Samenvatting
Verdieping in Onderzoeksmethoden en statistiek voor pedagogen
2020/2021
Deze samenvatting bevat de inhoud van alle hoorcolleges, literatuur en de
Grasple lessen. Met uitzondering van de SPSS uitvoering.
(de samenvatting van de SPSS uitvoering waarin alle stappen van elke analyse in één document staat, is ook te koop via
mijn account)
1
,2
,Inhoud
Multipele regressie ............................................................................................................................................ 4
Meerweg ANOVA ............................................................................................................................................ 12
ANCOVA ......................................................................................................................................................... 19
Herhaalde metingen en mixed design.............................................................................................................. 28
Moderatie- en mediatie analyse ....................................................................................................................... 39
Factoranalyse .................................................................................................................................................. 51
Betrouwbaarheidsanalyse ............................................................................................................................... 60
Een overzicht van de analysetechnieken ........................................................................................................ 64
3
,Multipele regressie
Een verklaringsmodel
- Operationaliseren van de constructen/ begrippen: dus wat valt er allemaal onder bv kind
- Een goede verklaringsmodel kan gebruikt worden voor voorspelling voor de mensen die niet in de
onderzoek zaten. Maar voor de voorspelling moet je een steekproef nemen: voor de populatie
beschrijven en voor het toetsen van een individu later.
- Je kan dan dus iemand buiten je steekproef vergelijken met de steekproef die je eerder hebt gedaan en
kijken naar wat het meest aansluit bij de individu buiten je steekproef (een voorspelling).
- Een voorbeeld van een verklaringsmodel is de regressiemodel.
Het lineaire model met één voorspeller:
- The lijn in het lineaire model: 1) the slope (=b1) dit kan omhoog of naar beneden zijn, positief of
negatief 2) intercept van de lijn (=b0) het punt waar de lijn de verticale as van de grafiek kruist, deze
lokaliseert het model in geometrische ruimtes.
- Multipele regressie: aantal onafhankelijk variabelen zijn er meer. Dit kan complexer of vollediger zijn.
Predictoren:
- X1 = eerste onafhankelijk variabele, deze is zonder horizontaal streepje in het vakje en is dan een
interval of ratio variabele.
- X2= met horizontaal streepje, wat betekent dat het in tweeën is gedeeld: een dichotome variabele:
meerdere groepen in 1 variabele. Voorbeeld: studenten > bachelor en pre-masters
Alle meetniveau’s die bestaan zijn:
- Nominaal: verschillende waarde zonder verschil. Bv. Geslacht, bloedgroep en provincie.
- Ordinaal: verschillende waarde met verschil maar lastig aan te duiden. Bv. Onderwijsniveau en
inkomensgroepen.
- Interval: verschillende waarde met verschil. 0 staat niet voor afwezigheid. Bv. Temperatuur, IQ en tijd.
- Ratio: verschillende waarde met verschil. 0 staat wel voor afwezigheid. Bv. Gewicht, aantal goed en
leeftijd.
De meetniveau‘s bij de multipele regressie
Afhankelijke variabele Y: (in de afhankelijke variabele zijn we altijd geïnteresseerd, wat gebeurt er met deze variabele?)
- Minimaal interval meetniveau (kan dus ook ratio meetniveau zijn).
- In een histogram kan je alleen de afhankelijke variabele zien. Dus stel je voor je meet hoeveel kennis
een populatie van de literatuur heeft dan kan je deze scores in een histogram zetten. Wanneer je gaat
kijken naar bv de opleiding van al deze mensen om te bepalen of deze een rol speelt dan heb je een
onafhankelijke variabele en gebruik je een verklaringsmodel.
Meetniveau onafhankelijke variabelen X:
- Minimaal interval meetniveau.
- Kan ook een categorische kenmerk met twee categorieën van nominaal meetniveau. Dit noemen we
dan dichotoom.
- We werken met getallen om aan een voorspelde waarde te komen. Bij twee categorieën kan je de
categorieën cijferen met 0 en 1. Als je meerdere categorieën van nominaal meetniveau hebt dan ga je
deze omzetten in dummyvariabelen zodat je dan meerdere getallen krijgt om mee te voorspellen. De
dummyvariabelen worden verderop uitgebreider toegelicht.
4
, Hypothesen
Wanneer je bijvoorbeeld 3 onafhankelijke variabelen hebt:
- Stappen Nulhypothese toetsing:
- 1. Formuleren hypothese
- 2.Keuze & berekenen toetsingsgrootheid
- 3. Kans bepalen op resultaat gegeven H0
- 4. Beslissing nemen over H0
- 5. Inhoudelijke beslissing
- Hypothesen bij het toetsen van de verklaarde variantie door het gehele model:
- H0: R2 = 0
- H1: R2 > 0
Regressiemodel
Voor de uitleg gebruiken we een voorbeeld:
- Je berekent hoeveel kennis een populatie heeft van literatuur.
