Een regressieanalyse in SPSS toetst of één of meer onafhankelijke variabelen een numerieke uitkomst voorspellen. Je kiest Analyze > Regression > Linear, controleert de aannames en rapporteert R², de F-toets en per voorspeller B, β en p. Hieronder lees je hoe je dat stap voor stap doet, met uitgewerkt voorbeeld.
In dit artikel:
- wanneer lineaire regressie past en wanneer niet;
- hoe je de aannames controleert;
- welke stappen je in SPSS zet;
- hoe je de output leest, inclusief R kwadraat;
- hoe je het resultaat rapporteert in APA 7;
- welke fouten je beter kunt vermijden.
Wat is een regressieanalyse in SPSS?
Met regressie beschrijf je hoe een uitkomst verandert als een andere variabele verandert. De uitkomst heet de afhankelijke variabele. De variabelen die je gebruikt om te voorspellen heten onafhankelijke variabelen of voorspellers.
Bij enkelvoudige regressie gebruik je één voorspeller, bijvoorbeeld studie-uren voor het voorspellen van een toetscijfer. Bij meervoudige regressie gebruik je er meer, bijvoorbeeld studie-uren én motivatie. Dat laatste is in scripties gebruikelijk, omdat je dan het effect van de ene voorspeller bekijkt terwijl je de andere constant houdt.
Het verschil met een t-toets of ANOVA is de vraag die je stelt. Die toetsen vergelijken gemiddelden tussen groepen. Regressie onderzoekt hoe sterk een of meer variabelen samenhangen met een uitkomst en hoeveel van de verschillen ze verklaren. Twijfel je over je toets? Gebruik dan onze keuzehulp voor statistische toetsen.

Wanneer gebruik je lineaire regressie of meervoudige regressie?
Lineaire regressie past als je uitkomst numeriek is, op interval- of ratioschaal. Denk aan een cijfer, een score op een schaal of een bedrag. Is je uitkomst ja of nee, zoals geslaagd of niet geslaagd, dan past logistische regressie beter. Voorspellers mogen numeriek zijn of categorisch; een categorische voorspeller zet je om in dummyvariabelen.
| Onderzoeksvraag | Uitkomst | Analyse |
|---|---|---|
| Voorspellen studie-uren het toetscijfer? | Cijfer (numeriek) | Enkelvoudige lineaire regressie |
| Voorspellen uren en motivatie samen het cijfer? | Cijfer (numeriek) | Meervoudige lineaire regressie |
| Voorspelt motivatie of iemand slaagt? | Ja/nee | Logistische regressie |
| Verschilt het gemiddelde tussen drie groepen? | Cijfer (numeriek) | ANOVA |
Voorbeeld hbo: je onderzoekt bij een bedrijf of werkdruk en leiderschapsstijl de tevredenheid van medewerkers voorspellen. De uitkomst is een schaalscore, dus lineaire regressie past.
Voorbeeld wo: je toetst of zelfeffectiviteit het studiesucces voorspelt, ook als je controleert voor eerdere prestaties. Dan neem je beide op als voorspellers en bekijk je het unieke effect van zelfeffectiviteit.
Regressie-aannames controleren: residuen en multicollineariteit
Een regressie is alleen betrouwbaar als aan een aantal voorwaarden is voldaan. Controleer ze voordat je de resultaten interpreteert en noem ze kort in je methode of resultaten.
| Aanname | Wat het betekent | Zo controleer je het |
|---|---|---|
| Lineariteit | Het verband is ongeveer een rechte lijn | Spreidingsdiagram |
| Onafhankelijke waarnemingen | Waarnemingen beïnvloeden elkaar niet | Onderzoeksopzet, Durbin-Watson |
| Homoscedasticiteit | De spreiding van residuen is overal ongeveer gelijk | Plot ZRESID tegen ZPRED |
| Normaliteit van residuen | Residuen zijn ongeveer normaal verdeeld | Histogram of P-P plot |
| Geen sterke multicollineariteit | Voorspellers overlappen niet te sterk | VIF en Tolerance |
Een veelgebruikte vuistregel voor Durbin-Watson is dat waarden rond 2 gunstig zijn. Voor multicollineariteit wordt vaak gekeken naar een VIF onder 10, al hanteren sommige bronnen een strengere grens. Volg de richtlijn van je opleiding als die er is. Bekijk ook uitschieters: één extreem geval kan het resultaat sterk beïnvloeden. Verwijder zo’n geval niet zomaar, maar controleer of het een fout is en verantwoord je keuze.
Data voorbereiden voor lineaire regressie in SPSS
Veel fouten ontstaan al voordat je op OK klikt. Neem daarom de tijd om je databestand na te lopen. Controleer in Variable View of elke variabele het juiste meetniveau en duidelijke labels heeft. Bekijk daarna met Analyze > Descriptive Statistics > Frequencies of er onmogelijke waarden in je data staan, zoals een cijfer van 110 op een schaal tot 100.
