COLLEGE – 3 NOVEMBER 2025 – FLIP THE CLASSROOM
Herhalen: type schalen: interval versus ordinale schaal
Hoe kom je erachter of je vragenschalen betrouwbaar en valide zijn? Belangrijke vragen bij
het gebruik van vragenschalen als meetinstrument:
- Is het meetinstrument valide? Meet het instrument elke keer precies wat we willen
meten?
o Analyse = factoranalyse
- Is het meetinstrument betrouwbaar? Meet het instrument elke keer hetzelfde?
o Analyse = betrouwbaarheidsanalyse
- Is er samenhang tussen het meetinstrument en andere meetinstrumenten?
o Analyse = correlatieanalyse
Correlatie
De (Pearson) correlatie r is de meest gebruikte
methode om de sterkte van het verband tussen twee
variabelen uit te drukken
De Pearson correlatie = de mate van samenhang (r)
tussen twee variabelen uitgedrukt in een cijfer
- Getal tussen -1 en 1
- 0 = geen correlatie
Strong: r tussen 0.5 en 1 / -0.5 en -1 (r>0.50)
Moderate: r tussen 0.3 en 0.5 / -0.3 en -0.5 (r>0.30)
Weak: r tussen 0.1 en 0.3 / -0.1 en -0.3 (>0.10)
Very weak: r<0.10
LET OP! Het gaat bij Pearson’s correlatie niet om
schuinheid/hoe stijl, maar om de spreiding binnen de puntenwolk
- Minder spreiding = sterkere correlatie
- Meer spreiding = zwakkere correlatie
Met Pearson r kun je dus voorspellen: hoe sterk de correlatie is en in welke richting de
correlatie gaat
, Als de correlatie is bevestigd (moet een duidelijke causale relatie zijn), dan kun je de
samenhang van de variabelen voorspellen aan de hand van een regressie
Wat betekent een correlatie van 1.0 tussen twee indicatoren?
Puntenwolk is extreem smal, alle punten liggen precies op één rechte lijn: er is 0 spreiding >
de relatie is compleet voorspelbaar. In praktijk: de indicatoren meten exact dezelfde
waarden, voor alle vragen (elke respondent geeft dezelfde waarde)
Dus je meet eigenlijk steeds hetzelfde onderliggende construct (dus je bent steeds
hetzelfde aan het meten, met steeds andere items = niet handig)
Hoe sterker de correlatie hoe minder ruis
Nulhypothese (H0) = de veronderstelling dat het effect niet bestaat
H1 = nulhypothese wordt verworpen bij significantie (p<0.05) de kans dat H0 waar is, er is
geen effect, is dan 5%
Wanneer is een correlatie significant? (SE en significantie)
Significant wanneer we er vrij zeker van zijn dat het verband echt bestaat en niet toevallig uit
onze steekproef komt. SE = meet hoe onzeker de correlatie is
- Als de SE kleiner dan de helft van de correlatie is (als r=2xSE, dan is r significant)
o Grote SE > veel onzekerheid: moeilijk te zeggen dat er echt een verband is
o Kleine SE > weinig onzekerheid: verband waarschijnlijk echt
SE = 1/ √N
- Bij 100 respondenten moet de correlatie ≥ 0.20 om significant te zijn
- Bij 400 respondenten is ≥ 0.10 al genoeg
Dus hoe groter de steekproef (meer groter N), hoe kleiner de SE, en hoe makkelijker r
significant wordt
Dus:
- Hoe groter N (aantal respondenten), des te kleiner SE
- Maar dit verband is niet-lineair (wortelvergelijking) > correlatie zijn per definitie
lineair, dus als je iets ziet dat niet lineair is, heeft het geen correlatie
Belangrijk voor correlatie!
1. Is die significant?
2. Hoe sterk is de correlatie?
3. Is het positief of negatief?
, Validiteit en betrouwbaarheid
Validiteit = juiste antwoord
Betrouwbaar = steeds hetzelfde antwoord
Validiteit en betrouwbaarheid zijn ook belangrijk bij sociaalwetenschappelijk onderzoek
- Betrouwbaarheid: stabiel meten (elke keer hetzelfde) > eigenlijk meten we interne
consistentie
- Validiteit: meten wat je bedoelt te meten
Validiteit en factoranalyse
Factoranalyse = een multivariate statistische techniek die voor een groot aantal
geobserveerde variabelen een kleiner aantal achterliggende variabelen identificeert. Deze
niet geobserveerde, achterliggende variabelen worden factoren genoemd
- We gebruiken factoranalyse om systematische meetfouten/validiteit te ontdekken
Wat is het?
Factoranalyse is weinig anders dan een verzameling van meerdere multipele
regressiemodellen, waarbij de onafhankelijke variabelen ongemeten (latent) zijn > dus zelf
een label plakken op de indicatoren die bij elkaar horen
Wat kan het?
