Colleges Kwantitatieve onderzoeksmethoden (KWOM) 2019-2020
College 1: Research designs en causale modellen & Correlatie | 04/09/2019
- Field H8 (Niet: bootstrapping)
- De Vaus H1-H3
Leerdoelen voor week 1
--> Causale modellen: schijnverbanden en mediatie herkennen
--> Correlatie analyse: covariantie correlatie
--> Toevoegen van een derde variabele via partiële correlatie
--> Resultaten interpreteren in termen van onderliggende causale modellen: schijnverbanden
en mediatie
Verklarend onderzoek
Onderzoek begint met een aanleiding om onderzoek te doen. Er is een onderscheid tussen
verklarend onderzoek en beschrijvend onderzoek.
Wij zullen vooral ingaan op verklarend onderzoek: het waarom ofwel oorzaken van sociale
verschijnselen → Geeft antwoord op een ‘waarom vraag’. Is variabele X de oorzaak van
verschijnsel Y?
Het causaal model is van belang bij verklarend onderzoek.
In deze cursus gaan we op een deductieve manier aan de slag:
- Door hypothesen af te leiden uit de theorie
- Deze testen we aan de werkelijkheid door het vergelijken van groepen.
Je moet onderzoek zo ontwerpen dat de hypothesen op een kritische manier getoetst worden.
Volgens het falsificatiebeginsel moeten we naar gegevens zoeken die weerlegging vormen
van een theorie.
- Je moet hypothesen op zo’n manier formuleren dat ze te weerleggen zijn
- Door rekening te houden met mogelijke achterliggende variabelen of alternatieve
verklaringen
We willen dus nagaan in hoeverre de door de theorie veronderstelde causale relaties tussen
concepten houdbaar zijn.
Een kritische blik
Je moet altijd kritisch naar alle
kenmerken kijken. Kun je zeggen
dat het echt aan een ding ligt of is er
sprake van een achterliggende
variabele
Voorbeeld: Causaal verband tussen
drinken van mineraalwater en
afwijkingen bij baby’s.
Achterliggende variabele zou
kunnen zijn dat rijkere gezinnen
vaker mineraalwater kopen en
omdat zij rijker zijn, dat ze betere
mogelijkheden voor verzorging van de baby’s hebben. Deze variabele zou je moeten
elimineren.
,Spurious = schijnverband
Correlatie is niet hetzelfde als causatie!
Correlatie: veranderingen in de ene variabele hangen samen met veranderingen in de andere
Causatie: veranderingen in de ene variabele veroorzaken veranderingen in de andere
- Je hebt rekening gehouden met andere variabelen die mogelijk invloed kunnen
hebben. Je hebt dus achterliggende variabelen uitgesloten.
Bij causatie maak je heel sterke claims, dus dat moet je goed kunnen verantwoorden. Hiermee
begin je al in research design. Dit doe je door achterliggende variabelen uit te sluiten.
Achterliggende variabelen
= Extraneous variables, confounding variabele, controle variabele, alternatieve verklaringen
Een verband tussen twee variabele (correlatie dus) kan het gevolg zijn van een gezamenlijke
achterliggende derde factor.
Voorbeelden:
> Meer brandweerwagens = meer schade
Slaat natuurlijk nergens op, achterliggende variabele is bijvoorbeeld de grootte van de brand
> Aantal echtscheidingen = hoger misdaadcijfer
Achterliggende variabele is bijvoorbeeld ontkerkelijking of individualisering
> Uren CKV = hoger theaterbezoek
Achterliggende variabele is bijvoorbeeld schoolniveau, want op een hoger niveau zijn de
lessen CKV intensiever
SPSS vertelt je niks over logische redenering. SPSS zegt alleen iets over correlatie, niks over
causatie. Dit doe je op basis van logisch redeneren. De Vaus: ‘We have to infer cause’.
