Longitudinaal Onderzoek (LO)
Wat gaan we doen:
Type onderzoeksvraag: verbanden tussen twee of meer variabelen.
o Meestal: effect onderzoeken ligt model ten grondslag.
1. Formuleren van een model o.b.v. eerder onderzoek/theoretische
overwegingen.
2. Dataverzameling en toetsing of het model statistisch is: vraag
beantwoord.
Univariate modellen = modellen met één afhankelijke variabele.
Thema 1: Inleiding
Leerdoelen thema 1
a) U bent bekend met de criteria die gelden bij het toetsen van causale
relaties.
b) U kunt beschrijven wat longitudinale data zijn.
Longitudinale data = wanneer bij onderzoekseenheden dezelfde informatie op
meerdere tijdstippen wordt gemeten.
o Voordeel: intra-individuele data (binnen persoon).
o Vorm: panel-onderzoek (Lazerfeld, 1940): cross-lagged-effect van
luisteren (gemeten op tijdstip t) op kopen (gemeten op tijdstip t+1) te
vergelijken met het cross-lagged-effect van kopen (t) op luisteren (t+1)
zou er een uitspraak over het causale effect kunnen worden gedaan.
Dataverzamelingsmethoden die longitudinale data opleveren:
Single case design:
o Doel: verschil op een/meer variabelen voor en na een interventie te
vergelijken. Of, sprake is van een trend in AV.
o Combineren van verschillende single-case-studies gebeurt meestal met
multilevel-analyses.
ESM (Experience Sampling Method):
o Meerdere keren, op willekeurige momenten per dag, bij mensen een kort
vragenlijstje afgenomen gedurende een aantal dagen.
o Idee: welke psychologische processen zich dagelijks binnen een
persoon afspelen.
o Is intensieve longitudinale desings.
o Analyse: multi-level-analyses.
1.1 Causaliteit
= verondersteld dat er sprake is van een/meer OV en een/meer AV, waarbij OV
effect heeft op AV.
3 voorwaarden:
1. OV in tijd voorafgaan aan AV.
2. Statistisch significant verband tussen OV en AV.
1
, 3. Relatie tussen OV en AV wordt niet veroorzaakt door een derde, mogelijk
onbekende, variabele.
Voorwaarde 2 zegt niets over de grootte van het verband dus ook niet over het
belang/relevantie ervan. Dit moet a.d.h.v. effect size worden bekeken:
regressieanalyse = gestand. beta.
Te kleine steekproef, dus te weinig power (kans bestaand effect te vinden) doet
zich extra sterk voor bij interactie-effecten.
o Moderatiemodellen: grotere datasets worden gebruikt dan modellen met
een hoofdeffect.
Methode causale relatie te onderzoeken:
o Zuiver experiment: voorwaarde 2 toetsen, en is zo opgezet dat aan
voorwaarde 1 wordt voldaan. Door randomisatie: invloed onbekende
reduceren/covariaat meenemen: voorwaarde 3 voldaan.
Survey kan geen uitspraken doen over causale relaties: enkel voorwaarde 1
voldaan.
Longitudinale methoden
Van belang: goed gefundeerde theorie ten grondslag aan veronderstelde causale
effecten (niet duidelijk 3e voorwaarde kan worden voldaan).
o Probleem: tijdsinterval tussen metingen
o Kort: geen causaal effect
o Lang: allerlei storende factoren een rol gaan spelen.
Probleem causaliteit vermijden exploratief onderzoek = men wil indruk
krijgen over bijv. de verdeling van variabelen en welke verbanden er in de data
aanwezig zijn of classificatieproblemen.
o Vb.: “Wat zijn mogelijk belangrijke predictoren voor een bepaalde
onafhankelijk variabele en welke covariaten spelen een rol?”.
o Vb. classificatieproblemen: “welke potentiële klant wordt een wanbetaler
en wie niet”.
O.b.v. exploratief onderzoek en onderbouwde theorie vervolgonderzoek
wellicht een experiment ontwerpen waarmee causale verbanden kunnen worden
getoetst.
Moderatie en Mediatie
Moderatie = wanneer een variabele het effect van een andere variabelen op
een criteriumvariabele beïnvloedt interactie-effect is aanwezig.
o Moderatiemodel = causaal model: eisen voldoen: valide uitspraken.
o OV en moderator T1 (of vormen experimentele conditie) en AV op
T2.