1. Een factoranalyse gebruikt de antwoorden op de items van een schaal (antwoorden
op vragen uit een vragenlijst) om iets latents (verborgen/onzichtbaars) te voorspellen
2. Een factoranalyse laat zien of items afzonderlijk goed voorspellen of niet
Factoranalyse gebruiken de indicatoren van meerdere (achterliggende) variabelen
tegelijk. We toetsen of de indicatoren van de verschillende variabelen bij hun ‘bedoelde’
variabele horen
Factoranalyse kijkt of de samenhang per onderwerp (achterliggende variabele)
sterker/hoger is dan totale samenhang van alle items
Is het wenselijk dat er drie achterliggende variabele uit je factoranalyse komen (die wel/niet
samenhangen)? Ja, het is wenselijk
Herhalen: type schalen: interval versus ordinale schaal
Hoe kom je erachter of je vragenschalen betrouwbaar en valide zijn? Belangrijke vragen bij
het gebruik van vragenschalen als meetinstrument:
- Is het meetinstrument valide? Meet het instrument elke keer precies wat we willen
meten?
o Analyse = factoranalyse
- Is het meetinstrument betrouwbaar? Meet het instrument elke keer hetzelfde?
o Analyse = betrouwbaarheidsanalyse
- Is er samenhang tussen het meetinstrument en andere meetinstrumenten?
o Analyse = correlatieanalyse
Correlatie
De (Pearson) correlatie r is de meest gebruikte
methode om de sterkte van het verband tussen twee
variabelen uit te drukken
De Pearson correlatie = de mate van samenhang (r)
tussen twee variabelen uitgedrukt in een cijfer
- Getal tussen -1 en 1
- 0 = geen correlatie
Strong: r tussen 0.5 en 1 / -0.5 en -1 (r>0.50)
Moderate: r tussen 0.3 en 0.5 / -0.3 en -0.5 (r>0.30)
Weak: r tussen 0.1 en 0.3 / -0.1 en -0.3 (>0.10)
Very weak: r<0.10
LET OP! Het gaat bij Pearson’s correlatie niet om
schuinheid/hoe stijl, maar om de spreiding binnen de puntenwolk
- Minder spreiding = sterkere correlatie
- Meer spreiding = zwakkere correlatie
Met Pearson r kun je dus voorspellen: hoe sterk de correlatie is en in welke richting de
correlatie gaat
, Als de correlatie is bevestigd (moet een duidelijke causale relatie zijn), dan kun je de
samenhang van de variabelen voorspellen aan de hand van een regressie
Wat betekent een correlatie van 1.0 tussen twee indicatoren?
Puntenwolk is extreem smal, alle punten liggen precies op één rechte lijn: er is 0 spreiding >
de relatie is compleet voorspelbaar. In praktijk: de indicatoren meten exact dezelfde
waarden, voor alle vragen (elke respondent geeft dezelfde waarde)
Dus je meet eigenlijk steeds hetzelfde onderliggende construct (dus je bent steeds
hetzelfde aan het meten, met steeds andere items = niet handig)
Hoe sterker de correlatie hoe minder ruis
Nulhypothese (H0) = de veronderstelling dat het effect niet bestaat
H1 = nulhypothese wordt verworpen bij significantie (p<0.05) de kans dat H0 waar is, er is
geen effect, is dan 5%
Wanneer is een correlatie significant? (SE en significantie)
Significant wanneer we er vrij zeker van zijn dat het verband echt bestaat en niet toevallig uit
onze steekproef komt. SE = meet hoe onzeker de correlatie is
- Als de SE kleiner dan de helft van de correlatie is (als r=2xSE, dan is r significant)
o Grote SE > veel onzekerheid: moeilijk te zeggen dat er echt een verband is
o Kleine SE > weinig onzekerheid: verband waarschijnlijk echt
SE = 1/ √N
- Bij 100 respondenten moet de correlatie ≥ 0.20 om significant te zijn
- Bij 400 respondenten is ≥ 0.10 al genoeg
Dus hoe groter de steekproef (meer groter N), hoe kleiner de SE, en hoe makkelijker r
significant wordt
Dus:
- Hoe groter N (aantal respondenten), des te kleiner SE
- Maar dit verband is niet-lineair (wortelvergelijking) > correlatie zijn per definitie
lineair, dus als je iets ziet dat niet lineair is, heeft het geen correlatie
Belangrijk voor correlatie!
1. Is die significant?
2. Hoe sterk is de correlatie?
3. Is het positief of negatief?
, Validiteit en betrouwbaarheid
Validiteit = juiste antwoord
Betrouwbaar = steeds hetzelfde antwoord
Validiteit en betrouwbaarheid zijn ook belangrijk bij sociaalwetenschappelijk onderzoek
- Betrouwbaarheid: stabiel meten (elke keer hetzelfde) > eigenlijk meten we interne
consistentie
- Validiteit: meten wat je bedoelt te meten
Validiteit en factoranalyse
Factoranalyse = een multivariate statistische techniek die voor een groot aantal
geobserveerde variabelen een kleiner aantal achterliggende variabelen identificeert. Deze
niet geobserveerde, achterliggende variabelen worden factoren genoemd
- We gebruiken factoranalyse om systematische meetfouten/validiteit te ontdekken
Wat is het?
Factoranalyse is weinig anders dan een verzameling van meerdere multipele
regressiemodellen, waarbij de onafhankelijke variabelen ongemeten (latent) zijn > dus zelf
een label plakken op de indicatoren die bij elkaar horen
Wat kan het?
1. Een factoranalyse gebruikt de antwoorden op de items van een schaal (antwoorden
op vragen uit een vragenlijst) om iets latents (verborgen/onzichtbaars) te voorspellen
2. Een factoranalyse laat zien of items afzonderlijk goed voorspellen of niet
Factoranalyse gebruiken de indicatoren van meerdere (achterliggende) variabelen
tegelijk. We toetsen of de indicatoren van de verschillende variabelen bij hun ‘bedoelde’
variabele horen
Factoranalyse kijkt of de samenhang per onderwerp (achterliggende variabele)
sterker/hoger is dan totale samenhang van alle items
Is het wenselijk dat er drie achterliggende variabele uit je factoranalyse komen (die wel/niet
samenhangen)? Ja, het is wenselijk
