Week 8 (h6 en 8)
H6 TABELSPLITSING
Door een multivariate analyse kunnen schijnsamenhangen, oftewel
spurieuze worden samenhangen gevonden. Als je in een onderzoek
onder vier- tot twaalfjarigen een verband vindt tussen lengte en
schrijfvaardigheid dan zal dat verband verdwijnen als je controleert
voor leeftijd. Ook kan je constateren dat het verband voor sommige
groepen sterker is dan voor andere groepen. Dit is geen
schijnsamenhang, maar je kunt de eerder gevonden samenhang
tussen twee variabelen wel verder specificeren door gebruik te
maken van een derde variabele. Als blijkt dat een derde variabele
een eerder gevonden verband verklaart, zijn er twee mogelijkheden:
1. antecedente variabele
als de derde variabele in de tijd voorafgaat aan de andere
twee variabelen. Wanneer het warmer is, zwemmen er meer
mensen, en wanneer er meer mensen zwemmen is er meer
kans op verdrinking. Ook geldt dit voor ijsconsumptie. De
verbanden zijn verklaarbaar.
2. interveniërende
variabele
als de derde variabele door
een van de twee oorspronkelijke
variabelen is beïnvloed,
en vervolgens de andere
variabele beïnvloedt.
-Het is mogelijk dat een derde variabele een eerder gevonden
verband specificeert. Als de samenhang voor een bepaalde groep
sterker is dan voor een andere groep spreken we van specificatie of
interactie.
-Daarnaast kan er ook sprake zijn van een onderdrukt of versluierd
verband. Dan onderdrukt een derde variabele het verband tussen
twee variabelen, waardoor een verwacht verband niet wordt
gevonden. Na tabelsplitsing blijkt dan dat voor de afzonderlijke
waarden van de derde variabele de verbanden tegengesteld zijn.
Als je een multivariate analyse uitvoert, krijg je een tabelsplitsing
met deeltabellen of partiële tabellen. Een tabelsplitsing maak je in
SPSS door analyse->descriptive statistics->crosstabs-> kies de
variabelen voor de kolommen en de rijen-> plaats in de layer de
, derde variabele -> kies via statistics een bijpassende
associatiemaat.
H8 ASSOCIATIEMATEN: TOT SLOT
Eta, een associatiemaat die je gebruikt als de afhankelijke variabele
een interval- of rationiveau heeft en de onafhankelijke variabele
nominaal is (asymmetrisch). Stel dat vrouwen gemiddeld 7,41
scoren op een schaal ‘praten over politiek’ en mannen 8,38. Er is
dus een verband tussen sekse en praten over politiek Eta kan dan
aangeven hoe sterk dit verband dan is. De interpretatie van eta-
kwadraat is hetzelfde als die van r-kwadraat. Eta-kwadraat is hier
0,014. Dat betekent dat je met de variabele sekse 1,4% van de
viaria(n)tie in praten over de politiek kunt verklaren. Deze
associatiemaat bereken je op dezelfde wijze als r-kwadraat, en heeft
dus de lambda formule.
Zie blz. 155 voor handmatige berekening!
Analyze-> compare means -> means -> klik bij options aan: anova
table and eta.
Week 9 en 10 (h7: associatiematen op interval- en
rationiveau)
R (Pearson productmoment correlatiecoëfficiënt)
-correlatiecoëfficiënt voor variabelen op interval- of rationiveau
-symmetrisch
-(on)afhankelijkheid niet van belang
-samenhang goed zichtbaar in een spreidingsdiagram (scatterplot),
een puntenwolk gebaseerd op de waarnemingen van twee
variabelen bij de onderzoekseenheden.
-de waarden zitten tussen de -1 en +1.
Berekening SPSS van R:
Graphs->legacy dialogs->scatter/dot->eenvoudig: simple scatter-
>kies de variabelen die we op de x-as en de y-as van het
spreidingsdiagram willen hebben. Zet onafhankelijk op x-as en
afhankelijk op y-as.
Berekening SPSS van correlatie:
Analyze->correlate-> bivariate->variables->pearson
Berekening handmatig:
Voor het berekenen van de correlatie heb je de covariantie en de
standaarddeviatie nodig. De covariantie is de variantie tussen twee
variabelen (x en y). Wanneer je dit berekent, noteer je dat met cov
(x,y). De formule voor covariantie is (x-x/)(y-y/) gedeeld dor n-1.
