Het wordt als volgt berekend:<\/span> <\/p>\n Goud:<\/span><\/p>\n Hoe kleiner de standaardfout, hoe lager de variabiliteit rond de co\u00ebffici\u00ebntschatting voor de regressiehelling.<\/span><\/p>\n De standaardfout van de regressiehelling wordt weergegeven in een kolom „standaardfout“ in de regressie-uitvoer van de meeste statistische software:<\/span> <\/p>\n De volgende voorbeelden laten zien hoe u de standaardfout van een regressiehelling in twee verschillende scenario’s interpreteert.<\/span><\/p>\n Stel dat een hoogleraar inzicht wil krijgen in de relatie tussen het aantal gestudeerde uren en het eindexamencijfer van de leerlingen in zijn klas.<\/span><\/p>\n Het verzamelt gegevens voor 25 studenten en cre\u00ebert het volgende spreidingsdiagram:<\/span> <\/p>\n Er is een duidelijk positief verband tussen de twee variabelen. Naarmate het aantal gestudeerde uren toeneemt, stijgt de examenscore in een redelijk voorspelbaar tempo.<\/span><\/p>\n Vervolgens paste hij een eenvoudig lineair regressiemodel toe, waarbij hij het aantal bestudeerde uren als voorspellende variabele en het eindexamencijfer als responsvariabele gebruikte.<\/span><\/p>\n De volgende tabel toont de regressieresultaten:<\/span> <\/p>\n De co\u00ebffici\u00ebnt van de voorspellende variabele \u201cstudie-uren\u201d is 5,487. Dit vertelt ons dat elk extra uur dat wordt gestudeerd, gepaard gaat met een gemiddelde stijging van de examenscore met 5.487<\/strong> .<\/span><\/p>\n De standaardfout is 0,419<\/strong> , wat een maatstaf is voor de variabiliteit rond deze schatting voor de regressiehelling.<\/span><\/p>\n We kunnen deze waarde gebruiken om de t-statistiek voor de voorspellende variabele \u2018gestudeerde uren\u2019 te berekenen:<\/span><\/p>\n De p-waarde die bij deze toetsstatistiek hoort is 0,000, wat aangeeft dat \u2018gestudeerde uren\u2019 een statistisch significante relatie heeft met het eindexamencijfer.<\/span><\/p>\n Omdat de standaardfout van de regressiehelling klein was vergeleken met de co\u00ebffici\u00ebntschatting van de regressiehelling, was de voorspellende variabele statistisch significant.<\/span><\/p>\n Stel dat een andere hoogleraar inzicht wil krijgen in de relatie tussen het aantal gestudeerde uren en het eindexamencijfer van studenten in zijn klas.<\/span><\/p>\n Ze verzamelt gegevens voor 25 leerlingen en maakt het volgende spreidingsdiagram:<\/span> <\/p>\n Er lijkt een licht positief verband te bestaan tussen de twee variabelen. Naarmate het aantal studie-uren toeneemt, neemt de examenscore doorgaans toe, maar niet in een voorspelbaar tempo.<\/span><\/p>\n Stel dat de professor dan een eenvoudig lineair regressiemodel toepast, met bestudeerde uren als voorspellende variabele en het eindexamencijfer als responsvariabele.<\/span><\/p>\n De volgende tabel toont de regressieresultaten:<\/span> <\/p>\n De co\u00ebffici\u00ebnt van de voorspellende variabele \u201cstudie-uren\u201d is 1,7919. Dit vertelt ons dat elk extra uur dat wordt gestudeerd, gepaard gaat met een gemiddelde stijging van 1,7919<\/strong> in de examenscore.<\/span><\/p>\n De standaardfout is 1,0675<\/strong> , wat een maatstaf is voor de variabiliteit rond deze schatting voor de regressiehelling.<\/span><\/p>\n We kunnen deze waarde gebruiken om de t-statistiek voor de voorspellende variabele \u2018gestudeerde uren\u2019 te berekenen:<\/span><\/p>\n De p-waarde die overeenkomt met deze teststatistiek is 0,107. Omdat deze p-waarde niet kleiner is dan 0,05, duidt dit erop dat \u201curen gestudeerd\u201d geen statistisch significante relatie hebben met het eindexamencijfer.<\/span><\/p>\n Omdat de standaardfout van de regressiehelling groot was in verhouding tot de co\u00ebffici\u00ebntschatting van de regressiehelling, was de voorspellende variabele niet<\/em> statistisch significant.<\/span><\/p>\n Inleiding tot eenvoudige lineaire regressie<\/a> De standaardfout van een regressiehelling is een manier om de „onzekerheid“ bij het schatten van een regressiehelling te meten. Het wordt als volgt berekend: Goud: n : totale steekproefomvang y i : re\u00eble waarde van de responsvariabele \u0177 i : voorspelde waarde van de responsvariabele x i : re\u00eble waarde van de voorspellende variabele x\u0304 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2250","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n![\"formule](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand1.png\")
<\/p>\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand2.png\")
<\/p>\n Voorbeeld 1: Interpretatie van een kleine standaardfout van een regressiehelling<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand3.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand4.png\")
<\/p>\n\n
Voorbeeld 2: Interpretatie van een grote standaardfout van een regressiehelling<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand5.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/stand6.png\")
<\/p>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Inleiding tot meervoudige lineaire regressie<\/a>
Een regressietabel lezen en interpreteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"