Samenvatting tentamenstof Kwantitatieve
onderzoeksmethodologie
Radboud University
Pre-master Business Administration
Kwalitatieve onderzoeksmethodologie – blok 3
Samenvatting gebaseerd op:
- Discovering statistics using IBM SPSS statistics (5th edition) – Andy Field
- Hoorcolleges
- Assignments
Onderwerpen:
- Representativiteitstoetsen
- Missing value analyse
- Componenten- en factoranalyse
- Betrouwbaarheidsanalyse
- Variantieanalyse/Covariantieanalyse
o Oneway- ANOVA
o Twoway-ANOVA
o ANCOVA
o MANOVA
- Regressieanalyse
o Dummy-model
o Interactiemodel
o Mediatiemodel
- Logistische regressieanalyse
Pagina 1 van 19
,Representativiteitstoetsen
Een steekproef is representatief op het moment dat dezelfde kenmerken worden vertoond als de
populatie waar de steekproef uit getrokken is. Meer concreet houdt representativiteit in dat de
verdeling van de onderzochte variabelen in de steekproef hetzelfde is als in de populatie.
Representativiteit is van groot belang voor de generaliseerbaarheid van de onderzoeksresultaten. Als
bepaalde groepen in de steekproef onder- of oververtegenwoordigd zijn in de steekproef, dan
mogen de onderzoeksresultaten niet zonder meer van toepassing worden verklaard op de populatie.
De representativiteit van de steekproef heeft dus consequenties voor de externe validiteit van het
onderzoek.
Analysetechnieken voor representativiteit
Je vergelijkt de steekproef met de populatie, je moet hier dus ook gegevens van hebben
(bijvoorbeeld: CBS-cijfers of RIVM-cijfers)
1. Analyseren van de frequentietabel
Met het blote oog kijken of de verhoudingen van de populatie overeenkomen met de verhoudingen
van de steekproef. Bij metrische variabelen wordt dit snel onoverzichtelijk, je kan er dan voor kiezen
om grafische weergavenmethoden op te vragen in SPSS.
2. Bij categorische (nominal en ordinal) variabelen
Om de representativiteit te toetsen bij categorische waarden gebruiken we de univariate x 2 – toets.
Chi-square/Chi2: Vergelijk verwachte frequentie (FE) met geobserveerde frequentie (FO)
Kijk in de gegeven tabellen alleen naar de significantie, omdat we alpha van 0.3 gebruiken kunnen we
de chi2 waarden niet gebruiken.
Gebruik Alpha van 0.3 en niet 0.05 bij representativiteit is het belangrijker om type II fouten te
voorkomen dan type I fouten. We wijzen dus liever iets te vaak representativiteit af dan dat we het
te vaak accepteren.
Type II fout= Onterecht representativiteit accepteren, Type I fout= onterecht representativiteit
afwijzen
H0= de verdeling van de steekproef is gelijk aan de verdeling van de populatie
H1= er is een verschil tussen de verdeling van de steekproef en de verdeling van de populatie
Sig. < 0.3 = verwerpen H0 dan is de steekproef niet representatief!!
3. Bij metrische (Interval en ratio) variabelen
Bij metrische variabelen gebruiken we de z- of t-toets (One sample T-test)
T-Toets: vergelijkt gemiddelde van de populatie met de gemiddelde van jouw steekproef
Pagina 2 van 19
, Missing value
Data cleaning wordt gebruikt om de verkregen data op te schonen, te controleren en goed weer te
geven in een statistisch programma. Vaak moet je bijvoorbeeld hierbij controleren of antwoorden
zoals ‘weet ik niet’ of ‘geen antwoord’ worden beoordeeld als missing data, dit is namelijk wel nodig.
Missing value analyse
In het college zijn vier stappen voor het uitvoeren van missing value analyse gegeven:
Stap 1: type missing data vaststellen
Je moet eerst vaststellen of de missing data negeerbaar of niet te negeren is. Er zijn drie typen
missing data die te negeren zijn:
- Non-response/steekproef
- Routings
- Censored data/ontwerp.
Er zijn twee categorieën missing data die niet te negeren zijn: te verklaren missing processen en niet
te verklaren missing processen.
Stap 2: omvang van de missing data vaststellen
Als de missing onder 10% is, mag deze genegeerd worden (alleen als deze MCAR zijn!) Je kijkt hierbij
naar het percentage missing data voor iedere respondent en voor iederei 2 variabele.
Stap 3: controleren of de missing data random zijn (MCAR of MAR)
Dit kan via verschillende analysetechnieken:
1. Categorische waarden - kruistabellen
Per categorie de hoogste missing percentage – de laagste missing percentage verschil > 5% of 10%
= selectiviteit in de missing MAR en niet MCAR
N>400 = 5% is de grens, N<400 = 10% is de grens
2. Metrische waarden: Little’s MCAR test
H0 = patronen wijken niet af van verwachte patronen = MCAR
H1 = Patronen wijken wel af van verwachte patronen = MAR
Chi2 test doen H0 verwerpen of niet verwerpen Wanneer de Ch2 niet significant is, hebben we
zeker te maken met MCAR.
3. Metrische waarden: T toets (metrische variabelen) -– MAR-test
Wanneer een t-toets significant is, kan dit een teken zijn voor MAR.
