Inhoudsopgave Hoorcolleges Toegepaste Methoden en Statistiek (23-24)
Hoorcollege 1…………………………………………………………………………………blz. 2
Introductie, padanalyse, de 5 basisrelaties
Hoorcollege 2…………………………………………………………………………………blz. 2 t/m 4
Opstellen van padmodellen (stappenplan; de gouden regel) recursieve & niet-
recursieve modellen, van padmodel naar statistisch model en regressievergelijkingen
opstellen
Hoorcollege 3……….………………………………………………………………………blz. 4 t/m 5
Totale causale effect, geïmpliceerde correlaties decompositieregel, tracing rules,
model fit en verzadigde & onverzadigde modellen
Hoorcollege 4………….……………………………………………………………………blz. 6 t/m 9
Moderatie/interacties, conditionele effecten, interactie in padmodel, mediatie en
moderatie (mbv Hayes’ Macro’s) en moderated mediation
Hoorcollege 5………………………………………………………………………blz. 10 t/m 12
Vervolg moderated mediation (probing), conditionele effecten
Hoorcollege 6 ………………………………………………………………………blz. 13 t/m 16
Introductie Factoranalyse (FA), Principale Componentenanalyse (PCA): gewogen
somscore, wiskundige optimalisatie (SPSS) en eigenwaarden
Hoorcollege 7 ………………………………………………………………………blz. 17 t/m 23
Vervolg PCA: uitgewerkt stappenplan, communaliteiten & uniciteiten, eenvoudige
structuur, rotatie: orthogonaal vs. obiek (interpreteren VARIMAX en OBLIMIN output
SPSS)
Hoorcollege 8 ………………………………………………………………………blz. 24 t/m 91
PCA vs. FA, Exploratieve Factoranalyse (EFA): gemeenschappelijke vs. unieke variantie,
schatten van factormodellen, toepassen EFA (stappenplan uitgewerkt, interpreteren
SPSS output) en model fit (residuele correlaties)
Hoorcollege 9 ………………………………………………………………………blz. 35 t/m 43
Realistische toepassing EFA, interpreteren geroteerde SPSS output, EFA checklist,
introductie Confirmatieve Factoranalyse (CFA; EFA vs. CFA) en model fit ( 𝜒2/Chi-
kwadraat toets en RMSEA)
Hoorcollege 10 ………………………………………………………………………blz. 44 t/m 45
Modellen vergelijken, Structural Equation Modelling (SEM; padanalyse + FA)
Hoorcollege 11………………………………………………………………………blz. 46 t/m 49
De 8 statische methodes: t-test, ANOVA, regressie, padanalyse en factoranalyse
,HC1
‘’Een padmodel is een hypothese over onderliggende causale processen die de geobserveerde
correlaties tussen 2 of meerdere variabelen verklaren’’
- Doel padanalyse: verklaren waarom variabelen correleren
- Waarom correleren deze variabelen? Is er een causale relatie? Welke andere variabelen
spelen mogelijk een rol in het causale mechanisme (alternatieve verklaringen)? Zijn er
variabelen die als gemeenschappelijke oorzaak dienen? Met andere woorden: wat is een
plausibel verklaringsmechanisme?
- Padanalyse: Komen hypothetische verbanden overeen met empirische verbanden
(observaties van correlaties)
Hypothese is een uitspraak over de veronderstelde relatie tussen 2 (of meerdere) variabelen
- Causale of correlationele hypothese
Basisrelaties: mogelijke verklaringen voor de geobserveerde covariantie/correlatie tussen variabelen
(bouwstenen padmodel)
- De 5 basisrelaties:
1) Directe effect
2) Indirecte effect
3) Schijnrelatie
4) Onbekende effect
5) Wederkerend effect
HC2
Doel padanalyse: ‘’Empirisch onderzoeken of de causale hypothesen die we hebben opgesteld over
onderliggende psychologische processen de samenhang mogelijk verklaren → theorievorming →
toegepaste psychologie’’
Theorie omzetten naar padmodel
Stap 1 – Maak een lijst van de variabelen
Stap 2 – Beschrijf de causale hypothesen tussen deze variabelen
Stap 3 – Teken de relaties in een conceptueel model
Stap 4 – A) Identificeer de endogene variabelen
B) Voeg disturbance termen aan de endogene variabelen toe + teken de correlaties tussen
de exogene variabelen
Stap 5 – Ga na of er noodzakelijke uitbreidingen nodig zijn → toepassen van de ‘gouden regel’!
