SAMENVATTING METHODEN EN
TECHNIEKEN II, DEEL 2
WEEK 5
Pearsons R is een gebruikelijke maat om de correlatie tussen twee variabelen
uit te drukken. Deze toets wordt uitgevoerd bij interval/ratio variabelen waarbij
ten minste een van de variabelen bij benadering een normale verdeling heeft. In
SPSS voer je deze toets uit via Analyze Correlate Bivariate Aanvinken van
Pearson.
Het probleem met deze analyse is dat deze erg gevoelig is van outliers, en mag
dan ook niet worden gebruikt in het geval van extreme waarden, wanneer dit het
geval is en er niet wordt voldaan aan de parametrische assumpties moet de
Spearman toets worden uitgevoerd.
Een correlatie zegt niets over causaliteit! Het is dus bijvoorbeeld niet zo het
geval bij een positief verband dat er altijd meer X moet zijn om ook meer Y te
krijgen.
De R-waarde varieert van -1 tot +1, alles wat negatief is duidt op een negatieve
samenhang, wanneer X dan omhoog zou gaan zal Y omlaaggaan, en andersom.
Alles wat positief is duidt op een positieve samenhang, wanneer X toeneemt
neemt Y ook toe. Bij een r van 0 is er geen sprake van samenhang tussen de
variabelen. Bij een r van ongeveer 0,1 is er sprake van een zwak verband, bij een
r van ongeveer 0,3 is er sprake van een gemiddeld verband en bij een r van
ongeveer 0,5 is er sprake van een sterk verband.
Bij het rapporteren van de uitkomsten van je Pearson correlatie moet je de
resultaten inhoudelijk interpreteren en deze ook noteren. Bijvoorbeeld: er wordt
een negatief verband gevonden tussen het aantal gereden kilometers en het
aantal ongelukken, dit verband is signifcant, r = -0.67, p < 0.01.
Spearmans Rho is een andere maat om de correlatie tussen twee variabelen
uit te drukken. Deze toets kan worden uitgevoerd wanneer de afhankelijke en
onafhankelijke variabelen een minimaal ordinaal meetniveau hebben, en de
scores hoeven niet normaal verdeeld te zijn. Waar je dus Pearson gebruikt bij
interval/ratio variabelen kan je Spearman gebruiken wanneer er sprake is van
variabelen op een ordinaal meetniveau. In SPSS voer je deze toets uit via
Analyze Correlate Bivariate Aanvinken van Spearman.
Net als bij de Pearson’s R varieert de Rho van -1 tot +1 en duiden alle negatieve
waarden op een negatieve samenhang en de positieve waarden op een positieve
samenhang. Bij een Rho van 0 is er geen sprake van samenhang tussen de
variabelen. Bij een Rho van ongeveer 0,1 is er sprake van een zwak verband, bij
een Rho van ongeveer 0,3 is er sprake van een gemiddeld verband en bij een
Rho van ongeveer 0,5 is er sprake van een sterk verband. Bij het rapporteren na
het uitvoeren van de Spearman rangcorrelatie moet je de resultaten inhoudelijk
interpreteren en de resultaten noteren. Bijvoorbeeld: er wordt een negatief
verband gevonden tussen het aantal gereden kilometers en het aantal
ongelukken, dit verband is signifcant, r s = -0.67, p < 0.01.
1
,Met het maken van een kruistabel kan je groepen vergelijken. Een Chi-
kwadraat toets mag je alleen gebruiken wanneer er sprake is van nominale of
ordinale variabelen, en de kruistabel mag niet te veel categorieën bevatten en er
moeten minimaal vijf verwachte waarnemingen per cel zijn.
In de kruistabel worden absolute getallen ingevuld, maar je wil binnen de
kruistabel naar percentages toe omdat je met percentages kan kijken hoe de
cijfers relatief met elkaar samenhangen. Een voorbeeld van een kruistabel:
Mocht je hier antwoord willen geven op de vraag ‘hoe is de verdeling van
jongens en meisjes binnen de verschillende vormen van slachtoferschapp’
moeten de kolompercentages worden uitgerekend. Mocht je antwoord wil geven
op de vraag ‘hoe is de verdeling van verschillende vormen van online
slachtoferschap binnen de groep jongens en binnen de groep meisjesp’ moet er
gekeken worden naar de rijpercentages.
Met de Chi-kwadraat toets beantwoord je de vraag ‘hoe groot is de kans dat deze
samenhang tussen variabelen wel in de steekproef wordt gevonden, terwijl die
samenhang er in de totale populatie niet isp’ het gaat dus hier niet om de sterkte
van het verband. Met het uitrekenen van de X2 krijgen we een indicatie van de
waarschijnlijkheid van deze resultaten als er in werkelijkheid geen verband is
tussen de twee kenmerken. Door de toets wordt de nulhypothese dus getoetst.
