelijk is van de responscategorie.
Figuur 21-11 Cumulatieve odds ratio's voor leeftijdscategorie

Deze tabel geeft cumulatieve odds ratio's voor de factor niveaus van Leeftijdscategorie. De gerapporteerde waarden zijn de ratio's van de cumulatieve odds voor 18–30 door 46–60, vergeleken met de cumulatieve kansen voor >60. De odds ratio van 1.383 in de eerste rij van de tabel betekent dus dat de cumulatieve kansen voor een persoon tussen 18 en 30 jaar 1,383 keer zo groot zijn als die bij iemand ouder dan 60. Merk op dat omdat Leeftijdscategorie is niet betrokken bij enige interactie termen, de odds ratio's zijn

alleen de ratio's van de exponentiated parameterschattingen. Bijvoorbeeld, de cumulatieve odds ratio voor 18–30 vs. >60 is 1.00/0.723 = 1.383.
Figuur 21-12 Odds ratio's voor rijfrequentie

Deze tabel geeft de cumulatieve odds ratio's voor het factorniveau van Rijfrequentie, met 10 als referentiecategorie. Sinds Rijfrequentie is niet betrokken bij enige interactie termen, de odds ratio's zijn slechts de verhoudingen van de exponentiated parameter schattingen. Bijvoorbeeld, de cumulatieve odds ratio voor 20 vs. 10 is 0.101/0.444 = 0.227.
Figuur 21-13 Test van parallelle lijnen

De test van parallelle lijnen kan u helpen beoordelen of de aanname dat de parameters voor alle responscategorieën hetzelfde zijn redelijk is. Deze test vergelijkt het geschatte model met één stel coëfficiënten voor alle categorieën met een algemeen model, waarbij de coëfficiënt per categorie afzonderlijk wordt vastgesteld.
De Wald F test is een omnibustest van de contrastmatrix voor de veronderstelling dat parallelle lijnen asymptotisch correct zijn p waarden; voor kleine tot middelgrote monsters, de aangepaste Wald F statistiek presteert goed. De betekeniswaarde is bijna 0,05, wat suggereert dat het algemene model een verbetering in de pasvorm kan geven; echter, de Sequential Sidak aangepaste test meldt een significantie waarde hoog genoeg (0,392) die over het algemeen geen duidelijk bewijs voor afwijzing van de parallellijnen veronderstelling. De sequentiële Sidak test begint met individuele contrast Wald tests om een totaal p waarde, en deze resultaten moeten vergelijkbaar zijn met het omnibus Wald-testresultaat. Het feit dat ze in dit voorbeeld zo verschillend zijn is enigszins verrassend, maar kan te wijten zijn aan het bestaan van vele contrasten in de test en een relatief kleine ontwerp graden vrijheid.

Complexe monsters Ordinale Regressie
Figuur 21-14 Parameterschattingen voor het algemene cumulatieve model (gedeeltelijk weergegeven)

Bovendien lijken de geraamde waarden van de algemene modelcoëfficiënten niet veel te verschillen van die welke in het kader van de parallelle lijnen worden verondersteld.
De proeven van modeleffecten hebben aangetoond dat de modelcoëfficiënten voor Geslacht en Stemuitslag bij de laatste verkiezingen zijn niet statistisch significant verschillend van 0.
E Om een gereduceerd model te produceren, moet u het dialoogvenster Complexe Monsters Ordinale Regressie terugroepen.

E Klik op Doorgaan in het dialoogvenster Plan.
Figuur 21-15 Dialoogvenster voor de normale regressie

E Deselecteren Geslacht en Stemuitslag bij de laatste verkiezingen Als factoren.
E Klik op Opties.

Complexe monsters Ordinale Regressie
Figuur 21-16 Dialoogvenster Ordinale Regressieopties

E Selecteer iteratiegeschiedenis weergeven.
De iteratiegeschiedenis is nuttig voor het diagnosticeren van problemen die door de schatting algorithme worden ondervonden.
E Klik verder.
E Klik op OK in het dialoogvenster Complexe Monsters Ordinale Regressie.
Figuur 21-17 Waarschuwingen voor verminderd model

De waarschuwingen wijzen erop dat de schatting van het gereduceerde model eindigde voordat de parameterschattingen convergentie bereikten omdat de log-likelithiciteit niet kon worden verhoogd met enige verandering, of .stap, in de huidige waarden van de parameterramingen.

Figuur 21-18 Waarschuwingen voor verminderd model

Als je de iteratiegeschiedenis bekijkt, zijn de veranderingen in de parameterschattingen over de laatste paar herhalingen licht genoeg dat je niet erg bezorgd bent om het waarschuwingsbericht.
Figuur 21-19 Pseudo R-Square voor gereduceerd model
De R2 waarden voor het gereduceerde model zijn identiek aan die van het oorspronkelijke model. Dit is bewijs voor het gereduceerde model.
Figuur 21-20 Indelingstabel voor gereduceerd model

De classificatietabel maakt het wat ingewikkelder. De totale classificatie van 37,0% voor het gereduceerde model is vergelijkbaar met de oorspronkelijke versie, die bewijs ten gunste van het verminderde model. Het verminderde model verschuift echter de voorspelde respons van 3,8% van de kiezers

Complexe monsters Ordinale Regressie
van Niet mee eens tot Akkoord, van wie meer dan de helft heeft gereageerd Niet mee eens of Zeer oneens. Dit is een zeer belangrijk onderscheid dat zorgvuldig moet worden overwogen alvorens het gereduceerde model te kiezen.
Met behulp van de Complexe Monsters Ordinale Regressieprocedure, hebt u concurrerende modellen voor het niveau van steun voor de voorgestelde wetsvoorstel op basis van kiezersdemografie. De test van parallelle lijnen toont aan dat een algemeen cumulatief model niet nodig is. De tests van modeleffecten suggereren dat Geslacht en Stemuitslag bij de laatste verkiezingen De Commissie heeft de Raad verzocht om een voorstel voor een richtlijn betreffende het intracommunautaire handelsverkeer van bepaalde produkten uit derde landen, met name die welke zijn opgenomen in bijlage I bij Richtlijn 76/464/EEG.R2 en de totale classificatie in vergelijking met het oorspronkelijke model. Het gereduceerde model geeft echter een verkeerde classificatie van meer kiezers in de Akkoord/Niet mee eens De wetgevers houden het oorspronkelijke model voorlopig liever bij.
De complexe procedure voor de normale regressie van monsters is een nuttig hulpmiddel om een ordinale variabele te modelleren wanneer de gevallen zijn getrokken volgens een complex bemonsteringsschema.
The Complex Samples Sampling Wizard is used to specify complex sampling design
specificaties en een monster te verkrijgen. Het steekproefplanbestand dat door de Sampling Wizard wordt gemaakt, bevat een standaardanalyseplan en kan worden gespecificeerd in het dialoogvenster Plan wanneer u het volgens dit plan verkregen monster analyseert.
The Complex Samples Analysis Preparation Wizard is used to specify analysis specifications
voor een bestaand complex monster. Het analyseplanbestand dat door de Sampling Wizard wordt gemaakt, kan worden gespecificeerd in het dialoogvenster Plan wanneer u een steekproef analyseert die overeenkomt met dit plan.
The Complex Samples General Linear Model procedure allows you to model a scale response.
The Complex Samples Logistic Regression procedure allows you to model a categorical
Antwoord.

De complexe procedure voor de regressie van monsters Cox voert overlevingsanalyse uit bij stalen die worden genomen met behulp van ingewikkelde bemonsteringsmethoden.
Een overheidsbureau voor wetshandhaving is bezorgd over de recidivisten in hun rechtsgebied. Een van de maatregelen voor recidivisme is het moment tot tweede arrestatie. Het agentschap wil de tijd om te repareren modelleren met Cox Regressie op een monster genomen door middel van complexe bemonsteringsmethoden, maar zij zijn bang dat het proportionele risico veronderstelde ongeldig is over leeftijdscategorieën.
Personen die in juni 2003 uit hun eerste arrestatie zijn vrijgelaten, werden geselecteerd bij de in de steekproef opgenomen departementen en hun geschiedenis werd eind juni 2006 gecontroleerd. Het monster wordt verzameld in recidivisme cs sample.sav. Het gebruikte bemonsteringsplan is opgenomen in recidivisme cs.csplan; omdat het gebruik maakt van een waarschijnlijkheids-proportioneel-maat (PPS) methode, is er ook een bestand met de gezamenlijke selectie mogelijkheden (recidivisme cs jointprob.sav). Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik complexe monsters Cox Regressie om de geldigheid van het proportionele risico-aanname te beoordelen en pas een model aan met tijdsafhankelijke voorspellers, indien nodig.
De dataset bevat de datums van vrijlating vanaf eerste arrestatie en tweede aanhouding; aangezien Cox regressie de overlevingstijd analyseert, moet je berekenen hoeveel tijd er tussen deze data ligt.
Echter, Datum van tweede aanhouding [datum2] bevat gevallen met de waarde 10/03/1582, een ontbrekende waarde voor datumvariabelen. Dit zijn mensen die geen tweede overtreding hebben gehad, en we willen ze zeker als rechtsgecensureerde gevallen in het model opnemen. Het einde van de follow-up periode was 30 juni 2006, dus we gaan om te hercoderen 10/03/1582 tot 06/30/2006.
E Om deze waarden te hercoderen, kies uit de menu's:
Transformeren > Variabele berekenen...
© Copyright SPSS Inc. 1989, 2010 210

Complexe monsters Cox Regressie
Figuur 22-1 Variabel dialoogvenster berekenen

E-datum2 als doelvariabele.
E Type DATE.DMY(30,6,2006) als expressie
E Klik If.