Voorbeeld
Schooltype: Montessori versus regulier op schoolprestaties
Achterliggende variabelen: kinderen met een hoger IQ
gaan vaker naar het montessorionderwijs of bijvoorbeeld
meer financiële middelen van ouders voor school (hogere
cijfers daardoor) of belang dat de ouders hechten aan de
opleiding waardoor het kind meer gemotiveerd wordt. Er
bestaan dus al verschillen tussen de kinderen voordat de
school überhaupt begonnen is. Je mag hier dus niet een
foute conclusie trekken. Je staat sterker als je al deze variabelen eerst elimineert. Je zou dan
een schema als bovenstaand krijgen, waarbij rekening is gehouden met achterliggende
variabelen.
Een goed onderzoeksontwerp/research design minimaliseert de kans dat we concluderen dat
een relatie causaal is, terwijl die het in feite niet is. Ook anticipeert een goed
onderzoeksontwerp op achterliggende variabelen/ alternatieve verklaringen en bepaalt het
welk empirisch materiaal logischerwijs nodig is om de onderzoeksvraag te beantwoorden.
,Schijnverband
Als er achterliggende variabelen zijn, dan is (een deel van) de
oorspronkelijke relatie een schijnverband (ook wel: spurieuze
relatie).
Als er nog steeds een relatie wordt gevonden tussen (bij het
Montesorri school voorbeeld) schooltype en schoolprestaties,
ondanks de strenge toets van allerlei alternatieve verklaringen, dan hebben we meer
vertrouwen in de houdbaarheid van de theorie (maar deze is niet bewezen, want mogelijk zijn
er nog meer alternatieve verklaringen). Als er aan de andere kant vervolgens geen relatie
gevonden wordt, dan is de theorie gefalsificeerd (weerlegd).
Je kunt alternatieve verklaringen halen vanuit:
- De literatuur
- Vanuit een ander paradigma/ perspectief naar het probleem kijken
- Mensen uit het veld
- Gezond verstand
Het streven is dus niet het zoeken naar materiaal dat in overeenstemming is met de theorie,
maar altijd zoeken naar empirisch materiaal dat in tegenspraak is met de theorie. Je moet de
theorie dus onderwerpen aan een kritische test.
Als er vaak alternatieve verklaringen zijn afgewezen en hoe vaker geprobeerd is de theorie te
falsifiëren, hoe meer vertrouwen we erin hebben. Een theorie is nooit bewezen, ondanks dat
er de theorie pogingen om hem te verwerpen overleefd heeft.
Andere causale modellen
Typen causale verbanden
Elke relatie tussen 2 variabelen kan geïnterpreteerd worden als:
- Een directe causale relatie
- Indirecte causale relatie
- Een schijnrelatie (spurious correlation)
- Een combinatie van bovenstaande
Direct causaal verband:
Relatie tussen X en Y is indirect causaal en Z is een tussenliggende/ intervening variabele:
, Bij onderstaande afbeelding is er sprake van een direct causaal verband tussen X en Y en
tegelijkertijd ook van een indirect causaal verband (via Z):
Bij onderstaande afbeelding is er sprake van een direct causaal verband tussen X en Y en
tegelijkertijd van een schijnverband.
Verschil tussen een achterliggende (extraneaous) en tussenliggende (intervening) variabele:
Achterliggende variabele =
Het inkomen van de ouders is in dit voorbeeld de oorzaak van het schooltype. Bij een
schijverband/spurieus verband is er een variabele Z die de achterliggende oorzaak is van
zowel de oorzaak waar je in geintresseerd was X en het effect Y. Z is een achterliggende
variabele (confounding, extraneous, controle variabele)
Tussenliggende/ mediërende variabele =
Hier is de onderwijsmethode het gevolg van het schooltype. Bij een indirect verband verloopt
de causale invloed via een tussenliggende of intervenierende variabele (intervening,
medierende variabele) Z, die in tijd en causale volgorde tussen de oorzaak X en het effect Y
in ligt.
In dit voorbeeld is er bijvoorbeeld sprake van
een direct causaal verband, een indirect
causaal verband en een schijnverband
(spurious). Het is dus nuttig om een
conceptueel model te tekenen wanneer je veel
variabelen hebt.
