STATISTIEK II: BEGRIPPENLIJST
HOOFDSTUK 1: VAN PROBLEEM NAAR ANALYSE
Multivariate analyse Verzamelnaam voor een groep van analyse technieken gericht
op de analyse van samenhang tussen drie of meerdere
verschillende variabelen.
Probleemkenmerk Hoe je een techniek kiest hangt van de soort analyse. Hier
spreken we over de analyse van een probleemkenmerk (bv:
politiek vertrouwen, zittenblijven, …) vraag naar factoren die
kenmerken verklaren
Probleemrelatie Hoe je een techniek kiest hangt van de soort analyse. Hier
spreken we over de analyse van een probleemrelatie (bv:
verschil objectieve bestaanszekerheid naar gewest). In welke
mate kunnen we een kenmerk verklarend oor het in verband te
brengen met een ander relevant kenmerk.
Datareductie Datareductie of hypothese waarbij we een veelheid aan
indicatoren trachten te herleiden tot enkele achterliggende
concepten of dimensies.
Een kwantitatieve variabele die rechtstreeks opgemeten kan
worden bij analyse eenheden interval of rationiveau en
manifest
Een categorische variabele met twee categorieën die
rechtstreeks opgemeten kan worden. nominaal of ordinaal
niveau en manifest dummy variabele
Een polytome categorische variabele die bestaat uit drie of meer
variabele die rechtstreeks opgemeten kunne worden door
analyse-eenheden nominaal/ ordinaal en manifest
Een latente variabele die niet rechtstreeks opgemeten wordt bij
de analyse-eenheden latent
Manifeste variabele Een variabele waar je meteen het antwoord van weet,
1
, observeerbare variabele (leeftijd, sekse, inkomen, …).
Rechtstreek opmeetbaar.
Latente variabele Een variabele die je niet rechtstreeks kan opmeten, gebeurt
meestal adhv stellingen (politiek vertrouwen, …)
Symmetrische samenhang Samenhang tussen twee kenmerken: er wordt geen onderscheid
gemaakt tussen te verklaren (afhankelijke) en verklarende
(onafhankelijke) variabelen.
Causaal effect Een asymmetrische samenhang waarbij de onafhankelijke
variabele een lineair (causaal) effect uitoefent op de afhankelijke
variabele
Lineair effect Eenzelfde verandering in de onafhankelijke variabele heeft
steeds eenzelfde verandering in de afhankelijke variabele tot
gevolg.
Additiviteit In de wiskunde noemt men een functie additief als de functie
aan de som van twee argumenten de som van de
beide functiewaarden toevoegt.
Orthogonaal Er is geen sprake van een onderling verband tussen de
onafhankelijke variabele. Elke variabele heeft op zichzelf een
bijdrage tot de samenhang.
Niet-lineair effect Bij niet-lineair effect wordt verandering in afhankelijke variabele
ten gevolge van eenzelfde verandering in onafhankelijke
variabele gradueel groter of kleiner. Asymmetrische
samenhang waarbij een onafhankelijke variabele een niet lineair
effect uitoefent op de afhankelijke variabele we kunnen
daarbij spreken van een effect dat gradueel groter of kleiner is
dan de ‘beginfase’
Interactie-effect Bij het inetractie effect is er sprake van een asymmetrische
samenhang met een combinatie van onafhankelijke variabele die
een effect uitoefenen op een afhankelijke variabele.
Bivariate causale structuur Als resultaten verkregen zijn o.b.v. een experimenteel design
Schijnbare causaliteit Er is op het eerste zicht sprake over causale samenhang tussen
twee variabele maar door na controle (grondiger onderzoek)
2
, blijkt die samenhang te verdwijnen en komen er andere
onafhankelijke variabele naar boven.
Indirecte causaliteit Een derde variabele speelt een rol als intermediare variabele,
het kan gezien worden als een soort doorspeelluik. De twee
variabele zijn dus niet direct verbonden maar indirect via een
derde variabele.
Suppressie van samenhang Je ziet nauwelijks een samenhang op het begin maar na verder
onderzoek zie je dat er wel een verband bestaat tussen de
verschillende variabelen. Er is sprake van een
suppressorvariabele zorgt voor een onderdrukking van heg
verband dat in realiteit aanwezig is en pas zichtbaar wordt na
controle voor de suppressorvariabele. twee tegengestelde
effecten heffen elkaar op.
Interactieve structuur De combinatie van twee of meerdere onafhankelijke variabelen
zorgt ervoor dat er een sterker effect is op de afhankelijke
variabele dan dat er geen combinatie zou zijn.