Figuur 22-2 Variabel berekenen als gevallen dialoogvenster

E Selecteer Include indien het geval voldoet aan de voorwaarde.
E Type MISSING(date2) als expressie.
E Klik verder.
E Klik op OK in het dialoogvenster Variable berekenen.
E Vervolgens, om de tijd tussen eerste en tweede arrestatie te berekenen, kiezen uit het menu:
Transformeren > Datum- en tijdwizard...

Complexe monsters Cox Regressie
Figuur 22-3 Datum en tijd Wizard, welkom stap

E Selecteer Bereken met data en tijden.
E Klik op Volgende.

Figuur 22-4 Datum en tijd Wizard, Rekenen op Data step

E Selecteer Bereken het aantal tijdseenheden tussen twee data.
E Klik op Volgende.

Complexe monsters Cox Regressie
Figuur 22-5 Datum en tijd Wizard, Bereken het aantal tijdeenheden tussen twee data stap

E Selecteren Datum van tweede aanhouding [datum2] als eerste afspraakje.
E Selecteren Datum van vrijlating uit eerste aanhouding [datum1] als datum waarop de eerste dag moet worden afgetrokken.
E Selecteer Dagen als de eenheid.
E Klik op Volgende.

Figuur 22-6 Datum en tijd Wizard, Berekening stap

E-type tijd uitvinden als de naam van de variabele die het tijdstip tussen beide data weergeeft.
E-type Tijd tot tweede arrestatie als het variabele etiket.
E Klik op Voltooien.
E Om een complexe monster Cox Regressie analyse te laten uitvoeren, kies uit de menu's:
Analyseer > Complexe Monsters > Cox Regressie...

Complexe monsters Cox Regressie
Figuur 22-7 Complexe Monsterplan voor Cox Regressie dialoogvenster

E Blader naar de map met voorbeeldbestanden en selecteer recidivisme cs.csplan als het plandossier.
E Selecteer Aangepast bestand in de groep Gezamenlijke Waarschijnlijkheden, blader naar de map Monsterbestanden en selecteer
recidivisme cs jointprob.sav.
E Klik verder.

Figuur 22-8 Cox Regressie dialoogvenster, Tijd en Gebeurtenis tabblad
E Selecteren Tijd tot tweede arrestatie [time to event] als de variabele die het einde van het interval definieert.
E Selecteren Tweede arrestatie [arrestatie2] als de variabele die aangeeft of het evenement heeft plaatsgevonden.
E Klik op Definieer Event.

Complexe monsters Cox Regressie
Figuur 22-9 Dialoogvenster voor gebeurtenissen definiëren
E Selecteer 1 Ja, aangezien de waarde die het geval van belang aangeeft (achteruitval) heeft plaatsgevonden.
E Klik verder.
E Klik op het tabblad Voorspellers.

Figuur 22-10 Cox Regressie dialoogvenster, tab Predictors

E Selecteren Leeftijd in jaren [leeftijd] als een covariant.
E Klik op het tabblad Statistieken.

Complexe monsters Cox Regressie
Figuur 22-11 Cox Regression dialoogvenster, tab Statistieken
E Selecteer Test van proportionele gevaren en selecteer Log als de tijdfunctie in het Model
Veronderstellingengroep.
E Selecteer parameterschattingen voor alternatief model.
E Klik OK.
Figuur 22-12 Gegevens over het ontwerp van de steekproef


Deze tabel bevat informatie over het ontwerp van de steekproef dat relevant is voor de schatting van het model.
There is one case per subject, and all 5,687 cases are used in the analysis.
The sample represents less than 2% of the entire estimated population.
• Het ontwerp verzocht om 4 lagen en 5 eenheden per strata voor in totaal 20 stuks,
het ontwerp. De ontwerpvrijheidsgraden van de bemonstering worden geschat op 20−4=16.
Figuur 22-13 Tests van modeleffecten

In het model van proportionele gevaren, de betekenis waarde voor de voorspellende factor leeftijd minder dan 0,05 is en lijkt derhalve bij te dragen aan het model.
Figuur 22-14 Algemene test van proportionele gevaren

Figuur 22-15 Parameterschattingen voor alternatief model

De significantiewaarde voor de totale test van proportionele gevaren is minder dan 0,05, wat erop wijst dat het vermoeden inzake evenredige risico's wordt geschonden. De logtijdfunctie wordt gebruikt voor het alternatieve model, dus zal deze tijdafhankelijke voorspellende factor gemakkelijk kunnen worden nagebootst.
E Herinneren van het Complexe Monsters Cox Regressie dialoogvenster en klik op de tab Predictors.

Complexe monsters Cox Regressie
E Klik op Nieuw.
Figuur 22-16 Cox Regressie Definieer het dialoogvenster Tijd-Ontwikkelde Predictor
E Typ t age als de naam van de tijdafhankelijke voorspeller die u wilt definiëren.
E Type In(T )*age als de numerieke expressie.
E Klik verder.

Figuur 22-17 Cox Regressie dialoogvenster, tab Predictors
E Selecteren t age als een covariant.
E Klik op het tabblad Statistieken.

Complexe monsters Cox Regressie
Figuur 22-18 Cox Regressie dialoogvenster, tab Predictors

E Selecteer schatting, standaardfout, betrouwbaarheidsinterval en ontwerpeffect in de Parametersgroep.
E Deselecteer test van proportionele gevaren en parameterschattingen voor alternatief model in het model
Veronderstellingengroep.
E Klik OK.
Figuur 22-19 Tests van modeleffecten

Met de toevoeging van een tijdafhankelijke voorspeller, is het belang waarde leeftijd 0.91, waaruit blijkt dat zijn bijdrage aan het model wordt vervangen door die van t age.

Figuur 22-20 Parameterschattingen

Als je kijkt naar de parameterschattingen en standaardfouten, kun je zien dat je het alternatieve model hebt nagebootst uit de test van proportionele gevaren. Door expliciet het model te specificeren, kunt u aanvullende parameterstatistieken en -diagrammen aanvragen. Hier hebben we het ontwerpeffect gevraagd; de waarde voor t age van minder dan 1 geeft aan dat de standaardfout voor t age kleiner is dan wat je zou krijgen als je aannam dat de dataset een simpel willekeurig monster was. In dit geval is het effect van t age statistisch significant zou zijn, maar de betrouwbaarheidsintervallen zouden groter worden.
Onderzoekers die overlevingstijden onderzoeken voor patiënten die een revalidatieprogramma na de ziekte verlaten, staan voor een aantal uitdagingen.
Meerdere zaken per onderwerp. Variabelen die de medische voorgeschiedenis van patiënten weergeven, moeten nuttig zijn als voorspellers. Na verloop van tijd kunnen patiënten ernstige medische voorvallen ervaren die hun medische geschiedenis veranderen. In deze gegevensset wordt het optreden van myocardinfarct, ischemische beroerte of bloedingsneiging genoteerd en de tijd waarop dit gebeurde geregistreerd. U kunt computable tijdafhankelijke covarianten binnen de procedure om deze informatie in het model te verwerken, maar het zou gemakkelijker moeten zijn meerdere gevallen per onderwerp te gebruiken. Merk op dat de variabelen oorspronkelijk gecodeerd waren zodat de patiëntgeschiedenis geregistreerd wordt over variabelen, dus je moet het dataset herstructureren.
Linkse truck. Het begin van het risico begint op het moment dat de ischemische beroerte. Echter, het monster omvat alleen patiënten die hebben overleefd van de revalidatie programma, dus wordt het monster links afgekort in de zin dat de waargenomen overlevingstijden worden ..opgeblazen door de duur van rehabilitatie. U kunt dit verklaren door het tijdstip waarop zij de revalidatie verlieten te specificeren als tijd van intreden.
Geen bemonsteringsplan. De gegevensverzameling is niet via een complex steekproefplan verzameld en wordt als eenvoudig willekeurig monster beschouwd. U moet een analyseplan maken om complexe monsters Cox Regression te gebruiken.
De dataset wordt verzameld in beroerte overleving.sav. Voor meer informatie, zie het onderwerp Voorbeeldbestanden in Bijlage A IBM SPS Complex Monsters 19. Gebruik de Restructure Data Wizard om de gegevens voor te bereiden op analyse, dan is het de Analyse Voorbereidingswizard aan een eenvoudig willekeurig steekproefplan te maken en tenslotte Complex Samples Cox Regression om een model voor overlevingstijd te bouwen.

Complexe monsters Cox Regressie
Voordat u de gegevens herstructureert, moet u twee bijkomende variabelen creëren om te helpen bij de herstructurering.
E Om een nieuwe variabele te berekenen, kies uit de menu's:
Transformeren > Variabele berekenen...
Figuur 22-21 Variabel dialoogvenster berekenen

E-type start tijd2 als de doelvariabele.
E-type tijd1 als de numerieke uitdrukking.
E Klik OK.

