Verdieping in onderzoeksmethoden en statistiek
Hoorcolleges
Correlationeel onderzoek
Hoorcollege 1 – factoranalyse
• Vermoeidheid
• Lusteloosheid
• Stemmingswisselingen
• Behoefte aan extra eten
• Somberheid
• Droefigheid
• Behoefte aan extra slaap
• Sociaal isolement
Stel je voor dat ik deze 8 stimuli voorleg aan een steekproef en ik vraag hoe erg deze van
toepassing zijn op de mensen. Dan zou je kunnen vragen is er achter deze verzameling
misschien een gemeenschappelijke factor die een verklaring kan geven voor deze stimuli en
ook in hoeverre het van toepassing is.
De factoranalyse is een statistische techniek die helpt om te beoordelen of we achter
deze stimuli een gemeenschappelijke factor gevonden kan worden.
Hier gaat het om de gemeenschappelijke factor herfstdepressie. En waarom herfstdepressie?
Dit is omdat de mate waarin je vermoeid bent of somberheid gevoelens hebt in dit jaargetijden
een verklaring is waarom je het eens bent met een deel/meeste van deze stimuli.
Het heeft allemaal te maken met de kwaliteit van het meten van abstracte begrippen
Onderzoeksvaliditeit
Onderzoeksvaliditeit
• Externe validiteit
• Interne validiteit
• Begripsvaliditeit
• Statistische validiteit
Instrumentele validiteit
De mate waarin een test aan zijn doel beantwoordt:
• Inhoudsvaliditeit (content validity)
• Begripsvaliditeit (construct validity)
• Criteriumvaliditeit (criterium validity)
,Soorten validiteit (sbeoordeling)
1. Inhoudsvaliditeit (content validity)
Representeert de inhoud van de test het gehele inhoudsdomein?
• Deskundigen oordeel/indruksvaliditeit (face validity)
2. Begripsvaliditeit (construct validity)
Meet de test het theoretische concept dat moet worden
gemeten?
• Relaties binnen test (interne structuur)
• Relaties met andere variabelen (externe structuur)
3. Criteriumvaliditeit (criterion validity)
Voorspelt de test gedrag of prestatie (criterium) dat niet met test wordt gemeten?
• Beoordeel voorspelling op criterium met de testscores
Doelen factoranalyse
Twee doelen factoranalyse
1. Beoordelen dimensionaliteit van de test
- Vinden we het aantal theoretisch veronderstelde dimensies (=factoren) binnen de
verzameling van testitems? Een test heeft meerder items en als we 1
achterliggende factor vinden noemen we het één dimensionaal en meerdere
factoren noemen we meer dimensionaal.
Confirmerende factoranalyse (CFA) dit is omdat we hier op zoek gaan naar
ondersteuning van een verwachting, je bent op zoek naar confirmation.
2. Realiseren van datareductie
- Kunnen we informatie uit groot aantal variabelen samenvatten in kleiner aantal
nieuw te construeren variabelen (=factoren). Dit betekent dat je alle informatie die
je hebt gekregen van al die items gaat vervangen door één score. Hoe goed
representeert dit de testitems?
Explorerende factoranalyse (EFA), vinden we het in plaats van iets testen op basis van
een verwachting
Hoofdcomponentenanalyse (PCA)
, Voorbeeld: WAIS-III
In dit voorbeeld wordt gedemonstreerd dat er op basis van de factoranalyse van de
tests die binnen de intelligentietest worden gebruikt, een aanpassing is gekomen in de
intelligentietest en er dus nu een nieuwe versie van is.
Voorbeeld WAIS-III theoretisch model WAIS-III
Elf subtests algemene intelligentietest
1. Algemene ontwikkeling
2. Gezond verstand
3. Cijfers nazeggen
4. Rekenen
5. Overeenkomsten
6. Woordenlijst
7. Plaatjes rangschikken
8. Plaatjes aanvullen
9. Blokpatronen
10. Legkaarten
11. Cijfersymbolen
Het doel van de factoranalyse is om na te gaan of we diezelfde twee achterliggende
factoren vinden als we deze 11 tests afnemen bij een steekproef uit de doelpopulatie, is
er een statistische ondersteuning voor dit theoretische model?
Stappen factoranalyse
Stap 0: data screening
- Na gaan of de data zoals verzameld geschikt zijn voor het uitvoeren van een
factoranalyse. De geschiktheid zit hem
in of er binnen de variabelen sprake is
van samenhang. Zonder samenhang valt
er namelijk ook niks te verklaren.