Stap 4: substitutiemethode kiezen en uitvoeren
Wanneer dit niet het geval is, kan je substituten (imputaties) van missing value uitvoeren:
Bij MAR: Subset creëren
Bij MCAR: listwise of pairwise deletion, mean substitute en regressie
Pagina 3 van 19
onderzoeksmethodologie
Radboud University
Pre-master Business Administration
Kwalitatieve onderzoeksmethodologie – blok 3
Samenvatting gebaseerd op:
- Discovering statistics using IBM SPSS statistics (5th edition) – Andy Field
- Hoorcolleges
- Assignments
Onderwerpen:
- Representativiteitstoetsen
- Missing value analyse
- Componenten- en factoranalyse
- Betrouwbaarheidsanalyse
- Variantieanalyse/Covariantieanalyse
o Oneway- ANOVA
o Twoway-ANOVA
o ANCOVA
o MANOVA
- Regressieanalyse
o Dummy-model
o Interactiemodel
o Mediatiemodel
- Logistische regressieanalyse
Pagina 1 van 19
,Representativiteitstoetsen
Een steekproef is representatief op het moment dat dezelfde kenmerken worden vertoond als de
populatie waar de steekproef uit getrokken is. Meer concreet houdt representativiteit in dat de
verdeling van de onderzochte variabelen in de steekproef hetzelfde is als in de populatie.
Representativiteit is van groot belang voor de generaliseerbaarheid van de onderzoeksresultaten. Als
bepaalde groepen in de steekproef onder- of oververtegenwoordigd zijn in de steekproef, dan
mogen de onderzoeksresultaten niet zonder meer van toepassing worden verklaard op de populatie.
De representativiteit van de steekproef heeft dus consequenties voor de externe validiteit van het
onderzoek.
Analysetechnieken voor representativiteit
Je vergelijkt de steekproef met de populatie, je moet hier dus ook gegevens van hebben
(bijvoorbeeld: CBS-cijfers of RIVM-cijfers)
1. Analyseren van de frequentietabel
Met het blote oog kijken of de verhoudingen van de populatie overeenkomen met de verhoudingen
van de steekproef. Bij metrische variabelen wordt dit snel onoverzichtelijk, je kan er dan voor kiezen
om grafische weergavenmethoden op te vragen in SPSS.
2. Bij categorische (nominal en ordinal) variabelen
Om de representativiteit te toetsen bij categorische waarden gebruiken we de univariate x 2 – toets.
Chi-square/Chi2: Vergelijk verwachte frequentie (FE) met geobserveerde frequentie (FO)
Kijk in de gegeven tabellen alleen naar de significantie, omdat we alpha van 0.3 gebruiken kunnen we
de chi2 waarden niet gebruiken.
Gebruik Alpha van 0.3 en niet 0.05 bij representativiteit is het belangrijker om type II fouten te
voorkomen dan type I fouten. We wijzen dus liever iets te vaak representativiteit af dan dat we het
te vaak accepteren.
Type II fout= Onterecht representativiteit accepteren, Type I fout= onterecht representativiteit
afwijzen
H0= de verdeling van de steekproef is gelijk aan de verdeling van de populatie
H1= er is een verschil tussen de verdeling van de steekproef en de verdeling van de populatie
Sig. < 0.3 = verwerpen H0 dan is de steekproef niet representatief!!
3. Bij metrische (Interval en ratio) variabelen
Bij metrische variabelen gebruiken we de z- of t-toets (One sample T-test)
T-Toets: vergelijkt gemiddelde van de populatie met de gemiddelde van jouw steekproef
Pagina 2 van 19
, Missing value
Data cleaning wordt gebruikt om de verkregen data op te schonen, te controleren en goed weer te
geven in een statistisch programma. Vaak moet je bijvoorbeeld hierbij controleren of antwoorden
zoals ‘weet ik niet’ of ‘geen antwoord’ worden beoordeeld als missing data, dit is namelijk wel nodig.
Missing value analyse
In het college zijn vier stappen voor het uitvoeren van missing value analyse gegeven:
Stap 1: type missing data vaststellen
Je moet eerst vaststellen of de missing data negeerbaar of niet te negeren is. Er zijn drie typen
missing data die te negeren zijn:
- Non-response/steekproef
- Routings
- Censored data/ontwerp.
Er zijn twee categorieën missing data die niet te negeren zijn: te verklaren missing processen en niet
te verklaren missing processen.
Stap 2: omvang van de missing data vaststellen
Als de missing onder 10% is, mag deze genegeerd worden (alleen als deze MCAR zijn!) Je kijkt hierbij
naar het percentage missing data voor iedere respondent en voor iederei 2 variabele.
Stap 3: controleren of de missing data random zijn (MCAR of MAR)
Dit kan via verschillende analysetechnieken:
1. Categorische waarden - kruistabellen
Per categorie de hoogste missing percentage – de laagste missing percentage verschil > 5% of 10%
= selectiviteit in de missing MAR en niet MCAR
N>400 = 5% is de grens, N<400 = 10% is de grens
2. Metrische waarden: Little’s MCAR test
H0 = patronen wijken niet af van verwachte patronen = MCAR
H1 = Patronen wijken wel af van verwachte patronen = MAR
Chi2 test doen H0 verwerpen of niet verwerpen Wanneer de Ch2 niet significant is, hebben we
zeker te maken met MCAR.
3. Metrische waarden: T toets (metrische variabelen) -– MAR-test
Wanneer een t-toets significant is, kan dit een teken zijn voor MAR.
Stap 4: substitutiemethode kiezen en uitvoeren
Wanneer dit niet het geval is, kan je substituten (imputaties) van missing value uitvoeren:
Bij MAR: Subset creëren
Bij MCAR: listwise of pairwise deletion, mean substitute en regressie
Pagina 3 van 19