R= cov (x,y) gedeeld door standaarddeviatie x keer y
Enkelvoudige regressieanalyse y=a+bx=ydakje
Bij een regressieanalyse maak je onderscheid tussen afhankelijk en
onafhankelijk. Het geeft een voorspelling over sterkte, richting en
H6 TABELSPLITSING
Door een multivariate analyse kunnen schijnsamenhangen, oftewel
spurieuze worden samenhangen gevonden. Als je in een onderzoek
onder vier- tot twaalfjarigen een verband vindt tussen lengte en
schrijfvaardigheid dan zal dat verband verdwijnen als je controleert
voor leeftijd. Ook kan je constateren dat het verband voor sommige
groepen sterker is dan voor andere groepen. Dit is geen
schijnsamenhang, maar je kunt de eerder gevonden samenhang
tussen twee variabelen wel verder specificeren door gebruik te
maken van een derde variabele. Als blijkt dat een derde variabele
een eerder gevonden verband verklaart, zijn er twee mogelijkheden:
1. antecedente variabele
als de derde variabele in de tijd voorafgaat aan de andere
twee variabelen. Wanneer het warmer is, zwemmen er meer
mensen, en wanneer er meer mensen zwemmen is er meer
kans op verdrinking. Ook geldt dit voor ijsconsumptie. De
verbanden zijn verklaarbaar.
2. interveniërende
variabele
als de derde variabele door
een van de twee oorspronkelijke
variabelen is beïnvloed,
en vervolgens de andere
variabele beïnvloedt.
-Het is mogelijk dat een derde variabele een eerder gevonden
verband specificeert. Als de samenhang voor een bepaalde groep
sterker is dan voor een andere groep spreken we van specificatie of
interactie.
-Daarnaast kan er ook sprake zijn van een onderdrukt of versluierd
verband. Dan onderdrukt een derde variabele het verband tussen
twee variabelen, waardoor een verwacht verband niet wordt
gevonden. Na tabelsplitsing blijkt dan dat voor de afzonderlijke
waarden van de derde variabele de verbanden tegengesteld zijn.
Als je een multivariate analyse uitvoert, krijg je een tabelsplitsing
met deeltabellen of partiële tabellen. Een tabelsplitsing maak je in
SPSS door analyse->descriptive statistics->crosstabs-> kies de
variabelen voor de kolommen en de rijen-> plaats in de layer de
, derde variabele -> kies via statistics een bijpassende
associatiemaat.
H8 ASSOCIATIEMATEN: TOT SLOT
Eta, een associatiemaat die je gebruikt als de afhankelijke variabele
een interval- of rationiveau heeft en de onafhankelijke variabele
nominaal is (asymmetrisch). Stel dat vrouwen gemiddeld 7,41
scoren op een schaal ‘praten over politiek’ en mannen 8,38. Er is
dus een verband tussen sekse en praten over politiek Eta kan dan
aangeven hoe sterk dit verband dan is. De interpretatie van eta-
kwadraat is hetzelfde als die van r-kwadraat. Eta-kwadraat is hier
0,014. Dat betekent dat je met de variabele sekse 1,4% van de
viaria(n)tie in praten over de politiek kunt verklaren. Deze
associatiemaat bereken je op dezelfde wijze als r-kwadraat, en heeft
dus de lambda formule.
Zie blz. 155 voor handmatige berekening!
Analyze-> compare means -> means -> klik bij options aan: anova
table and eta.
Week 9 en 10 (h7: associatiematen op interval- en
rationiveau)
R (Pearson productmoment correlatiecoëfficiënt)
-correlatiecoëfficiënt voor variabelen op interval- of rationiveau
-symmetrisch
-(on)afhankelijkheid niet van belang
-samenhang goed zichtbaar in een spreidingsdiagram (scatterplot),
een puntenwolk gebaseerd op de waarnemingen van twee
variabelen bij de onderzoekseenheden.
-de waarden zitten tussen de -1 en +1.
Berekening SPSS van R:
Graphs->legacy dialogs->scatter/dot->eenvoudig: simple scatter-
>kies de variabelen die we op de x-as en de y-as van het
spreidingsdiagram willen hebben. Zet onafhankelijk op x-as en
afhankelijk op y-as.
Berekening SPSS van correlatie:
Analyze->correlate-> bivariate->variables->pearson
Berekening handmatig:
Voor het berekenen van de correlatie heb je de covariantie en de
standaarddeviatie nodig. De covariantie is de variantie tussen twee
variabelen (x en y). Wanneer je dit berekent, noteer je dat met cov
(x,y). De formule voor covariantie is (x-x/)(y-y/) gedeeld dor n-1.
R= cov (x,y) gedeeld door standaarddeviatie x keer y
Enkelvoudige regressieanalyse y=a+bx=ydakje
Bij een regressieanalyse maak je onderscheid tussen afhankelijk en
onafhankelijk. Het geeft een voorspelling over sterkte, richting en
