Kwantitatieve onderzoeksmethoden: data-analyse 2 | academiejaar 2024-2025
Panel Analyse
Doelstelling
Panel data = herhaalde metingen van dezelfde variabelen bij dezelfde
eenheden (bv. individuen, bedrijven, landen) over tijd
- Herhaalde metingen bij dezelfde respondenten met dezelfde vragen (dus
dezelfde vragenlijst op meerdere momenten vragen)
- Minimaal 2 keer
≠ longitudinale data: herhaalde metingen bij dezelfde eenheden, niet
noodzakelijk dezelfde variabelen (de vragen zijn dus niet noodzakelijk identiek)
Limiet cross-sectionele data= CAUSALITEIT
- Gebruiken we om over de causaliteit iets te kunnen zeggen
o Zijn dus verschillende soorten vragen die over de oorzaak van iets
gaan
Als we het hebben over bv. X leidt tot Y
o Wanneer we cross-sectionele data gebruiken en we voeren dan een
regressie analyse uit
Dan kan je soms zien dat X leidt tot Y, maar dat is geen echte
causaliteit
Bij gewone lineaire regressie kunnen we geen
causaliteit bevestigen | waarom is dat? – er zijn b!
voorwaarden om over causaliteit te kunnen spreken
- Causale uitspraken veronderstellen (voorwaarden om over causaliteit te
kunnen spreken)
1. Samenhang ~ dus als X verandert moet er een verandering
gebeuren bij Y
2. Afwezigheid storende factoren ~ als we spreken over een relatie
tussen X en Y, moeten we kunnen bewijzen dat die relatie echt
alleen uit X en Y bestaat en dat er niet nog een derde variabele is
die invloed uitoefent op de variabelen
De reden waarom er veel controle variabelen worden gebruikt
3. Tijdsorde ~ X gebeurt vroeger dan Y
Voorbeeld
Zorgt kinderen krijgen voor een verandering van iemands houding t.o.v. de rol
van vrouwen in de samenleving, of is het omgekeerd en zorgt een verandering in
houding t.a.v. gender rollen ervoor dat mensen meer geneigd zijn kinderen te
krijgen?
Bij cross-sectionele data kunnen we deze hypothesen niet testen
Pagina 103
, Kwantitatieve onderzoeksmethoden: data-analyse 2 | academiejaar 2024-2025
- We kunnen wel samenhang bestuderen, maar we kunnen niet over
causaliteit spreken!
Daarom gebruiken we dus panel data!
Drie verschillende hypotheses
1. Kinderen krijgen zorgt voor een verandering in gender rollen en word je
dus traditioneler.
2. Als je traditioneel bent, is de kans hoger dat je kinderen krijgt
3. Relatie kan ook in twee richtingen verlopen ~ kinderen krijgen en
traditionele gender rollen beïnvloeden elkaar
Exogene variabelen ~ niet verklaart door ons model
Endogene variabelen ~ verklaren we met ons model
Endogeneity bias = gebeurt wanneer we een variabele in de analyse gebruiken
als exogene variabele/predictor (niet verklaart door het model) maar deze
variabele in werkelijkheid wel endogeen is
- Er bestaat een relatie tussen de variabele en het model
- Hoe kan dit? Bv. als we kinderen krijgen beschouwen als de exogene
variabele, dus als predictor voor gender rollen in een lineaire regressie,
dan lopen we het risico op endogeneity bias omdat het kan zijn dat het
effect andersom gebeurt en dus dat gender rollen kinderen krijgen
beïnvloed
o Maar dat zullen we niet weten omdat we gebruik maken van lineaire
regressie en wordt er dus geen rekening gehouden met eventuele
causaliteit/samenhang
Voordeel panel data
- Meer informatie over oorzaak – gevolg (maar geen uitsluitsel)
o Drie voorwaarden om over ‘causale relatie’ te kunnen spreken:
1. Covariantie: OK
Met regressie of corelatie
2. Tijdsordening tussen variabelen: OK
Altijd een variabele in het verleden en altijd een in de
toekomst
3. Uitsluiten van alternatieve verklaringen: KAN
PROBLEMATISCH ZIJN
Voorwaarde van afwezigheid van storende factoren
Om hier zeker over te zijn moeten we nog controle
factoren gebruiken
- Meer informatie over tijdsordening van variabelen
- Onderscheiden van individuele trajecten over tijd
- Informatie over stabiliteit en verandering binnen individuen over tijd
Stabiliteit en verandering
1. Meetvariantie : stabiliteit in manier waarop construct wordt gemeten
a. Variantie = spreiding
b. Bv. Wordt homofobie anno 2018 op dezelfde manier gemeten als
homofobie in 2000? (zelfde factor ladingen? Zelfde aantal
dimensies?)