Bepaal ook hoe je omgaat met ontbrekende waarden. SPSS laat bij lineaire regressie standaard respondenten weg die op een van de variabelen een waarde missen. Het aantal respondenten in je analyse kan daardoor lager zijn dan het aantal ingevulde vragenlijsten. Noem dat aantal in je resultaten.
Gebruik je een schaal met meerdere vragen? Bereken dan eerst de somscore of het gemiddelde en controleer de betrouwbaarheid met Cronbach’s alpha. Vergeet niet om omgekeerd geformuleerde items te hercoderen. Pas daarna neem je de schaalscore op in je regressie.
Regressieanalyse uitvoeren in SPSS: stappenplan
- Ga naar Analyze > Regression > Linear.
- Zet je uitkomst bij Dependent en je voorspellers bij Independent(s).
- Laat de methode op Enter staan, tenzij je begeleider anders aangeeft.
- Klik op Statistics en vink Estimates, Model fit, Collinearity diagnostics en Durbin-Watson aan.
- Klik op Plots. Zet ZRESID bij Y en ZPRED bij X en vink Histogram en Normal probability plot aan.
- Klik op Continue en daarna op OK.
SPSS opent nu het Output-venster. Je krijgt onder meer de tabellen Model Summary, ANOVA en Coefficients. Bewaar ook je syntax met de knop Paste. Zo kun je de analyse later herhalen en je keuzes verantwoorden.
Regressie interpreteren: SPSS-output met uitgewerkt voorbeeld
We gebruiken een oefendataset van 120 studenten. De vraag: voorspellen studie-uren per week en motivatie het toetscijfer op een schaal van 0 tot 100? De cijfers komen uit een zelf gegenereerde dataset en gaan niet over echte studenten.
Model Summary: hoeveel verklaart je regressiemodel?
Hier zie je R² = .45 en aangepaste R² = .44. Dat betekent dat het model 45% van de variantie in het toetscijfer verklaart. De aangepaste R² corrigeert voor het aantal voorspellers en is vooral nuttig als je modellen vergelijkt. Durbin-Watson is 1,76, wat dicht genoeg bij 2 ligt.
ANOVA-tabel van de regressie: is het model significant?
Deze tabel toetst of het model als geheel significant is: F(2, 117) = 47.91, p < .001. Het model voorspelt de uitkomst dus beter dan alleen het gemiddelde. De getallen 2 en 117 zijn de vrijheidsgraden: het aantal voorspellers en het aantal respondenten min voorspellers min één.
Coefficients-tabel: B en bèta interpreteren
| Voorspeller | B | SE | β | t | p |
|---|---|---|---|---|---|
| Constante | 52,12 | 2,78 | 18,75 | < .001 | |
| Studie-uren | 1,10 | 0,14 | .55 | 8,06 | < .001 |
| Motivatie | 3,21 | 0,63 | .35 | 5,12 | < .001 |
B is het ongestandaardiseerde effect. Elk extra studie-uur hangt samen met 1,10 punt hoger, bij gelijke motivatie. Elk punt hogere motivatie hangt samen met 3,21 punt hoger, bij gelijke studie-uren.
β is gestandaardiseerd. Daarmee vergelijk je voorspellers die op verschillende schalen zijn gemeten. Studie-uren is hier met β = .55 de sterkste voorspeller.
p laat zien of het effect statistisch significant is, meestal bij p < .05. In dit voorbeeld zijn beide voorspellers significant. De correlatie tussen de voorspellers is r = .05, dus er is geen probleem met multicollineariteit.
R kwadraat interpreteren in SPSS
R² is het deel van de verschillen in je uitkomst dat het model verklaart. Bij R² = .45 is dat 45%. Dat is niet hetzelfde als 45% juiste voorspellingen. Wat een goede R² is, hangt af van je vakgebied: in onderzoek naar menselijk gedrag zijn lagere waarden gebruikelijk. Vergelijk daarom met eerder onderzoek uit je theoretisch kader in plaats van een vaste grens te gebruiken.
Regressie rapporteren in APA 7
Rapporteer eerst het model en daarna de afzonderlijke voorspellers. Zet statistische symbolen cursief en laat de nul voor de komma weg bij waarden die niet groter dan 1 kunnen worden, zoals p en β. In Nederlandstalige scripties gebruik je soms een decimale komma; volg de richtlijn van je opleiding.
Voorbeeld: Een meervoudige regressieanalyse liet zien dat studie-uren en motivatie samen het toetscijfer voorspelden, F(2, 117) = 47.91, p < .001, R² = .45. Zowel studie-uren (β = .55, p < .001) als motivatie (β = .35, p < .001) waren significante voorspellers.
Gebruik voor meerdere voorspellers ook een tabel met B, SE, β, t en p. Beschrijf in je resultatenhoofdstuk alleen wat je vond. De interpretatie en wat het betekent voor je theorie horen in je discussie.