- Dit doen we door middel van een
correlatiematrix
- Vuistregels: minstens één absolute
correlatiecoëfficiënt groter dan 0.30.
- Hier is dus voldoende samenhang
Stap 1: welk model kies je?
- Afhankelijk van het doel van de analyse kies je voor het model
, - Achter deze factormodellen zit weer een ander model die toelicht wat er achter
deze verschillende procedures afspeelt
Keuze factormodel
• PCA: Principal Components Analysis: hoofdcomponentenanalyse
• EFA: Exploratory Factor Analysis: exploratieve factoranalyse
• CFA: Confirmatory Factor Analysis: confirmatieve factoranalyse
Factormodel PCA
- hoe kan je met zo weinig mogelijk factoren (componenten) zo veel als mogelijk
variantie representeren
- dit is mogelijk omdat we veronderstellen dat er achter
deze factoren, 2 factoren zijn
- al die afzonderlijke variabelen daarvan verwachten we
een relatie met die 2 componenten: verbaal en
performaal
- de sterkte van die relatie wordt aangegeven met een a:
dit noemen we de factorlading.
- Hoeveel factoren zijn er überhaupt
- Hier veronderstellen we dat de factoren alle variantie verklaren in de afzonderlijke
items
Factormodel EFA
- hier veronderstellen we dat het aantal factoren
onbekend is, de pijlen staan de andere kant op en
met U (unieke factor)
- hoeveel inhoudelijk interpreteerbare factoren zijn er
te onderscheiden
- we veronderstellen dat er van al die factoren een
relatie is met die 11 items, maar je weet nog niet
hoeveel het er gaan worden. je gaat dit exploreren.
- Gaat om inhoudelijk interpreteerbare factoren
- Unieke factoren: elk afzonderlijk item wordt voor een groot deel verklaard door de
onderscheiden factoren, maar uit de U is uniek voor de betreffende test score
Factormodel: CFA
- De aantal factoren zijn bekend, pijlen als bij EFA,
model volgt verwachte structuur en met U
- Is er in de data ondersteuning voor een verwacht
aantal factoren?
- Hier heb je een expliciete verwachting
Hoorcolleges
Correlationeel onderzoek
Hoorcollege 1 – factoranalyse
• Vermoeidheid
• Lusteloosheid
• Stemmingswisselingen
• Behoefte aan extra eten
• Somberheid
• Droefigheid
• Behoefte aan extra slaap
• Sociaal isolement
Stel je voor dat ik deze 8 stimuli voorleg aan een steekproef en ik vraag hoe erg deze van
toepassing zijn op de mensen. Dan zou je kunnen vragen is er achter deze verzameling
misschien een gemeenschappelijke factor die een verklaring kan geven voor deze stimuli en
ook in hoeverre het van toepassing is.
De factoranalyse is een statistische techniek die helpt om te beoordelen of we achter
deze stimuli een gemeenschappelijke factor gevonden kan worden.
Hier gaat het om de gemeenschappelijke factor herfstdepressie. En waarom herfstdepressie?
Dit is omdat de mate waarin je vermoeid bent of somberheid gevoelens hebt in dit jaargetijden
een verklaring is waarom je het eens bent met een deel/meeste van deze stimuli.
Het heeft allemaal te maken met de kwaliteit van het meten van abstracte begrippen
Onderzoeksvaliditeit
Onderzoeksvaliditeit
• Externe validiteit
• Interne validiteit
• Begripsvaliditeit
• Statistische validiteit
Instrumentele validiteit
De mate waarin een test aan zijn doel beantwoordt:
• Inhoudsvaliditeit (content validity)
• Begripsvaliditeit (construct validity)
• Criteriumvaliditeit (criterium validity)
,Soorten validiteit (sbeoordeling)
1. Inhoudsvaliditeit (content validity)
Representeert de inhoud van de test het gehele inhoudsdomein?
• Deskundigen oordeel/indruksvaliditeit (face validity)
2. Begripsvaliditeit (construct validity)
Meet de test het theoretische concept dat moet worden
gemeten?
• Relaties binnen test (interne structuur)
• Relaties met andere variabelen (externe structuur)
3. Criteriumvaliditeit (criterion validity)
Voorspelt de test gedrag of prestatie (criterium) dat niet met test wordt gemeten?
