MTO-C
Hoorcollege 1
Technieken voor Causale analyse
Centrale vraag in deze cursus
Waarom is er een varia(n)tie in de scores van afhankelijke variabele(n) van een onderzoek?
Antwoord: SPSS-data matrix: in de rijen staan respondenten en in de kolommen staan
variabelen. In deze kolommen zie je dat die variabelen variëren. Dit heeft twee oorzaken:
(1) Scores op (afhankelijke) variabelen worden beïnvloed door systematische invloeden van
gemeten variabelen (= variabelen waarvan we de scores hebben waargenomen bv. vragen
gesteld in een vragenlijst). Wij houden ons voornamelijk bezig met dit puntje.
(2) Daarnaast worden scores beïnvloed door systematische invloeden van niet gemeten
variabelen en door toevallige invloeden.
Technieken die antwoord kunnen geven op deze vraag:
A. One-way Between-Subjects Analysis of Variance (ANOVA) -> hele simpele
hypothese testen.
B. Estimation of Pearson’s (Partial) Correlation Coefficient
C. Bivariate Regression
D. Multiple Regressie-Analyse
E. Elaboration Logic
F. Padanalyse
G. Logistische Regressie-Analyse
Waarom zijn deze technieken belangrijk? Wat hebben ze met elkaar gemeenschappelijk en
waarin verschillen ze?
1. Ze zijn belangrijk want ze helpen ons om wat en waarom onderzoeksvragen te
beantwoorden.
2. Ze hebben met elkaar gemeenschappelijk: schatten hoeveel van de variantie in een
afhankelijke variabele Y systematisch samenhangt (co-varieert) met de variantie in
andere verklarende variabelen X; technieken nemen aan dat scores op een afhankelijke
variabele kunnen worden voorspeld door:
1
, a. X-variabelen die zijn gemeten en die als predictor zijn opgenomen in een
model waarin zij de afhankelijke variabele systematisch beïnvloeden.
b. Variabelen die niet zijn gemeten en die niet als predictor zijn opgenomen in
een model, maar die de afhankelijke variabele wel systematisch beïnvloeden
(E => systematische error/residu).
c. Variabelen die we niet hebben gemeten en die de afhankelijke variabele alleen
toevallig beïnvloeden (ook E => random error/residu).
3. Ze verschillen betreft:
a. Het meetniveau (nominaal, ordinaal, interval en ratio) van de afhankelijke
variabele die je ermee kunt analyseren (bepaalt welke analyse je gaat
gebruiken).
b. Het meetniveau van onafhankelijke variabelen die je kunt opnemen ter
verklaring of voorspelling.
c. De complexiteit van verbanden (theorie) die je ermee kunt onderzoeken; met
sommige theorieën kun je meer complexe dingen meten dan met andere. Het
aantal variabelen die de techniek aankan.
Meetniveaus, complexiteit theorie en analysetechnieken -> belangrijk om te kennen
2
, - Afhankelijke variabele: interval of ratio -> voordeel: dan kunnen we voor de
variabelen een zinvol gemiddelde van bepalen/berekenen. Variantieanalyse werkt
vooral met groepsgemiddeldes.
- Onafhankelijke variabele: nominaal -> die onderscheidt alleen maar groepen, er zit
geen ordening in de groepen bv. geslacht. (Klein aantal 1 of 2 kwalitatieve)
- Regressieanalyse
- Afhankelijke variabele: nominaal -> specifiek als de afhankelijke variabelen maar
twee categorieën heeft; iemand wordt ontslagen of wordt niet ontslagen.
Complexiteit van verbanden
One-Way Between-Subjects Analysis of Variance
Annova = is een soort regressieanalyse
(Nominaal meetniveau) (schaalverdeling, dus gemiddelde/variantie/SD kan
berekend worden)
-> soort causaal verband
Belangrijke opmerking: we gebruiken de termen X variabele, onafhankelijke variabele,
verklarende variabele en predictor door elkaar.
Bivariate regressieanalyse
Multipele regressieanalyse
3
, De boel wordt complexer gemaakt, we maken een uitbreiding naar de multipele
regressieanalyse. De variabelen worden enerzijds rechtstreeks voorspelt door het team waarin
iemand werkt (nominale variabele) en hij wordt voorspeld door het salaris dat iemand heeft.
De invloed van salaris op organizational commitment hangt af van het geslacht dat iemand
heeft (modererend verband = interactie-effect). De invloed die salaris heeft op
organizational commitment hangt of van geslacht. Tussen de pijlen staat een r (= correlatie, er
wordt aangenomen dat de variabelen samenhangen).
Padanalyse
Het verschil met het voorgaande, zit hem vooral in het feit dat we meerdere afhankelijke
variabelen hebben; organizational commitment en salaris verschillen.
Salaris heeft weer een effect op organizational commitment.
Er zit geen moderatie in dit model, maar wel een schijnverband (relatie tussen salaris en
organizational commitment) en mederatie (geslacht heeft zowel een direct en indirect effect
op organizational commitment). Bij het plaatje van de multiple regressie is geen sprake van
van een padanalyse.
Bivariate logistische regressieanalyse
We hebben maar een onafhankelijke variabele, maar goed letten op de aard van deze
variabelen. Deze heeft maar twee categorieën, wanneer dit het geval is kun je dit omrekenen
naar kansen.