- Voorbeeld cardiovasculaire aandoening
- De combinatie van alcohol en tabak is slechter dan
maar één van de twee te consumeren
Convergente causale structuur Men is geïnteresseerd in de rechtstreekse effecten van
meerdere onafhankelijke variabelen (predictoren) op één
afhankelijke variabele (het explanadum). De invloed van
meerdere verklarende variabele wordt onderzocht op een te
verklaren variabele.
3
, Multicollineariteit Als er een sterk lineair verband is tussen verklarende variabelen,
spreek je van multicollineariteit. Multicollineariteit kan ertoe
leiden dat de regressiecoëfficiënten in je regressiemodel slechter
worden geschat.
Meervoudige regressie Een meervoudige of multipele regressieanalyse is een uitbreiding
van de enkelvoudige regressie waarbij twee of meer verklarende
variabelen worden gebruikt om de afhankelijke variabele (Y) te
voorspellen of verklaren. Voorbeeld: Je wilt naast lengte ook
geslacht gebruiken om iemands gewicht te voorspellen
Dummy-regressie Een dummy-regressie is een analyse die begint bij een
onafhankelijke dummyvariabele en kijkt wat het effect is op de
afhankelijke variabele. Men bekijkt bijvoorbeeld het effect van
geslacht op politieke voorkeur.
Het gebruik van dummy-variabele laat toe om zowel effecten
van categorische als kwantitatieve onafhankelijke variabele te
onderzoeken.
T-test Een t-test is een test die gebruikt wordt bij variabele vergelijking.
Het wordt gebruikt om de gemiddelden van maximaal twee
groepen met elkaar te vergelijken. Je kunt de t-test bijvoorbeeld
gebruiken om te analyseren of moedertaalsprekers gemiddeld
sneller spreken dan niet-moedertaalsprekers.
F-test Een F-test is een test die gebruikt wordt bij modelvergelijking. De
F-waarde wordt vergeleken met een theoretische F-verdeling om
te bepalen hoe waarschijnlijk het is dat de F-waarde per toeval
wordt verkregen. Deze waarschijnlijkheid is de significante
waarde. Als de significantie kleiner is dan het significantieniveau,
4
HOOFDSTUK 1: VAN PROBLEEM NAAR ANALYSE
Multivariate analyse Verzamelnaam voor een groep van analyse technieken gericht
op de analyse van samenhang tussen drie of meerdere
verschillende variabelen.
Probleemkenmerk Hoe je een techniek kiest hangt van de soort analyse. Hier
spreken we over de analyse van een probleemkenmerk (bv:
politiek vertrouwen, zittenblijven, …) vraag naar factoren die
kenmerken verklaren
Probleemrelatie Hoe je een techniek kiest hangt van de soort analyse. Hier
spreken we over de analyse van een probleemrelatie (bv:
verschil objectieve bestaanszekerheid naar gewest). In welke
mate kunnen we een kenmerk verklarend oor het in verband te
brengen met een ander relevant kenmerk.
Datareductie Datareductie of hypothese waarbij we een veelheid aan
indicatoren trachten te herleiden tot enkele achterliggende
concepten of dimensies.
Een kwantitatieve variabele die rechtstreeks opgemeten kan
worden bij analyse eenheden interval of rationiveau en
manifest
Een categorische variabele met twee categorieën die
rechtstreeks opgemeten kan worden. nominaal of ordinaal
niveau en manifest dummy variabele
Een polytome categorische variabele die bestaat uit drie of meer
variabele die rechtstreeks opgemeten kunne worden door
analyse-eenheden nominaal/ ordinaal en manifest
Een latente variabele die niet rechtstreeks opgemeten wordt bij
de analyse-eenheden latent
Manifeste variabele Een variabele waar je meteen het antwoord van weet,
1
, observeerbare variabele (leeftijd, sekse, inkomen, …).
Rechtstreek opmeetbaar.
Latente variabele Een variabele die je niet rechtstreeks kan opmeten, gebeurt
meestal adhv stellingen (politiek vertrouwen, …)
Symmetrische samenhang Samenhang tussen twee kenmerken: er wordt geen onderscheid
gemaakt tussen te verklaren (afhankelijke) en verklarende
(onafhankelijke) variabelen.
