{"id":4581,"date":"2023-07-09T22:48:50","date_gmt":"2023-07-09T22:48:50","guid":{"rendered":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/"},"modified":"2023-07-09T22:48:50","modified_gmt":"2023-07-09T22:48:50","slug":"hoofdcomponentenanalyse-in-sas","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/","title":{"rendered":"Hoofdcomponentanalyse uitvoeren in sas"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Principal Component Analysis (PCA) is een machine learning-techniek<a href=\"https:\/\/statorials.org\/nl\/begeleid-versus-onbewaakt-leren\/\" target=\"_blank\" rel=\"noopener\">zonder toezicht<\/a> die tot doel heeft de belangrijkste componenten \u2013 lineaire combinaties van voorspellende variabelen \u2013 te vinden die een groot deel van de variatie in een dataset verklaren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De eenvoudigste manier om PCA in SAS uit te voeren is door de <strong>PROC PRINCOMP<\/strong> -instructie te gebruiken, die de volgende basissyntaxis gebruikt:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #800080;\">proc princomp<\/span> <span style=\"color: #3366ff;\">data<\/span> =my_data <span style=\"color: #3366ff;\">out<\/span> =out_data <span style=\"color: #3366ff;\">outstat<\/span> =stats;\n    <span style=\"color: #3366ff;\">var<\/span> var1 var2 var3;\n<span style=\"color: #800080;\">run<\/span> ;<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dit is wat elke instructie doet:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>data<\/strong> : de naam van de gegevensset die voor de PCA moet worden gebruikt<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>out<\/strong> : De naam van de te maken gegevensset die alle originele gegevens bevat plus de scores van de hoofdcomponenten<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>outstat<\/strong> : Specificeert dat er een gegevensset moet worden gemaakt met gemiddelden, standaarddeviaties, correlatieco\u00ebffici\u00ebnten, eigenwaarden en eigenvectoren.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>var<\/strong> : de variabelen die moeten worden gebruikt voor PCA uit de invoergegevensset.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">In het volgende stapsgewijze voorbeeld ziet u hoe u de <strong>PROC PRINCOMP-<\/strong> instructie in de praktijk kunt gebruiken om analyse van hoofdcomponenten in SAS uit te voeren.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Stap 1: Maak een dataset<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Stel dat we de volgende dataset hebben met daarin verschillende informatie over 20 basketbalspelers:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">\/*create dataset*\/\n<\/span><span style=\"color: #800080;\">data<\/span> my_data;\n    <span style=\"color: #3366ff;\">input<\/span> points assists rebounds;\n    <span style=\"color: #3366ff;\">datalines<\/span> ;\n22 8 4\n29 7 3\n10 4 12\n5 5 15\n35 6 2\n8 3 10\n10 4 8\n8 4 3\n2 5 17\n4 5 19\n9 9 4\n7 6 4\n31 5 3\n4 6 13\n5 7 8\n8 8 4\n10 4 8\n20 4 6\n25 8 8\n18 8 3\n;\n<span style=\"color: #800080;\">run<\/span> ;\n\n<span style=\"color: #008000;\">\/*view dataset*\/\n<\/span><span style=\"color: #800080;\">proc print<\/span> <span style=\"color: #3366ff;\">data<\/span> =my_data;<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-35751 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas1.png\" alt=\"\" width=\"247\" height=\"525\" srcset=\"\" sizes=\"auto, \"><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Stap 2: Voer een hoofdcomponentenanalyse uit<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">We kunnen de <strong>PROC PRINCOMP-<\/strong> instructie gebruiken om hoofdcomponentenanalyse uit te voeren met behulp van de <strong>points<\/strong> , <strong>assists<\/strong> en <strong>bounces<\/strong> variabelen van de dataset:<\/span><\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #800080;\"><span style=\"color: #008000;\">\/*perform principal components analysis*\/<\/span>\nproc princomp<\/span> <span style=\"color: #3366ff;\">data<\/span> =my_data <span style=\"color: #3366ff;\">out<\/span> =out_data <span style=\"color: #3366ff;\">outstat<\/span> =stats;\n    <span style=\"color: #3366ff;\">var<\/span> points assists rebounds;\n<span style=\"color: #800080;\">run<\/span> ;<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Het eerste deel van de uitvoer toont verschillende beschrijvende statistieken, waaronder de gemiddelde en standaardafwijkingen van elke