Inhoudsopgave
Morling Tussentoets 1..........................................................................................................................................2
Bestudeer Morling p.193-214 en 214-231 Survey research............................................................................7
• Bestudeer Morling p.153-164 Construct validity of surveys and polls hoofdstuk 6..................................13
• Bestudeer Morling p.499-500 Is that correlation significant?....................................................................15
Field Tussentoets 1.............................................................................................................................................16
• Bestudeer Field (5th ed.) HS 18: §18.9-§18.12...........................................................................................16
• Bestudeer Field (5th ed.) HS 9: §9.2, 9.7, 9.8, 9.10-9.10.3.........................................................................17
,Morling Tussentoets 1
Bestudeer Morling 203-230 bivariatie correlatie
Associatie claims zijn claims die de relatie tussen twee gemeten variabelen beschrijven. Een bivariate
correlatie wordt ook wel een bivariate associatie genoemd en het is een associatie die twee variabelen betreft.
Om associaties te onderzoeken, moet men de eerste variabele onderzoeken en vervolgens de tweede variabele
en dit moet gebeuren in dezelfde groep van mensen. Vervolgens worden er statistische methodes en grafieken
gebruikt om het type relatie tussen de variabelen weer te geven. Relatief veel studies zijn correlationeel. Een
voorbeeld van correlationeel onderzoek is het onderzoek van John Cacioppo naar internetliefde en
tevredenheid in je huwelijk. Cacioppo en zijn collega’s waren geïnteresseerd in de relatie tussen het online
ontmoeten van je echtgenoot en huwelijkstevredenheid. Zij stuurden een vragenlijst via de mail naar
duizenden mensen die uSamp (een online onderzoekscentrum) gebruiken. De proefpersonen hebben vragen
beantwoord over waar ze hun echtgenoot hebben ontmoet (online of niet online). Ook werd hun
huwelijkstevredenheid gemeten door de Couple Satisfaction Index (CSI). Deze bevat onder andere de vraag
‘Geef de mate van geluk in je huwelijk aan’ en proefpersonen konden antwoord geven op een Likertschaal met
zeven antwoordmogelijkheden (van heel erg ongelukkig tot perfect). Uit het onderzoek bleek dat mensen die
elkaar online hadden ontmoet, hoger scoorden op de CSI. Uiteraard laat een correlationeel verband geen
causaal verband zien en men moet dus voorzichtig zijn met het trekken van conclusies over dit onderzoek.
Hoe beschrijf je associaties tussen twee variabelen?
Nadat je alle data hebt verzameld, moet je de relatie tussen de twee gemeten variabelen beschrijven aan de
hand van een spreidingsdiagram en de correlatie coëfficiënt r. Wanneer je de twee variabelen tegen elkaar uit
zet in een spreidingsdiagram en voor elk persoon de waardes als stippen noteert, dan kun je een lijn (laten)
trekken door je puntenwolk. Als je lijn van linksonder naar rechtsboven loopt, dan spreken we van een
positieve relatie. Een positieve relatie houdt in dat hoge scores op de ene variabele samengaan met hoge
scores op de andere variabele. Wanneer de lijn van linksboven naar rechtsonder loopt, dan is er sprake van een
negatieve relatie. Hoge scores op de ene variabele gaan dan samen met lage scores op de andere variabele. De
kracht van de correlatie kan aangeduid worden met de correlatie coëfficiënt r. Deze loopt van -1 tot 1. Een
correlatie van .10 of -.10 heeft een zwak effectgrootte. Een r van .30 of -.30 heeft een matige effectgrootte. Een
correlatie van .50 of -.50 en groter heeft een grote effectgrootte. R laat dus de richting (positief of negatief) en
sterkte van de relatie zien.
Hoe beschrijf je associaties met categorische data?
Hierboven is omschreven hoe de associatie tussen twee variabelen beschreven kan worden. Echter, je moet er
wel om denken dat sommige variabelen categorisch zijn. In het voorbeeld dat gegeven werd over het
onderzoek van Cacioppo is een van de variabelen een categorische variabele. Dat is de variabele die ging over
het ontmoeten van je echtgenoot via internet. Mensen kunnen daar natuurlijk alleen maar ‘online’ of ‘offline’
op antwoorden. De waarden van een categorische variabele kunnen alleen maar in een categorie vallen. De
andere variabele (huwelijkstevredenheid) was kwantitatief. Men kon immers kiezen uit zeven
antwoordmogelijkheden (Likert schaal; scale).