• Beoordeel voorspelling op criterium met de testscores
Doelen factoranalyse
Twee doelen factoranalyse
1. Beoordelen dimensionaliteit van de test
- Vinden we het aantal theoretisch veronderstelde dimensies (=factoren) binnen de
verzameling van testitems? Een test heeft meerder items en als we 1
achterliggende factor vinden noemen we het één dimensionaal en meerdere
factoren noemen we meer dimensionaal.
Confirmerende factoranalyse (CFA) dit is omdat we hier op zoek gaan naar
ondersteuning van een verwachting, je bent op zoek naar confirmation.
2. Realiseren van datareductie
- Kunnen we informatie uit groot aantal variabelen samenvatten in kleiner aantal
nieuw te construeren variabelen (=factoren). Dit betekent dat je alle informatie die
je hebt gekregen van al die items gaat vervangen door één score. Hoe goed
representeert dit de testitems?
Explorerende factoranalyse (EFA), vinden we het in plaats van iets testen op basis van
een verwachting
Hoofdcomponentenanalyse (PCA)
, Voorbeeld: WAIS-III
In dit voorbeeld wordt gedemonstreerd dat er op basis van de factoranalyse van de
tests die binnen de intelligentietest worden gebruikt, een aanpassing is gekomen in de
intelligentietest en er dus nu een nieuwe versie van is.
Voorbeeld WAIS-III theoretisch model WAIS-III
Elf subtests algemene intelligentietest
1. Algemene ontwikkeling
2. Gezond verstand
3. Cijfers nazeggen
4. Rekenen
5. Overeenkomsten
6. Woordenlijst
7. Plaatjes rangschikken
8. Plaatjes aanvullen
9. Blokpatronen
10. Legkaarten
11. Cijfersymbolen
Het doel van de factoranalyse is om na te gaan of we diezelfde twee achterliggende
factoren vinden als we deze 11 tests afnemen bij een steekproef uit de doelpopulatie, is
er een statistische ondersteuning voor dit theoretische model?
Stappen factoranalyse
Stap 0: data screening
- Na gaan of de data zoals verzameld geschikt zijn voor het uitvoeren van een
factoranalyse. De geschiktheid zit hem
in of er binnen de variabelen sprake is
van samenhang. Zonder samenhang valt
er namelijk ook niks te verklaren.
- Dit doen we door middel van een
correlatiematrix
- Vuistregels: minstens één absolute
correlatiecoëfficiënt groter dan 0.30.
- Hier is dus voldoende samenhang
Stap 1: welk model kies je?
- Afhankelijk van het doel van de analyse kies je voor het model
, - Achter deze factormodellen zit weer een ander model die toelicht wat er achter
deze verschillende procedures afspeelt
Keuze factormodel
• PCA: Principal Components Analysis: hoofdcomponentenanalyse
• EFA: Exploratory Factor Analysis: exploratieve factoranalyse
• CFA: Confirmatory Factor Analysis: confirmatieve factoranalyse
Factormodel PCA
- hoe kan je met zo weinig mogelijk factoren (componenten) zo veel als mogelijk
variantie representeren
- dit is mogelijk omdat we veronderstellen dat er achter
deze factoren, 2 factoren zijn
- al die afzonderlijke variabelen daarvan verwachten we
een relatie met die 2 componenten: verbaal en
performaal
- de sterkte van die relatie wordt aangegeven met een a:
dit noemen we de factorlading.
- Hoeveel factoren zijn er überhaupt
- Hier veronderstellen we dat de factoren alle variantie verklaren in de afzonderlijke
items
Factormodel EFA
- hier veronderstellen we dat het aantal factoren
onbekend is, de pijlen staan de andere kant op en
met U (unieke factor)
- hoeveel inhoudelijk interpreteerbare factoren zijn er
te onderscheiden
- we veronderstellen dat er van al die factoren een
relatie is met die 11 items, maar je weet nog niet
hoeveel het er gaan worden. je gaat dit exploreren.
- Gaat om inhoudelijk interpreteerbare factoren
- Unieke factoren: elk afzonderlijk item wordt voor een groot deel verklaard door de
onderscheiden factoren, maar uit de U is uniek voor de betreffende test score
Factormodel: CFA
- De aantal factoren zijn bekend, pijlen als bij EFA,
model volgt verwachte structuur en met U
- Is er in de data ondersteuning voor een verwacht
aantal factoren?
- Hier heb je een expliciete verwachting