E Herinneren het dialoogvenster Variable berekenen.
Figuur 22-22 Variabel dialoogvenster berekenen

E-type start tijd3 als de doelvariabele.
E-type tijd2 als de numerieke uitdrukking.
E Klik OK.
E Om de gegevens van variabelen naar gevallen te herstructureren, kies uit het menu:
Gegevens > Restructuur...

Complexe monsters Cox Regressie
Figuur 22-23 Datawizard restructureren, Welkom stap

E Zorg ervoor dat geselecteerde variabelen in gevallen worden geherstructureerd.
E Klik op Volgende.

Figuur 22-24 Datawizard restructureren, Variabelen naar gevallen Aantal variabele groepen stap

E Selecteer meer dan één variabele groep om te herstructureren.
E Type 6 als het aantal groepen.
E Klik op Volgende.

Complexe monsters Cox Regressie
Figuur 22-25 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Selecteer in de groep "Geselecteerde variabele gebruiken" en selecteer Patiënt ID [geduldd] als
de identiteit van het onderwerp.
E Typ gebeurtenis als eerste doelvariabele.
E Selecteren Eerste gebeurtenis na de aanval [evenement1], Tweede gebeurtenis na de aanval [evenement2], en Derde gebeurtenis
Post-aanval [event3] als variabelen die moeten worden omgezet.
E Selecteren trans2 van de lijst met doelvariabele.

Figuur 22-26 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Typ start time als doelvariabele.
E Selecteren Verblijfsduur voor revalidatie [los rehab], start tijd2, en start tijd3 als variabelen
omgezet. Tijd tot eerste gebeurtenis na de aanval [tijd1] en Tijd tot tweede gebeurtenis na de aanval [tijd2] zal worden gebruikt om de eindtijden te creëren, en elke variabele kan alleen in één lijst van variabelen die moeten worden omgezet verschijnen, dus start tijd2 en start tijd3 waren noodzakelijk.
E Selecteren trans3 van de lijst met doelvariabele.

Complexe monsters Cox Regressie
Figuur 22-27 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Typ tijd to event als doelvariabele.
E Selecteren Tijd tot eerste gebeurtenis na de aanval [tijd1], Tijd tot tweede gebeurtenis na de aanval [tijd2], en Tijd
naar derde gebeurtenis na de aanval [tijd3] als variabelen die moeten worden omgezet.
E Selecteren trans4 van de lijst met doelvariabele.

Figuur 22-28 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Typ mi als de doelvariabele.
E Selecteren Voorgeschiedenis van myocardinfarct [mi], Voorgeschiedenis van myocardinfarct [mi1], en Geschiedenis
van myocardinfarct [mi2] als variabelen die moeten worden omgezet.
E Selecteren trans5 van de lijst met doelvariabele.

Complexe monsters Cox Regressie
Figuur 22-29 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Type is als de doelvariabele.
E Selecteren Geschiedenis van ischemische beroerte [is], Geschiedenis van ischemische beroerte [is1], en Geschiedenis van de ischemie
beroerte [is2] als variabelen die moeten worden omgezet.
E Selecteren trans6 van de lijst met doelvariabele.

Figuur 22-30 Datawizard restructureren, Variabelen naar gevallen Stap variabelen selecteren

E Typ hs als de doelvariabele.
E Selecteren Geschiedenis van een bloeding [hs], Voorgeschiedenis van een bloeding [hs1], en Geschiedenis van
bloedingsneiging [hs2] als variabelen die moeten worden omgezet.
E Klik op Volgende en klik vervolgens op Next in de stap Indexvariabelen maken.

Complexe monsters Cox Regressie
Figuur 22-31 Datawizard restructureren, Variabelen voor gevallen Een Index variabele stap aanmaken

E Type event index als naam van de indexvariabele en type Evenementsindex als variabele label.
E Klik op Volgende.

Figuur 22-32 Datawizard restructureren, Variabelen voor gevallen Een Index variabele stap aanmaken

E Zorg ervoor dat Houden en behandelen als vaste variabele(s) is geselecteerd.
E Klik op Voltooien.

Complexe monsters Cox Regressie
Figuur 22-33 Gestructureerde gegevens

De geherstructureerde gegevens bevatten drie gevallen voor elke patiënt; echter, veel patiënten ondervonden minder dan 3 voorvallen, dus er zijn vele gevallen met negatieve (ontbrekende) waarden voor agendanotitie. U kunt deze filteren uit de dataset.
E Om deze gevallen te filteren, kies uit de menu's:
Gegevens > Selecteer zaken...

Figuur 22-34 Dialoogvenster Cases selecteren

E Selecteer of aan de voorwaarde is voldaan.
E Klik If.

Complexe monsters Cox Regressie
Figuur 22-35 Selecteer het dialoogvenster "Bestanden'

Voorval van het E-type (m.u.v. voorwaardelijke expressie)
E Klik verder.

Figuur 22-36 Dialoogvenster Cases selecteren

E Selecteer Niet geselecteerde gevallen verwijderen.
E Klik OK.
Nu ben je klaar om het eenvoudige steekproefanalyseplan te maken.
E Eerst moet je een steekproefgewicht variabele maken. Kies uit de menu's:
Transformeren > Variabele berekenen...

Complexe monsters Cox Regressie
Figuur 22-37 Cox Regressie hoofddialoogvenster

E Type samplegewicht als de doelvariabele.
E Type 1 als de numerieke expressie.
E Klik OK.
U bent nu klaar om het analyseplan te maken.
E Om het analyseplan te maken, kies uit de menu's:
Analyseer > Complexe Monsters > Bereid je voor op analyse...

Figuur 22-38 Analyse Voorbereiding Wizard, Welkom stap

E Selecteer Maak een planbestand aan en typ srs.csaplan als de naam van het bestand. Als alternatief, blader naar de
locatie die u wilt opslaan.
E Klik op Volgende.

Complexe monsters Cox Regressie
Figuur 22-39 Analyse Voorbereidingswizard, ontwerpvariabelen

E Selecteren monstergewicht als variabele voor het gewicht van de monsters.
E Klik op Volgende.

Figuur 22-40 Analyse Voorbereidingsassistent, schattingsmethode

E Deselect Gebruik eindige populatiecorrectie.
E Klik op Voltooien.
Je bent nu klaar om de analyse te doen.
E Om een complexe monster Cox Regressie analyse te laten uitvoeren, kies uit de menu's:
Analyseer > Complexe Monsters > Cox Regressie...

Complexe monsters Cox Regressie
Figuur 22-41 Het dialoogvenster voor het programma van Cox-regressie

E Blader naar waar u het eenvoudige steekproefanalyseplan hebt opgeslagen, of naar de monsterbestanden
map, en selecteer srs.csaplan.
E Klik verder.

Figuur 22-42 Cox Regressie dialoogvenster, Tijd en Gebeurtenis tabblad

E Selecteer Varies op onderwerp en selecteer Verblijfsduur voor revalidatie [los rehab] als startvariabele.
E Selecteren Tijd tot eerste gebeurtenis na aanval [time to event] als eindvariabele.
E Selecteren Eerste gebeurtenis na de aanval [uitvinden] als statusvariabele.
E Klik op Definieer Event.

Complexe monsters Cox Regressie
Figuur 22-43 Dialoogvenster voor gebeurtenissen definiëren

E Selecteer 4 overlijdens als de waarde die aangeeft dat het terminal-gebeuren heeft plaatsgevonden.
E Klik verder.

Figuur 22-44 Cox Regressie dialoogvenster, Tijd en Gebeurtenis tabblad

E Selecteren Patiënt ID [geduldd] als de persoonsidentificatiecode.
E Klik op het tabblad Voorspellers.

Complexe monsters Cox Regressie
Figuur 22-45 Cox Regressie dialoogvenster, tab Predictors

E Selecteren Voorgeschiedenis van myocardinfarct [mi] door Geschiedenis van een bloeding [hs] Als factoren.
E Klik op het tabblad Statistieken.

Figuur 22-46 Cox Regression dialoogvenster, tab Statistieken

E Selecteer schatting, exponentiated estimation, Standard error en betrouwbaarheidsinterval in de parameters
Groep.
E Klik op het tabblad Plots.

Complexe monsters Cox Regressie
Figuur 22-47 Cox Regression dialoogvenster, tab Statistieken

E Selecteer Log-minus-log van overlevingsfunctie.
E Controleer aparte regels voor Voorgeschiedenis van myocardinfarct.
E Selecteer 1.0 als het niveau voor Voorgeschiedenis van ischemische beroerte.
E Selecteer 0.0 als het niveau voor Voorgeschiedenis van een bloeding.
E Klik op het tabblad Opties.

Figuur 22-48 Cox Regressie dialoogvenster, Opties tabblad

E Selecteer Breslow als de stropdasbrekende methode in de Schatting groep.
E Klik OK.
Figuur 22-49 Gegevens over het ontwerp van de steekproef

Deze tabel bevat informatie over het ontwerp van de steekproef dat relevant is voor de schatting van het model.

