Contents
Week 1 .................................................................................................................................. 3
College 1 – 2/9/2024 .......................................................................................................... 3
Klassieke testtheorie ...................................................................................................... 3
Item-analyse: betrouwbaarheid van meetschaal ............................................................. 6
Cronbach’s alpha ........................................................................................................... 8
Werkcollege 1 5/9/2024 ..................................................................................................... 9
Week 2 ................................................................................................................................. 11
College 2 (9/9/2024) | Principale componenten (PCA)- en Factoranalyse (PFA) ............... 11
Likertanalyse vs PCA/PFA ............................................................................................. 11
PCA en PFA .................................................................................................................. 11
Extractie van componenten/factoren .............................................................................13
Stappen in PCA/PFA .....................................................................................................14
Twee vormen van rotatie (en één vorm ongeroteerd: initiële oplossing) ........................18
Werkcollege 2 12/9/2024 ..................................................................................................19
College 3 16/9/2024 | Principale Factoranalyse (PFA) ..........................................................21
Week 4 .................................................................................................................................25
College 4 23/9/2024 | Enkelvoudige regressie ..................................................................25
KC 4.1 Ordinary Least Squares .....................................................................................25
KC 4.2 Regressievergelijking.........................................................................................25
KC 4.3 Model fit .............................................................................................................26
KC 4.4 Centreren ..........................................................................................................26
KC 4.5 Scatterplots in SPSS .........................................................................................27
KC 4.6 Regressieanalyse in SPSS ................................................................................27
Week 5 .................................................................................................................................28
College 5 30/9/2024 ..........................................................................................................28
KC 5.1 Dummy coding...................................................................................................28
KC 5.2 Nog meer dummy coding ...................................................................................28
KC 5.3 Meervoudige regressie ......................................................................................28
KC 5.4 Wanneer meenemen .........................................................................................29
KC 5.5 Gestandaardiseerde regressiegewichten ...........................................................29
Werkcollege 5 3/10/2024 ......................................................................................................29
Week 6 .................................................................................................................................31
College 6 7/10/2024 ..........................................................................................................31
KC 6.1 Voorwaarden .....................................................................................................31
KC 6.2 Logistische binaire regressie .............................................................................31
KC 6.3 Multicollineariteit ................................................................................................32
, KC 6.4 Intro mediatie .....................................................................................................32
KC 6.5 Mediatie 2.0 .......................................................................................................33
KC 6.6 PROCESS (mediatie) ........................................................................................33
Werkcollege 6 10/10/2024 ................................................................................................34
Week 7 .................................................................................................................................35
College 7 14/10/2024 ........................................................................................................35
KC 7.1 Moderatie ..........................................................................................................35
KC 7.2 Conditionele effecten .........................................................................................35
KC 6.6 PROCESS (moderatie) ......................................................................................35
Werkcollege 7 17/10/2024 ................................................................................................36
2
,Week 1
College 1 – 2/9/2024
• Cursushandleiding goed doornemen
• Tentamen: gesloten boek, 20 meerkeuzevragen en 2 open vragen, cijfer 1-10. Alle
onderdelen (dus ook alle practicumopdrachten) moeten met een voldoende worden
afgerond om een voldoende voor de hele cursus te krijgen.
Deze cursus: meetmodellen en regressie
- Schaalconstructie: een aantal items – variabelen die worden verondersteld hetzelfde
begrip te meten – samenvoegen tot één schaal, die een zo goed mogelijke
afspiegeling van het te meten begrip moet zijn
- Waarom? Vele begrippen zijn nu eenmaal niet rechtstreeks meetbaar. Vooral sociale
fenomenen zijn moeilijk rechtstreeks te meten.
- Meetmodel: de wijze waarop de nieuwe schaalscore tot stand komt. Met andere
woorden, de wijze waarop de oorspronkelijke scores op de items worden omgezet
naar een nieuwe schaalscore.
Meetmodel van vandaag is Likertanalyse: simpelweg het gemiddelde van de scores op de
items (of de som).
De belangrijkste vraag bij dit hele college en de rest over meetmodellen: mag ik nou al die
items die ik heb geformuleerd om een bepaald begrip meetbaar te maken, mag ik die ook
gebruiken (om uiteindelijk een schaal te construeren)? Dus welke items voldoen wel aan
bepaalde vooraf gestelde eisen, welke items voldoen daar niet aan?
Klassieke testtheorie
Latente variabele als veronderstelde oorzaak van itemwaarden, DeVellis –
Schaalontwikkeling
Dezelfde betekenis: indicatoren, items, manifeste variabelen;
Dezelfde betekenis: latente eigenschap, latente variabele, latent kenmerk, theoretisch
construct
Latent kenmerk: de wijze waarop een respondent iets in het leven ervaart zonder dat dat al
meetbaar is, maar het is wel aanwezig. Die latente kenmerken variëren voor iedereen in de
samenleving.
