Zkouška PSY252. 21. 6. 2018 Jméno: Vojtěch Hercík 378489 Zadání: Máme data z dotazníku kvality života po menopauze (UQoL) a také data o prožívaných pozitivních a negativních emocích (SF9pos a SF9neg), věku a tom, zda je žena léčena na postmenopauzální syndrom. Chceme vědět, jak moc je kvalita života ovlivňována emocemi při kontrole vlivu věku. Škálu kvality života si sestrojte – všech 23 položek (UQOL01 až UQOL23) tvoří jednu škálu. Výsledky analýz s interpretacemi zde prezentujte v podobě, v jaké byste je prezentovali v odborném článku. Končím 10:40 ZP = kvalita života … sečíst položky NP = SF9pos NP = SF9neg Kontrolujeme = věk Vlastní zkouška: Nejprve jsem zkontroloval missing values. Z používaných proměnných nebyly nastaveny u SF9pos, SF9neg a věk, proto jsem tak pro jistotu učinil. Poté jsem přikročil k vytvoření nové proměnné kvalita života (UQoL). Nejprve jsem zkontroloval vnitřní konzistenci. Cronbachova alfa vyšla 0.674, což není příliš dobrá hodnota. Důvodem bude velmi pravděpodobně to, že některé položky dotazníku jsou vůdči ostatním reverzní. Pokud se rozhodnu, že nejvyšší hodnota odpovědi bude pomyslně implikovat největší spokojenost, tak jako reverzní položky se jeví : UQOL04, UQOL07, UQOL08, UQOL11, UQOL12, UQOL13, UQOL15, UQOL16. Proto jsem je reverzně rekodoval. Zkontroloval jsem opět Cronbachovu alfu, ta vyšla 0.903, což je velmi dobrá vnitřní konzistence. Můžu tedy položky sečíst, abych dostal novou proměnnou, která bude znázorňovat kvalitu života. Cílem této analýzy je vyšetřit, jak moc je kvalita života (ZP) ovlivňována emocemi (NP) .V rámci modelu budeme kontrolovat proměnnou věk. Jako analýzu použiju mnohonásobnou lineární regresi. Popisné statistiky Descriptive Statistics N Minimum Maximum Mean Std. Deviation Skewness Kurtosis Statistic Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error Pozitivní emoce (více je více) 222 2,00 6,00 3,6104 ,93794 ,215 ,163 -,883 ,325 Negativní emoce (více je více) 222 1,60 4,80 2,6678 ,74491 ,608 ,163 -,424 ,325 kvalita života 203 51,00 109,00 81,2512 15,05143 -,113 ,171 -,873 ,340 věk 222 49 63 54,72 3,496 ,159 ,163 -1,033 ,325 Valid N (listwise) 203 Věk žen je od 49 do 63 let. (omlouvám se, tabulka se úplně nevešla). Chybějících hodnot je celkově k velikosti vzorku poměrně malé množství, podle mého názoru by tedy neměly zkreslovat výsledný model. Vlastní analýza Využil jsem mnohonásobnou lineární regresi. Do prvního bloku jsem zařadil pouze věk, do druhého bloku jsem zařadil negativní emoce a do třetího bloku jsem zařadil pozitivní emoce. Model Summary^d Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 ,072^a ,005 ,000 15,04957 ,005 1,050 1 201 ,307 2 ,592^b ,350 ,344 12,19477 ,345 106,124 1 200 ,000 3 ,706^c ,499 ,491 10,73422 ,149 59,129 1 199 ,000 1,703 a. Predictors: (Constant), věk b. Predictors: (Constant), věk, Negativní emoce (více je více) c. Predictors: (Constant), věk, Negativní emoce (více je více), Pozitivní emoce (více je více) d. Dependent Variable: kvalita života Jako nejlepší model jsem vybral model číslo 3, jelikož vysvětluje nejvíce rozptylu závislé proměnné (zhruba 50 %) a obsahuje