- Onderzoeksvraag: Kunnen we iemands waarde op een kenmerk (literatuur) voorspellen met kennis
over andere kenmerken (bijvoorbeeld: opleiding)?
Algemeen:
- Het regressiemodel gebruiken we bij de multipele regressie.
- Doelen analyse
- Beschrijven lineaire relaties tussen variabelen (regressiemodel).
- Toetsen hypothesen over relaties (significantie).
- Kwantificeren van relaties (effectgrootte).
- Kwalificeren van relaties (klein, middelmatig, groot).
- Beoordelen relevantie relaties (subjectief).
- Voorspellen van iemands waarde met regressiemodel (puntschatting en intervalschatting).
- Let op: Doe op basis van statistische samenhang geen uitspraken over causaliteit.
Om tot een voorspelling te komen zijn er twee vergelijkingen Y en Ŷ:
- Y is die je gebruikt voor het onderzoek om te kijken of er überhaupt samenhang is. Dit is de
geobserveerde afhankelijke variabele. Gebruik: modelvergelijking.
- Ŷ die gebruik je wanneer het onderzoek in je steekproef is uitgevoerd en relevant is en dan kan je
iemand waarde gaan voorspellen buiten de steekproef. Dit is de voorspelde score afhankelijke
variabele. Gebruik: regressievergelijking.
- Y: is de werkelijke waarde -> modelvergelijking. De geobserveerde variabele in een steekproef. Dus
bijvoorbeeld: kennis literatuur. Die vergelijking Y wil je gebruiken voor een goede voorspelling maar er
blijft altijd een voorspellingsfout, het kan nooit perfect. De voorspellingsfout wordt ook wel residu of
error genoemd.
- Ŷ is de voorspellende waarde -> wat je uitrekent uiteindelijk is een schatting; dan heb je een
voorspelde intelligentie. Het is wel een waarde maar je weet nog niet wat de error is dus daarom is dit
een voorspelling. (Hier geen error want hier gaat het om een schatting, en voor ieder persoon is de E
anders)
5
Verdieping in Onderzoeksmethoden en statistiek voor pedagogen
2020/2021
Deze samenvatting bevat de inhoud van alle hoorcolleges, literatuur en de
Grasple lessen. Met uitzondering van de SPSS uitvoering.
(de samenvatting van de SPSS uitvoering waarin alle stappen van elke analyse in één document staat, is ook te koop via
mijn account)
1
,2
,Inhoud
Multipele regressie ............................................................................................................................................ 4
Meerweg ANOVA ............................................................................................................................................ 12
ANCOVA ......................................................................................................................................................... 19
Herhaalde metingen en mixed design.............................................................................................................. 28
Moderatie- en mediatie analyse ....................................................................................................................... 39
Factoranalyse .................................................................................................................................................. 51
Betrouwbaarheidsanalyse ............................................................................................................................... 60
Een overzicht van de analysetechnieken ........................................................................................................ 64
3
,Multipele regressie
Een verklaringsmodel
- Operationaliseren van de constructen/ begrippen: dus wat valt er allemaal onder bv kind
- Een goede verklaringsmodel kan gebruikt worden voor voorspelling voor de mensen die niet in de
onderzoek zaten. Maar voor de voorspelling moet je een steekproef nemen: voor de populatie
beschrijven en voor het toetsen van een individu later.
- Je kan dan dus iemand buiten je steekproef vergelijken met de steekproef die je eerder hebt gedaan en
kijken naar wat het meest aansluit bij de individu buiten je steekproef (een voorspelling).
- Een voorbeeld van een verklaringsmodel is de regressiemodel.
Het lineaire model met één voorspeller:
- The lijn in het lineaire model: 1) the slope (=b1) dit kan omhoog of naar beneden zijn, positief of
negatief 2) intercept van de lijn (=b0) het punt waar de lijn de verticale as van de grafiek kruist, deze
lokaliseert het model in geometrische ruimtes.
- Multipele regressie: aantal onafhankelijk variabelen zijn er meer. Dit kan complexer of vollediger zijn.
Predictoren:
- X1 = eerste onafhankelijk variabele, deze is zonder horizontaal streepje in het vakje en is dan een
interval of ratio variabele.