Exogene variabelen: fungeert alleen als predictor binnen het model (onafhankelijke variabele). Het
wordt niet verklaard door andere variabelen in het model → Er gaat geen pijl naar toe
- Kunnen correleren met elkaar, weergeven met gebogen dubbele pijl (= onbekend effect;
voor leesbaarheid vaak weggelaten uit figuur!)
o Univariaat = 1 predictor
Endogene variabelen: wordt verklaard door andere variabelen in het model (afhankelijke variabele).
Er gaat minstens 1 pijl naar toe. De variabele kan tevens zelf ook weer een predictor (onafhankelijke
variabele) zijn voor andere variabelen in het model
- Bij ELKE endogene variabele hoort altijd een disturbance term (Zéta) die aangeeft welk deel
van de variantie in de endogene variabele niet door andere variabelen in het model wordt
verklaard
, - ! Disturbance termen correleren NIET met elkaar of met andere variabelen in het model
(verklaren niks)
Aannames disturbance termen
1) Klein (grote ‘verklaringskracht’ van model, meer verklaarde variantie)
2) Ongecorreleerd aan elkaar
3) Ongecorreleerd aan variabelen in het model
De gouden regel: ‘’Alle variabelen die een schijnrelatie kunnen veroorzaken tussen 2 variabelen met
een verondersteld causaal verband ertussen moeten worden
meegenomen in het model’’
- Potentiële gemeenschappelijke oorzaken (confounders) vormen noodzakelijke uitbreidingen
van het model
Voorwaarden recursief model:
1. Er zijn geen dubbele pijlen tussen de disturbance termen; en ook niet tussen endogene
variabelen in het geval dat de disturbance termen niet expliciet worden weergegeven
2. Er zijn geen wederkerende effecten
3. Er zijn geen feedbackloops (als een variabele een indirect effect op zichzelf heeft,
rondje lopen waarbij pijl eruit gaat en ook weer erin gaat; bijv. X2→X4→X5→X2)
- Causale effecten gaan 1 kant op en disturbance termen bevatten unieke variantie
➔ Minstens 1 voorwaarde geschonden = niet-recursief model
Van padmodel naar statistisch model
- Padmodel is statistische weergave van veronderstelde relaties in de populatie
- Bij elk direct effect hoort een regressiecoëfficiënt 𝜷, die de richting (+/-) en de
sterkte aangeeft
- Populatiewaarden voor 𝛽 onbekend -> schatten op basis van steekproefgegevens
o Komt neer op uitvoeren van een aantal multiple regressie analyses
o 1 analyse voor elke endogene variabele (met alle directe paden als predictoren!)
Ongestandaardiseerd model
- b'tjes
- covariantie
o Bijv. Y = a1 + b1x1 + Z
o Met a intercept
Gestandaardiseerd model
- Beta's
- Correlatie
o Y = 𝛽1x1 + Z
o Zonder intercept
o Gestandaardiseerde regressienanalyses gaan uit van gestandaardiseerde variabelen
(z- scores)
o Niks genoemd dan uitgaan van gestandaardiseerd
➔ 𝑏/Beta zijn partiële effecten (onder constant houding van de andere variabelen)
, Opstellen regressievergelijking
1. Identificeer de endogene variabelen
2. Stel per endogene variabele een vergelijking op, met als afhankelijke variabele de
betreffende endogene variabele en als predictoren alle variabelen die een direct effect heeft
op deze endogene variabele
➔ De vergelijking is dus de som van alle directe paden vanuit de
endogene variabele
Schatten van parameters
- Nadat je regressievergelijkingen hebt opgesteld schat je met SPSS de parameters
(b'tjes/beta's)
o Voor elke endogene variabele een regressievergelijking, en voor elke
regressievergelijking een multiple regressie analyse uitvoeren
o Meestal gestandaardiseerd dus Beta's (Standardized Coefficients Beta)
o Je kunt kijken of deze coefficienten significant zijn (Sig. < 0.05)
- - Niet significant voor X 1 (0.032 is immers klein)
Hoorcollege 1…………………………………………………………………………………blz. 2