Complexe monsters Cox Regressie
• Er zijn meerdere gevallen voor sommige proefpersonen, en alle 3.310 gevallen worden gebruikt in de analyse.
• Het ontwerp heeft een enkelvoudig en 2,421 eenheden (één voor elk onderwerp). Het ontwerp van de bemonstering
De vrijheidsgraden worden geschat op 2421-1=2420.
Figuur 22-50 Tests van modeleffecten

De betekeniswaarde voor elk effect is bijna 0, wat suggereert dat ze allemaal bijdragen aan het model.
Figuur 22-51 Parameterschattingen

De procedure maakt gebruik van de laatste categorie van elke factor als referentiecategorie; het effect van andere categorieën is relatief ten opzichte van de referentiecategorie. Merk op dat hoewel de schatting nuttig is voor statistische tests, de exponentiated estimation (Exponentiate) beter wordt geïnterpreteerd als de voorspelde verandering in het gevaar ten opzichte van de referentiecategorie.
The value of Exp(B) for [mi=0] betekent dat het gevaar van overlijden voor een patiënt zonder voorafgaande
myocardinfarcten (mi) is 0,002 keer die van een patiënt met drie mi.

The confidence intervals for [mi=0] en [mi=1] niet overlappen met het interval voor [mi=2],
en geen van hen omvat 0. Daarom blijkt het gevaar voor patiënten met één of geen voorafgaande mi. is te onderscheiden van de gevaren bij patiënten die twee eerdere mi.s hebben, wat weer kan worden onderscheiden van het risico bij patiënten met drie voorgaande mi.
Soortgelijke relaties houden voor de niveaus van is en hs, waar het aantal eerdere incidenten toeneemt.
Figuur 22-52 Patroonwaarden

De patroonwaarden tabel geeft de waarden die elk voorspellerpatroon definiëren. Naast de voorspellers in het model worden ook start- en eindtijden van het overlevingsinterval weergegeven. Voor analyses die vanuit de dialoogvensters worden uitgevoerd, zullen begin- en eindtijden altijd 0 zijn respectievelijk ongebonden; door syntaxis kunt u stuksgewijze constante voorspellerpaden opgeven.
The reference pattern is set at the reference category for each factor and the mean value of
elke covariant (er zijn geen covariaten in dit model). Voor deze dataset kan de combinatie van factoren die voor het referentiemodel worden getoond niet voorkomen, dus zullen we het log-minus-log plot negeren voor het verwijzingspatroon.
Patterns 1.1 through 1.4 differ only on the value of Voorgeschiedenis van myocardinfarct. A
afzonderlijk patroon (en aparte lijn in het gevraagde perceel) wordt gemaakt voor elke waarde van Voorgeschiedenis van myocardinfarct terwijl de andere variabelen constant worden gehouden.

Complexe monsters Cox Regressie
Figuur 22-53 Log-minus-log plot

Dit plot toont het log-minus-log van de overlevingsfunctie, In(−ln(suvival)), versus de overlevingstijd. Dit specifieke perceel toont een aparte curve voor elke categorie van Voorgeschiedenis van myocardinfarct, met Voorgeschiedenis van ischemische beroerte vast op Eén en Voorgeschiedenis van een bloeding vast op Geen, en is een nuttige visualisatie van het effect Voorgeschiedenis van myocardinfarct over de overlevingsfunctie. Zoals in de tabel met parameters wordt gezien, blijkt dat het overleven van patiënten die één of geen mi. hebben gehad te onderscheiden is van de overleving voor patiënten met twee eerdere mi., wat weer kan worden onderscheiden van de overlevingskansen bij patiënten met drie voorafgaande mi.
U hebt een Cox regressie model voor na de beroerte overleving dat de effecten van het veranderen post-takt patiëntgeschiedenis schat. Dit is nog maar een begin, want onderzoekers zouden ongetwijfeld andere potentiële voorspellers in het model willen opnemen. Bovendien zou je in verdere analyse van deze dataset meer belangrijke veranderingen aan de modelstructuur kunnen overwegen. Het huidige model gaat er bijvoorbeeld van uit dat het effect van een patiëntgeschiedenis-veranderende gebeurtenis kan worden gekwantificeerd door middel van een vermenigvuldiger naar de basisrisico. In plaats daarvan kan het redelijk zijn aan te nemen dat de vorm van het basisrisico wordt gewijzigd door een niet-doodgeval. Om dit te bereiken, zou je de analyse kunnen stratificeren op basis van Gebeurtenisindex.

Een voorbeeldbestand
De steekproefbestanden die zijn geïnstalleerd met het product kan worden gevonden in de Monsters submap van de installatie directory. Er is een aparte map binnen de subdirectory Monsters voor elk van de volgende talen: Engels, Frans, Duits, Italiaans, Japans, Koreaans, Pools, Russisch, Vereenvoudigd Chinees, Spaans en Traditioneel Chinees.
Niet alle voorbeeldbestanden zijn in alle talen beschikbaar. Als een voorbeeldbestand niet beschikbaar is in een taal, dan bevat die taalmap een Engelse versie van het monsterdossier.
Hieronder volgen korte beschrijvingen van de steekproefbestanden die in verschillende voorbeelden worden gebruikt doorheen de documentatie.
ongevallen.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op een verzekeringsmaatschappij die
onderzoek naar leeftijds- en genderrisicofactoren voor autoongevallen in een bepaalde regio. Elk geval komt overeen met een kruisindeling van leeftijdscategorie en geslacht.
Adl.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op inspanningen om de voordelen van
voorgestelde behandeling voor beroertepatiënten. Artsen hebben willekeurig vrouwelijke beroertepatiënten toegewezen aan één van de twee groepen. De eerste kreeg de standaard fysiotherapie, en het tweede ontving een extra emotionele therapie. Drie maanden na de behandelingen werden alle capaciteiten van elke patiënt om gemeenschappelijke activiteiten uit te voeren in het dagelijks leven als ordinale variabelen beoordeeld.
advert.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een retailer om het
de verhouding tussen het aan reclame besteed geld en de daaruit voortvloeiende verkoop. Daartoe hebben zij de verkoopcijfers in het verleden en de daarmee samenhangende reclamekosten verzameld.
Destillatie.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op het testen van maïsgewassen voor
Gelatine, een gif waarvan de concentratie sterk varieert tussen en binnen het gewasrendement. Een graanverwerker heeft 16 monsters van elk 8 gewasrendementen ontvangen en de alfatoxineniveaus in delen per miljard (PPB) gemeten.
Anorectisch.sav Terwijl werken naar een gestandaardiseerde symptoom van anorectische / bulimic
gedrag, onderzoekers (Van der Ham, Meulman, Van Strien en Van Engeland, 1997) maakten een studie van 55 adolescenten met bekende eetstoornissen. Elke patiënt werd vier keer gezien gedurende 4 jaar, voor een totaal van 220 waarnemingen. Bij elke observatie werden de patiënten gescoord voor elk van 16 symptomen. Symptoom scores ontbreken voor patiënt 71 op tijd 2, patient 76 op moment 2 en patiënten 47 op tijdstip 3, waardoor 217 geldige observaties.
bankloan.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een bank om het
het percentage wanbetalingen bij leningen. Het dossier bevat financiële en demografische informatie over 850 vroegere klanten en potentiële afnemers. De eerste 700 gevallen zijn klanten die eerder werden gegeven
© Copyright SPSS Inc. 1989, 2010 258
Omschrijving

leningen. De laatste 150 gevallen zijn potentiële klanten die de bank moet classificeren als goede of slechte kredietrisico's.
bankloan binning.sav Dit is een hypothetisch gegevensbestand met financiële en demografische gegevens.
informatie over 5.000 klanten uit het verleden.
gedrag. sav In een klassiek voorbeeld (Prijs en Bouffard, 1974) werden 52 studenten gevraagd om
De combinaties van 15 situaties en 15 gedragingen op een 10-puntsschaal variërend van 0= .zeer geschikt voor 9= • zeer ongepast te beoordelen. • Gemiddeld over individuen, worden de waarden als verschillen beschouwd.
gedrag ini.sav Dit gegevensbestand bevat een initiële configuratie voor een tweedimensionale oplossing
voor gedrag.sav.
rem.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op kwaliteitscontrole in een fabriek die
produceert schijfremmen voor auto's met hoge prestaties. Het gegevensbestand bevat metingen van de diameter van 16 schijven uit elk 8 productiemachines. De doeldiameter van de remmen is 322 millimeter.
ontbijt.sav In een klassieke studie (Green and Rao, 1972), 21 Wharton School MBA studenten
en hun echtgenoten werden gevraagd om 15 ontbijt items rang in volgorde van voorkeur met 1= . meest geprefereerde ??tot 15= minst verkozen. • Hun voorkeuren waren geregistreerd onder zes verschillende scenario's, van . .Overall voorkeur aan Snack, alleen drankje.
Ontbijt-algehele.sav Dit gegevensbestand bevat de ontbijt item voorkeuren voor het eerste
scenario, . .Overall voorkeur, alleen maar.
breedband 1.sav. Dit is een hypothetisch gegevensbestand met het aantal abonnees, door
regio, naar een nationale breedbanddienst. Het gegevensbestand bevat maandelijkse abonneenummers voor 85 regio's over een periode van vier jaar.
breedband 2.sav. Dit gegevensbestand is identiek aan breedband 1.sav maar bevat gegevens voor drie
extra maanden.
car surance claims.sav Een gegevensset die elders wordt gepresenteerd en geanalyseerd (McCullagh,
Nelder, 1989) betreft schadeclaims voor auto's. De gemiddelde vordering kan worden gemodelleerd als een gammaverdeling, met behulp van een omgekeerde koppelingsfunctie om het gemiddelde van de afhankelijke variabele te relateren aan een lineaire combinatie van leeftijd verzekeringnemer, voertuigtype en voertuigleeftijd. Het aantal ingediende claims kan worden gebruikt als een schaalgewicht.
car sales.sav Dit gegevensbestand bevat hypothetische verkoopramingen, lijstprijzen en fysieke
specificaties voor diverse merken en modellen van voertuigen. De lijstprijzen en de fysieke specificaties werden afwisselend verkregen uit edmunds.com en de sites van fabrikanten.
car sales uprepared.sav Dit is een gewijzigde versie van car sales.sav die geen enkele
getransformeerde versies van de velden.
tapijt.sav In een populair voorbeeld (Groen en Wind, 1973), is een bedrijf geïnteresseerd in
marketing een nieuwe tapijt cleaner wil de invloed van vijf factoren op consument voorkeur ... pakket ontwerp, merknaam, prijs, a Goede huishoudster Een zegel en een geld-terug garantie. Er zijn drie factorniveaus voor pakketontwerp, elk verschillend in de locatie van het applicatorborstel; drie merknamen (K2R, Glorie, en Bissell); drie prijsniveaus; en twee niveaus (ofwel geen of ja) voor elk van de laatste twee factoren. Tien consumenten staan op 22 profielen die door deze factoren worden gedefinieerd. De variabele Voorkeur bevat de rangschikking van het gemiddelde rankings voor elk profiel. Lage rangschikkingen komen overeen met hoge voorkeur. Deze variabele weerspiegelt een algemene maatstaf van voorkeur voor elk profiel.
Voorbeeldbestanden