Mediatiemodel = veronderstellen we dat het effect van een variabele op een
andere (deels) wordt verklaard door een derde variabele.
o Verschaffen inzicht hoe bepaalde causale processen verlopen.
o 3 meetmomenten.
o 3 vragen naar causaliteit:
o OV heeft causale invloed op de mediator
o Mediator heeft causale invloed op de AV
o OV heeft causale invloed op AV
2
, 1.2 Longitudinale modellen
Longitudinale data = onderzoekseenheden (personen) dezelfde informatie op
meerdere tijdstippen wordt gemeten.
o Voordeel: intra-individuele veranderingen worden gemeten (binnen
persoon).
o Toepassingen:
o Effect van interventie te evalueren.
o Van een fenomeen een patroon/trend in de tijd te ontdekken (bijv.
monitoren politieke voorkeuren van groep individuen gedurende
verkiezingstijd).
Aantal metingen en tijdsintervallen afhankelijk van hoe lang de gehele studie
moet duren.
X = OV
M = mediator
Y = AV
= verbanden tussen verschillende variabelen
binnen een “wave” (hetzelfde tijdstip gemeten) =
cross-sectionele studie
Figure 1 Conceptueel model longitunale
data
3D-datatabel: N x K x T = verbanden tussen dezelfde variabelen,
Dimensie 1: N gemeten op verschillende tijdstippen = auto-
Dimensie 2: variable (K) regressieve verbanden – gaat om regressie van
Dimensie 3: tijdsdimensie variabelen met zichzelf (op een ander tijdstip).
(waves = T) o Effect kan nooit terug in tijd gaan: hebben
dus één richting.
Rangschikking: N(rijen) en K x T
(kolom) Lag-1-effect = effect tussen twee op een volgende
tijdstippen.
Lag-2-effect = gaat twee stappen vooruit (bijv.
tussen X1 en X3)
cross-lagged-verbanden = verbanden tussen
verschillen variabelen op verschillende tijdstippen
(Bijv. tussen X1 en M2).
o Ook richting verondersteld: altijd in de
richting van de meest recent gemeten
variabele.
(Thema 1)
Boven: eenvoudig moderatie-effect
Beneden: bijbehorende statistische model met
interactieterm
o Welke coëfficiënten in het model geschat
worden.
OV en M gemeten op T1 en AV op T2.
3
Wat gaan we doen:
Type onderzoeksvraag: verbanden tussen twee of meer variabelen.
o Meestal: effect onderzoeken ligt model ten grondslag.
1. Formuleren van een model o.b.v. eerder onderzoek/theoretische
overwegingen.
2. Dataverzameling en toetsing of het model statistisch is: vraag
beantwoord.
Univariate modellen = modellen met één afhankelijke variabele.
Thema 1: Inleiding
Leerdoelen thema 1
a) U bent bekend met de criteria die gelden bij het toetsen van causale
relaties.
b) U kunt beschrijven wat longitudinale data zijn.
Longitudinale data = wanneer bij onderzoekseenheden dezelfde informatie op
meerdere tijdstippen wordt gemeten.
o Voordeel: intra-individuele data (binnen persoon).
o Vorm: panel-onderzoek (Lazerfeld, 1940): cross-lagged-effect van
luisteren (gemeten op tijdstip t) op kopen (gemeten op tijdstip t+1) te
vergelijken met het cross-lagged-effect van kopen (t) op luisteren (t+1)
zou er een uitspraak over het causale effect kunnen worden gedaan.
Dataverzamelingsmethoden die longitudinale data opleveren:
Single case design:
o Doel: verschil op een/meer variabelen voor en na een interventie te
vergelijken. Of, sprake is van een trend in AV.
o Combineren van verschillende single-case-studies gebeurt meestal met
multilevel-analyses.
ESM (Experience Sampling Method):
o Meerdere keren, op willekeurige momenten per dag, bij mensen een kort
vragenlijstje afgenomen gedurende een aantal dagen.
o Idee: welke psychologische processen zich dagelijks binnen een
persoon afspelen.
o Is intensieve longitudinale desings.
o Analyse: multi-level-analyses.
1.1 Causaliteit
= verondersteld dat er sprake is van een/meer OV en een/meer AV, waarbij OV
effect heeft op AV.
3 voorwaarden:
1. OV in tijd voorafgaan aan AV.
2. Statistisch significant verband tussen OV en AV.
1
, 3. Relatie tussen OV en AV wordt niet veroorzaakt door een derde, mogelijk
onbekende, variabele.
