Download de scriptie - Wetenschapswinkel Geneeskunde en ...

Bijlage 5 – Assumpties multipele regressie
Voor dat er multipele regressie kan worden uitgevoerd moet eerst worden gekeken of de data
voldoet aan bepaalde assumpties (Moore, McCabe & Craig, 2009). Voor dit onderzoek wordt er
gekeken naar vijf assumpties:
‐ multicollineariteit
‐ onafhankelijke waarnemingen
‐ lineair verband
‐ constante variantie (homoscedasticiteit)
‐ normale verdeling van de residuen
Multicollineariteit
Als eerste is naar de mate van multicollineariteit gekeken van het onderzoeksmodel. Wanneer alle
Tolerance waarden dichter bij 1 liggen dan bij 0, duidt dit op een redelijk lage onderlinge correlatie
van de onafhankelijke variabelen (Miles & Shevlin, 2001; Moore, McCabe & Craig, 2009). Zoals te
zien in figuur 1 is de laagste Tolerance waarde 0,533 (relatie met directe leiding). Vooral werktempo
en de mate van zelfstandigheid in het werk zijn in lage mate te voorspellen door de andere
onafhankelijke variabelen, zij hebben een Tolerance waarde dicht bij 1.
Een VIF waarde hoger dan 2 duidt pas op multicollineariteit, in dit model is hier geen sprake
van (Miles & Shevlin, 2001; Moore, McCabe & Craig, 2009). Ook bij de VIF waarden is te zien dat
werktempo en de mate van zelfstandigheid in het werk weinig samen hangen met andere
onafhankelijke variabelen, de VIF waarden van deze twee variabelen ligt ver onder de 2.
Bij de variabelen geslacht, leeftijd en postgrootte gaat het om vaste gegevens van de
respondenten. Deze variabelen zijn in groepen ingedeeld, dit betekent dat het geen interval
variabelen zijn. De Tolarance waarde is bij deze variabelen hoog omdat deze variabelen niet of zeer
moeilijk te voorspellen zijn uit de andere onafhankelijke variabelen. De VIF waarde is bij deze
variabelen dan juist weer laag, wat ook aangeeft dat de variabelen weinig correleren met de andere
onafhankelijke variabelen.
Psychosociale arbeidsbelasting van ambulancemedewerkers 71