Quantitative Research Methods
Volledige samenvatting (Lectures week 1 t/m 5 + boek Boek Huntington-Klein )
Dit document is bedoeld voor mensen die het vak Quantitative research methods volgen aan de
Vrije Universiteit voor hun Pre-master. In deze samenvatting wordt elk begrip uitgelegd alsof het
de eerste keer is dat je het hoort, met voorbeelden en de redenering erachter. De stof bouwt op:
- Week 1 = het fundament (wat is onderzoek, wat is een goede vraag, wat is een theorie).
- Week 2 = hoe weet je of je meting deugt (validiteit & reliability) + hoe beschrijf je data
(descriptives, distributies, correlatie).
- Week 3 = hoe modelleer je verbanden tussen variabelen (lineaire regressie, OLS,
omitted variable bias).
- Week 4 = hoe weet je of je verband écht is en niet door toeval (hypothesetoetsing, t-
waardes, p-waardes) + welke regressievariant gebruik je voor verschillende soorten
variabelen.
- Week 5 = de "voor wie" en "via wat" vragen (moderatie en mediatie).
Helemaal onderaan staat één gecombineerde cheat sheet met alles wat je per week absoluut
moet onthouden!!!
Inhoudsopgave
- Week 1 — Wat is kwantitatief onderzoek en wanneer doe je het?
- Week 2 — Validiteit, betrouwbaarheid en het beschrijven van data
- Week 3 — Lineaire regressie en omitted variables aanpakken
- Week 4 — Welke toets wanneer + hypothesetoetsing
- Week 5 — Moderatie en Mediatie
- Cheat sheet — alles op één plek
Week 1 — Wat is kwantitatief onderzoek en
wanneer doe je het?
Week 1 gaat niet over rekenen, maar over denken. Voordat je iets meet, moet je weten
waarom je het meet en wat een goede onderzoeksvraag is. Als de vraag rot is, helpt geen
statistiek je nog.
,1.1 Wat is kwantitatief onderzoek?
Kwantitatief onderzoek = een onderzoeksvraag beantwoorden door numerieke
data te verzamelen en die te analyseren met wiskundige methoden (vooral
statistiek).
Het keiwoord is numeriek. Je drukt observaties uit in getallen (lengte in cm, aantal
aanmeldingen, score op een schaal van 1–7) zodat je er statistiek op los kunt laten. Dat staat
tegenover kwalitatief onderzoek, waar je werkt met tekst, interviews en betekenissen.
1.2 Twee soorten kwantitatief onderzoek
Descriptief (beschrijvend) — vraag: "Wat?"
Je wilt een toestand of verandering in cijfers vatten, zonder per se te verklaren waarom.
- "Hoeveel premasterstudenten zijn er ingeschreven?"
- "Welke AirBnB-eigenaren hebben de hoogste boekingsgraad?"
- "Stijgt het aantal premasterstudenten ten opzichte van vorig jaar?"
Inferentieel (verklarend) — vraag: "Waarom?"
Je wilt relaties testen of iets verklaren.
- "Wat is het verband tussen het zelfvertrouwen van studenten en hun gemiddelde cijfer?"
- "Welke factoren veroorzaken veranderingen in studieprestatie over tijd?"
Het belangrijkste verschil: descriptief beschrijft wat er is; inferentieel doet uitspraken over
oorzaken of populaties op basis van een steekproef.
1.3 Waarom hebben we kwantitatief onderzoek nodig?
- Het is een gereedschapskist om de (sociale) wereld te bestuderen via de
wetenschappelijke methode.
- Het beperkt de invloed van eigen aannames die ons interpretatievermogen vertekenen.
- Voor sommige onderwerpen is het, gezien wat al bekend is, de enige zinvolle manier om
iets toe te voegen.
- Het is de enige manier om causale relaties vast te stellen (oorzaak-gevolg, niet alleen
samenhang).
Belief bias — waarom je je intuïtie niet altijd kunt vertrouwen
Belief bias = de neiging om een argument waar te vinden als de conclusie strookt met je eigen
overtuigingen, ongeacht of de redenering logisch klopt. Dit is precies waarom we onderzoek
doen in plaats van te vertrouwen op wat we "weten". Onze hersenen liegen tegen ons.