Als je als onderzoeker items hebt geformuleerd om het latente kenmerk meetbaar maakt, is
het ook dat latente kenmerk die ervoor zorgt dat mensen een bepaald antwoord op het item
geven. Antwoorden op items kunnen ook voor een deel tot stand komen door iets anders dan
het latente kenmerk dat je met de items meetbaar wil maken, iets dat onafhankelijk is van het
latente kenmerk maar wel invloed heeft op het antwoord op het item (dit is de e, error).
3
, In woorden: de (manifeste) score van een respondent op een bepaald item (𝑋) wordt
bepaald door (1) diens werkelijke (latente) houding ten opzichte het verschijnsel dat de
onderzoeker wil meten (𝑋𝑇 ) en (2) andere invloeden die los staan van iemands positie op het
latente kenmerk (𝑒)
𝑿 = 𝑿𝑻 + 𝒆
Hoe meer alle items het latente kenmerk gemeenschappelijk hebben, of te wel hoe meer alle
items goede indicatoren zijn voor het onderliggende theoretische construct dat je wil meten…
Hoe sterker het pad van de latente variabele naar het item (hoe sterker de samenhang
tussen latent kenmerk en items) en hoe sterker de correlaties tussen de items. En als
dan aan de volgende assumpties is voldaan:
- De error (e) is voor ieder item toevallig: ∑𝑒 = 0 (de gemiddelde fout is nul, dan is er
sprake van een toevallige fout)
- De errors van de items zijn NIET met elkaar gecorreleerd (het onverklaarde deel op
het ene item mogen niet voorspellend zijn voor het onverklaarbare deel op het andere
item, dan hangen de fouten met elkaar samen en zijn ze niet meer toevallig)
- De errors van de items zijn niet gecorreleerd met de ware score op de latente
variabele (de werkelijke houding van mensen mag niet van invloed zijn op de error)
Deze drie zijn de assumpties waar het model aan moet voldoen!
Als jouw set van items hieraan voldoet, dan mag je je generalisatie maken. Je mag het dan
generaliseren naar je hele populatie/steekproef.
Dan mogen de scores van de respondenten op de items bij elkaar op worden geteld:
Compute schaal=sum(item1, item2, item3, item4, item5).
Fre schaal.
Of de gemiddelde score van de respondenten op die items mogen worden berekend:
Compute schaal=mean(item1, item2, item3, item4, item5).
Fre schaal.
4
Week 1 .................................................................................................................................. 3
College 1 – 2/9/2024 .......................................................................................................... 3
Klassieke testtheorie ...................................................................................................... 3
Item-analyse: betrouwbaarheid van meetschaal ............................................................. 6
Cronbach’s alpha ........................................................................................................... 8
Werkcollege 1 5/9/2024 ..................................................................................................... 9
Week 2 ................................................................................................................................. 11
College 2 (9/9/2024) | Principale componenten (PCA)- en Factoranalyse (PFA) ............... 11
Likertanalyse vs PCA/PFA ............................................................................................. 11
PCA en PFA .................................................................................................................. 11
Extractie van componenten/factoren .............................................................................13
Stappen in PCA/PFA .....................................................................................................14
Twee vormen van rotatie (en één vorm ongeroteerd: initiële oplossing) ........................18
Werkcollege 2 12/9/2024 ..................................................................................................19
College 3 16/9/2024 | Principale Factoranalyse (PFA) ..........................................................21
Week 4 .................................................................................................................................25
College 4 23/9/2024 | Enkelvoudige regressie ..................................................................25
KC 4.1 Ordinary Least Squares .....................................................................................25
KC 4.2 Regressievergelijking.........................................................................................25
KC 4.3 Model fit .............................................................................................................26
KC 4.4 Centreren ..........................................................................................................26
KC 4.5 Scatterplots in SPSS .........................................................................................27
KC 4.6 Regressieanalyse in SPSS ................................................................................27
Week 5 .................................................................................................................................28
College 5 30/9/2024 ..........................................................................................................28
KC 5.1 Dummy coding...................................................................................................28
KC 5.2 Nog meer dummy coding ...................................................................................28
KC 5.3 Meervoudige regressie ......................................................................................28
KC 5.4 Wanneer meenemen .........................................................................................29
KC 5.5 Gestandaardiseerde regressiegewichten ...........................................................29
Werkcollege 5 3/10/2024 ......................................................................................................29
Week 6 .................................................................................................................................31
College 6 7/10/2024 ..........................................................................................................31
KC 6.1 Voorwaarden .....................................................................................................31
KC 6.2 Logistische binaire regressie .............................................................................31
KC 6.3 Multicollineariteit ................................................................................................32
, KC 6.4 Intro mediatie .....................................................................................................32
KC 6.5 Mediatie 2.0 .......................................................................................................33
KC 6.6 PROCESS (mediatie) ........................................................................................33
Werkcollege 6 10/10/2024 ................................................................................................34
Week 7 .................................................................................................................................35
College 7 14/10/2024 ........................................................................................................35
KC 7.1 Moderatie ..........................................................................................................35
KC 7.2 Conditionele effecten .........................................................................................35
KC 6.6 PROCESS (moderatie) ......................................................................................35
Werkcollege 7 17/10/2024 ................................................................................................36
2
,Week 1
College 1 – 2/9/2024
• Cursushandleiding goed doornemen
• Tentamen: gesloten boek, 20 meerkeuzevragen en 2 open vragen, cijfer 1-10. Alle
onderdelen (dus ook alle practicumopdrachten) moeten met een voldoende worden
afgerond om een voldoende voor de hele cursus te krijgen.