Dummyvariabelen maken voor meervoudige regressie
Regressie rekent met getallen. Een variabele als opleidingsniveau of geslacht kun je daarom niet zomaar opnemen. Je maakt er dummyvariabelen van: variabelen met de waarde 0 of 1. Voor een variabele met k categorieën maak je k min 1 dummy’s. De overgebleven categorie is je referentiegroep.
| Studievorm | Dummy deeltijd | Dummy duaal |
|---|---|---|
| Voltijd (referentie) | 0 | 0 |
| Deeltijd | 1 | 0 |
| Duaal | 0 | 1 |
In SPSS maak je dummy’s via Transform > Recode into Different Variables of via Transform > Create Dummy Variables. De B van een dummy lees je als het verschil met de referentiegroep, bij gelijke waarden op de andere voorspellers. Kies als referentie een groep die inhoudelijk logisch is, vaak de grootste groep of de standaardsituatie.
Hiërarchische regressie in SPSS: voorspellers stap voor stap toevoegen
Soms wil je weten of een variabele iets toevoegt bovenop wat je al weet. Dan voer je voorspellers in blokken in. Dat heet hiërarchische regressie. In het eerste blok zet je bijvoorbeeld controlevariabelen zoals leeftijd. In het tweede blok voeg je de variabele toe waar je onderzoeksvraag over gaat.
In het venster Linear Regression klik je na het eerste blok op Next en voeg je de volgende voorspellers toe. Vink bij Statistics ook R squared change aan. De output toont dan per model hoeveel R² toeneemt en of die toename significant is.
De volgorde van de blokken kies je op basis van theorie, niet op basis van wat het mooiste resultaat geeft. Leg die keuze uit in je methode. Automatische methoden zoals Stepwise laten SPSS de voorspellers kiezen. Die zijn in scripties vaak minder geschikt, omdat de keuze dan niet uit je theorie volgt. Overleg dit dus eerst met je begeleider.
Uitschieters en invloedrijke waarnemingen in je regressie
Een uitschieter is een waarneming die sterk afwijkt. Niet elke uitschieter is een probleem, maar een waarneming kan de lijn wel ver wegtrekken. In SPSS vraag je bij Save de Cook’s Distance en gestandaardiseerde residuen aan. Die verschijnen als nieuwe kolommen in je databestand. Een veelgebruikte vuistregel is dat je een Cook’s Distance boven 1 nader bekijkt en gestandaardiseerde residuen buiten de grenzen van -3 en 3 controleert.
Ga bij een opvallende waarneming eerst na of het een invoerfout is. Is de waarde echt, voer de analyse dan eventueel met en zonder die waarneming uit en vergelijk de uitkomsten. Vermeld wat je hebt gedaan, zodat je lezer je keuze kan volgen.
Resultatenparagraaf schrijven bij een regressieanalyse
- Noem de analyse en het aantal respondenten.
- Meld kort of aan de aannames is voldaan en wat je deed als dat niet zo was.
- Rapporteer het model met F, vrijheidsgraden, p en R².
- Bespreek de voorspellers afzonderlijk, met β en p.
- Verwijs naar je tabel en beantwoord per stap de bijbehorende deelvraag.
Voorbeeld hbo: in een praktijkgericht onderzoek volstaat vaak een korte alinea met de belangrijkste uitkomst en een tabel. Vertaal de uitkomst in je conclusie naar het probleem van je opdrachtgever.
Voorbeeld wo: in een theoretische scriptie koppel je elke voorspeller aan een hypothese. Schrijf per hypothese of die wordt ondersteund door de data en bewaar de verklaring voor je discussie. Meer over de opbouw lees je in scriptie structuur.
Veelgemaakte fouten bij lineaire regressie
| Fout | Beter |
|---|---|
| Oorzaak en gevolg concluderen | Schrijf dat variabelen samenhangen of dat een variabele een uitkomst voorspelt |
| B en β door elkaar halen | Gebruik B voor de betekenis in eenheden, β om voorspellers te vergelijken |
| Aannames overslaan | Controleer en noem ze kort |
| Te veel voorspellers bij weinig respondenten | Kies op basis van theorie en bespreek je steekproef |
| Alleen op p letten | Noem ook de sterkte van het effect |
| Uitschieters zonder uitleg verwijderen | Controleer ze en verantwoord je keuze |
Veelgestelde vragen over regressie in SPSS
Tot slot: je regressie-uitkomsten verwerken in je scriptie
Een goede regressieanalyse begint bij je onderzoeksvraag, niet bij SPSS. Controleer de aannames, lees de output in de juiste volgorde en beschrijf wat je vond zonder te ver te gaan. Check altijd de regels van je opleiding: jij blijft verantwoordelijk voor wat je inlevert en je moet je analyse zelf kunnen toelichten. Kom je er niet uit? Bekijk dan onze persoonlijke SPSS-hulp of de tarieven.
Bronnen
- Universiteit van Amsterdam: rapporteren van statistieken in APA-stijl
- Universiteit Utrecht: enkelvoudige regressie
- UvA Methodologiewinkel: regression
- Field, A. Discovering Statistics Using IBM SPSS Statistics. Sage.
Gecontroleerd in november 2026. Controleer de eisen van je eigen opleiding.



Leave A Comment