Dr.

 Matt C. Howard
My research interests include (1) statistics and methodologies, (2) health and well­being, (3)
personality and individual differences, as well as (4) technology­enhanced training and
development.

Noteworthy Posts   About   Blog   Statistics Help   Courses   CV

Dummy­Coded Regression in Jamovi

Typically,  I  tell  students  that  the  two  primary  categories  of  “basic”  statistics  is  whether  they  (a)
determine  the  relationship  between  things  or  (b)  the  differences  between  groups.    Sometimes,
however, you want to do both.  To do this, dummy­coded regression can help out.  This page is a
brief lesson on how to perform a dummy­coded regression in Jamovi, which might be the easiest
program  ever  to  perform  a  dummy­coded  regression.    As  always,  if  you  have  any  questions,
please email me at MHoward@SouthAlabama.edu!

The typical type of regression is a linear regression, which identifies a linear relationship between
predictor(s) and an outcome.  Believe it or not, a linear regression can also identify the differences
between groups pretty well – as long as we know how to code our predictors correctly.  This is
where  dummy  coding  can  come  into  play,  which  can  be  used  to  answer  the  following  questions
and similar others:

What  is  the  relationship  of  people’s  training  groups  on  their  job  performance  while
accounting for their job satisfaction?
What  is  the  relationship  of  people’s  county  of  residence  on  their  life  satisfaction  while
accounting for their income?
What is the relationship of a widget’s manufacturing process on its assessed quality while
accounting for the machine operator’s tenure?

Of  course,  there  is  more  nuance  to  dummy­coded  regression,  but  we  will  keep  it  simple.    To
answer these questions, we can use Jamovi to calculate a regression equation.  If you don’t have
a  dataset,  you  can  download  the  example  dataset  here.  In  the  dataset,  we  are  investigating  the
relationships of three training groups and conscientiousness with sales.  So, training groups is the
categorical  variable  for  which  we  want  to  compare  the  groups  on  the  outcome,  whereas
conscientiousness  is  the  continuous  variable  for  which  we  want  to  assess  its  relation  with  the
outcome.

Also, this file is in .xls format, but Jamovi cannot open this format.  To learn how to change this .xls
file to a .csv file, which Jamovi can open, please click here.  Also, the pictures below are a little
small on the page. Click on the link above each picture to view a larger version of the picture in a
Follow
new window.

The data should look something like this:

Dummy­Coded Regression in Jamovi Picture 1

With most statistical programs, we would have to create our dummy codes before conducting our
dummy­coded analysis.  Fortunately, Jamovi does this for us when we conduct the analysis.  How
convenient!

So, we can proceed directly to conducting the analysis.  To do this, we first click on the
“Regression” button at the top of the screen.

Dummy­Coded Regression in Jamovi Picture 2
And then click on “Linear Regression”.

Dummy­Coded Regression in Jamovi Picture 3

You should see a screen that looks like the following:

Dummy­Coded Regression in Jamovi Picture 4

Let’s start by identifying our outcome variable in Jamovi.  To do so, click on your Sales variable,
and then click on the right­facing arrow next to the “Dependent Variable” box.

Dummy­Coded Regression in Jamovi Picture 5
Next,  let’s  include  our  continuous  variable  as  a  predictor,  which  is  conscientiousness  in  this
example.  Continuous variables should be added to the “Covariates” box in Jamovi.  So, click on
your conscientiousness variable, and then click on the right­facing arrow next to the “Covariates”
box.

Dummy­Coded Regression in Jamovi Picture 6

Let’s  now  include  our  categorical  variable  as  a  predictor,  which  is  groups  in  this  example. 
Typically,  we  would  have  needed  to  create  dummy  codes  for  this  categorical  variable  in  other
statistical programs; however, Jamovi can automatically create these dummy codes for us.  To do
so, click on your groups variable, and then click on the right­facing arrow next to the “Factors” box.