Deze cursus: meetmodellen en regressie
- Schaalconstructie: een aantal items – variabelen die worden verondersteld hetzelfde
begrip te meten – samenvoegen tot één schaal, die een zo goed mogelijke
afspiegeling van het te meten begrip moet zijn
- Waarom? Vele begrippen zijn nu eenmaal niet rechtstreeks meetbaar. Vooral sociale
fenomenen zijn moeilijk rechtstreeks te meten.
- Meetmodel: de wijze waarop de nieuwe schaalscore tot stand komt. Met andere
woorden, de wijze waarop de oorspronkelijke scores op de items worden omgezet
naar een nieuwe schaalscore.
Meetmodel van vandaag is Likertanalyse: simpelweg het gemiddelde van de scores op de
items (of de som).
De belangrijkste vraag bij dit hele college en de rest over meetmodellen: mag ik nou al die
items die ik heb geformuleerd om een bepaald begrip meetbaar te maken, mag ik die ook
gebruiken (om uiteindelijk een schaal te construeren)? Dus welke items voldoen wel aan
bepaalde vooraf gestelde eisen, welke items voldoen daar niet aan?
Klassieke testtheorie
Latente variabele als veronderstelde oorzaak van itemwaarden, DeVellis –
Schaalontwikkeling
Dezelfde betekenis: indicatoren, items, manifeste variabelen;
Dezelfde betekenis: latente eigenschap, latente variabele, latent kenmerk, theoretisch
construct
Latent kenmerk: de wijze waarop een respondent iets in het leven ervaart zonder dat dat al
meetbaar is, maar het is wel aanwezig. Die latente kenmerken variëren voor iedereen in de
samenleving.
Als je als onderzoeker items hebt geformuleerd om het latente kenmerk meetbaar maakt, is
het ook dat latente kenmerk die ervoor zorgt dat mensen een bepaald antwoord op het item
geven. Antwoorden op items kunnen ook voor een deel tot stand komen door iets anders dan
het latente kenmerk dat je met de items meetbaar wil maken, iets dat onafhankelijk is van het
latente kenmerk maar wel invloed heeft op het antwoord op het item (dit is de e, error).
3
, In woorden: de (manifeste) score van een respondent op een bepaald item (𝑋) wordt
bepaald door (1) diens werkelijke (latente) houding ten opzichte het verschijnsel dat de
onderzoeker wil meten (𝑋𝑇 ) en (2) andere invloeden die los staan van iemands positie op het
latente kenmerk (𝑒)
𝑿 = 𝑿𝑻 + 𝒆
Hoe meer alle items het latente kenmerk gemeenschappelijk hebben, of te wel hoe meer alle
items goede indicatoren zijn voor het onderliggende theoretische construct dat je wil meten…
Hoe sterker het pad van de latente variabele naar het item (hoe sterker de samenhang
tussen latent kenmerk en items) en hoe sterker de correlaties tussen de items. En als
dan aan de volgende assumpties is voldaan:
- De error (e) is voor ieder item toevallig: ∑𝑒 = 0 (de gemiddelde fout is nul, dan is er
sprake van een toevallige fout)
- De errors van de items zijn NIET met elkaar gecorreleerd (het onverklaarde deel op
het ene item mogen niet voorspellend zijn voor het onverklaarbare deel op het andere
item, dan hangen de fouten met elkaar samen en zijn ze niet meer toevallig)
- De errors van de items zijn niet gecorreleerd met de ware score op de latente
variabele (de werkelijke houding van mensen mag niet van invloed zijn op de error)
Deze drie zijn de assumpties waar het model aan moet voldoen!
Als jouw set van items hieraan voldoet, dan mag je je generalisatie maken. Je mag het dan
generaliseren naar je hele populatie/steekproef.
Dan mogen de scores van de respondenten op de items bij elkaar op worden geteld:
Compute schaal=sum(item1, item2, item3, item4, item5).
Fre schaal.
Of de gemiddelde score van de respondenten op die items mogen worden berekend:
Compute schaal=mean(item1, item2, item3, item4, item5).
Fre schaal.
4
