3.5 Samenvatting theorie Huiswerkopgaven
Huiswerkopgaven H3: Individuele verschillen en correlaties
Variantie en standaarddeviatie zijn nooit negatief
➔ Beiden zijn gebaseerd op de som van de gekwadrateerde deviaties → een kwadraat kan nooit
negatief zijn, dus de som ervan ook niet
➔ Variantie is het gemiddelde van de sum of squares, een gemiddelde is altijd een positief getal
➔ Standaarddeviatie is de wortel van de variantie, de variantie is altijd positief dus de
standaarddeviatie ook
Vormen van distributie
➔ Bij een negatief geskewede verdeling (staart
zit links) is het gemiddelde kleiner dan de
mediaan
➔ Bij een normaal verdeling is het gemiddelde
gelijk aan de mediaan
➔ Bij een positief geskewede verdeling (staart
zit rechts) is het gemiddelde groter dan de
mediaan
Sign (+/-) Size
Covariantie Niet informatief
➔ Wordt bepaald door de standaarddeviaties (beïnvloed door de gebruikte schaal)
Informatief: geeft aan of ➔ Zegt niks over de size van het verband
het verband tussen de
twee variabelen negatief of
Correlatie Informatief: correlatie is gestandaardiseerd (-1 en 1) → het is mogelijk om de size te interpreteren
positief is
.1 → klein
.3 → gemiddeld
.5 → groot
Huiswerkopgaven H4: Test dimensionaliteit en Factor analyse
Gebruik van eigenvalues om dimensies te identificeren
Eigenvalue > 1 Screeplot % verklaarde variantie per item
Inhoud Hoeveel items hebben een Wanneer de screeplot begint af te vlakken, Kijk naar elk item op zich, wanneer de verschillen
eigenvalue die groter is dan 1 is dat je aantal dimensies: het aantal tussen opeenvolgende items heel klein wordt, dan
→ zoveel dimensies heb je factoren -1 (point of inflection) is dat je aantal dimensies
Voordelen Goed zichtbaar verschil factoren die veel
variantie verklaren en welke niet
Nadelen Som van alle eigenvalues is Point of inflection (drop) is niet altijd goed Subjectief
gelijk aan je aantal items → zichtbaar Niet heel goed zichtbaar in tabel
meer items, meer factoren
Gebaseerd op data → sample fluctuation (altijd je theorie erbij houden)
Soorten matrices (SPSS)
➔ Factor matrix
1
, ◆
Correlaties / factor loadings van de items op de factor → niet geroteerd
◆
Items loaden hoog op de eerste factor en laag op de andere (eerste factor verklaard
de meeste variantie)
➔ Pattern matrix → waardevol
◆ Semi-partial correlaties / factor loadings van de items op de factor → wel geroteerd
◆ Unieke toevoeging van een factor op een item
◆ Simple structure kan je hier zien → item heeft hoge loading op 1 factor en lage
loading op de andere
➔ Structure matrix → waardevol
◆ Correlaties tussen de items en factoren → wel geroteerd
➔ Factor correlation matrix
◆ Correlatie tussen factoren → wel geroteerd
◆ Varimax / orthogonaal → correlatie is 0 (factoren mogen niet correleren)
◆ Non-orthogonaal / oblique heeft de voorkeur in de sociale wetenschappen: we gaan
ervan uit dat constructen invloed op elkaar hebben en dus mogelijk kunnen correleren
Negatieve factor loading
➔ Negatieve correlatie tussen het item en de factor, dit kan komen door reversed items in de test
➔ Wil niet perse zeggen dat je een fout hebt gemaakt
Huiswerkopgaven H5: Betrouwbaarheid
Als de covariantie 0 is, dan is de correlatie ook 0
CTT en formule Xo = Xt + Xe
➔ Assumptie CTT: Xe is de som van goed geluk (positieve Xe) en slecht geluk (negatieve Xe)
◆ Dit balanceert elkaar uit dus Xe is 0
◆ Dit leidt ertoe dat Xo = Xt + 0 → Xo = Xt
➔ Assumptie CTT: error is willekeurig en nergens aan gerelateerd → de correlatie tussen Xt en
Xe is dus 0
Betrouwbaarheid als
Ratio van echte score variantie en geobserveerde Geobserveerde variantie is de hele cirkel
variantie → diagram Echte score variantie is een deel hiervan
Errorvariantie is de rest
De afwezigheid van errorvariantie Hoe minder errorvariantie je hebt, hoe meer echte score variantie je hebt en hoe
betrouwbaarder je test is (want dan is Xt = Xo)
De gekwadrateerde correlatie tussen Covariantie tussen geobserveerde scores en echte scores = echte score variantie
geobserveerde scores en echte scores
Huiswerkopgaven H6: Empirische schattingen van betrouwbaarheid
Testen of twee testen parallel zijn