tapijt prefs.sav. Dit gegevensbestand is gebaseerd op hetzelfde voorbeeld als beschreven voor tapijt.sav, maar het
bevat de feitelijke rangschikkingen die van elk van de tien consumenten zijn verzameld. De consumenten werd verzocht de 22 productprofielen van het meest naar het minst te rangschikken. De variabelen PREF1 door PREF22 de identificatienummers van de bijbehorende profielen bevatten, zoals gedefinieerd in tapijt plan.sav.
catalogus.sav Dit gegevensbestand bevat hypothetische maandelijkse verkoopcijfers voor drie verkochte producten
door een catalogus bedrijf. Gegevens voor vijf mogelijke voorspellende variabelen zijn ook opgenomen.
catalogus seasfac.sav Dit gegevensbestand is hetzelfde als catalog.sav behalve voor de toevoeging van een set
van seizoensfactoren die zijn berekend uit de Seasonal Decomposition-procedure, samen met de bijhorende datumvariabelen.
cellulair.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op een mobiele telefoon bedrijf .
om karn te verminderen. Churn propensity scores worden toegepast op rekeningen, variërend van 0 tot 100. Rekeningen die 50 of hoger scoren, kunnen van aanbieder veranderen.
keramiek.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een fabrikant om
bepalen of een nieuwe premiumlegering een grotere hittebestendigheid heeft dan een standaardlegering. Elk geval is een afzonderlijke test van één van de legeringen; de warmte waarbij het lager uitgevallen wordt, wordt geregistreerd.
cornflakes.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op 880 mensen over hun
ontbijtvoorkeuren, ook rekening houdend met hun leeftijd, geslacht, huwelijkse status en of ze al dan niet een actieve levensstijl hebben (gebaseerd op de vraag of zij minstens twee keer per week sport). Elke zaak vertegenwoordigt een afzonderlijke verweerder.
kleding defecten.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op het kwaliteitscontroleproces
in een kledingfabriek. Van elke partij die in de fabriek wordt geproduceerd, nemen de inspecteurs een monster van kleding en tellen het aantal onaanvaardbare kleren.
koffie.sav Dit gegevensbestand heeft betrekking op waargenomen beelden van zes ijskoffiemerken (Kennedy,
Riquier, and Sharp, 1996) . Voor elk van 23 ijskoffie-afbeeldingen selecteerden mensen alle merken die door het kenmerk werden beschreven. De zes merken worden aangeduid AA, BB, CC, DD, EE en FF om de vertrouwelijkheid te bewaren.
contacten.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de contactlijsten voor een groep van
vertegenwoordigers van de bedrijfscomputerverkoop. Elk contact wordt gecategoriseerd door de afdeling van het bedrijf waarin zij werken en hun onderneming. Ook geregistreerd zijn het bedrag van de laatste verkoop, de tijd sinds de vorige verkoop en de grootte van contact bedrijf.
creditpromo.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een warenhuis
de effectiviteit van een recente creditcardpromotie evalueren. Daartoe werden 500 kaarthouders willekeurig geselecteerd. De helft kreeg een advertentie ter bevordering van de verlaagde rentevoet voor aankopen in de komende drie maanden. De helft kreeg een standaard seizoensadvertentie.
customer dbase.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een bedrijf om te gebruiken
de informatie in het gegevensopslagcentrum om speciale aanbiedingen te doen aan klanten die waarschijnlijk zullen reageren. Een deelgroep van het klantenbestand werd willekeurig geselecteerd en gezien de speciale aanbiedingen, en hun reacties werden geregistreerd.
klantinformatie.sav een hypothetisch gegevensbestand met informatie over klantenmailing,
zoals naam en adres.
customer subset.sav Een subgroep van 80 gevallen uit customer dbase.sav.
Aanhangsel A

debat.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op gekoppelde reacties van
deelnemers aan een politiek debat voor en na het debat. Elke zaak komt overeen met een afzonderlijke verweerder.
debat conclument.sav. Dit is een hypothetisch gegevensbestand dat de antwoorden in
debat.sav. Elk geval komt overeen met een kruisclassificatie van voorkeuren voor en na het debat.
Demo.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de aankoop van klantendatabase, voor
het doel van de verzending maandelijkse aanbiedingen. Of de klant al dan niet op het aanbod heeft gereageerd, wordt geregistreerd samen met verschillende demografische informatie.
demo cs 1.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de eerste stap van een bedrijf
inspanningen om een database van enquête-informatie op te stellen. Elke zaak komt overeen met een andere stad, en de regio, provincie, district, en stadsidentificatie worden geregistreerd.
demo cs 2.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de tweede stap van een bedrijf
inspanningen om een database van enquête-informatie op te stellen. Elk geval komt overeen met een andere eenheid van het huishouden dan de in eerste stap geselecteerde steden, en er wordt melding gemaakt van regio's, provincies, districten, stadsdelen, onderverdelingen en eenheden. De bemonsteringsinformatie uit de eerste twee fasen van het ontwerp is ook opgenomen.
demo cs.sav. Dit is een hypothetisch gegevensbestand dat enquête informatie bevat die verzameld met behulp van a
complexe bemonstering. Elk geval komt overeen met een andere eenheid van het huishouden en er worden verschillende demografische gegevens en steekproefgegevens geregistreerd.
dmdata.sav Dit is een hypothetisch gegevensbestand dat demografische en aankoopgegevens bevat
informatie voor een direct marketingbedrijf. dmdata2.sav bevat informatie voor een deelgroep van contacten die een testmailing hebben ontvangen, en dmdata3.sav bevat informatie over de resterende contacten die niet het testmailen hebben ontvangen.
diëtologie.sav Dit hypothetische gegevensbestand bevat de resultaten van een studie naar het .Stillman dieet
(Rickman, Mitchell, Dingman en Dalen, 1974). Elk geval komt overeen met een afzonderlijk onderwerp en registreert zijn gewichten voor- en nadiet in ponden en triglyceridenspiegels in mg/100 ml.
dvdplayer.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de ontwikkeling van een nieuwe DVD
speler. Met behulp van een prototype heeft het marketingteam focusgroepgegevens verzameld. Elke case correspondeert met een afzonderlijke onderzochte gebruiker en registreert enkele demografische informatie over hen en hun antwoorden op vragen over het prototype.
Duits krediet.sav Dit gegevensbestand wordt genomen uit de .Duits krediet ...
Machine Learning Databases (Blake and Merz, 1998) aan de Universiteit van Californië, Irvine.
Supermarkt 1maand.sav Dit hypothetische gegevensbestand is de kruideniers coupons.sav gegevensbestand met de
wekelijkse aankopen ..gerold-up . zodat elke zaak correspondeert met een afzonderlijke klant Sommige variabelen die wekelijks veranderden verdwijnen als gevolg daarvan, en het bedrag dat wordt uitgegeven is nu de som van de bedragen besteed tijdens de vier weken van de studie.
Snoepgoed coupons.sav. Dit is een hypothetisch gegevensbestand dat enquêtegegevens bevat die zijn verzameld door
een winkelketen die geïnteresseerd is in de aankoopgewoonten van hun klanten. Elke klant wordt gedurende vier weken gevolgd, en elke zaak komt overeen met een aparte klantenweek en registreert informatie over waar en hoe de winkeliers van klanten zijn geweest, inclusief hoeveel er tijdens die week aan boodschappen werd besteed.
Voorbeeldbestanden