Wanneer beide variabelen van een associatie gemeten worden met kwantitatieve schalen, dan is het
gebruikelijk om spreidingsdiagrammen te maken. De data kan op die manier het best gerepresenteerd
worden. Een spreidingsdiagram is niet handig als een van de variabelen categorisch is. De punten die personen
voorstellen, komen onder elkaar te staan (verticaal dus) voor het online ontmoeten van een echtgenoot en ook
verticaal voor het offline ontmoeten van een echtgenoot. Het is heel lastig om bij een categorische variabele
aan het spreidingsdiagram te zien of de relatie positief of negatief is. Het is wellicht wel mogelijk om een
spreidingsdiagram te maken van een categorische variabele, maar gebruikelijk is het niet. Het is handiger om
een staafdiagram te maken. In een staafdiagram is elk persoon niet voorgesteld als een punt, maar de
gemiddeldes voor elk categorie worden weergegeven. Met een staafdiagram kun je het verschil tussen de
groepsgemiddelden onderzoeken.
Wanneer tenminste een van de variabelen in een associatie claim categorisch is, dan kunnen er
verschillende statistische methodes gebruikt worden om de data te analyseren. Soms kan r gebruikt worden,
maar het is gebruikelijker om te testen of de verschillen tussen de gemiddelden statistisch significant zijn. Dit
wordt vaak gedaan met de t-test. Het lijkt misschien gek dat associatie claims weergeven kunnen worden met
zowel spreidingsdiagrammen als staafdiagrammen of dat ze door verschillende statistische methodes
, beschreven kunnen worden. Het maakt niet uit welke soort grafiek of statistische maat je gebruikt; als beide
variabelen gemeten zijn, dan is een studie correlationeel. Zoals eerder besproken (hoofdstuk 3), spreken we
van een experiment als een van de variabelen gemanipuleerd is. Experimenten zijn beter voor causale claims.
Een associatie claim wordt niet ondersteund door een bepaalde grafiek of een bepaalde statistische maat; het
wordt ondersteund door een design van een studie, waarbij beide variabelen gemeten zijn.
Interrogating association claims. Hoe onderzoek je associatie claims?
De belangrijkste validiteiten die onderzocht moeten worden bij associatie claims, zijn construct validiteit en
statistische validiteit. Soms kan men ook de externe validiteit onderzoeken. De interne validiteit is niet
belangrijk bij associatie claims.
Wat houdt construct validiteit in voor associatie claims?
Omdat een associatie claim de relatie tussen twee gemeten variabelen beschrijft, is het belangrijk om naar de
construct validiteit van beide variabelen te kijken. Men moet dus kijken hoe goed elk van de twee variabelen
gemeten was. Je kunt je daarbij afvragen of de maat betrouwbaar is en of het meet wat het hoort te meten.
Ook kun je je afvragen wat het bewijs voor face validity, discriminant, convergent en concurrent validiteit van
de variabele is.
Wat houdt statistische validiteit in associatie claims in?
Wanneer je statistische validiteit van een associatie claim onderzoekt, dan wil je dus eigenlijk weten of en
welke factoren een invloed hebben gehad op het spreidingsdiagram, correlatie coëfficiënt r, staafgrafieken of
verschillen van gemiddeldes die tot je associatie claim hebben geleid. Er moet gekeken worden naar
effectgrootte, uitbijters in de data, restricties en statistische significantie van de relatie.
Wat betekent effectgrootte voor associatie claims?
De effectgrootte kijkt naar de sterkte van een relatie. Immers, sommige associaties zijn sterker dan andere
associaties. Wanneer er twee associaties zijn, dan is de associatie met de r die dichter bij de 1 ligt sterker.
Sterke effectgroottes gaan samen met nauwkeurigere voorspellingen dan zwakke effectgroottes. Je
voorspellingserror wordt ook lager wanneer de sterkte van effectgroottes toeneemt. Sterkere effectgroottes
zijn over het algemeen ook belangrijker dan kleinere effectgroottes. Toch zijn er uitzonderingen op deze regel.
Deze uitzonderingen hangen allemaal van de context af. Soms kan een kleine effectgrootte al belangrijk zijn. Als
het neerkomt op leven en dood, dan kan een klein effectgrootte al belangrijk zijn. In een onderzoek naar
hartaanvallen kreeg de helft van de proefpersonen één aspirine per dag en de andere helft van de groep kreeg
een placebo. Het bleek dat een aspirine per dag geassocieerd werd met minder hartaanvallen, maar de
effectgrootte was r = .03. In die groep mensen waren er 85 mensen minder die een hartaanval kregen dan in de
placebogroep. Dit werd als een belangrijk resultaat gezien. Wanneer de uitkomst niet van levensbelang is (dus
het onderzoek of je je echtgenoot online of offline hebt ontmoet), dan zal een kleine effectgrootte
waarschijnlijk ook niet belangrijk zijn.