College 1: Research designs en causale modellen & Correlatie | 04/09/2019
- Field H8 (Niet: bootstrapping)
- De Vaus H1-H3
Leerdoelen voor week 1
--> Causale modellen: schijnverbanden en mediatie herkennen
--> Correlatie analyse: covariantie correlatie
--> Toevoegen van een derde variabele via partiële correlatie
--> Resultaten interpreteren in termen van onderliggende causale modellen: schijnverbanden
en mediatie
Verklarend onderzoek
Onderzoek begint met een aanleiding om onderzoek te doen. Er is een onderscheid tussen
verklarend onderzoek en beschrijvend onderzoek.
Wij zullen vooral ingaan op verklarend onderzoek: het waarom ofwel oorzaken van sociale
verschijnselen → Geeft antwoord op een ‘waarom vraag’. Is variabele X de oorzaak van
verschijnsel Y?
Het causaal model is van belang bij verklarend onderzoek.
In deze cursus gaan we op een deductieve manier aan de slag:
- Door hypothesen af te leiden uit de theorie
- Deze testen we aan de werkelijkheid door het vergelijken van groepen.
Je moet onderzoek zo ontwerpen dat de hypothesen op een kritische manier getoetst worden.
Volgens het falsificatiebeginsel moeten we naar gegevens zoeken die weerlegging vormen
van een theorie.
- Je moet hypothesen op zo’n manier formuleren dat ze te weerleggen zijn
- Door rekening te houden met mogelijke achterliggende variabelen of alternatieve
verklaringen
We willen dus nagaan in hoeverre de door de theorie veronderstelde causale relaties tussen
concepten houdbaar zijn.
Een kritische blik
Je moet altijd kritisch naar alle
kenmerken kijken. Kun je zeggen
dat het echt aan een ding ligt of is er
sprake van een achterliggende
variabele
Voorbeeld: Causaal verband tussen
drinken van mineraalwater en
afwijkingen bij baby’s.
Achterliggende variabele zou
kunnen zijn dat rijkere gezinnen
vaker mineraalwater kopen en
omdat zij rijker zijn, dat ze betere
mogelijkheden voor verzorging van de baby’s hebben. Deze variabele zou je moeten
elimineren.
,Spurious = schijnverband
Correlatie is niet hetzelfde als causatie!
Correlatie: veranderingen in de ene variabele hangen samen met veranderingen in de andere
Causatie: veranderingen in de ene variabele veroorzaken veranderingen in de andere
- Je hebt rekening gehouden met andere variabelen die mogelijk invloed kunnen
hebben. Je hebt dus achterliggende variabelen uitgesloten.
Bij causatie maak je heel sterke claims, dus dat moet je goed kunnen verantwoorden. Hiermee
begin je al in research design. Dit doe je door achterliggende variabelen uit te sluiten.
Achterliggende variabelen
= Extraneous variables, confounding variabele, controle variabele, alternatieve verklaringen
Een verband tussen twee variabele (correlatie dus) kan het gevolg zijn van een gezamenlijke
achterliggende derde factor.
Voorbeelden:
> Meer brandweerwagens = meer schade
Slaat natuurlijk nergens op, achterliggende variabele is bijvoorbeeld de grootte van de brand
> Aantal echtscheidingen = hoger misdaadcijfer
Achterliggende variabele is bijvoorbeeld ontkerkelijking of individualisering
> Uren CKV = hoger theaterbezoek
Achterliggende variabele is bijvoorbeeld schoolniveau, want op een hoger niveau zijn de
lessen CKV intensiever
SPSS vertelt je niks over logische redenering. SPSS zegt alleen iets over correlatie, niks over
causatie. Dit doe je op basis van logisch redeneren. De Vaus: ‘We have to infer cause’.