Guttman. Sav. Bell (Bell, 1961) presenteerde een tabel om mogelijke sociale groepen te illustreren. Guttman
(Guttman, 1968) gebruikte een deel van deze tabel waarin vijf variabelen beschreven werden zoals sociale interactie, gevoelens om tot een groep te behoren, fysieke nabijheid van leden en formaliteit van de relatie werd gekruist met zeven theoretische maatschappelijke groepen, waaronder menigten (bijvoorbeeld mensen bij het voetbal), publiek (bijvoorbeeld personen in een theater- of klaslokaalcollege), publieke (bv. kranten-of televisiepubliek), maffia's (zoals een massa maar veel meer interaction), primaire groepen (intieme), secundaire groepen (vrijwillige) en moderne gemeenschap (losconfederatie als gevolg van nauwe lichamelijke nabijheid en behoefte aan gespecialiseerde diensten).
health funding.sav Dit is een hypothetisch gegevensbestand dat gegevens bevat over de financiering van gezondheidszorg.
(bedrag per 100 inwoners), ziektecijfers (percentage per 10.000 bevolking) en bezoeken aan zorgverleners (percentage van de 10.000 mensen). Elke zaak vertegenwoordigt een andere stad.
Hivassay.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een farmaceutische
Het laboratorium ontwikkelt een snelle test voor het opsporen van HIV-infectie. De resultaten van de test zijn acht verdiepingsschaduwen rood, met diepere tinten wijzen op een grotere kans op infectie. Er werd een laboratoriumonderzoek uitgevoerd op 2000 bloedmonsters, waarvan de helft besmet was met HIV en de helft schoon.
uurloongegevens.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op het uurloon van verpleegkundigen.
van kantoor- en ziekenhuisfuncties met uiteenlopende ervaringsniveaus.
verzekerings claims.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op verzekeringsmaatschappijen die
wil een model bouwen om verdachte, mogelijk frauduleuze claims te markeren. Elke zaak is een afzonderlijke vordering.
zeker. sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op een verzekeringsmaatschappij die bestudeert
de risicofactoren die aangeven of een cliënt op basis van een levensverzekeringsovereenkomst met tien jaar een vordering moet indienen. Elk geval in het gegevensbestand vertegenwoordigt een paar contracten, waarvan één een claim en de andere niet, afgestemd op leeftijd en geslacht.
Juryleden.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de scores die worden gegeven door getrainde rechters
(plus een enthousiaste) tot 300 gymnastiek optredens. Elke rij vertegenwoordigt een afzonderlijke uitvoering; de rechters bekeken dezelfde voorstellingen.
verwantschap dat.sav. Rosenberg en Kim (Rosenberg and Kim, 1975) wilden 15 verwantschap analyseren.
termen (tante, broer, neef, dochter, vader, kleindochter, grootvader, oma, kleinzoon, moeder, neevijg, nichtje, zus, zoon en oom). Ze vroegen vier groepen studenten (twee vrouwen, twee mannen) om deze termen te sorteren op basis van overeenkomsten. Twee groepen (één vrouw, één man) werden gevraagd om twee keer te sorteren. De tweede groep werd gesorteerd op basis van een ander criterium dan de eerste soort. Zo werden in totaal zes bronnen verkregen. Elke bron komt overeen met een nabijheidsmatrix, waarvan de cellen gelijk zijn aan het aantal mensen in een bron minus het aantal keren dat de objecten samen verdeeld werden in die bron.
verwantschap ini.sav Dit gegevensbestand bevat een initiële configuratie voor een driedimensionale oplossing
voor verwantschap dat.sav.
verwantschap var.sav. Dit gegevensbestand bevat onafhankelijke variabelen geslacht, Algemeen(a) en graad
(van scheiding) die kan worden gebruikt om de afmetingen van een oplossing voor verwantschap dat.sav. Ze kunnen specifiek worden gebruikt om de ruimte van de oplossing te beperken tot een lineaire combinatie van deze variabelen.
Marktwaarden.sav Dit gegevensbestand betreft de verkoop van woningen in een nieuwe woningontwikkeling
Algonquin, Ill., in de jaren 1999/2000. Deze verkopen zijn een zaak van openbare orde.
Aanhangsel A

nhis2000 subset.sav De National Health Interview Survey (NHIS) is een grote, bevolking gebaseerde
onderzoek van de VS. burgerbevolking. De interviews worden rechtstreeks uitgevoerd in een nationaal representatieve steekproef van huishoudens. Demografische informatie en observaties over gezondheid gedrag en status worden verkregen voor leden van elk huishouden. Dit gegevensbestand bevat een deelverzameling van informatie uit het onderzoek 2000. Nationaal Centrum voor Gezondheidsstatistieken. National Health Interview Survey, 2000. Bestand en documentatie van openbaar gebruik. ftp://ftp.cdc.gov/pub/Health Statistics/NCHS/Datasets/NHIS/2000/. Toegang tot 2003.
ozon.sav De gegevens omvatten 330 waarnemingen van zes meteorologische variabelen voor het voorspellen
ozonconcentratie van de overige variabelen. Eerdere onderzoekers (Breiman en Friedman, 1985), (Hastie en Tibshirani, 1990) vonden onder andere niet-lineairheden tussen deze variabelen die standaard regressie benaderingen belemmeren.
pijn medicatie.sav Dit hypothetische gegevensbestand bevat de resultaten van een klinische proef voor
anti-inflammatoire medicatie voor de behandeling van chronische artritische pijn. Van bijzonder belang is de tijd die het duurt voordat het geneesmiddel in werking treedt en hoe dit zich verhoudt tot een bestaande medicatie.
patient los.sav Dit hypothetische gegevensbestand bevat de behandelingsrecords van patiënten die
opgenomen in het ziekenhuis wegens een vermoeden van myocardinfarct (MI, of .Hartaanval Elke zaak komt overeen met een aparte patiënt en registreert vele variabelen die verband houden met hun verblijf in het ziekenhuis.
patlos sample.sav Dit hypothetische gegevensbestand bevat de behandelingsrecords van een steekproef
van patiënten die trombolytica kregen tijdens de behandeling voor myocardinfarct (MI, of Elke zaak komt overeen met een aparte patiënt en registreert vele variabelen die verband houden met hun verblijf in het ziekenhuis.
pol cs.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de pollsters .
de mate waarin het publiek een wetsvoorstel vóór de wetgever steunt. De gevallen komen overeen met geregistreerde kiezers. Elke zaak registreert de provincie, het dorp en de buurt waarin de kiezer woont.
pol cs sample.sav. Dit hypothetische gegevensbestand bevat een steekproef van de kiezers die in
pol cs.sav. Het monster is genomen volgens het in de poll.csplan plan bestand, en dit gegevensbestand registreert de opname waarschijnlijkheden en steekproefgewichten. Merk echter op dat er, omdat het bemonsteringsplan gebruik maakt van een waarschijnlijkheids-evenredige-maatmethode (PPS) ook een bestand is met de gezamenlijke selectiemogelijkheden (poll jointprob.sav). De aanvullende variabelen die overeenkomen met de demografische gegevens van kiezers en hun mening over het voorgestelde wetsvoorstel werden verzameld en toegevoegd aan het gegevensbestand na de steekproef zoals genomen.
property assess.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van het district assequission
de waardebeoordelingen van onroerend goed op een beperkte hoeveelheid middelen te actualiseren. De gevallen komen overeen met de woningen die in het afgelopen jaar werden verkocht. In elk geval wordt in het gegevensbestand de township geregistreerd waarin het pand ligt, de beoordelaar die voor het laatst naar dit object is geweest, de tijd sinds deze beoordeling, de waardering op dat moment en de verkoopwaarde van het onroerend goed.
property assess.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een staat om te controleren of er sprake is van
de waardebeoordelingen van onroerend goed op beperkte schaal te actualiseren. De gevallen komen overeen met eigenschappen in de staat. Elke zaak in het gegevensbestand registreert de provincie, stad en buurt waarin het pand ligt, de tijd sinds de laatste beoordeling, en de waardering die op dat moment werd gemaakt.
property assess cssample.sav Dit hypothetische gegevensbestand bevat een steekproef van de eigenschappen
opgenomen in eigenschap assess.sav. Het monster is genomen volgens het in de property assess.csplan plan bestand, en dit gegevensbestand registreert de inclusie waarschijnlijkheden
Voorbeeldbestanden