Introductie, padanalyse, de 5 basisrelaties
Hoorcollege 2…………………………………………………………………………………blz. 2 t/m 4
Opstellen van padmodellen (stappenplan; de gouden regel) recursieve & niet-
recursieve modellen, van padmodel naar statistisch model en regressievergelijkingen
opstellen
Hoorcollege 3……….………………………………………………………………………blz. 4 t/m 5
Totale causale effect, geïmpliceerde correlaties decompositieregel, tracing rules,
model fit en verzadigde & onverzadigde modellen
Hoorcollege 4………….……………………………………………………………………blz. 6 t/m 9
Moderatie/interacties, conditionele effecten, interactie in padmodel, mediatie en
moderatie (mbv Hayes’ Macro’s) en moderated mediation
Hoorcollege 5………………………………………………………………………blz. 10 t/m 12
Vervolg moderated mediation (probing), conditionele effecten
Hoorcollege 6 ………………………………………………………………………blz. 13 t/m 16
Introductie Factoranalyse (FA), Principale Componentenanalyse (PCA): gewogen
somscore, wiskundige optimalisatie (SPSS) en eigenwaarden
Hoorcollege 7 ………………………………………………………………………blz. 17 t/m 23
Vervolg PCA: uitgewerkt stappenplan, communaliteiten & uniciteiten, eenvoudige
structuur, rotatie: orthogonaal vs. obiek (interpreteren VARIMAX en OBLIMIN output
SPSS)
Hoorcollege 8 ………………………………………………………………………blz. 24 t/m 91
PCA vs. FA, Exploratieve Factoranalyse (EFA): gemeenschappelijke vs. unieke variantie,
schatten van factormodellen, toepassen EFA (stappenplan uitgewerkt, interpreteren
SPSS output) en model fit (residuele correlaties)
Hoorcollege 9 ………………………………………………………………………blz. 35 t/m 43
Realistische toepassing EFA, interpreteren geroteerde SPSS output, EFA checklist,
introductie Confirmatieve Factoranalyse (CFA; EFA vs. CFA) en model fit ( 𝜒2/Chi-
kwadraat toets en RMSEA)
Hoorcollege 10 ………………………………………………………………………blz. 44 t/m 45
Modellen vergelijken, Structural Equation Modelling (SEM; padanalyse + FA)
Hoorcollege 11………………………………………………………………………blz. 46 t/m 49
De 8 statische methodes: t-test, ANOVA, regressie, padanalyse en factoranalyse
,HC1
‘’Een padmodel is een hypothese over onderliggende causale processen die de geobserveerde
correlaties tussen 2 of meerdere variabelen verklaren’’
- Doel padanalyse: verklaren waarom variabelen correleren
- Waarom correleren deze variabelen? Is er een causale relatie? Welke andere variabelen
spelen mogelijk een rol in het causale mechanisme (alternatieve verklaringen)? Zijn er
variabelen die als gemeenschappelijke oorzaak dienen? Met andere woorden: wat is een
plausibel verklaringsmechanisme?
- Padanalyse: Komen hypothetische verbanden overeen met empirische verbanden
(observaties van correlaties)
Hypothese is een uitspraak over de veronderstelde relatie tussen 2 (of meerdere) variabelen
- Causale of correlationele hypothese
Basisrelaties: mogelijke verklaringen voor de geobserveerde covariantie/correlatie tussen variabelen
(bouwstenen padmodel)
- De 5 basisrelaties:
1) Directe effect
2) Indirecte effect
3) Schijnrelatie
4) Onbekende effect
5) Wederkerend effect
HC2
Doel padanalyse: ‘’Empirisch onderzoeken of de causale hypothesen die we hebben opgesteld over
onderliggende psychologische processen de samenhang mogelijk verklaren → theorievorming →
toegepaste psychologie’’
Theorie omzetten naar padmodel
Stap 1 – Maak een lijst van de variabelen
Stap 2 – Beschrijf de causale hypothesen tussen deze variabelen
Stap 3 – Teken de relaties in een conceptueel model
Stap 4 – A) Identificeer de endogene variabelen
B) Voeg disturbance termen aan de endogene variabelen toe + teken de correlaties tussen
de exogene variabelen
Stap 5 – Ga na of er noodzakelijke uitbreidingen nodig zijn → toepassen van de ‘gouden regel’!
