Werkgroep 3: Moderatie
Gemeente Haarlem
• Dataset: 383 deelnemers
• Steunbeleid (5 items), 1 -5 Likert schaal. Bijv. ‘Ik vind het beleid om reclame voor
vlees in Haarlem te verbieden een goed idee’
• Eet je vlees? (0 = ja; 1 = nee, dus vegetariër of veganist)
• Sociaaleconomische status
• Politieke oriëntatie: links (1) en rechts (2)
Onderzoeksvragen:
1. Voorspelt het wel of niet vegetarisch zijn steun voor het beleid?
2. Speelt politieke voorkeur een rol in deze relatie?
Stap 1
Frequentieanalyse via frequencies
- Check alle items en maak notities van bijzonderheden
o Steun_beleid3 heeft 1 missing value
- Meeste mensen zijn geen vegetariër
- Politieke voorkeur is 50/50
Correlatieanalyse
- Bij het item ‘vega_of_vlees’ zijn geen significante relaties te zien > er is geen
verschil/samenhang tussen vegetariërs en niet-vegetariërs betreffende van wat ze
van het beleid vinden = maakt niet uit of je wel/niet vlees eet en hoe je over het
verbod denkt
- Het item ‘politieke_orientatie’ heeft significante negatieve correlaties > als je rechts
bent, gaat je steun omlaag; als je links bent, gaat je steun omhoog
- Items ‘steun_beleid 1 tot 5’ over het algemeen sterke significante relaties
- Item ‘steun_beleid 4’ zwakke negatieve correlatie (kan uitvallen)
Factoranalyse
Achterhalen of items van één schaal niet bij andere schaal horen, maar factoranalyse kan
ook over items van één schaal. Dan kijk je niet naar discriminerende validiteit (horen de
items bij de ene of andere schaal), maar naar de contentvaliditeit (het gaat om de items
binnen een schaal)
- KMO = .80 dat is goed
- Bartlett’s Test is significant
- Communaliteiten = hoeveel gemeenschappelijkheid hebben de items met elkaar
zijn nu belangrijker dan wanneer je discriminerende vraag hebt
o Alle items, behalve item 4, hebben hoge communaliteit. Dus vraag 4 gaat
problemen opleveren
- Total Variance Explained 1 onderliggende dimensie (steun voor beleid)
- Component Matrix maar 1 dimensie, dus geen nut om assen te roteren; oplossing
hoeft niet geroteerd te worden om geoptimaliseerd te worden
o Waarde bij item 1 is hoog dus item is sterk voorspellend
o Waarde bij item 2 is hoog dus item is sterk voorspellend
o Waarde bij item 3 is negatief, maar hoog dus item is sterk voorspellend
, o Waarde bij item 4 is niks = waardes onder .30 worden onderdrukt > item
voorspelt niet het component
o Waarde bij item 5 is hoog dus item is sterk voorspellend
Betrouwbaarheidsanalyse
Eerst doen we een betrouwbaarheidsanalyse wetende dat we een reversed item hebben
door item 3 om te polen verhoog je Cronbach’s Alfa naar .713 (via Transform > Recode into
Different Variables)
Nu zie bij Cronbach’s Alpha if Item Deleted dat wanneer item 4 wordt verwijderd de
Cronbach’s Alfa verhoogd wordt tot .827 theoretische keuze: je weet dat het item bijna
niet bijdraagt en dat schaal betrouwbaarder wordt door het item te verwijderen, maar je
weet ook dat items die zwak correleren toch een klein stukje verklaren op basis van
communaliteiten (te laag), wat in factoroplossingen gebeurde en op basis van
betrouwbaarheidsanalyse verwijder je hier het item
Voorbereiding:
- Maak variabele Steun voor Beleid
o Denk aan ompolen
o Denk aan betrouwbaarheid
o Maak gemiddelde score met MEANS functie (dus niet bij elkaar optellen en
delen door 5).
Na het maken van somschaal (compute variable) met items 1,2,5 en 3R
Correlatieanalyse
- Item Vega_of_Vlees correleert zeer zwak en negatief en is niet significant, dus relatie
tussen vegetarisch zijn en beleid steunen bestaat niet
- De relatie Steun – Politieke_orientatie heeft een negatieve zwakke significante
correlatie
o Naarmate je overtuiging lager is, word je steun hoger > naarmate je
overtuiging hoger is, word je steun lager
Meervoudige regressieanalyse
Regression > Linear Regression > Statistics: Estimates + Model Fit + R squared change + Part
and partial correlations + Collinearity diagnostics
Speelt politieke voorkeur een moderende rol in de relatie tussen wel of niet vegetarisch zijn
en steun voor beleid? Toets de twee directe relaties via meervoudige regressie uitvoeren
Afhankelijke variabele: steun
Onafhankelijke variabelen in één block: vegetarisch + politieke voorkeur
Gemeente Haarlem
• Dataset: 383 deelnemers
• Steunbeleid (5 items), 1 -5 Likert schaal. Bijv. ‘Ik vind het beleid om reclame voor
vlees in Haarlem te verbieden een goed idee’
• Eet je vlees? (0 = ja; 1 = nee, dus vegetariër of veganist)
• Sociaaleconomische status
• Politieke oriëntatie: links (1) en rechts (2)
Onderzoeksvragen:
1. Voorspelt het wel of niet vegetarisch zijn steun voor het beleid?
2. Speelt politieke voorkeur een rol in deze relatie?
Stap 1
Frequentieanalyse via frequencies
- Check alle items en maak notities van bijzonderheden
o Steun_beleid3 heeft 1 missing value
- Meeste mensen zijn geen vegetariër
- Politieke voorkeur is 50/50
Correlatieanalyse
- Bij het item ‘vega_of_vlees’ zijn geen significante relaties te zien > er is geen
verschil/samenhang tussen vegetariërs en niet-vegetariërs betreffende van wat ze
van het beleid vinden = maakt niet uit of je wel/niet vlees eet en hoe je over het
verbod denkt
- Het item ‘politieke_orientatie’ heeft significante negatieve correlaties > als je rechts
bent, gaat je steun omlaag; als je links bent, gaat je steun omhoog
- Items ‘steun_beleid 1 tot 5’ over het algemeen sterke significante relaties
- Item ‘steun_beleid 4’ zwakke negatieve correlatie (kan uitvallen)
Factoranalyse
Achterhalen of items van één schaal niet bij andere schaal horen, maar factoranalyse kan
ook over items van één schaal. Dan kijk je niet naar discriminerende validiteit (horen de
items bij de ene of andere schaal), maar naar de contentvaliditeit (het gaat om de items
binnen een schaal)
- KMO = .80 dat is goed
- Bartlett’s Test is significant
- Communaliteiten = hoeveel gemeenschappelijkheid hebben de items met elkaar
zijn nu belangrijker dan wanneer je discriminerende vraag hebt
o Alle items, behalve item 4, hebben hoge communaliteit. Dus vraag 4 gaat
problemen opleveren
- Total Variance Explained 1 onderliggende dimensie (steun voor beleid)
- Component Matrix maar 1 dimensie, dus geen nut om assen te roteren; oplossing
hoeft niet geroteerd te worden om geoptimaliseerd te worden
o Waarde bij item 1 is hoog dus item is sterk voorspellend
o Waarde bij item 2 is hoog dus item is sterk voorspellend
o Waarde bij item 3 is negatief, maar hoog dus item is sterk voorspellend
, o Waarde bij item 4 is niks = waardes onder .30 worden onderdrukt > item
voorspelt niet het component
o Waarde bij item 5 is hoog dus item is sterk voorspellend
Betrouwbaarheidsanalyse
Eerst doen we een betrouwbaarheidsanalyse wetende dat we een reversed item hebben
door item 3 om te polen verhoog je Cronbach’s Alfa naar .713 (via Transform > Recode into
Different Variables)
Nu zie bij Cronbach’s Alpha if Item Deleted dat wanneer item 4 wordt verwijderd de
Cronbach’s Alfa verhoogd wordt tot .827 theoretische keuze: je weet dat het item bijna
niet bijdraagt en dat schaal betrouwbaarder wordt door het item te verwijderen, maar je
weet ook dat items die zwak correleren toch een klein stukje verklaren op basis van
communaliteiten (te laag), wat in factoroplossingen gebeurde en op basis van
betrouwbaarheidsanalyse verwijder je hier het item
Voorbereiding:
- Maak variabele Steun voor Beleid
o Denk aan ompolen
o Denk aan betrouwbaarheid
o Maak gemiddelde score met MEANS functie (dus niet bij elkaar optellen en
delen door 5).
Na het maken van somschaal (compute variable) met items 1,2,5 en 3R
Correlatieanalyse
- Item Vega_of_Vlees correleert zeer zwak en negatief en is niet significant, dus relatie
tussen vegetarisch zijn en beleid steunen bestaat niet
- De relatie Steun – Politieke_orientatie heeft een negatieve zwakke significante
correlatie
o Naarmate je overtuiging lager is, word je steun hoger > naarmate je
overtuiging hoger is, word je steun lager
Meervoudige regressieanalyse
Regression > Linear Regression > Statistics: Estimates + Model Fit + R squared change + Part
and partial correlations + Collinearity diagnostics
Speelt politieke voorkeur een moderende rol in de relatie tussen wel of niet vegetarisch zijn
en steun voor beleid? Toets de twee directe relaties via meervoudige regressie uitvoeren
Afhankelijke variabele: steun
Onafhankelijke variabelen in één block: vegetarisch + politieke voorkeur