invoervariabele, een correlatiematrix en de waarden van de eigenwaarden en eigenvectoren:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-35752 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas2.png\" alt=\"\" width=\"380\" height=\"647\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Het volgende deel van de uitvoer toont een <strong>screeplot<\/strong> en een <strong>verklaarde<\/strong> variantiegrafiek:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-35753 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas3.png\" alt=\"\" width=\"650\" height=\"371\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Wanneer we PCA uitvoeren, willen we vaak begrijpen welk percentage van de totale variatie in de dataset kan worden verklaard door elke hoofdcomponent.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De resulterende tabel met de titel <strong>Correlatiematrix Eigenwaarden<\/strong> stelt ons in staat precies te zien welk percentage van de totale variatie wordt verklaard door elke hoofdcomponent:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">De eerste hoofdcomponent verklaart <strong>61,7%<\/strong> van de totale variatie in de dataset.<\/span><\/li>\n<li> <span style=\"color: #000000;\">De tweede hoofdcomponent verklaart <strong>26,51%<\/strong> van de totale variatie in de dataset.<\/span><\/li>\n<li> <span style=\"color: #000000;\">De derde hoofdcomponent verklaart <strong>11,79%<\/strong> van de totale variatie in de dataset.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Houd er rekening mee dat alle percentages optellen tot 100%.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De plot met de titel <strong>Variance Explored<\/strong> stelt ons vervolgens in staat deze waarden te visualiseren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Op de x-as wordt de hoofdcomponent weergegeven en op de y-as het percentage van de totale variantie dat door elke afzonderlijke hoofdcomponent wordt verklaard.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Stap 3: Maak een biplot om de resultaten te visualiseren<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Om de resultaten van PCA voor een bepaalde dataset te visualiseren, kunnen we een <strong>biplot<\/strong> maken. Dit is een plot die elke waarneming in een dataset weergeeft op een vlak dat wordt gevormd door de eerste twee hoofdcomponenten.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We kunnen de volgende syntaxis in SAS gebruiken om een biplot te maken:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008000;\">\/*create dataset with column called <em>obs<\/em> to represent row numbers of original data*\/<\/span>\n<span style=\"color: #800080;\">data<\/span> biplot_data;\n   <span style=\"color: #3366ff;\">set<\/span> out_data;\n   obs=_n_;\n<span style=\"color: #800080;\">run<\/span> ;\n\n<span style=\"color: #008000;\">\/*create biplot using values from first two principal components*\/\n<\/span><span style=\"color: #800080;\">proc sgplot<\/span> <span style=\"color: #3366ff;\">data<\/span> =biplot_data;\n    <span style=\"color: #3366ff;\">scatter<\/span> <span style=\"color: #3366ff;\">x<\/span> =Prin1 <span style=\"color: #3366ff;\">y<\/span> =Prin2 \/ <span style=\"color: #3366ff;\">datalabel<\/span> =obs;\n<span style=\"color: #800080;\">run<\/span> ;<\/strong><\/span> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-35754 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas4.png\" alt=\"\" width=\"601\" height=\"449\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Op de x-as wordt de eerste hoofdcomponent weergegeven, op de y-as de tweede hoofdcomponent, en individuele <a href=\"https:\/\/statorials.org\/nl\/observatie-in-de-statistiek\/\" target=\"_blank\" rel=\"noopener\">waarnemingen<\/a> uit de dataset worden in de grafiek weergegeven als kleine cirkels.