en gewichten van de monsters. De extra variabele Huidige waarde is verzameld en toegevoegd aan het gegevensbestand nadat de steekproef was genomen.
recidivisme.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de handhaving van het overheidsrecht.
agentschap . inspanningen om recidivisme percentages in hun gebied van jurisdictie te begrijpen . Elke zaak komt overeen met een eerdere dader en registreert hun demografische informatie, enkele details van de eerste misdaad, en dan het tijdstip tot aan zijn tweede arrestatie, als dit binnen twee jaar na de eerste aanhouding gebeurde.
recidivisme cs sample.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de overheid wet
handhavingsinstantie probeert recidivismepercentages in hun rechtsgebied te begrijpen. Elke zaak komt overeen met een eerdere dader, die in juni 2003 voor het eerst werd gearresteerd en zijn demografische gegevens, enkele details van hun eerste misdrijf en de data over hun tweede arrestatie, indien deze vóór eind juni 2006 plaatsvond. De daders zijn geselecteerd uit de in het steekproefplan gespecificeerde bemonsteringsafdelingen. recidivisme cs.csplan; omdat het gebruik maakt van een waarschijnlijkheids-proportioneel-maat (PPS) methode, is er ook een bestand met de gezamenlijke selectie mogelijkheden (recidivisme cs jointprob.sav).
rfm transacties.sav Een hypothetisch gegevensbestand met aankoop transactiegegevens, inclusief
datum van aankoop, item(s) gekocht en monetair bedrag van elke transactie.
salesperformance.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de evaluatie van twee
nieuwe verkooptrainingen. Zestig werknemers, verdeeld in drie groepen, krijgen allemaal standaardtraining. Daarnaast krijgt groep 2 technische training; groep 3, een hands-on tutorial. Elke werknemer werd getest aan het einde van de opleiding en hun score geregistreerd. Elk geval in het gegevensbestand vertegenwoordigt een aparte stagiair en registreert de groep waaraan zij werden toegewezen, alsmede hun score op het examen.
Gesäft.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op een tevredenheidsonderzoek van
een detailhandelsbedrijf op 4 locaties. 582 klanten werden in totaal onderzocht en elk geval vertegenwoordigt de reacties van één klant.
schroeven.sav Dit gegevensbestand bevat informatie over de kenmerken van schroeven, bouten en moeren.
en tacks (Hartigan, 1975).
shampoo ph.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de kwaliteitscontrole in een fabriek
voor haarproducten. Met regelmatige tussenpozen worden zes afzonderlijke outputpartijen gemeten en hun pH geregistreerd. Het doelbereik is 4.5.5.5.
schepen.sav Een gegevensset die elders wordt gepresenteerd en geanalyseerd (McCullagh et al., 1989) dat betrekking heeft op:
schade aan vrachtschepen veroorzaakt door golven. Het aantal incidenten kan worden gemodelleerd als het optreden op een Poisson tarief gezien de scheepstype, bouwperiode en diensttijd. De geaggregeerde maanden van dienst voor elke cel in de tabel die wordt gevormd door een kruisclassificatie van factoren, geven waarden aan voor blootstelling aan risico.
site.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een bedrijf om nieuwe te kiezen
sites voor hun groeiende bedrijf. Ze hebben twee consultants ingehuurd om de sites afzonderlijk te evalueren, die naast een uitgebreid rapport elke locatie samenvatten als een .Good,
rokers.sav Dit gegevensbestand is afkomstig uit het Nationaal Huishouden 1998.
Onderzoek naar drugsmisbruik en is een waarschijnlijkheidsmonster van Amerikaanse huishoudens. (http://dx.doi.org/10.3886/ICPSR02934) De eerste stap in een analyse van dit gegevensbestand zou dus moeten zijn om de gegevens te wegen die de bevolkingstrends weerspiegelen.
Aanhangsel A

Clean.sav Dit hypothetische gegevensbestand bevat de staat van een medische database erna.
is gereinigd met behulp van procedures in de optie gegevensvoorbereiding.
ongeldige slag.sav. Dit hypothetische gegevensbestand bevat de begintoestand van een medische database
en bevat verschillende gegevensinvoerfouten.
beroerte overleving. Dit hypothetische gegevensbestand betreft overlevingstijden voor patiënten die een
rehabilitatieprogramma post-ischemische beroerte geconfronteerd met een aantal uitdagingen. Na de beroerte, het optreden van myocardinfarct, ischemische beroerte of bloedingsneiging wordt opgemerkt en het tijdstip waarop deze gebeurtenis werd geregistreerd. Het monster is links afgekort omdat het alleen patiënten omvat die overleefden tot aan het einde van de revalidatie programma toegediend na een beroerte.
geldig voor street.sav Dit hypothetische gegevensbestand bevat de toestand van een medische database na het
waarden zijn gecontroleerd met behulp van de procedure voor Validatiegegevens. Het bevat nog steeds mogelijk abnormale gevallen.
survey sample.sav Dit gegevensbestand bevat enquêtegegevens, waaronder demografische gegevens en
verschillende houdingsmaatregelen. Het is gebaseerd op een deelverzameling van variabelen uit de algemene sociale enquête 1998 in het kader van NORC, hoewel sommige gegevens zijn gewijzigd en er extra fictieve variabelen voor demonstratiedoeleinden werden toegevoegd.
Telco.sav. Dit is een hypothetisch gegevensbestand dat betrekking heeft op een telecommunicatiebedrijf.
inspanningen om karn in hun klantenbestand te verminderen. Elk geval komt overeen met een afzonderlijke klant en registreert verschillende demografische informatie en gebruik van de dienst.
telco extra.sav Dit gegevensbestand is vergelijkbaar met het telco.sav gegevensbestand, maar de .Enure
log-getransformeerde klant uitgaven variabelen zijn verwijderd en vervangen door gestandaardiseerde logboek-veranderde klantenuitgavenvariabelen.
telco missing.sav Dit gegevensbestand is een deelverzameling van de telco.sav dat bestand, maar een deel van de
De demografische gegevenswaarden zijn vervangen door ontbrekende waarden.
testmarket.sav Dit hypothetische gegevensbestand betreft een fastfoodketen.
Op het menu. Er zijn drie mogelijke campagnes om het nieuwe product te promoten, zodat de nieuwe post wordt geïntroduceerd op locaties in verschillende willekeurig geselecteerde markten. Op elke locatie wordt een andere promotie gebruikt en de wekelijkse verkoop van het nieuwe artikel worden geregistreerd gedurende de eerste vier weken. Elke zaak komt overeen met een aparte locatieweek.
testmarket 1month.sav Dit hypothetische gegevensbestand is de testmarket.sav gegevensbestand met de
wekelijkse verkoop ..gewalst-up zodat elk geval overeenkomt met een aparte locatie. Sommige variabelen die wekelijks veranderden verdwijnen als gevolg daarvan, en de geregistreerde verkoop is nu het totaal van de verkopen gedurende vier weken in het onderzoek.
tree car.sav Dit is een hypothetisch gegevensbestand met demografische en voertuigaankopen
prijsgegevens.
tree credit.sav Dit is een hypothetisch gegevensbestand met demografische en bankleningen geschiedenis
gegevens.
boom ontbrekende gegevens.sav Dit is een hypothetisch gegevensbestand met demografische en bankleningen.
historische gegevens met een groot aantal ontbrekende waarden.
tree score car.sav Dit is een hypothetisch gegevensbestand met demografische gegevens en voertuigen
aankoopprijsgegevens.
tree textdata.sav Een eenvoudig gegevensbestand met slechts twee variabelen die hoofdzakelijk bedoeld zijn om de
standaardtoestand van variabelen voordat meetniveau en waardelabels worden toegewezen.
Voorbeeldbestanden

Tv-survey.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op een enquête uitgevoerd door een TV studio
dat overweegt of de run van een succesvol programma uit te breiden. 906 respondenten werden gevraagd of ze het programma onder verschillende voorwaarden zouden bekijken. Elke rij vertegenwoordigt een afzonderlijke respondent; elke kolom is een aparte voorwaarde.
herhaling van ulcer.sav Dit bestand bevat gedeeltelijke informatie uit een studie die is ontworpen om te vergelijken
de werkzaamheid van twee therapieën ter voorkoming van het opnieuw optreden van zweren. Het is een goed voorbeeld van interval-gecensureerde gegevens en is elders gepresenteerd en geanalyseerd (Collett, 2003).
ulcer herhaling gecodeerd.sav Dit bestand reorganiseert de informatie in herhaling van ulceraties.sav tot
laat u de gebeurtenis waarschijnlijkheid voor elk interval van het onderzoek modelleren in plaats van gewoon de eind-van-studie gebeurtenissen kans. Het is elders gepresenteerd en geanalyseerd (Collett et al., 2003).
Verd1985.sav. Dit gegevensbestand betreft een enquête (Verdegal, 1985). De respons van 15 personen
8 variabelen werden geregistreerd. De variabelen van belang zijn verdeeld in drie reeksen. Set 1 omvat leeftijd en echtelijk, set 2 omvat huisdier en nieuws, en set 3 omvat muziek en levend. Huisdier wordt geschaald als meerdere nominale en leeftijd De andere variabelen worden als een enkele nominale schaal geschaald.
virus.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op de inspanningen van een internetdienst
provider (ISP) om de effecten van een virus op zijn netwerken te bepalen. Zij hebben het (bij benadering) percentage van besmet e-mailverkeer op hun netwerken in de loop der tijd gevolgd, vanaf het moment dat ze ontdekt werden tot aan de dreiging werd beperkt.
piepende steubenville.sav Dit is een deelverzameling uit longitudinale studie van de gezondheidseffecten van
luchtverontreiniging bij kinderen (Ware, Dockery, Spiro III, Speizer en Ferris Jr., 1984). De gegevens bevatten herhaalde binaire metingen van de piepende status voor kinderen uit Steubenville, Ohio op 7, 8, 9 en 10 jaar oud, samen met een vaste opname of de moeder al dan niet rookte tijdens het eerste jaar van de studie.
workprog.sav Dit is een hypothetisch gegevensbestand dat betrekking heeft op een overheid werkt programma
dat mensen in een achterstandspositie probeert te brengen. Een steekproef van potentiële deelnemers aan het programma werden gevolgd, waarvan sommige willekeurig geselecteerd waren voor inschrijving in het programma terwijl anderen dat niet waren. Elke zaak vertegenwoordigt een afzonderlijke programma deelnemer.
Aanhangsel A