c. Kwaliteit van ons meetinstrument
Pagina 104
Panel Analyse
Doelstelling
Panel data = herhaalde metingen van dezelfde variabelen bij dezelfde
eenheden (bv. individuen, bedrijven, landen) over tijd
- Herhaalde metingen bij dezelfde respondenten met dezelfde vragen (dus
dezelfde vragenlijst op meerdere momenten vragen)
- Minimaal 2 keer
≠ longitudinale data: herhaalde metingen bij dezelfde eenheden, niet
noodzakelijk dezelfde variabelen (de vragen zijn dus niet noodzakelijk identiek)
Limiet cross-sectionele data= CAUSALITEIT
- Gebruiken we om over de causaliteit iets te kunnen zeggen
o Zijn dus verschillende soorten vragen die over de oorzaak van iets
gaan
Als we het hebben over bv. X leidt tot Y
o Wanneer we cross-sectionele data gebruiken en we voeren dan een
regressie analyse uit
Dan kan je soms zien dat X leidt tot Y, maar dat is geen echte
causaliteit
Bij gewone lineaire regressie kunnen we geen
causaliteit bevestigen | waarom is dat? – er zijn b!
voorwaarden om over causaliteit te kunnen spreken
- Causale uitspraken veronderstellen (voorwaarden om over causaliteit te
kunnen spreken)
1. Samenhang ~ dus als X verandert moet er een verandering
gebeuren bij Y
2. Afwezigheid storende factoren ~ als we spreken over een relatie
tussen X en Y, moeten we kunnen bewijzen dat die relatie echt
alleen uit X en Y bestaat en dat er niet nog een derde variabele is
die invloed uitoefent op de variabelen
De reden waarom er veel controle variabelen worden gebruikt
3. Tijdsorde ~ X gebeurt vroeger dan Y
Voorbeeld
Zorgt kinderen krijgen voor een verandering van iemands houding t.o.v. de rol
van vrouwen in de samenleving, of is het omgekeerd en zorgt een verandering in
houding t.a.v. gender rollen ervoor dat mensen meer geneigd zijn kinderen te
krijgen?
Bij cross-sectionele data kunnen we deze hypothesen niet testen
Pagina 103
, Kwantitatieve onderzoeksmethoden: data-analyse 2 | academiejaar 2024-2025
- We kunnen wel samenhang bestuderen, maar we kunnen niet over
causaliteit spreken!
Daarom gebruiken we dus panel data!
Drie verschillende hypotheses
1. Kinderen krijgen zorgt voor een verandering in gender rollen en word je
dus traditioneler.
2. Als je traditioneel bent, is de kans hoger dat je kinderen krijgt
3. Relatie kan ook in twee richtingen verlopen ~ kinderen krijgen en
traditionele gender rollen beïnvloeden elkaar
Exogene variabelen ~ niet verklaart door ons model
Endogene variabelen ~ verklaren we met ons model
Endogeneity bias = gebeurt wanneer we een variabele in de analyse gebruiken
als exogene variabele/predictor (niet verklaart door het model) maar deze
variabele in werkelijkheid wel endogeen is
- Er bestaat een relatie tussen de variabele en het model
- Hoe kan dit? Bv. als we kinderen krijgen beschouwen als de exogene
variabele, dus als predictor voor gender rollen in een lineaire regressie,
dan lopen we het risico op endogeneity bias omdat het kan zijn dat het
effect andersom gebeurt en dus dat gender rollen kinderen krijgen
beïnvloed
o Maar dat zullen we niet weten omdat we gebruik maken van lineaire
regressie en wordt er dus geen rekening gehouden met eventuele
causaliteit/samenhang
Voordeel panel data
- Meer informatie over oorzaak – gevolg (maar geen uitsluitsel)
o Drie voorwaarden om over ‘causale relatie’ te kunnen spreken:
1. Covariantie: OK
Met regressie of corelatie
2. Tijdsordening tussen variabelen: OK
Altijd een variabele in het verleden en altijd een in de
toekomst
3. Uitsluiten van alternatieve verklaringen: KAN
PROBLEMATISCH ZIJN
Voorwaarde van afwezigheid van storende factoren
Om hier zeker over te zijn moeten we nog controle
factoren gebruiken
- Meer informatie over tijdsordening van variabelen
- Onderscheiden van individuele trajecten over tijd
- Informatie over stabiliteit en verandering binnen individuen over tijd
Stabiliteit en verandering
1. Meetvariantie : stabiliteit in manier waarop construct wordt gemeten
a. Variantie = spreiding
b. Bv. Wordt homofobie anno 2018 op dezelfde manier gemeten als
homofobie in 2000? (zelfde factor ladingen? Zelfde aantal
dimensies?)
c. Kwaliteit van ons meetinstrument
Pagina 104