,1.4 Wanneer is kwantitatief onderzoek geschikt?
Niet altijd. Kwantitatief werkt het best wanneer je:
- een duidelijke, meetbare onderzoeksvraag hebt,
- toegang hebt tot voldoende numerieke data,
- bestaande theorie hebt om op te bouwen of te toetsen.
Voor exploratieve, betekenis-gerichte vragen ("hoe ervaren mensen X?") is kwalitatief
onderzoek vaak beter.
1.5 Wat is een goede onderzoeksvraag?
Een goede onderzoeksvraag voldoet aan drie eisen:
- Beantwoordbaar én verdient een antwoord (de "so what?"-test: is het de moeite
waard?).
- Vergroot ons begrip van hoe de wereld werkt.
- Voedt theorie — het antwoord doet er theoretisch toe, niet alleen praktisch.
Checklist (uit Huntington-Klein, hoofdstuk 2)
- Potentiële uitkomsten: kun je vooraf iets interessants zeggen over wat de mogelijke
antwoorden zouden betekenen? Zo niet, dan is je vraag waarschijnlijk niet sterk
verbonden aan theorie.
- Haalbaarheid: kun je de juiste data krijgen?
- Schaal: heb je tijd en middelen om het uit te voeren?
- Design: kun je een onderzoeksopzet bedenken die de vraag echt kan beantwoorden?
- Houd het simpel.
1.6 Wat is een theorie?
Theorie = een verklaring van relaties tussen concepten of gebeurtenissen
binnen een bepaalde context (boundary conditions).
Een goede theorie vereenvoudigt complexe werkelijkheid en verklaart waarom dingen
samenhangen. Het is geen losse hypothese en ook geen uitgebreide beschrijving — het is een
set redenen waarom dingen gebeuren zoals ze gebeuren.
Vier elementen van een goede theorie
- What — constructen en variabelen die in de verklaring horen. (Wat speelt er een rol?)
- How — proposities en hypothesen die de verbanden ertussen aangeven. Vaak causaal.
(Hoe hangen ze samen?)
, - Why — de "lijm": de redenering die uitlegt waarom die concepten bij elkaar horen en
waarom hun verband zo zou moeten zijn.
- Who, where, when — onder welke omstandigheden geldt de theorie? (De grenzen van
de generaliseerbaarheid.)
Als één van deze ontbreekt, is je theorie wankel.
Construct vs. variabele
Een construct is een abstract idee dat je niet direct kunt meten (bv. "intelligentie",
"tevredenheid", "leiderschap"). Een variabele is de concrete meting die je gebruikt om dat
construct te benaderen (bv. IQ-score voor intelligentie). Eén construct kan via meerdere
variabelen gemeten worden.
1.7 Het Data Generating Process (DGP)
Dit is een van de belangrijkste concepten van het hele vak.
Data Generating Process = het volledige, complexe proces in de echte wereld dat
de data produceert die jij waarneemt.
Jouw theoretisch model is altijd maar een kleine simplificatie van dat proces. In de echte
wereld hangen dingen samen via tientallen kanalen die je niet allemaal in je model stopt.
Waarom is dit belangrijk? Omdat je geloofwaardige claims wilt maken over het hele DGP. Je
moet snappen welke variatie in je data je vraag beantwoordt en welke ruis is. Als je het DGP
niet doordenkt, kun je verbanden vinden die nergens over gaan.
Promotion vs. prevention focused vragen
Een voorbeeld uit de slides: stel je vraag is "Hoe beïnvloeden eigenschappen van oprichters de
funding van een startup?" Je kunt dit op twee manieren benaderen:
- Promotion-focused: wat doen oprichters die succes opzoeken? (Groei, kansen.)
- Prevention-focused: wat doen oprichters die risico's vermijden? (Veiligheid,
voorzichtigheid.)
Het idee: dezelfde uitkomst (funding) kan via heel verschillende paden in het DGP ontstaan.
Een goed model maakt expliciet welk pad je bedoelt.
1.8 Wat doet een goed onderzoeksdesign?
1. Gebruikt theorie om het DGP zo accuraat mogelijk te schetsen.
2. Identificeert alternatieve verklaringen — andere redenen waarom je data eruit kan zien
zoals het eruit ziet, die niets met je onderzoeksvraag te maken hebben.