Exogene variabelen: fungeert alleen als predictor binnen het model (onafhankelijke variabele). Het
wordt niet verklaard door andere variabelen in het model → Er gaat geen pijl naar toe
- Kunnen correleren met elkaar, weergeven met gebogen dubbele pijl (= onbekend effect;
voor leesbaarheid vaak weggelaten uit figuur!)
o Univariaat = 1 predictor
Endogene variabelen: wordt verklaard door andere variabelen in het model (afhankelijke variabele).
Er gaat minstens 1 pijl naar toe. De variabele kan tevens zelf ook weer een predictor (onafhankelijke
variabele) zijn voor andere variabelen in het model
- Bij ELKE endogene variabele hoort altijd een disturbance term (Zéta) die aangeeft welk deel
van de variantie in de endogene variabele niet door andere variabelen in het model wordt
verklaard
, - ! Disturbance termen correleren NIET met elkaar of met andere variabelen in het model
(verklaren niks)
Aannames disturbance termen
1) Klein (grote ‘verklaringskracht’ van model, meer verklaarde variantie)
2) Ongecorreleerd aan elkaar
3) Ongecorreleerd aan variabelen in het model
De gouden regel: ‘’Alle variabelen die een schijnrelatie kunnen veroorzaken tussen 2 variabelen met
een verondersteld causaal verband ertussen moeten worden
meegenomen in het model’’
- Potentiële gemeenschappelijke oorzaken (confounders) vormen noodzakelijke uitbreidingen
van het model
Voorwaarden recursief model:
1. Er zijn geen dubbele pijlen tussen de disturbance termen; en ook niet tussen endogene
variabelen in het geval dat de disturbance termen niet expliciet worden weergegeven
2. Er zijn geen wederkerende effecten
3. Er zijn geen feedbackloops (als een variabele een indirect effect op zichzelf heeft,
rondje lopen waarbij pijl eruit gaat en ook weer erin gaat; bijv. X2→X4→X5→X2)
- Causale effecten gaan 1 kant op en disturbance termen bevatten unieke variantie
➔ Minstens 1 voorwaarde geschonden = niet-recursief model
Van padmodel naar statistisch model
- Padmodel is statistische weergave van veronderstelde relaties in de populatie
- Bij elk direct effect hoort een regressiecoëfficiënt 𝜷, die de richting (+/-) en de
sterkte aangeeft
- Populatiewaarden voor 𝛽 onbekend -> schatten op basis van steekproefgegevens
o Komt neer op uitvoeren van een aantal multiple regressie analyses
o 1 analyse voor elke endogene variabele (met alle directe paden als predictoren!)
Ongestandaardiseerd model
- b'tjes
- covariantie
o Bijv. Y = a1 + b1x1 + Z
o Met a intercept
Gestandaardiseerd model
- Beta's
- Correlatie
o Y = 𝛽1x1 + Z
o Zonder intercept
o Gestandaardiseerde regressienanalyses gaan uit van gestandaardiseerde variabelen
(z- scores)
o Niks genoemd dan uitgaan van gestandaardiseerd
➔ 𝑏/Beta zijn partiële effecten (onder constant houding van de andere variabelen)
, Opstellen regressievergelijking
1. Identificeer de endogene variabelen
2. Stel per endogene variabele een vergelijking op, met als afhankelijke variabele de
betreffende endogene variabele en als predictoren alle variabelen die een direct effect heeft
op deze endogene variabele
➔ De vergelijking is dus de som van alle directe paden vanuit de
endogene variabele
Schatten van parameters
- Nadat je regressievergelijkingen hebt opgesteld schat je met SPSS de parameters
(b'tjes/beta's)
o Voor elke endogene variabele een regressievergelijking, en voor elke
regressievergelijking een multiple regressie analyse uitvoeren
o Meestal gestandaardiseerd dus Beta's (Standardized Coefficients Beta)
o Je kunt kijken of deze coefficienten significant zijn (Sig. < 0.05)
- - Niet significant voor X 1 (0.032 is immers klein)