B Kennisgevingen
Gelicentieerde materialen . Eigendom van SPSS Inc., een IBM Company. © Copyright SPSS Inc. 1989, 2010.
Patent nr. 7,023,453
Het volgende lid is niet van toepassing op het Verenigd Koninkrijk of enig ander land waar dergelijke bepalingen in strijd zijn met de plaatselijke wetgeving: SPSS INC., EEN IBM BEDRIJF, BIEDT DEZE PUBLICATIE Sommige staten staan geen disclaimer van uitdrukkelijke of impliciete garanties toe bij bepaalde transacties, daarom is deze verklaring mogelijk niet op u van toepassing.
Deze informatie kan technische onnauwkeurigheden of typografische fouten omvatten. De informatie wordt hier periodiek gewijzigd; deze wijzigingen zullen worden opgenomen in de nieuwe uitgave van het blad. SPSS Inc. kan verbeteringen en/of wijzigingen aanbrengen in het product(s) en / of de programma(s), die worden beschreven in deze publicatie op elk moment zonder kennisgeving.
Alle verwijzingen in deze informatie naar niet-SPSS en non-IBM websites worden alleen verstrekt voor het gemak en dienen op geen enkele manier als een goedkeuring van die Websites. De materialen op deze websites maken geen deel uit van de materialen voor dit SPSS Inc. product en gebruik van deze websites is op eigen risico.
Wanneer u informatie naar IBM of SPSS stuurt, verleent u IBM en SPS een niet-exclusief recht om de gegevens op welke wijze dan ook te gebruiken of te verspreiden die zij passend acht zonder enige verplichting aan u.
Informatie over niet-SPSS producten werd verkregen van de leveranciers van die producten, hun gepubliceerde aankondigingen of andere publiek beschikbare bronnen. SPSS heeft deze producten niet getest en kan de nauwkeurigheid van prestaties, compatibiliteit of andere claims met betrekking tot niet-SPSS-producten niet bevestigen. Vragen over de mogelijkheden van niet-SPSS-producten moeten worden gericht aan leveranciers van die producten.
Deze informatie bevat voorbeelden van gegevens en rapporten die gebruikt worden in dagelijkse bedrijfsactiviteiten. Om ze zo volledig mogelijk te illustreren, zijn de namen van individuen, bedrijven, merken en producten in deze voorbeelden opgenomen. Al deze namen zijn fictief en elke gelijkenis met de namen en adressen die door een bedrijf worden gebruikt is geheel toevallig.
Deze informatie bevat voorbeeldprogramma's in brontaal, die programmeertechnieken op verschillende besturingsplatformen illustreren. U kunt deze sample programma's in elke vorm kopiëren, wijzigen en verspreiden zonder betaling aan SPSS Inc. voor het ontwikkelen van
© Copyright SPSS Inc. 1989, 2010 267

het gebruik, marketing of distributie van toepassingsprogramma's die overeenstemmen met de interface voor programmaprogramma's op basis van toepassingen voor het operationele platform waarvoor de sample-programma' s zijn geschreven. Deze voorbeelden zijn niet onder alle omstandigheden grondig getest. SPS Inc. kan daarom geen betrouwbaarheid, bruikbaarheid of functie van deze programma's garanderen of impliceren. De sample programma's worden verstrekt .AS IS SPSS Inc. is niet aansprakelijk voor enige schade die voortvloeit uit uw gebruik van de sample programma's.
IBM, het logo van IBM en ibm.com zijn handelsmerken van IBM Corporation, geregistreerd in vele jurisdicties wereldwijd. Een huidige lijst van IBM handelsmerken is beschikbaar op het web http://www.ibm.com/legal/copytrade.shmtl.
SPSS is een handelsmerk van SPS Inc., een IBM Company, geregistreerd in vele jurisdicties wereldwijd.
Adobe, het logo van de Adobes, PostScript en het postscript-logo zijn ofwel geregistreerde handelsmerken of handelsmerken van Adober Systems Incorporated in de Verenigde Staten, en/of andere landen.
Intel, Intel logo, Info Inside, InTEL Inside logo, intel Centrono, Indel Centrino logo, Celeron, Innel Xeon, InTel SpeedStep, Itanium en Pentium zijn handelsmerken of geregistreerde handelsmerken van de Intel Corporation of haar dochterondernemingen in de Verenigde Staten en andere landen.
Linux is een geregistreerd handelsmerk van Linus Torvalds in de Verenigde Staten, andere landen of beide.
Microsoft, Windows, Winders NT en het Windget-logo zijn handelsmerken van Microsoff Corporation in de Verenigde Staten of andere landen.
UNIX is een geregistreerd handelsmerk van The Open Group in de Verenigde Staten en andere landen.
Java en alle op Java gebaseerde handelsmerken en logo's zijn handelsmerken van Sun Microsystems, Inc. in de Verenigde Staten, andere landen of beide.
Dit product maakt gebruik van WinWrap Basic, Copyright 1993-2007, Polar Engineering en Consulting. http://www.winwrap.com.
Andere product- en servicenamen kunnen handelsmerken zijn van IBM, SPS of andere bedrijven.
Adobe product screenshot(s) herdrukt met toestemming van Adober Systems Incorporated.
Microsoft product screenshot(s) herdruk met toestemming van Microsoff Corporation.
Aanhangsel B · Handelsmerken

Bell, E. H. 1961. Sociale grondslagen van menselijk gedrag: Inleiding tot de studie sociologie. New York: Harper & Row.
Blake, C. L., en C. J. Merz. 1998. "UCI Repository of machine learning databases." Beschikbaar op http://www.ics.uci.edu/~mlearn/MLRepository.html
Breiman, L. en J. H. Friedman. 1985. Optimale transformaties voor meervoudige regressie en correlatie schatten. Journal of the American Statistical Association, 80, 580–598.
Cochran, W. G. 1977. Monstertechnieken, 3rd Ed. New York: John Wiley and Sons.
Collett, D. 2003. Modellering van overlevingsgegevens in medisch onderzoek, 2e Ed. Boca Raton: Chapman & Hall/CRC.
Cox, D. R., en E. J. Snell. 1989. De analyse van binaire gegevens, 2nd Ed. London: Chapman and Hall.
Groen, P. E. en V. Rao. 1972. Toegepaste multidimensionale schaalverdeling. ISBN 0-80-87-05-0.
Groen, P. E. en Y. Wind. 1973. Multiattribute beslissingen in marketing: Een meetbenadering. ISBN 0-80-87-05-0.
Guttman, L. 1968. Een algemene nonmetrische techniek voor het vinden van de kleinste coördinatenruimte voor configuraties van punten. Psychometrika, 33, 469–506.
Hartigan, J. A. 1975. Clusteringsalgoritmen. New York: John Wiley and Sons.
Hastie, T. en R. Tibshirani. 1990. Modellen van gegeneraliseerde additieven. London: Chapman and Hall.
Kennedy, R., C. Riquier en B. Scherp. 1996. Praktische toepassingen van correspondentieanalyses op categorische gegevens in marktonderzoek. Journal of Targeting, Measurement en Analysis for Marketing, 5, 56–70.
Kish, L. 1965. Enquêtebemonstering. New York: John Wiley and Sons.
Kish, L. 1987. Statistische opzet voor onderzoek. New York: John Wiley and Sons.
McCullagh, P. en J. A. Nelder. 1989. Gegeneraliseerde lineaire modellen, 2nd Ed. London: Chapman & Hall.
McFadden, D. 1974. Voorwaardelijke logit analyse van kwalitatieve keuzegedrag. In: Grens in de economie, P. Zarembka, ed. New York: AcademicPress.
Murthy, M. N. 1967. Monsternametheorie en -methoden. Calcutta, India: Statistical Publishing Society.
Nagelkerke, N. J. D. 1991. Een nota over de algemene definitie van de bepalingscoëfficiënt. Biometrika, 78:3, 691–692.
Price, R. H., en D. L. Bouffard. 1974. Gedragsgeschiktheid en situationele beperkingen als dimensie van sociaal gedrag. Journal of Personality and Social Psychology, 30, 579–586.
Rickman, R., N. Mitchell, J. Dingman en J. E. Dalen. 1974. Veranderingen in serumcholesterol tijdens het Stillman Diet. Journal of the American Medical Association, 228, 54–58.
© Copyright SPSS Inc. 1989, 2010 269

Rosenberg, S. en M. P. Kim. 1975. De methode van sorteren als een data-verzamelprocedure in multivariate onderzoek. Multivariate gedragsonderzoek, 10, 489–502.
Särndal, C., B. Swensson en J. Wretman. 1992. Model steekproef van ondersteunde enquêtes. New York: Springer-Verlag.
Van der Ham, T. J. J. Meulman, D. C. Van Strien en H. Van Engeland. 1997. Empirisch gebaseerde subgroep van eetstoornissen bij adolescenten: Een longitudinaal perspectief. British Journal of Psychiatry, 170, 363–368.
Verdegaal, R. 1985. Meer sets analyse voor kwaliteitsgegevens. Leiden: Vakgroep Data Theory, Universiteit van Leiden.
Ware, J. H., D. W. Dockery, A. Spiro III, F. E. Speizer, en B. G. Ferris Jr. 1984. Passief roken, gas koken en ademhalingsgezondheid van kinderen die in zes steden wonen. American Review of Respiratory Diseases, 129, 366–374.
Bibliografie




Pagina's waarnaar wordt verwezen in deze handleiding — fabrikant, ondersteuning en downloads.
Eigenaren en ons team reageren doorgaans binnen een dag — en uw vraag helpt ook de volgende persoon.
Stel als eerste een vraag — andere eigenaren of ons team geven antwoord.