t.test(stressdata$age)
Quiz 5.mars. Multippel og logistisk regresjon
Vi jobber videre med stressdata fila fra slides som er hentet fra denne studien
Er dette et tverrsnitts- eller longitudinelt datasett?
Er utvalget tilfeldig? Hvordan vil du karakterisere utvalget?
Hva er standardavviket til alder i datasettet?
Hvordan vil du definere en “uvanlig” høy alder?
Lag et 95\% konfidensintervall for alder.
Det påstås at i populasjonen som dette utvalget er tatt ifra så er menn og kvinner like gamle. Skriv opp nullhypotesen og alternativhypotesen. Bruk symbolene \(\mu_M\) og \(\mu_K\).
Utfør testen ved hjelp av
t.test(age~kjønn, stressdata)
- Gå til artikkelen og last ned “supplemental data” dokumentet. Der finner du spørsmålene om Usikkerhet: INSE1-INSE5. Lag et spredningsplott av INSE1 vs INSE2 og forklar hvorfor det ikke er informativt
plot(stressdata$INSE1, stressdata$INSE2)
- Du kan “jittre” observasjonene ved hjelp av ggplot2 pakken i tidyverset.
qplot(stressdata$INSE1, stressdata$INSE2)+geom_jitter()
Legg til regresjonslinja ved hjelp av +geom_smooth(method=“lm”) i kommandoen over. Er det negativ, ingen, eller positiv sammenheng mellom INSE1 og INSE2?
Beregn korrelasjonen mellom INSE1 og INSE2 vha cor() funksjonen
Lag summescore for alle 5 INSE items, som en ny variabel:
$insecurity <- stressdata$INSE1+stressdata$INSE2+stressdata$INSE3+stressdata$INSE4+stressdata$INSE5 stressdata
- Kjør en regresjon med summescore for insecurity som avhengig variabel og kjønn og alder som prediktorer. Hva blir \(R^2\) adjusted?
<- lm(insecurity ~ kjønn+age, data=stressdata)
mod summary(mod)
Har modellen noen som helst forklaringskraft?
- Kjør en regresjon med summescore for insecurity som avhengig variabel og bransje som prediktor. Har denne modellen noen som helst forklaringskraft?
<- lm(insecurity ~ bransje, data=stressdata)
mod summary(mod)
Har modellen noen som helst forklaringskraft?
Tolk Intercept verdien i modellen i oppgave 12.
Tolk regresjonskoeffisient for bransje:Helse og Omsorg, i oppgave 12.
Ta med summescoren complexity for COMP1-COMP5 som en prediktor i tillegg til bransje. Har denne modellen bedre forklaringskraft enn modellen i oppgave 12?
Tolk regresjonskoeffisienten til complexity.
Hvilken insecurity score forventer vi for en person som skåret 10 på complexity skalaen dersom denne personen jobber i Helse og omsorg?
Lag korrelasjonsmatrisen for alle INSE items og insecurity
<- select(stressdata, contains("INSE"))
inse cor(inse) %>% round(2)
Hvilket item er minst korrelert med summeskåren?
- Beregn cronbach’s \(\alpha\) for INSE
::alpha(inse[, 1:5]) psych
Hva blir \(\alpha\) hvis vi fjerne det itement fra skalaen som er minst korrelert med summeskåren?
I utgangspunktet fra den tyske originalstudien skulle det være 10 fasetter av digitalt jobbstress. Studien vår finner ikke støtte for dette. Vi fant støtte for 8 fasetter. Hvilke to fasetter av digital jobbstress fant vi ikke støtte for i det norske utvalget?
Logistisk regresjon. Bruk stressdataene til å predikere kjønn ut ifra bransje og leder (to binære prediktorer). Du må gjøre kjønn om til 0/1 (1 =kvinne) først:
$kvinne <- ifelse(stressdata$kjønn=="mann", 0, 1) stressdata
Tolk koeffisientene i forrige oppgave, gjerne som prosentvis endring i oddsene
Noen kjente tester er
- Eysenck and Eysenck (1968) Personality Inventory
- Spielberger (1983) State trait anxiety scale
- Rotter (1966) locus of control
- Rosenberg (1965) self-esteem
Hvor mange items er det i hvert av disse? Hvilken Likert skala er brukt?