Samenvatting colleges ABR
(Studiejaar 2020-2021)
Contents
College 1-2 Introductie meetschalen, verdelingen, beschrijvende statistiek en correlaties................ 1
College 3-4 Lineaire regressieanalyse ......................................................................................................... 5
College 5-6 Constructen, factoranalyse, validiteit en betrouwbaarheid................................................ 8
College 7 Theorie-ontwikkeling en hypothesevorming ........................................................................11
College 8 Padmodellen en SEM (Structural equation modelling) .......................................................13
College 9-10: Statistiek voor experimenten ............................................................................................19
College 1-2 Introductie meetschalen, verdelingen, beschrijvende statistiek
en correlaties
Volgorde onderzoek:
Je begint met data.
Je kijkt of er geen rare dingen inzitten. Verdeling van de items
Constructen bouwen
Beschrijvende statistiek op niveau van constructen
Bivariaat analyse
Multivariate analyse
Rapporteren
Het belang van onderzoek voor de praktijk:
- Unieke basis voor een systematische, ‘evidence based’ aanpak van praktische problemen
- Theorie biedt aanknopingspunten om complexe problemen ‘open te breken’ en geeft
suggesties ten aanzien van oplossingsrichtingen
- Empirisch onderzoek geeft breed zicht op de praktijk van anderen
- (empirisch) onderzoek helpt te zien wat werkt en wat niet werkt
Meting, univariate statistiek
1. Je hebt een theorie
2. Die operationaliseer je. Van concepten naar constructen (= theoretische noties in
observeerbare, meetbare termen)
2 issues hierbij:
1. Validiteit: meten we wat we willen meten?
2. Betrouwbaarheid: zijn onze observaties in staat om voldoende nauwkeurig de
variatie op te pakken in wat we proberen te meten?
3. Selectie databronnen (archival data, surveys, …)
1
,Meetschalen
- Nominale schaal: verschillen, maar geen ordening (bv. Kleuren, geslacht)
- Ordinale schaal: ordening, maar geen echte meeteenheid (bv. Opleidingsniveau of
functieschaal) De stap van 1 naar 2 en 3 naar 5 is niet even groot.
- Intervalschaal: Echte meeteenheid, maar geen natuurlijk nulpunt (bv. Temperatuur)
- Ratioschaal: Wel een natuurlijk nulpunt (bv. Lengte, omzet)
Bij regressie maak je van categorische variabele dummy variabelen. Neem dan n -1 mee.
Een overzicht van de ABR-statistiek:
- Beschrijvende statistiek: Locatiemaatstaven: Gemiddelde (mean; µ, mediaan,
standaarddeviatie etc. = beschrijft individuele variablen in de sample (college 1-2)
- Samenhang tussen variabelen:
1. Tussen twee variabelen onderling: bivariate correlatie (col. 1-2) Dus relatie van x
op y. Het mag ook meerdere xen bevatten, het kijkt dan alleen niet naar de relatie
van de xen onderling.
2. Tussen meerdere variabelen: multivariate analyse, zoals regressie-analyse (col. 3-4).
Je ziet dan ook relatie tussen xen onderling.
- Vergelijk van groepen (T-test, ANOVA e.d.) verschillen groepen respondenten van
elkaar op bepaalde variabelen? (col 9-10)
- Patronen in de data (bv. Factoranalyse) Onder meer belangrijk bij schaalconstructie (col.
5-6)
Beschrijvende statistiek
- Beschrijvende statistiek geeft informatie over (de verdeling van) de scores op een variabele
- Dit is als zodanig informatief, maar ook belangrijk voor een beoordeling van de
geschiktheid van bepaalde statistische technieken hebben we voldoende variantie;
sommige technieken eisen een normale verdeling.
- Spreiding: min/max; variantie, standaarddeviatie (σ)
2
, - Normale verdeling en afwijkingen hiervan (heel veel fenomenen kunnen gevangen worden
in de normale verdeling)
Skewed to the right/positively skewed: mode <
median < mean.
Skewed to the left/negatively skewed: Mean <
Median < Mode
https://www.youtube.com/watch?v=XSSRrVMOqlQ
Kurtosis: Een hoge kurtosis wijst op een verdeling met lage kans op extreme uitschieters, vanwege
de staartvorm. Dit houdt in dat een relatief groot deel van de variantie veroorzaakt wordt door
zeldzame extreme waarden. Een lage kurtosis wijst op een platte verdeling. Hier wordt de variantie
voornamelijk veroorzaakt door een groter deel minder extreme waarden.
Als een verdeling niet normaal is:
1. Checken voor ‘rare waarden’
2. Nominale variabelen dummy variabelen
3. Transformatie: logaritmes, wortels…
4. Percentielscores e.d.
Vaak worden in een onderzoek variabelen gebruikt met verschillende meetschalen oplossing is
standaardisatie. = hierbij druk je de scores uit in aantallen standaarddeviaties t.o.v. het gemiddelde.
De correlatie tussen de gestandaardiseerde en oorspronkelijke variabele is logischerwijs 1, want
standaardisatie is een lineaire transformatie, die weliswaar de meetschaal aanpast maar verder niets
doet. Bij logaritmes zou het lager dan 1 zijn, maar nog steeds positief.
Wordt gebruikt om te meten hoeveel standaardafwijkingen boven of onder het gemiddelde een
bepaalde waarde is. These scores allow for comparison and probability calculations.