všechny nezávislé proměnné. Malý rozdíl mezi R2 = a adj. R2 = ve výsledném modelu naznačuje, že model nejspíš poměrně dobře odhaduje hodnotu závislé proměnné v populaci. Výsledný regresní model se vzhledem k signifikantní hodnotě , F = (3, 199)= 66, p < 0,01 , jeví jako model, jenž by mohl vhodně znázorňovat data. Regresní koeficienty a bety Coefficients^a Model Unstandardized Coefficients Standardized Coefficients t Sig. 95,0% Confidence Interval for B Correlations Collinearity Statistics B Std. Error Beta Lower Bound Upper Bound Zero-order Partial Part Tolerance VIF 1 (Constant) 98,192 16,568 5,926 ,000 65,522 130,863 věk -,310 ,302 -,072 -1,025 ,307 -,906 ,286 -,072 -,072 -,072 1,000 1,000 2 (Constant) 125,996 13,694 9,201 ,000 98,993 153,000 věk -,249 ,245 -,058 -1,014 ,312 -,732 ,235 -,072 -,072 -,058 ,999 1,001 Negativní emoce (více je více) -11,696 1,135 -,587 -10,302 ,000 -13,935 -9,457 -,589 -,589 -,587 ,999 1,001 3 (Constant) 98,643 12,568 7,849 ,000 73,859 123,426 věk -,346 ,216 -,081 -1,604 ,110 -,772 ,080 -,072 -,113 -,080 ,996 1,004 Negativní emoce (více je více) -8,548 1,080 -,429 -7,915 ,000 -10,678 -6,418 -,589 -,489 -,397 ,856 1,168 Pozitivní emoce (více je více) 6,660 ,866 ,417 7,690 ,000 4,952 8,367 ,576 ,479 ,386 ,855 1,170 a. Dependent Variable: kvalita života Z výsledného modelu (3) je možno vyčíst, že k predikci významně přispívají proměnné Negativní a pozitivní emoce. Ve výsledném modelu má na predikci největší vliv proměnná negativní emoce. Toto nastává i za kontroly proměnné věk, která však není signifikantní, tzn. Signifikantně nepřispívá k predikci kvality života. Zvýší-li se nezávislá proměnná negativní emoce o 1 směrodatnou odchylku sníží se závislá proměnná Kvalita života o 0,429 směrodatné odchylky. Zvýší-li se nezávislá proměnná pozitivní emoce o 1 směrodatnou odchylku zvýší se závislá proměnná Kvalita života o 0,417 směrodatné odchylky. Jinými slovy, se vzrůstajícím skorem pozitivních emocí predikujeme vyšší hodnoty kvality života a se vzrůstajícím skorem negativních emocí predikujeme nižší hodnoty kvality života, jestliže efekt všech ostatních prediktorů zůstane kontrolován. Závěr je tedy nepřekvapivý, a to že pozitivní emoce ovlivňují skor kvality života pozitivně, negativní negativně (a to o poměrně srovnatelnou hodnotu). Vztahy mezi proměnnými Toto bohužel nestihnu, ale díval bych se nejspíš na korelaci mezi pozitivními a negativními emocemi (očekával bych velkou a samozřejmě zápornou). Podmínky Je splněn předpoklad nenulového rozptylu prediktorů. Předpoklad absence multikolinearity byl zkontrolován přes VIF statistiku a toleranci (kolinearita). Všechny proměnné měly toleranci větší než 0,1 a žádná neměla VIF větší než 10. Neměl by tedy být problém s multikolinearitou. Durbin-Watsonovým testem jsem zkontroloval předpoklad nezávislosti reziduí. Rozložení je poměrně normální. Normalita splněna. Ze scaterplotu lze vyčíst, že i homoskedascita reziduí je dodržena. Cookova vzdálenost není u žádného případu větší než 1 , stejně jako Dffit a DfBeta. Tedy vlivné případy a outliars jsou nejspíš v pořádku. Omlouvám se, více jsem nestihl