Voorwaarde 2 zegt niets over de grootte van het verband dus ook niet over het
belang/relevantie ervan. Dit moet a.d.h.v. effect size worden bekeken:
regressieanalyse = gestand. beta.
Te kleine steekproef, dus te weinig power (kans bestaand effect te vinden) doet
zich extra sterk voor bij interactie-effecten.
o Moderatiemodellen: grotere datasets worden gebruikt dan modellen met
een hoofdeffect.
Methode causale relatie te onderzoeken:
o Zuiver experiment: voorwaarde 2 toetsen, en is zo opgezet dat aan
voorwaarde 1 wordt voldaan. Door randomisatie: invloed onbekende
reduceren/covariaat meenemen: voorwaarde 3 voldaan.
Survey kan geen uitspraken doen over causale relaties: enkel voorwaarde 1
voldaan.
Longitudinale methoden
Van belang: goed gefundeerde theorie ten grondslag aan veronderstelde causale
effecten (niet duidelijk 3e voorwaarde kan worden voldaan).
o Probleem: tijdsinterval tussen metingen
o Kort: geen causaal effect
o Lang: allerlei storende factoren een rol gaan spelen.
Probleem causaliteit vermijden exploratief onderzoek = men wil indruk
krijgen over bijv. de verdeling van variabelen en welke verbanden er in de data
aanwezig zijn of classificatieproblemen.
o Vb.: “Wat zijn mogelijk belangrijke predictoren voor een bepaalde
onafhankelijk variabele en welke covariaten spelen een rol?”.
o Vb. classificatieproblemen: “welke potentiële klant wordt een wanbetaler
en wie niet”.
O.b.v. exploratief onderzoek en onderbouwde theorie vervolgonderzoek
wellicht een experiment ontwerpen waarmee causale verbanden kunnen worden
getoetst.
Moderatie en Mediatie
Moderatie = wanneer een variabele het effect van een andere variabelen op
een criteriumvariabele beïnvloedt interactie-effect is aanwezig.
o Moderatiemodel = causaal model: eisen voldoen: valide uitspraken.
o OV en moderator T1 (of vormen experimentele conditie) en AV op
T2.
Mediatiemodel = veronderstellen we dat het effect van een variabele op een
andere (deels) wordt verklaard door een derde variabele.
o Verschaffen inzicht hoe bepaalde causale processen verlopen.
o 3 meetmomenten.
o 3 vragen naar causaliteit:
o OV heeft causale invloed op de mediator
o Mediator heeft causale invloed op de AV
o OV heeft causale invloed op AV
2
, 1.2 Longitudinale modellen
Longitudinale data = onderzoekseenheden (personen) dezelfde informatie op
meerdere tijdstippen wordt gemeten.
o Voordeel: intra-individuele veranderingen worden gemeten (binnen
persoon).
o Toepassingen:
o Effect van interventie te evalueren.
o Van een fenomeen een patroon/trend in de tijd te ontdekken (bijv.
monitoren politieke voorkeuren van groep individuen gedurende
verkiezingstijd).
Aantal metingen en tijdsintervallen afhankelijk van hoe lang de gehele studie
moet duren.
X = OV
M = mediator
Y = AV
= verbanden tussen verschillende variabelen
binnen een “wave” (hetzelfde tijdstip gemeten) =
cross-sectionele studie
Figure 1 Conceptueel model longitunale
data
3D-datatabel: N x K x T = verbanden tussen dezelfde variabelen,
Dimensie 1: N gemeten op verschillende tijdstippen = auto-
Dimensie 2: variable (K) regressieve verbanden – gaat om regressie van
Dimensie 3: tijdsdimensie variabelen met zichzelf (op een ander tijdstip).
(waves = T) o Effect kan nooit terug in tijd gaan: hebben
dus één richting.
Rangschikking: N(rijen) en K x T
(kolom) Lag-1-effect = effect tussen twee op een volgende
tijdstippen.
Lag-2-effect = gaat twee stappen vooruit (bijv.
tussen X1 en X3)
cross-lagged-verbanden = verbanden tussen
verschillen variabelen op verschillende tijdstippen
(Bijv. tussen X1 en M2).
o Ook richting verondersteld: altijd in de
richting van de meest recent gemeten
variabele.
(Thema 1)
Boven: eenvoudig moderatie-effect
Beneden: bijbehorende statistische model met
interactieterm
o Welke coëfficiënten in het model geschat
worden.
OV en M gemeten op T1 en AV op T2.
3