De formule van de Chi-kwadraat toets luidt als volgt:
De Expected count kan je berekenen met: (kolomtotaal * rijtotaal)/tabeltotaal. De
uitkomst van de berekening van de Chi-kwadraat moet worden gerelateerd aan
het aantal vrijheidsgraden, de df. De df = (aantal rijen – 1)*(aantal kolommen –
1). Wanneer je de df weet kan je in een tabel, de uitkomst moet groter zijn dan
de waarde die is aangegeven in de tabel om signifcant te zijn.
In SPSS kan je de Chi-kwadraat toets ook uitvoeren, deze vraag je op via Analyze
Descriptive Statistics Crosstabs Statistics Chi-Square aanvinken. Bij
het rapporteren van je resultaten van de Chi-kwadraattoets moet je deze
resultaten inhoudelijk interpreteren en de resultaten noteren. Dus: de groepen
verschillen onderling, maar/en dit verband is niet/wel signifcant, X 2(df)=score X2,
p<0.05/p>0.05.
De T-toets wordt gebruikt bij het vergelijken van twee onafhankelijke groepen
op een interval/ratio niveau die bij benadering normaal verdeeld zijn. Bij de T-
toets is de Levene’s test van belang, deze kijkt naar de variantie van de twee
groepen op het antwoord. Je kan namelijk bijvoorbeeld wel hetzelfde gemiddelde
2
, hebben, maar de antwoorden van de groepen kunnen erg verschillen. De
Levene’s test kijkt daarom of de antwoorden erg verschillen en of de groepen
gelijk zijn. In SPSS lees je af of de Levene’s test signifcant is. In dit geval moet je
naar de rij kijken waarbij staat equal variance not assumed, de onderste rij,
omdat de groepen niet gelijk zijn en verschillen. Hierna kijk je naar de uitkomst
van de T-test. T bereken je met de volgende formules:
Hier staat Sdif voor de standaardfout van de verschillen. De T-waarde en het
aantal vrijheidsgraden bepalen de signifcantie. Bij de T-toets wordt df op een
andere manier berekend dan bij de Chi-kwadraat, namelijk (N a - 1)+(Nb - 1),
versimpeld (Na+Nb) – 2. Ook hier kan je de signifcantie bepalen aan de hand van
de tabel uit Field. Bij het overschrijden van de bijpassende grenswaarden
betekent dat er sprake is van signifcantie. Indien tweezijdig getoetst en α=0.05,
dan geldt 1.96 hier als grenswaarde (of -1.96). Efecten waarbij t deze
grenswaarde overschrijdt, zijn dus signifcant. Stel dat je strenger wilt toetsen
met bijvoorbeeld α=0.01 (tweezijdig), dan is een efect pas signifcant als de
grenswaarde van 2.58 (of -2.58) is overschreden. Bij het interpreteren mag je
eventuele minnen voor je uitkomst wegdenken.
In SPSS vraag je de T-toets op via Compare means InDependent Samples T-
test.
Bij het rapporteren van je resultaten moet je deze inhoudelijk interpreteren en
deze ook noteren. Bijvoorbeeld: mensen aan wie onzichtbaarheidsmantel werd
gegeven gedroegen zich vaker tegen de regels (m = 4,5, SE = 1) dan mensen
aan wie geen onzichtbaarheidsmantel werd gegeven (m = 3, SE = 1,2). Dit
verschil is signifcant. T = 4,53, p<0.05.
Bij het verwerpen van een hypothese kunnen er twee standaardfouten worden
gemaakt, de type I fout en de type II fout. Bij de type I fout wordt de
nulhypothese onterecht verworpen: je constateert dat er een verband is terwijl
dit er in de werkelijkheid niet is. Bij de type II fout geldt het tegenovergestelde:
je verwerpt onterecht de onderzoekshypothese, je stelt dat er geen verband is
terwijl dat er in werkelijkheid wel is.
WEEK 6
Zoals al eerder voorbijkwam is het soort toets dat je uitvoert afhankelijk van de
onderzoeksvraag die je stelt, dus ook van het meetniveau en het aantal
onafhankelijke variabelen. Ook het aantal groepen dat je vergelijkt en het feit of
er wordt voldaan aan de parametrische assumpties van de afhankelijke
variabelen is van belang.
Er moet wanneer je de keuzeboom doorloopt allereerst worden gekeken of je
kijkt naar een samenhang of naar een vergelijking tussen groepen. Bij het
vergelijken van groepen kan je groepen op basis van onafhankelijke en
afhankelijke metingen vergelijken. Bij het doen van onafhankelijke metingen
vergelijk je niet gerelateerde, aparte groepen, die maar op een manier of
moment zijn gemeten. Bij het doen van afhankelijke metingen vergelijk je
dezelfde groepen op meetmomenten. Het vergelijken van groepen is een andere
3
TECHNIEKEN II, DEEL 2
WEEK 5
Pearsons R is een gebruikelijke maat om de correlatie tussen twee variabelen
uit te drukken. Deze toets wordt uitgevoerd bij interval/ratio variabelen waarbij
ten minste een van de variabelen bij benadering een normale verdeling heeft. In
SPSS voer je deze toets uit via Analyze Correlate Bivariate Aanvinken van
Pearson.