Afhankelijke variabele heeft maar 2 categorieën: 0 = nee, 1 = ja; Y
Multipele logistische regressieanalyse
4
Hoorcollege 1
Technieken voor Causale analyse
Centrale vraag in deze cursus
Waarom is er een varia(n)tie in de scores van afhankelijke variabele(n) van een onderzoek?
Antwoord: SPSS-data matrix: in de rijen staan respondenten en in de kolommen staan
variabelen. In deze kolommen zie je dat die variabelen variëren. Dit heeft twee oorzaken:
(1) Scores op (afhankelijke) variabelen worden beïnvloed door systematische invloeden van
gemeten variabelen (= variabelen waarvan we de scores hebben waargenomen bv. vragen
gesteld in een vragenlijst). Wij houden ons voornamelijk bezig met dit puntje.
(2) Daarnaast worden scores beïnvloed door systematische invloeden van niet gemeten
variabelen en door toevallige invloeden.
Technieken die antwoord kunnen geven op deze vraag:
A. One-way Between-Subjects Analysis of Variance (ANOVA) -> hele simpele
hypothese testen.
B. Estimation of Pearson’s (Partial) Correlation Coefficient
C. Bivariate Regression
D. Multiple Regressie-Analyse
E. Elaboration Logic
F. Padanalyse
G. Logistische Regressie-Analyse
Waarom zijn deze technieken belangrijk? Wat hebben ze met elkaar gemeenschappelijk en
waarin verschillen ze?
1. Ze zijn belangrijk want ze helpen ons om wat en waarom onderzoeksvragen te
beantwoorden.
2. Ze hebben met elkaar gemeenschappelijk: schatten hoeveel van de variantie in een
afhankelijke variabele Y systematisch samenhangt (co-varieert) met de variantie in
andere verklarende variabelen X; technieken nemen aan dat scores op een afhankelijke
variabele kunnen worden voorspeld door:
1
, a. X-variabelen die zijn gemeten en die als predictor zijn opgenomen in een
model waarin zij de afhankelijke variabele systematisch beïnvloeden.
b. Variabelen die niet zijn gemeten en die niet als predictor zijn opgenomen in
een model, maar die de afhankelijke variabele wel systematisch beïnvloeden
(E => systematische error/residu).
c. Variabelen die we niet hebben gemeten en die de afhankelijke variabele alleen
toevallig beïnvloeden (ook E => random error/residu).
3. Ze verschillen betreft:
a. Het meetniveau (nominaal, ordinaal, interval en ratio) van de afhankelijke
variabele die je ermee kunt analyseren (bepaalt welke analyse je gaat
gebruiken).
b. Het meetniveau van onafhankelijke variabelen die je kunt opnemen ter
verklaring of voorspelling.
c. De complexiteit van verbanden (theorie) die je ermee kunt onderzoeken; met
sommige theorieën kun je meer complexe dingen meten dan met andere. Het
aantal variabelen die de techniek aankan.
Meetniveaus, complexiteit theorie en analysetechnieken -> belangrijk om te kennen
2
, - Afhankelijke variabele: interval of ratio -> voordeel: dan kunnen we voor de
variabelen een zinvol gemiddelde van bepalen/berekenen. Variantieanalyse werkt
vooral met groepsgemiddeldes.
- Onafhankelijke variabele: nominaal -> die onderscheidt alleen maar groepen, er zit
geen ordening in de groepen bv. geslacht. (Klein aantal 1 of 2 kwalitatieve)
- Regressieanalyse
- Afhankelijke variabele: nominaal -> specifiek als de afhankelijke variabelen maar
twee categorieën heeft; iemand wordt ontslagen of wordt niet ontslagen.
Complexiteit van verbanden
One-Way Between-Subjects Analysis of Variance
Annova = is een soort regressieanalyse
(Nominaal meetniveau) (schaalverdeling, dus gemiddelde/variantie/SD kan
berekend worden)
-> soort causaal verband
Belangrijke opmerking: we gebruiken de termen X variabele, onafhankelijke variabele,
verklarende variabele en predictor door elkaar.
Bivariate regressieanalyse
Multipele regressieanalyse
3
, De boel wordt complexer gemaakt, we maken een uitbreiding naar de multipele
regressieanalyse. De variabelen worden enerzijds rechtstreeks voorspelt door het team waarin
iemand werkt (nominale variabele) en hij wordt voorspeld door het salaris dat iemand heeft.
De invloed van salaris op organizational commitment hangt af van het geslacht dat iemand
heeft (modererend verband = interactie-effect). De invloed die salaris heeft op
organizational commitment hangt of van geslacht. Tussen de pijlen staat een r (= correlatie, er
wordt aangenomen dat de variabelen samenhangen).
Padanalyse
Het verschil met het voorgaande, zit hem vooral in het feit dat we meerdere afhankelijke
variabelen hebben; organizational commitment en salaris verschillen.
Salaris heeft weer een effect op organizational commitment.
Er zit geen moderatie in dit model, maar wel een schijnverband (relatie tussen salaris en
organizational commitment) en mederatie (geslacht heeft zowel een direct en indirect effect
op organizational commitment). Bij het plaatje van de multiple regressie is geen sprake van
van een padanalyse.
Bivariate logistische regressieanalyse
We hebben maar een onafhankelijke variabele, maar goed letten op de aard van deze
variabelen. Deze heeft maar twee categorieën, wanneer dit het geval is kun je dit omrekenen
naar kansen.
Afhankelijke variabele heeft maar 2 categorieën: 0 = nee, 1 = ja; Y
Multipele logistische regressieanalyse
4