Volledige samenvatting (Lectures week 1 t/m 5 + boek Boek Huntington-Klein )
Dit document is bedoeld voor mensen die het vak Quantitative research methods volgen aan de
Vrije Universiteit voor hun Pre-master. In deze samenvatting wordt elk begrip uitgelegd alsof het
de eerste keer is dat je het hoort, met voorbeelden en de redenering erachter. De stof bouwt op:
- Week 1 = het fundament (wat is onderzoek, wat is een goede vraag, wat is een theorie).
- Week 2 = hoe weet je of je meting deugt (validiteit & reliability) + hoe beschrijf je data
(descriptives, distributies, correlatie).
- Week 3 = hoe modelleer je verbanden tussen variabelen (lineaire regressie, OLS,
omitted variable bias).
- Week 4 = hoe weet je of je verband écht is en niet door toeval (hypothesetoetsing, t-
waardes, p-waardes) + welke regressievariant gebruik je voor verschillende soorten
variabelen.
- Week 5 = de "voor wie" en "via wat" vragen (moderatie en mediatie).
Helemaal onderaan staat één gecombineerde cheat sheet met alles wat je per week absoluut
moet onthouden!!!
Inhoudsopgave
- Week 1 — Wat is kwantitatief onderzoek en wanneer doe je het?
- Week 2 — Validiteit, betrouwbaarheid en het beschrijven van data
- Week 3 — Lineaire regressie en omitted variables aanpakken
- Week 4 — Welke toets wanneer + hypothesetoetsing
- Week 5 — Moderatie en Mediatie
- Cheat sheet — alles op één plek
Week 1 — Wat is kwantitatief onderzoek en
wanneer doe je het?
Week 1 gaat niet over rekenen, maar over denken. Voordat je iets meet, moet je weten
waarom je het meet en wat een goede onderzoeksvraag is. Als de vraag rot is, helpt geen
statistiek je nog.
,1.1 Wat is kwantitatief onderzoek?
Kwantitatief onderzoek = een onderzoeksvraag beantwoorden door numerieke
data te verzamelen en die te analyseren met wiskundige methoden (vooral
statistiek).
Het keiwoord is numeriek. Je drukt observaties uit in getallen (lengte in cm, aantal
aanmeldingen, score op een schaal van 1–7) zodat je er statistiek op los kunt laten. Dat staat
tegenover kwalitatief onderzoek, waar je werkt met tekst, interviews en betekenissen.
1.2 Twee soorten kwantitatief onderzoek
Descriptief (beschrijvend) — vraag: "Wat?"
Je wilt een toestand of verandering in cijfers vatten, zonder per se te verklaren waarom.
- "Hoeveel premasterstudenten zijn er ingeschreven?"
- "Welke AirBnB-eigenaren hebben de hoogste boekingsgraad?"
- "Stijgt het aantal premasterstudenten ten opzichte van vorig jaar?"
Inferentieel (verklarend) — vraag: "Waarom?"
Je wilt relaties testen of iets verklaren.
- "Wat is het verband tussen het zelfvertrouwen van studenten en hun gemiddelde cijfer?"
- "Welke factoren veroorzaken veranderingen in studieprestatie over tijd?"
Het belangrijkste verschil: descriptief beschrijft wat er is; inferentieel doet uitspraken over
oorzaken of populaties op basis van een steekproef.
1.3 Waarom hebben we kwantitatief onderzoek nodig?
- Het is een gereedschapskist om de (sociale) wereld te bestuderen via de
wetenschappelijke methode.
- Het beperkt de invloed van eigen aannames die ons interpretatievermogen vertekenen.
- Voor sommige onderwerpen is het, gezien wat al bekend is, de enige zinvolle manier om
iets toe te voegen.
- Het is de enige manier om causale relaties vast te stellen (oorzaak-gevolg, niet alleen
samenhang).
Belief bias — waarom je je intuïtie niet altijd kunt vertrouwen
Belief bias = de neiging om een argument waar te vinden als de conclusie strookt met je eigen
overtuigingen, ongeacht of de redenering logisch klopt. Dit is precies waarom we onderzoek
doen in plaats van te vertrouwen op wat we "weten". Onze hersenen liegen tegen ons.
,1.4 Wanneer is kwantitatief onderzoek geschikt?