Het probleem met deze analyse is dat deze erg gevoelig is van outliers, en mag
dan ook niet worden gebruikt in het geval van extreme waarden, wanneer dit het
geval is en er niet wordt voldaan aan de parametrische assumpties moet de
Spearman toets worden uitgevoerd.
Een correlatie zegt niets over causaliteit! Het is dus bijvoorbeeld niet zo het
geval bij een positief verband dat er altijd meer X moet zijn om ook meer Y te
krijgen.
De R-waarde varieert van -1 tot +1, alles wat negatief is duidt op een negatieve
samenhang, wanneer X dan omhoog zou gaan zal Y omlaaggaan, en andersom.
Alles wat positief is duidt op een positieve samenhang, wanneer X toeneemt
neemt Y ook toe. Bij een r van 0 is er geen sprake van samenhang tussen de
variabelen. Bij een r van ongeveer 0,1 is er sprake van een zwak verband, bij een
r van ongeveer 0,3 is er sprake van een gemiddeld verband en bij een r van
ongeveer 0,5 is er sprake van een sterk verband.
Bij het rapporteren van de uitkomsten van je Pearson correlatie moet je de
resultaten inhoudelijk interpreteren en deze ook noteren. Bijvoorbeeld: er wordt
een negatief verband gevonden tussen het aantal gereden kilometers en het
aantal ongelukken, dit verband is signifcant, r = -0.67, p < 0.01.
Spearmans Rho is een andere maat om de correlatie tussen twee variabelen
uit te drukken. Deze toets kan worden uitgevoerd wanneer de afhankelijke en
onafhankelijke variabelen een minimaal ordinaal meetniveau hebben, en de
scores hoeven niet normaal verdeeld te zijn. Waar je dus Pearson gebruikt bij
interval/ratio variabelen kan je Spearman gebruiken wanneer er sprake is van
variabelen op een ordinaal meetniveau. In SPSS voer je deze toets uit via
Analyze Correlate Bivariate Aanvinken van Spearman.
Net als bij de Pearson’s R varieert de Rho van -1 tot +1 en duiden alle negatieve
waarden op een negatieve samenhang en de positieve waarden op een positieve
samenhang. Bij een Rho van 0 is er geen sprake van samenhang tussen de
variabelen. Bij een Rho van ongeveer 0,1 is er sprake van een zwak verband, bij
een Rho van ongeveer 0,3 is er sprake van een gemiddeld verband en bij een
Rho van ongeveer 0,5 is er sprake van een sterk verband. Bij het rapporteren na
het uitvoeren van de Spearman rangcorrelatie moet je de resultaten inhoudelijk
interpreteren en de resultaten noteren. Bijvoorbeeld: er wordt een negatief
verband gevonden tussen het aantal gereden kilometers en het aantal
ongelukken, dit verband is signifcant, r s = -0.67, p < 0.01.
1
,Met het maken van een kruistabel kan je groepen vergelijken. Een Chi-
kwadraat toets mag je alleen gebruiken wanneer er sprake is van nominale of
ordinale variabelen, en de kruistabel mag niet te veel categorieën bevatten en er
moeten minimaal vijf verwachte waarnemingen per cel zijn.
In de kruistabel worden absolute getallen ingevuld, maar je wil binnen de
kruistabel naar percentages toe omdat je met percentages kan kijken hoe de
cijfers relatief met elkaar samenhangen. Een voorbeeld van een kruistabel:
Mocht je hier antwoord willen geven op de vraag ‘hoe is de verdeling van
jongens en meisjes binnen de verschillende vormen van slachtoferschapp’
moeten de kolompercentages worden uitgerekend. Mocht je antwoord wil geven
op de vraag ‘hoe is de verdeling van verschillende vormen van online
slachtoferschap binnen de groep jongens en binnen de groep meisjesp’ moet er
gekeken worden naar de rijpercentages.
Met de Chi-kwadraat toets beantwoord je de vraag ‘hoe groot is de kans dat deze
samenhang tussen variabelen wel in de steekproef wordt gevonden, terwijl die
samenhang er in de totale populatie niet isp’ het gaat dus hier niet om de sterkte
van het verband. Met het uitrekenen van de X2 krijgen we een indicatie van de
waarschijnlijkheid van deze resultaten als er in werkelijkheid geen verband is
tussen de twee kenmerken. Door de toets wordt de nulhypothese dus getoetst.