- X2= met horizontaal streepje, wat betekent dat het in tweeën is gedeeld: een dichotome variabele:
meerdere groepen in 1 variabele. Voorbeeld: studenten > bachelor en pre-masters
Alle meetniveau’s die bestaan zijn:
- Nominaal: verschillende waarde zonder verschil. Bv. Geslacht, bloedgroep en provincie.
- Ordinaal: verschillende waarde met verschil maar lastig aan te duiden. Bv. Onderwijsniveau en
inkomensgroepen.
- Interval: verschillende waarde met verschil. 0 staat niet voor afwezigheid. Bv. Temperatuur, IQ en tijd.
- Ratio: verschillende waarde met verschil. 0 staat wel voor afwezigheid. Bv. Gewicht, aantal goed en
leeftijd.
De meetniveau‘s bij de multipele regressie
Afhankelijke variabele Y: (in de afhankelijke variabele zijn we altijd geïnteresseerd, wat gebeurt er met deze variabele?)
- Minimaal interval meetniveau (kan dus ook ratio meetniveau zijn).
- In een histogram kan je alleen de afhankelijke variabele zien. Dus stel je voor je meet hoeveel kennis
een populatie van de literatuur heeft dan kan je deze scores in een histogram zetten. Wanneer je gaat
kijken naar bv de opleiding van al deze mensen om te bepalen of deze een rol speelt dan heb je een
onafhankelijke variabele en gebruik je een verklaringsmodel.
Meetniveau onafhankelijke variabelen X:
- Minimaal interval meetniveau.
- Kan ook een categorische kenmerk met twee categorieën van nominaal meetniveau. Dit noemen we
dan dichotoom.
- We werken met getallen om aan een voorspelde waarde te komen. Bij twee categorieën kan je de
categorieën cijferen met 0 en 1. Als je meerdere categorieën van nominaal meetniveau hebt dan ga je
deze omzetten in dummyvariabelen zodat je dan meerdere getallen krijgt om mee te voorspellen. De
dummyvariabelen worden verderop uitgebreider toegelicht.
4
, Hypothesen
Wanneer je bijvoorbeeld 3 onafhankelijke variabelen hebt:
- Stappen Nulhypothese toetsing:
- 1. Formuleren hypothese
- 2.Keuze & berekenen toetsingsgrootheid
- 3. Kans bepalen op resultaat gegeven H0
- 4. Beslissing nemen over H0
- 5. Inhoudelijke beslissing
- Hypothesen bij het toetsen van de verklaarde variantie door het gehele model:
- H0: R2 = 0
- H1: R2 > 0
Regressiemodel
Voor de uitleg gebruiken we een voorbeeld:
- Je berekent hoeveel kennis een populatie heeft van literatuur.
- Onderzoeksvraag: Kunnen we iemands waarde op een kenmerk (literatuur) voorspellen met kennis
over andere kenmerken (bijvoorbeeld: opleiding)?
Algemeen:
- Het regressiemodel gebruiken we bij de multipele regressie.
- Doelen analyse
- Beschrijven lineaire relaties tussen variabelen (regressiemodel).
- Toetsen hypothesen over relaties (significantie).
- Kwantificeren van relaties (effectgrootte).
- Kwalificeren van relaties (klein, middelmatig, groot).
- Beoordelen relevantie relaties (subjectief).
- Voorspellen van iemands waarde met regressiemodel (puntschatting en intervalschatting).
- Let op: Doe op basis van statistische samenhang geen uitspraken over causaliteit.
Om tot een voorspelling te komen zijn er twee vergelijkingen Y en Ŷ:
- Y is die je gebruikt voor het onderzoek om te kijken of er überhaupt samenhang is. Dit is de
geobserveerde afhankelijke variabele. Gebruik: modelvergelijking.
- Ŷ die gebruik je wanneer het onderzoek in je steekproef is uitgevoerd en relevant is en dan kan je
iemand waarde gaan voorspellen buiten de steekproef. Dit is de voorspelde score afhankelijke
variabele. Gebruik: regressievergelijking.
- Y: is de werkelijke waarde -> modelvergelijking. De geobserveerde variabele in een steekproef. Dus
bijvoorbeeld: kennis literatuur. Die vergelijking Y wil je gebruiken voor een goede voorspelling maar er
blijft altijd een voorspellingsfout, het kan nooit perfect. De voorspellingsfout wordt ook wel residu of
error genoemd.
- Ŷ is de voorspellende waarde -> wat je uitrekent uiteindelijk is een schatting; dan heb je een
voorspelde intelligentie. Het is wel een waarde maar je weet nog niet wat de error is dus daarom is dit
een voorspelling. (Hier geen error want hier gaat het om een schatting, en voor ieder persoon is de E
anders)
5