Causaal effect Een asymmetrische samenhang waarbij de onafhankelijke
variabele een lineair (causaal) effect uitoefent op de afhankelijke
variabele
Lineair effect Eenzelfde verandering in de onafhankelijke variabele heeft
steeds eenzelfde verandering in de afhankelijke variabele tot
gevolg.
Additiviteit In de wiskunde noemt men een functie additief als de functie
aan de som van twee argumenten de som van de
beide functiewaarden toevoegt.
Orthogonaal Er is geen sprake van een onderling verband tussen de
onafhankelijke variabele. Elke variabele heeft op zichzelf een
bijdrage tot de samenhang.
Niet-lineair effect Bij niet-lineair effect wordt verandering in afhankelijke variabele
ten gevolge van eenzelfde verandering in onafhankelijke
variabele gradueel groter of kleiner. Asymmetrische
samenhang waarbij een onafhankelijke variabele een niet lineair
effect uitoefent op de afhankelijke variabele we kunnen
daarbij spreken van een effect dat gradueel groter of kleiner is
dan de ‘beginfase’
Interactie-effect Bij het inetractie effect is er sprake van een asymmetrische
samenhang met een combinatie van onafhankelijke variabele die
een effect uitoefenen op een afhankelijke variabele.
Bivariate causale structuur Als resultaten verkregen zijn o.b.v. een experimenteel design
Schijnbare causaliteit Er is op het eerste zicht sprake over causale samenhang tussen
twee variabele maar door na controle (grondiger onderzoek)
2
, blijkt die samenhang te verdwijnen en komen er andere
onafhankelijke variabele naar boven.
Indirecte causaliteit Een derde variabele speelt een rol als intermediare variabele,
het kan gezien worden als een soort doorspeelluik. De twee
variabele zijn dus niet direct verbonden maar indirect via een
derde variabele.
Suppressie van samenhang Je ziet nauwelijks een samenhang op het begin maar na verder
onderzoek zie je dat er wel een verband bestaat tussen de
verschillende variabelen. Er is sprake van een
suppressorvariabele zorgt voor een onderdrukking van heg
verband dat in realiteit aanwezig is en pas zichtbaar wordt na
controle voor de suppressorvariabele. twee tegengestelde
effecten heffen elkaar op.
Interactieve structuur De combinatie van twee of meerdere onafhankelijke variabelen
zorgt ervoor dat er een sterker effect is op de afhankelijke
variabele dan dat er geen combinatie zou zijn.
- Voorbeeld cardiovasculaire aandoening
- De combinatie van alcohol en tabak is slechter dan
maar één van de twee te consumeren
Convergente causale structuur Men is geïnteresseerd in de rechtstreekse effecten van
meerdere onafhankelijke variabelen (predictoren) op één
afhankelijke variabele (het explanadum). De invloed van
meerdere verklarende variabele wordt onderzocht op een te
verklaren variabele.
3
, Multicollineariteit Als er een sterk lineair verband is tussen verklarende variabelen,
spreek je van multicollineariteit. Multicollineariteit kan ertoe
leiden dat de regressiecoëfficiënten in je regressiemodel slechter
worden geschat.
Meervoudige regressie Een meervoudige of multipele regressieanalyse is een uitbreiding
van de enkelvoudige regressie waarbij twee of meer verklarende
variabelen worden gebruikt om de afhankelijke variabele (Y) te
voorspellen of verklaren. Voorbeeld: Je wilt naast lengte ook
geslacht gebruiken om iemands gewicht te voorspellen
Dummy-regressie Een dummy-regressie is een analyse die begint bij een
onafhankelijke dummyvariabele en kijkt wat het effect is op de
afhankelijke variabele. Men bekijkt bijvoorbeeld het effect van
geslacht op politieke voorkeur.
Het gebruik van dummy-variabele laat toe om zowel effecten
van categorische als kwantitatieve onafhankelijke variabele te
onderzoeken.
T-test Een t-test is een test die gebruikt wordt bij variabele vergelijking.
Het wordt gebruikt om de gemiddelden van maximaal twee
groepen met elkaar te vergelijken. Je kunt de t-test bijvoorbeeld
gebruiken om te analyseren of moedertaalsprekers gemiddeld
sneller spreken dan niet-moedertaalsprekers.
F-test Een F-test is een test die gebruikt wordt bij modelvergelijking. De
F-waarde wordt vergeleken met een theoretische F-verdeling om
te bepalen hoe waarschijnlijk het is dat de F-waarde per toeval
wordt verkregen. Deze waarschijnlijkheid is de significante
waarde. Als de significantie kleiner is dan het significantieniveau,
4