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De waarnemingen die naast elkaar in de grafiek staan, hebben vergelijkbare waarden voor de drie variabelen <strong>punten<\/strong> , <strong>assists<\/strong> en <strong>rebounds<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Helemaal links in de grafiek kunnen we bijvoorbeeld zien dat waarnemingen <strong>#9<\/strong> en <strong>#10<\/strong> extreem dicht bij elkaar liggen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Als we naar de originele dataset verwijzen, kunnen we de volgende waarden voor deze waarnemingen zien:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Observatie nr. 9<\/strong> : 2 punten, 5 assists, 17 rebounds<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Observatie #10<\/strong> : 4 punten, 5 assists, 19 rebounds<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">De waarden zijn voor elk van de drie variabelen vergelijkbaar, wat verklaart waarom deze waarnemingen op de biplot zo dicht bij elkaar liggen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We zagen ook in de resultatentabel met de titel <strong>Correlatiematrix Eigenwaarden<\/strong> dat de eerste twee hoofdcomponenten <strong>88,21%<\/strong> van de totale variatie in de dataset voor hun rekening nemen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Omdat dit percentage erg hoog is, is het geldig om te analyseren welke waarnemingen in de biplot dicht bij elkaar liggen, omdat de twee belangrijkste componenten waaruit de biplot bestaat, bijna alle variatie in de dataset voor hun rekening nemen.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Aanvullende bronnen<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende taken in SAS kunt uitvoeren:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/nl\/eenvoudige-lineaire-regressie-in-sas\/\" target=\"_blank\" rel=\"noopener\">Hoe u eenvoudige lineaire regressie uitvoert in SAS<\/a><br \/> <a href=\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-in-sas\/\" target=\"_blank\" rel=\"noopener\">Hoe u meerdere lineaire regressie uitvoert in SAS<\/a><br \/> <a href=\"https:\/\/statorials.org\/nl\/logistische-regressie-in-de-luchtsluis\/\" target=\"_blank\" rel=\"noopener\">Hoe logistische regressie uit te voeren in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Principal Component Analysis (PCA) is een machine learning-techniekzonder toezicht die tot doel heeft de belangrijkste componenten \u2013 lineaire combinaties van voorspellende variabelen \u2013 te vinden die een groot deel van de variatie in een dataset verklaren. De eenvoudigste manier om PCA in SAS uit te voeren is door de PROC PRINCOMP -instructie te gebruiken, die [&hellip;]<\/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-4581","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Hoofdcomponentanalyse uitvoeren in SAS - Statorials<\/title>\n<meta name=\"description\" content=\"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Hoofdcomponentanalyse uitvoeren in SAS - Statorials\" \/>\n<meta property=\"og:description\" content=\"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-09T22:48:50+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas1.png\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/\",\"url\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/\",\"name\":\"Hoofdcomponentanalyse uitvoeren in SAS - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-09T22:48:50+00:00\",\"dateModified\":\"2023-07-09T22:48:50+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Hoofdcomponentanalyse uitvoeren in sas\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Hoofdcomponentanalyse uitvoeren in SAS - Statorials","description":"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/","og_locale":"de_DE","og_type":"article","og_title":"Hoofdcomponentanalyse uitvoeren in SAS - Statorials","og_description":"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.","og_url":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/","og_site_name":"Statorials","article_published_time":"2023-07-09T22:48:50+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas1.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/","url":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/","name":"Hoofdcomponentanalyse uitvoeren in SAS - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-09T22:48:50+00:00","dateModified":"2023-07-09T22:48:50+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze zelfstudie wordt uitgelegd hoe u de analyse van hoofdcomponenten in SAS uitvoert, met een compleet voorbeeld.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenanalyse-in-sas\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Hoofdcomponentanalyse uitvoeren in sas"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/4581","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=4581"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/4581\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=4581"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=4581"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=4581"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}