Statistical validity: is de correlatie statistische significant?
Onderzoekers kunnen natuurlijk niet alle personen uit een populatie onderzoeken en zij moeten daarom
steekproeven gebruiken. Aan de hand van deze steekproeven worden er conclusies getrokken over de
populatie. Vaak is het zo dat de resultaten van steekproeven en populatie elkaar spiegelen, maar dit is niet
altijd het geval. Soms is er geen associatie tussen twee variabelen van een populatie, maar een onderzoek kan
per toeval een associatie vinden in een steekproef. De correlatie van die steekproef is door toeval veroorzaakt.
Dit gebeurt wel eens en we moeten ons dus altijd afvragen of er echt een associatie in de populatie is of dat er
toevallig een associatie is gevonden in de steekproef.
Statistische significantie berekeningen geven een probabilistische schatting weer, p. De p zegt iets over de kans
dat de associatie kwam van een populatie waarin de associatie nihil is. Als de kans kleiner is dan 5%, dan
kunnen we er van uitgaan dat het heel onwaarschijnlijk is dat de resultaten kwamen uit een nihil-associatie.
De correlatie wordt dan gezien als statistisch significant. Wanneer de resultaten een hoge p opleveren (.05 of
hoger), dan zijn de resultaten niet statistisch significant. Dan kan een onderzoeker dus niet uitsluiten dat de
resultaten gekomen zijn uit een populatie waarbij de associatie tussen variabelen nihil is. Significantie is ook
gerelateerd aan effectgrootte: hoe sterker de correlatie (grote effectgrootte), hoe groter de kans dat de
correlatie statistisch significant zal zijn. Statistische significantie berekeningen hangen niet alleen af van
effectgrootte, maar ook van steekproefgrootte. Een kleine effectgrootte zal statistisch significant zijn als het uit
een hele grote steekproef (vanaf 1000 proefpersonen) komt. Een kleine steekproef wordt makkelijker
Morling Tussentoets 1..........................................................................................................................................2
Bestudeer Morling p.193-214 en 214-231 Survey research............................................................................7
• Bestudeer Morling p.153-164 Construct validity of surveys and polls hoofdstuk 6..................................13
• Bestudeer Morling p.499-500 Is that correlation significant?....................................................................15
Field Tussentoets 1.............................................................................................................................................16
• Bestudeer Field (5th ed.) HS 18: §18.9-§18.12...........................................................................................16
• Bestudeer Field (5th ed.) HS 9: §9.2, 9.7, 9.8, 9.10-9.10.3.........................................................................17
,Morling Tussentoets 1
Bestudeer Morling 203-230 bivariatie correlatie
Associatie claims zijn claims die de relatie tussen twee gemeten variabelen beschrijven. Een bivariate
correlatie wordt ook wel een bivariate associatie genoemd en het is een associatie die twee variabelen betreft.
Om associaties te onderzoeken, moet men de eerste variabele onderzoeken en vervolgens de tweede variabele
en dit moet gebeuren in dezelfde groep van mensen. Vervolgens worden er statistische methodes en grafieken
gebruikt om het type relatie tussen de variabelen weer te geven. Relatief veel studies zijn correlationeel. Een
voorbeeld van correlationeel onderzoek is het onderzoek van John Cacioppo naar internetliefde en
tevredenheid in je huwelijk. Cacioppo en zijn collega’s waren geïnteresseerd in de relatie tussen het online
ontmoeten van je echtgenoot en huwelijkstevredenheid. Zij stuurden een vragenlijst via de mail naar
duizenden mensen die uSamp (een online onderzoekscentrum) gebruiken. De proefpersonen hebben vragen
beantwoord over waar ze hun echtgenoot hebben ontmoet (online of niet online). Ook werd hun
huwelijkstevredenheid gemeten door de Couple Satisfaction Index (CSI). Deze bevat onder andere de vraag
‘Geef de mate van geluk in je huwelijk aan’ en proefpersonen konden antwoord geven op een Likertschaal met
zeven antwoordmogelijkheden (van heel erg ongelukkig tot perfect). Uit het onderzoek bleek dat mensen die
elkaar online hadden ontmoet, hoger scoorden op de CSI. Uiteraard laat een correlationeel verband geen
causaal verband zien en men moet dus voorzichtig zijn met het trekken van conclusies over dit onderzoek.