Theorie Praktijk
2
Huiswerkopgaven H3: Individuele verschillen en correlaties
Variantie en standaarddeviatie zijn nooit negatief
➔ Beiden zijn gebaseerd op de som van de gekwadrateerde deviaties → een kwadraat kan nooit
negatief zijn, dus de som ervan ook niet
➔ Variantie is het gemiddelde van de sum of squares, een gemiddelde is altijd een positief getal
➔ Standaarddeviatie is de wortel van de variantie, de variantie is altijd positief dus de
standaarddeviatie ook
Vormen van distributie
➔ Bij een negatief geskewede verdeling (staart
zit links) is het gemiddelde kleiner dan de
mediaan
➔ Bij een normaal verdeling is het gemiddelde
gelijk aan de mediaan
➔ Bij een positief geskewede verdeling (staart
zit rechts) is het gemiddelde groter dan de
mediaan
Sign (+/-) Size
Covariantie Niet informatief
➔ Wordt bepaald door de standaarddeviaties (beïnvloed door de gebruikte schaal)
Informatief: geeft aan of ➔ Zegt niks over de size van het verband
het verband tussen de
twee variabelen negatief of
Correlatie Informatief: correlatie is gestandaardiseerd (-1 en 1) → het is mogelijk om de size te interpreteren
positief is
.1 → klein
.3 → gemiddeld
.5 → groot
Huiswerkopgaven H4: Test dimensionaliteit en Factor analyse
Gebruik van eigenvalues om dimensies te identificeren
Eigenvalue > 1 Screeplot % verklaarde variantie per item
Inhoud Hoeveel items hebben een Wanneer de screeplot begint af te vlakken, Kijk naar elk item op zich, wanneer de verschillen
eigenvalue die groter is dan 1 is dat je aantal dimensies: het aantal tussen opeenvolgende items heel klein wordt, dan
→ zoveel dimensies heb je factoren -1 (point of inflection) is dat je aantal dimensies
Voordelen Goed zichtbaar verschil factoren die veel
variantie verklaren en welke niet
Nadelen Som van alle eigenvalues is Point of inflection (drop) is niet altijd goed Subjectief
gelijk aan je aantal items → zichtbaar Niet heel goed zichtbaar in tabel
meer items, meer factoren
Gebaseerd op data → sample fluctuation (altijd je theorie erbij houden)
Soorten matrices (SPSS)
➔ Factor matrix
1
, ◆
Correlaties / factor loadings van de items op de factor → niet geroteerd
◆
Items loaden hoog op de eerste factor en laag op de andere (eerste factor verklaard
de meeste variantie)
➔ Pattern matrix → waardevol
◆ Semi-partial correlaties / factor loadings van de items op de factor → wel geroteerd
◆ Unieke toevoeging van een factor op een item
◆ Simple structure kan je hier zien → item heeft hoge loading op 1 factor en lage
loading op de andere
➔ Structure matrix → waardevol
◆ Correlaties tussen de items en factoren → wel geroteerd
➔ Factor correlation matrix
◆ Correlatie tussen factoren → wel geroteerd
◆ Varimax / orthogonaal → correlatie is 0 (factoren mogen niet correleren)
◆ Non-orthogonaal / oblique heeft de voorkeur in de sociale wetenschappen: we gaan
ervan uit dat constructen invloed op elkaar hebben en dus mogelijk kunnen correleren
Negatieve factor loading
➔ Negatieve correlatie tussen het item en de factor, dit kan komen door reversed items in de test
➔ Wil niet perse zeggen dat je een fout hebt gemaakt
Huiswerkopgaven H5: Betrouwbaarheid
Als de covariantie 0 is, dan is de correlatie ook 0
CTT en formule Xo = Xt + Xe
➔ Assumptie CTT: Xe is de som van goed geluk (positieve Xe) en slecht geluk (negatieve Xe)
◆ Dit balanceert elkaar uit dus Xe is 0
◆ Dit leidt ertoe dat Xo = Xt + 0 → Xo = Xt
➔ Assumptie CTT: error is willekeurig en nergens aan gerelateerd → de correlatie tussen Xt en
Xe is dus 0
Betrouwbaarheid als
Ratio van echte score variantie en geobserveerde Geobserveerde variantie is de hele cirkel
variantie → diagram Echte score variantie is een deel hiervan
Errorvariantie is de rest
De afwezigheid van errorvariantie Hoe minder errorvariantie je hebt, hoe meer echte score variantie je hebt en hoe
betrouwbaarder je test is (want dan is Xt = Xo)
De gekwadrateerde correlatie tussen Covariantie tussen geobserveerde scores en echte scores = echte score variantie
geobserveerde scores en echte scores
Huiswerkopgaven H6: Empirische schattingen van betrouwbaarheid
Testen of twee testen parallel zijn
Theorie Praktijk
2