Dummy­Coded Regression in Jamovi Picture 7
Now, your window should look like the one below:

Dummy­Coded Regression in Jamovi Picture 8

Before looking at our results, I want to obtain two more statistics regarding our analyses.  First, I
want  indicators  of  multicolinearity.    To  obtain  these  indicators,  we  click  on  the  “Assumption
Checks” tab.

Dummy­Coded Regression in Jamovi Picture 9
You should have a new window pop open.  In this new window, click on the box next to
“Collinearity Statistics”.

Dummy­Coded Regression in Jamovi Picture 10

With this setting clicked, we can now close our Assumption Checks window by clicking on the tab
that reads, “Assumption Checks”.

Dummy­Coded Regression in Jamovi Picture 11
Second,  I  want  to  obtain  standardized  coefficients  from  our  analyses.   To  get  these,  we  want  to
open the Model Coefficients tab by clicking on the label that reads, “Model Coefficients”.

Dummy­Coded Regression in Jamovi Picture 12

From here, we want to click on the box next to “Standardized Estimate”.

Dummy­Coded Regression in Jamovi Picture 13
From here, we want to close this open menu.

Dummy­Coded Regression in Jamovi Picture 14

Now we have our final results – nice!  Check my output below and see whether you got the same
results.  If you got the same results, great!  If not, go back through the guide and see where your
results differed.

Dummy­Coded Regression in Jamovi Picture 15
Now,  let’s  interpret  our  results.    First,  we  should  look  at  the  bottom  table,  which  provides  our
multicolinearity statistics.  Our VIF for both predictors was 1.0.  There are a lot of different cutoffs
for VIF. Some authors say that VIF should be no higher than 3, 4, 5, or even 10. Whichever cutoff
that  you  choose,  none  of  them  are  smaller  than  1.0.  So,  multicolinearity  is  not  an  issue  with  our
data.

In  the  first  table,  we  can  also  see  that  our  R^2  is  extremely  at  .84.  This  means  that  our  two
predictors explain 84% of the variance in job performance.  That’s a lot!  We wish it was ever this
high!

Next,  we  can  look  at  the  p­value  column  on  the  second  table  to  see  the  significance  of  our
predictors.    The  p­value  associated  with  conscientiousness  was  .02.    This  means  that
conscientiousness is a statistically significant predictor of sales.

Interpreting  our    grouping  variable  is  a  little  bit  more  difficult.    When  performing  dummy­coded
regression, the results associated with our grouping variables represent group comparisons.  By
default, Jamovi codes our grouping variable to compare Group 1 against all other groups.  So, the
first row associated with our grouping variable (“2 – 1”) represents the comparison of Group 2 and
Group  1.    The  second  row  associated  with  our  grouping  variable  (“3  –  1”)  represents  the
comparison of Group 3 and Group 1.

When looking at these dummy­coded results, the p­value associated with the comparison of Group
2 and Group 1 is .057.   This is not statistically significant, and therefore there is not a significant
difference between Group 2 and Group 1 regarding the outcome of Sales.  The p­value associated
with  the  comparison  of  Group  3  and  Group  1  is  <  .0001.    This  is  statistically  significant,  and
therefore there is a significant difference between Group 3 and Group 1 regarding the outcome of
Sales.

In  sum,  these  results  indicate  that  both  conscientiousness  and  our  grouping  variable  had  a
significant  impact  on  sales.    In  regards  to  the  grouping  variable,  Group  3  and  Group  1  had  a
statistically significant difference regarding the outcome of sales.

There is a lot more that we could assess with our dummy­coded regression, but we will leave it
here.    We  have  already  covered  a  lot!    Now  you  should  be  able  to  perform  a  dummy­coded
regression  in  Jamovi.   As  always,  if  you  have  any  questions  or  comments,  please  email  me  a
MHoward@SouthAlabama.edu!

Share this:

 Twitter  Facebook

Loading...