Hoe beschrijf je associaties tussen twee variabelen?
Nadat je alle data hebt verzameld, moet je de relatie tussen de twee gemeten variabelen beschrijven aan de
hand van een spreidingsdiagram en de correlatie coëfficiënt r. Wanneer je de twee variabelen tegen elkaar uit
zet in een spreidingsdiagram en voor elk persoon de waardes als stippen noteert, dan kun je een lijn (laten)
trekken door je puntenwolk. Als je lijn van linksonder naar rechtsboven loopt, dan spreken we van een
positieve relatie. Een positieve relatie houdt in dat hoge scores op de ene variabele samengaan met hoge
scores op de andere variabele. Wanneer de lijn van linksboven naar rechtsonder loopt, dan is er sprake van een
negatieve relatie. Hoge scores op de ene variabele gaan dan samen met lage scores op de andere variabele. De
kracht van de correlatie kan aangeduid worden met de correlatie coëfficiënt r. Deze loopt van -1 tot 1. Een
correlatie van .10 of -.10 heeft een zwak effectgrootte. Een r van .30 of -.30 heeft een matige effectgrootte. Een
correlatie van .50 of -.50 en groter heeft een grote effectgrootte. R laat dus de richting (positief of negatief) en
sterkte van de relatie zien.
Hoe beschrijf je associaties met categorische data?
Hierboven is omschreven hoe de associatie tussen twee variabelen beschreven kan worden. Echter, je moet er
wel om denken dat sommige variabelen categorisch zijn. In het voorbeeld dat gegeven werd over het
onderzoek van Cacioppo is een van de variabelen een categorische variabele. Dat is de variabele die ging over
het ontmoeten van je echtgenoot via internet. Mensen kunnen daar natuurlijk alleen maar ‘online’ of ‘offline’
op antwoorden. De waarden van een categorische variabele kunnen alleen maar in een categorie vallen. De
andere variabele (huwelijkstevredenheid) was kwantitatief. Men kon immers kiezen uit zeven
antwoordmogelijkheden (Likert schaal; scale).
Wanneer beide variabelen van een associatie gemeten worden met kwantitatieve schalen, dan is het
gebruikelijk om spreidingsdiagrammen te maken. De data kan op die manier het best gerepresenteerd
worden. Een spreidingsdiagram is niet handig als een van de variabelen categorisch is. De punten die personen
voorstellen, komen onder elkaar te staan (verticaal dus) voor het online ontmoeten van een echtgenoot en ook
verticaal voor het offline ontmoeten van een echtgenoot. Het is heel lastig om bij een categorische variabele
aan het spreidingsdiagram te zien of de relatie positief of negatief is. Het is wellicht wel mogelijk om een
spreidingsdiagram te maken van een categorische variabele, maar gebruikelijk is het niet. Het is handiger om
een staafdiagram te maken. In een staafdiagram is elk persoon niet voorgesteld als een punt, maar de
gemiddeldes voor elk categorie worden weergegeven. Met een staafdiagram kun je het verschil tussen de
groepsgemiddelden onderzoeken.
Wanneer tenminste een van de variabelen in een associatie claim categorisch is, dan kunnen er
verschillende statistische methodes gebruikt worden om de data te analyseren. Soms kan r gebruikt worden,
maar het is gebruikelijker om te testen of de verschillen tussen de gemiddelden statistisch significant zijn. Dit
wordt vaak gedaan met de t-test. Het lijkt misschien gek dat associatie claims weergeven kunnen worden met
zowel spreidingsdiagrammen als staafdiagrammen of dat ze door verschillende statistische methodes
, beschreven kunnen worden. Het maakt niet uit welke soort grafiek of statistische maat je gebruikt; als beide
variabelen gemeten zijn, dan is een studie correlationeel. Zoals eerder besproken (hoofdstuk 3), spreken we
van een experiment als een van de variabelen gemanipuleerd is. Experimenten zijn beter voor causale claims.
Een associatie claim wordt niet ondersteund door een bepaalde grafiek of een bepaalde statistische maat; het
wordt ondersteund door een design van een studie, waarbij beide variabelen gemeten zijn.
Interrogating association claims. Hoe onderzoek je associatie claims?
De belangrijkste validiteiten die onderzocht moeten worden bij associatie claims, zijn construct validiteit en
statistische validiteit. Soms kan men ook de externe validiteit onderzoeken. De interne validiteit is niet
belangrijk bij associatie claims.