De formule van de Chi-kwadraat toets luidt als volgt:
De Expected count kan je berekenen met: (kolomtotaal * rijtotaal)/tabeltotaal. De
uitkomst van de berekening van de Chi-kwadraat moet worden gerelateerd aan
het aantal vrijheidsgraden, de df. De df = (aantal rijen – 1)*(aantal kolommen –
1). Wanneer je de df weet kan je in een tabel, de uitkomst moet groter zijn dan
de waarde die is aangegeven in de tabel om signifcant te zijn.
In SPSS kan je de Chi-kwadraat toets ook uitvoeren, deze vraag je op via Analyze
Descriptive Statistics Crosstabs Statistics Chi-Square aanvinken. Bij
het rapporteren van je resultaten van de Chi-kwadraattoets moet je deze
resultaten inhoudelijk interpreteren en de resultaten noteren. Dus: de groepen
verschillen onderling, maar/en dit verband is niet/wel signifcant, X 2(df)=score X2,
p<0.05/p>0.05.
De T-toets wordt gebruikt bij het vergelijken van twee onafhankelijke groepen
op een interval/ratio niveau die bij benadering normaal verdeeld zijn. Bij de T-
toets is de Levene’s test van belang, deze kijkt naar de variantie van de twee
groepen op het antwoord. Je kan namelijk bijvoorbeeld wel hetzelfde gemiddelde
2
, hebben, maar de antwoorden van de groepen kunnen erg verschillen. De
Levene’s test kijkt daarom of de antwoorden erg verschillen en of de groepen
gelijk zijn. In SPSS lees je af of de Levene’s test signifcant is. In dit geval moet je
naar de rij kijken waarbij staat equal variance not assumed, de onderste rij,
omdat de groepen niet gelijk zijn en verschillen. Hierna kijk je naar de uitkomst
van de T-test. T bereken je met de volgende formules:
Hier staat Sdif voor de standaardfout van de verschillen. De T-waarde en het
aantal vrijheidsgraden bepalen de signifcantie. Bij de T-toets wordt df op een
andere manier berekend dan bij de Chi-kwadraat, namelijk (N a - 1)+(Nb - 1),
versimpeld (Na+Nb) – 2. Ook hier kan je de signifcantie bepalen aan de hand van
de tabel uit Field. Bij het overschrijden van de bijpassende grenswaarden
betekent dat er sprake is van signifcantie. Indien tweezijdig getoetst en α=0.05,
dan geldt 1.96 hier als grenswaarde (of -1.96). Efecten waarbij t deze
grenswaarde overschrijdt, zijn dus signifcant. Stel dat je strenger wilt toetsen
met bijvoorbeeld α=0.01 (tweezijdig), dan is een efect pas signifcant als de
grenswaarde van 2.58 (of -2.58) is overschreden. Bij het interpreteren mag je
eventuele minnen voor je uitkomst wegdenken.
In SPSS vraag je de T-toets op via Compare means InDependent Samples T-
test.
Bij het rapporteren van je resultaten moet je deze inhoudelijk interpreteren en
deze ook noteren. Bijvoorbeeld: mensen aan wie onzichtbaarheidsmantel werd
gegeven gedroegen zich vaker tegen de regels (m = 4,5, SE = 1) dan mensen
aan wie geen onzichtbaarheidsmantel werd gegeven (m = 3, SE = 1,2). Dit
verschil is signifcant. T = 4,53, p<0.05.
Bij het verwerpen van een hypothese kunnen er twee standaardfouten worden
gemaakt, de type I fout en de type II fout. Bij de type I fout wordt de
nulhypothese onterecht verworpen: je constateert dat er een verband is terwijl
dit er in de werkelijkheid niet is. Bij de type II fout geldt het tegenovergestelde:
je verwerpt onterecht de onderzoekshypothese, je stelt dat er geen verband is
terwijl dat er in werkelijkheid wel is.
WEEK 6
Zoals al eerder voorbijkwam is het soort toets dat je uitvoert afhankelijk van de
onderzoeksvraag die je stelt, dus ook van het meetniveau en het aantal
onafhankelijke variabelen. Ook het aantal groepen dat je vergelijkt en het feit of
er wordt voldaan aan de parametrische assumpties van de afhankelijke
variabelen is van belang.
Er moet wanneer je de keuzeboom doorloopt allereerst worden gekeken of je
kijkt naar een samenhang of naar een vergelijking tussen groepen. Bij het
vergelijken van groepen kan je groepen op basis van onafhankelijke en
afhankelijke metingen vergelijken. Bij het doen van onafhankelijke metingen
vergelijk je niet gerelateerde, aparte groepen, die maar op een manier of
moment zijn gemeten. Bij het doen van afhankelijke metingen vergelijk je
dezelfde groepen op meetmomenten. Het vergelijken van groepen is een andere
3