Voorbeeld
Schooltype: Montessori versus regulier op schoolprestaties
Achterliggende variabelen: kinderen met een hoger IQ
gaan vaker naar het montessorionderwijs of bijvoorbeeld
meer financiële middelen van ouders voor school (hogere
cijfers daardoor) of belang dat de ouders hechten aan de
opleiding waardoor het kind meer gemotiveerd wordt. Er
bestaan dus al verschillen tussen de kinderen voordat de
school überhaupt begonnen is. Je mag hier dus niet een
foute conclusie trekken. Je staat sterker als je al deze variabelen eerst elimineert. Je zou dan
een schema als bovenstaand krijgen, waarbij rekening is gehouden met achterliggende
variabelen.
Een goed onderzoeksontwerp/research design minimaliseert de kans dat we concluderen dat
een relatie causaal is, terwijl die het in feite niet is. Ook anticipeert een goed
onderzoeksontwerp op achterliggende variabelen/ alternatieve verklaringen en bepaalt het
welk empirisch materiaal logischerwijs nodig is om de onderzoeksvraag te beantwoorden.
,Schijnverband
Als er achterliggende variabelen zijn, dan is (een deel van) de
oorspronkelijke relatie een schijnverband (ook wel: spurieuze
relatie).
Als er nog steeds een relatie wordt gevonden tussen (bij het
Montesorri school voorbeeld) schooltype en schoolprestaties,
ondanks de strenge toets van allerlei alternatieve verklaringen, dan hebben we meer
vertrouwen in de houdbaarheid van de theorie (maar deze is niet bewezen, want mogelijk zijn
er nog meer alternatieve verklaringen). Als er aan de andere kant vervolgens geen relatie
gevonden wordt, dan is de theorie gefalsificeerd (weerlegd).
Je kunt alternatieve verklaringen halen vanuit:
- De literatuur
- Vanuit een ander paradigma/ perspectief naar het probleem kijken
- Mensen uit het veld
- Gezond verstand
Het streven is dus niet het zoeken naar materiaal dat in overeenstemming is met de theorie,
maar altijd zoeken naar empirisch materiaal dat in tegenspraak is met de theorie. Je moet de
theorie dus onderwerpen aan een kritische test.
Als er vaak alternatieve verklaringen zijn afgewezen en hoe vaker geprobeerd is de theorie te
falsifiëren, hoe meer vertrouwen we erin hebben. Een theorie is nooit bewezen, ondanks dat
er de theorie pogingen om hem te verwerpen overleefd heeft.
Andere causale modellen
Typen causale verbanden
Elke relatie tussen 2 variabelen kan geïnterpreteerd worden als:
- Een directe causale relatie
- Indirecte causale relatie
- Een schijnrelatie (spurious correlation)
- Een combinatie van bovenstaande
Direct causaal verband:
Relatie tussen X en Y is indirect causaal en Z is een tussenliggende/ intervening variabele:
, Bij onderstaande afbeelding is er sprake van een direct causaal verband tussen X en Y en
tegelijkertijd ook van een indirect causaal verband (via Z):
Bij onderstaande afbeelding is er sprake van een direct causaal verband tussen X en Y en
tegelijkertijd van een schijnverband.
Verschil tussen een achterliggende (extraneaous) en tussenliggende (intervening) variabele:
Achterliggende variabele =
Het inkomen van de ouders is in dit voorbeeld de oorzaak van het schooltype. Bij een
schijverband/spurieus verband is er een variabele Z die de achterliggende oorzaak is van
zowel de oorzaak waar je in geintresseerd was X en het effect Y. Z is een achterliggende
variabele (confounding, extraneous, controle variabele)
Tussenliggende/ mediërende variabele =
Hier is de onderwijsmethode het gevolg van het schooltype. Bij een indirect verband verloopt
de causale invloed via een tussenliggende of intervenierende variabele (intervening,
medierende variabele) Z, die in tijd en causale volgorde tussen de oorzaak X en het effect Y
in ligt.
In dit voorbeeld is er bijvoorbeeld sprake van
een direct causaal verband, een indirect
causaal verband en een schijnverband
(spurious). Het is dus nuttig om een
conceptueel model te tekenen wanneer je veel
variabelen hebt.