Wat houdt construct validiteit in voor associatie claims?
Omdat een associatie claim de relatie tussen twee gemeten variabelen beschrijft, is het belangrijk om naar de
construct validiteit van beide variabelen te kijken. Men moet dus kijken hoe goed elk van de twee variabelen
gemeten was. Je kunt je daarbij afvragen of de maat betrouwbaar is en of het meet wat het hoort te meten.
Ook kun je je afvragen wat het bewijs voor face validity, discriminant, convergent en concurrent validiteit van
de variabele is.
Wat houdt statistische validiteit in associatie claims in?
Wanneer je statistische validiteit van een associatie claim onderzoekt, dan wil je dus eigenlijk weten of en
welke factoren een invloed hebben gehad op het spreidingsdiagram, correlatie coëfficiënt r, staafgrafieken of
verschillen van gemiddeldes die tot je associatie claim hebben geleid. Er moet gekeken worden naar
effectgrootte, uitbijters in de data, restricties en statistische significantie van de relatie.
Wat betekent effectgrootte voor associatie claims?
De effectgrootte kijkt naar de sterkte van een relatie. Immers, sommige associaties zijn sterker dan andere
associaties. Wanneer er twee associaties zijn, dan is de associatie met de r die dichter bij de 1 ligt sterker.
Sterke effectgroottes gaan samen met nauwkeurigere voorspellingen dan zwakke effectgroottes. Je
voorspellingserror wordt ook lager wanneer de sterkte van effectgroottes toeneemt. Sterkere effectgroottes
zijn over het algemeen ook belangrijker dan kleinere effectgroottes. Toch zijn er uitzonderingen op deze regel.
Deze uitzonderingen hangen allemaal van de context af. Soms kan een kleine effectgrootte al belangrijk zijn. Als
het neerkomt op leven en dood, dan kan een klein effectgrootte al belangrijk zijn. In een onderzoek naar
hartaanvallen kreeg de helft van de proefpersonen één aspirine per dag en de andere helft van de groep kreeg
een placebo. Het bleek dat een aspirine per dag geassocieerd werd met minder hartaanvallen, maar de
effectgrootte was r = .03. In die groep mensen waren er 85 mensen minder die een hartaanval kregen dan in de
placebogroep. Dit werd als een belangrijk resultaat gezien. Wanneer de uitkomst niet van levensbelang is (dus
het onderzoek of je je echtgenoot online of offline hebt ontmoet), dan zal een kleine effectgrootte
waarschijnlijk ook niet belangrijk zijn.
Statistical validity: is de correlatie statistische significant?
Onderzoekers kunnen natuurlijk niet alle personen uit een populatie onderzoeken en zij moeten daarom
steekproeven gebruiken. Aan de hand van deze steekproeven worden er conclusies getrokken over de
populatie. Vaak is het zo dat de resultaten van steekproeven en populatie elkaar spiegelen, maar dit is niet
altijd het geval. Soms is er geen associatie tussen twee variabelen van een populatie, maar een onderzoek kan
per toeval een associatie vinden in een steekproef. De correlatie van die steekproef is door toeval veroorzaakt.
Dit gebeurt wel eens en we moeten ons dus altijd afvragen of er echt een associatie in de populatie is of dat er
toevallig een associatie is gevonden in de steekproef.
Statistische significantie berekeningen geven een probabilistische schatting weer, p. De p zegt iets over de kans
dat de associatie kwam van een populatie waarin de associatie nihil is. Als de kans kleiner is dan 5%, dan
kunnen we er van uitgaan dat het heel onwaarschijnlijk is dat de resultaten kwamen uit een nihil-associatie.
De correlatie wordt dan gezien als statistisch significant. Wanneer de resultaten een hoge p opleveren (.05 of
hoger), dan zijn de resultaten niet statistisch significant. Dan kan een onderzoeker dus niet uitsluiten dat de
resultaten gekomen zijn uit een populatie waarbij de associatie tussen variabelen nihil is. Significantie is ook
gerelateerd aan effectgrootte: hoe sterker de correlatie (grote effectgrootte), hoe groter de kans dat de
correlatie statistisch significant zal zijn. Statistische significantie berekeningen hangen niet alleen af van
effectgrootte, maar ook van steekproefgrootte. Een kleine effectgrootte zal statistisch significant zijn als het uit
een hele grote steekproef (vanaf 1000 proefpersonen) komt. Een kleine steekproef wordt makkelijker