3
(Studiejaar 2020-2021)
Contents
College 1-2 Introductie meetschalen, verdelingen, beschrijvende statistiek en correlaties................ 1
College 3-4 Lineaire regressieanalyse ......................................................................................................... 5
College 5-6 Constructen, factoranalyse, validiteit en betrouwbaarheid................................................ 8
College 7 Theorie-ontwikkeling en hypothesevorming ........................................................................11
College 8 Padmodellen en SEM (Structural equation modelling) .......................................................13
College 9-10: Statistiek voor experimenten ............................................................................................19
College 1-2 Introductie meetschalen, verdelingen, beschrijvende statistiek
en correlaties
Volgorde onderzoek:
Je begint met data.
Je kijkt of er geen rare dingen inzitten. Verdeling van de items
Constructen bouwen
Beschrijvende statistiek op niveau van constructen
Bivariaat analyse
Multivariate analyse
Rapporteren
Het belang van onderzoek voor de praktijk:
- Unieke basis voor een systematische, ‘evidence based’ aanpak van praktische problemen
- Theorie biedt aanknopingspunten om complexe problemen ‘open te breken’ en geeft
suggesties ten aanzien van oplossingsrichtingen
- Empirisch onderzoek geeft breed zicht op de praktijk van anderen
- (empirisch) onderzoek helpt te zien wat werkt en wat niet werkt
Meting, univariate statistiek
1. Je hebt een theorie
2. Die operationaliseer je. Van concepten naar constructen (= theoretische noties in
observeerbare, meetbare termen)
2 issues hierbij:
1. Validiteit: meten we wat we willen meten?
2. Betrouwbaarheid: zijn onze observaties in staat om voldoende nauwkeurig de
variatie op te pakken in wat we proberen te meten?
3. Selectie databronnen (archival data, surveys, …)
1
,Meetschalen
- Nominale schaal: verschillen, maar geen ordening (bv. Kleuren, geslacht)
- Ordinale schaal: ordening, maar geen echte meeteenheid (bv. Opleidingsniveau of
functieschaal) De stap van 1 naar 2 en 3 naar 5 is niet even groot.
- Intervalschaal: Echte meeteenheid, maar geen natuurlijk nulpunt (bv. Temperatuur)
- Ratioschaal: Wel een natuurlijk nulpunt (bv. Lengte, omzet)
Bij regressie maak je van categorische variabele dummy variabelen. Neem dan n -1 mee.
Een overzicht van de ABR-statistiek:
- Beschrijvende statistiek: Locatiemaatstaven: Gemiddelde (mean; µ, mediaan,
standaarddeviatie etc. = beschrijft individuele variablen in de sample (college 1-2)
- Samenhang tussen variabelen:
1. Tussen twee variabelen onderling: bivariate correlatie (col. 1-2) Dus relatie van x
op y. Het mag ook meerdere xen bevatten, het kijkt dan alleen niet naar de relatie
van de xen onderling.
2. Tussen meerdere variabelen: multivariate analyse, zoals regressie-analyse (col. 3-4).
Je ziet dan ook relatie tussen xen onderling.
- Vergelijk van groepen (T-test, ANOVA e.d.) verschillen groepen respondenten van
elkaar op bepaalde variabelen? (col 9-10)
- Patronen in de data (bv. Factoranalyse) Onder meer belangrijk bij schaalconstructie (col.
5-6)
Beschrijvende statistiek
- Beschrijvende statistiek geeft informatie over (de verdeling van) de scores op een variabele
- Dit is als zodanig informatief, maar ook belangrijk voor een beoordeling van de
geschiktheid van bepaalde statistische technieken hebben we voldoende variantie;
sommige technieken eisen een normale verdeling.
- Spreiding: min/max; variantie, standaarddeviatie (σ)
2
, - Normale verdeling en afwijkingen hiervan (heel veel fenomenen kunnen gevangen worden
in de normale verdeling)
Skewed to the right/positively skewed: mode <
median < mean.
Skewed to the left/negatively skewed: Mean <
Median < Mode
https://www.youtube.com/watch?v=XSSRrVMOqlQ
Kurtosis: Een hoge kurtosis wijst op een verdeling met lage kans op extreme uitschieters, vanwege
de staartvorm. Dit houdt in dat een relatief groot deel van de variantie veroorzaakt wordt door
zeldzame extreme waarden. Een lage kurtosis wijst op een platte verdeling. Hier wordt de variantie
voornamelijk veroorzaakt door een groter deel minder extreme waarden.
Als een verdeling niet normaal is:
1. Checken voor ‘rare waarden’
2. Nominale variabelen dummy variabelen
3. Transformatie: logaritmes, wortels…
4. Percentielscores e.d.
Vaak worden in een onderzoek variabelen gebruikt met verschillende meetschalen oplossing is
standaardisatie. = hierbij druk je de scores uit in aantallen standaarddeviaties t.o.v. het gemiddelde.
De correlatie tussen de gestandaardiseerde en oorspronkelijke variabele is logischerwijs 1, want
standaardisatie is een lineaire transformatie, die weliswaar de meetschaal aanpast maar verder niets
doet. Bij logaritmes zou het lager dan 1 zijn, maar nog steeds positief.
Wordt gebruikt om te meten hoeveel standaardafwijkingen boven of onder het gemiddelde een
bepaalde waarde is. These scores allow for comparison and probability calculations.
3