Niet altijd. Kwantitatief werkt het best wanneer je:
- een duidelijke, meetbare onderzoeksvraag hebt,
- toegang hebt tot voldoende numerieke data,
- bestaande theorie hebt om op te bouwen of te toetsen.
Voor exploratieve, betekenis-gerichte vragen ("hoe ervaren mensen X?") is kwalitatief
onderzoek vaak beter.
1.5 Wat is een goede onderzoeksvraag?
Een goede onderzoeksvraag voldoet aan drie eisen:
- Beantwoordbaar én verdient een antwoord (de "so what?"-test: is het de moeite
waard?).
- Vergroot ons begrip van hoe de wereld werkt.
- Voedt theorie — het antwoord doet er theoretisch toe, niet alleen praktisch.
Checklist (uit Huntington-Klein, hoofdstuk 2)
- Potentiële uitkomsten: kun je vooraf iets interessants zeggen over wat de mogelijke
antwoorden zouden betekenen? Zo niet, dan is je vraag waarschijnlijk niet sterk
verbonden aan theorie.
- Haalbaarheid: kun je de juiste data krijgen?
- Schaal: heb je tijd en middelen om het uit te voeren?
- Design: kun je een onderzoeksopzet bedenken die de vraag echt kan beantwoorden?
- Houd het simpel.
1.6 Wat is een theorie?
Theorie = een verklaring van relaties tussen concepten of gebeurtenissen
binnen een bepaalde context (boundary conditions).
Een goede theorie vereenvoudigt complexe werkelijkheid en verklaart waarom dingen
samenhangen. Het is geen losse hypothese en ook geen uitgebreide beschrijving — het is een
set redenen waarom dingen gebeuren zoals ze gebeuren.
Vier elementen van een goede theorie
- What — constructen en variabelen die in de verklaring horen. (Wat speelt er een rol?)
- How — proposities en hypothesen die de verbanden ertussen aangeven. Vaak causaal.
(Hoe hangen ze samen?)
, - Why — de "lijm": de redenering die uitlegt waarom die concepten bij elkaar horen en
waarom hun verband zo zou moeten zijn.
- Who, where, when — onder welke omstandigheden geldt de theorie? (De grenzen van
de generaliseerbaarheid.)
Als één van deze ontbreekt, is je theorie wankel.
Construct vs. variabele
Een construct is een abstract idee dat je niet direct kunt meten (bv. "intelligentie",
"tevredenheid", "leiderschap"). Een variabele is de concrete meting die je gebruikt om dat
construct te benaderen (bv. IQ-score voor intelligentie). Eén construct kan via meerdere
variabelen gemeten worden.
1.7 Het Data Generating Process (DGP)
Dit is een van de belangrijkste concepten van het hele vak.
Data Generating Process = het volledige, complexe proces in de echte wereld dat
de data produceert die jij waarneemt.
Jouw theoretisch model is altijd maar een kleine simplificatie van dat proces. In de echte
wereld hangen dingen samen via tientallen kanalen die je niet allemaal in je model stopt.
Waarom is dit belangrijk? Omdat je geloofwaardige claims wilt maken over het hele DGP. Je
moet snappen welke variatie in je data je vraag beantwoordt en welke ruis is. Als je het DGP
niet doordenkt, kun je verbanden vinden die nergens over gaan.
Promotion vs. prevention focused vragen
Een voorbeeld uit de slides: stel je vraag is "Hoe beïnvloeden eigenschappen van oprichters de
funding van een startup?" Je kunt dit op twee manieren benaderen:
- Promotion-focused: wat doen oprichters die succes opzoeken? (Groei, kansen.)
- Prevention-focused: wat doen oprichters die risico's vermijden? (Veiligheid,
voorzichtigheid.)
Het idee: dezelfde uitkomst (funding) kan via heel verschillende paden in het DGP ontstaan.
Een goed model maakt expliciet welk pad je bedoelt.
1.8 Wat doet een goed onderzoeksdesign?
1. Gebruikt theorie om het DGP zo accuraat mogelijk te schetsen.
2. Identificeert alternatieve verklaringen — andere redenen waarom je data eruit kan zien
zoals het eruit ziet, die niets met je onderzoeksvraag te maken hebben.
