College week 1
Waarom kwalitatief onderzoek?
Voornaamste doelstellingen van kwalitatief onderzoek zijn:
o Het analyseren van patronen in hoe mensen sociale fenomenen ervaren,
interpreteren en hoe dit hun handelen beïnvloedt
o Het genereren van gedetailleerde beschrijvingen, inzichten, verklaringen en
theoretische modellen van sociale fenomenen
Kenmerken kwalitatief onderzoek:
1. Interpretatief: de betekenisgeving vanuit het perspectief van de respondenten staat
centraal en onderzoeker interpreteert deze betekenissen
2. Naturalistisch: de onderzoeker is geïnteresseerd in de natuurlijke omgeving van de
respondent (niet bestuderen in een laboratorium setting)
3. Reflexief: de onderzoeker reflecteert bewust op hoe bepaalde veronderstellingen,
keuzes en de onderzoeker het onderzoek beïnvloedt
Kwaliteit kwalitatief onderzoek:
Credebility (interne validiteit): kloppen de data, resultaten en de interpretaties?
Transferability (externe/ecologische validiteit): zijn de resultaten ook van toepassing
in andere setting/context?
Dependability (betrouwbaarheid): zijn de bevindingen stabiel over de tijd?
Confirmability (objectiviteit): in hoeverre zijn de resultaten afhankelijk van de
onderzoeker en zijn eigen verwachtingen?
à zie ook Korstjens & Moser 2018, te vinden op blackboard
Reflexivity: kritische reflectie op hoe de relatie tussen onderzoeker-participant de
data/onderzoek heeft beïnvloedt
à openheid van memo’s en logs over beslissingen
Data analyse: Coderen:
1. Attribute codes: vaak achtergrond of demografische informatie van de respondent
2. Index codes: labelen grotere stukken tekst en geven brede/algemene onderwerpen
aan
3. Analytic codes: beschrijven de betekenis van specifieke stukken tekst
- Deel komt uit literatuur
- Deel vloeit voort uit de verzamelde gegevens
à wordt uitgewerkt in open, axiaal en selectief coderen (zie oa KO-werkboek)
Axiaal coderen:
1. Categorize: Vergelijken en categoriseren
2. Describe: Beschrijven en definiëren
3. Compare: Waar komen verschillen vandaan <-- Context
4. Relate: Samenhang thema’s --> Overkoepelend verhaal
Axiaal coderen kwaliteitscontrole:
1. Afwezigheid inhoudelijke overlap tussen thema’s
2. Aanwezigheid kruisverbanden
, 3. Leiden tot overkoepelend verhaal --> ‘Wat vluchtelingen ervaren’ (onderzoeksvraag)
Open coderen kwaliteitscontrole:
1. Context: Er is voldoende tekst geselecteerd om de betekenis te interpreteren?
2. Content: Reflecteert de code voldoende wat de participant bedoelt te zeggen?
3. Coverage: Zijn er meerdere open codes nodig om de inhoud van één tekstfragment
te dekken?
College week 2
Onderwerpen:
Regressiemodel
Predictoren/onafhakelijke variabelen en afhankelijke variabele
(Gestandaardiseerde) regressiecoëfficiënten
Kleinste kwadraten criterium
Goodness-of-fit
Toetsen van R2
Toetsen van B’s (en beta’s)
Vergelijking van modellen (R2)
Operationaliseren: Conceptuele ideeën vertalen naar meetbare variabelen
Padmodel multipele regressie:
Een afhankelijke variabele (Y)
Een of meerdere onafhankelijke variabelen (minimaal
interval meetniveau of dichotoom)
Een of meerdere onafhankelijke variabelen
(dichotoom)
E: meetfouten
Voorbeeld:
Onderzoeksvraag: kunnen we kennis van literatuur bij jongvolwassenen voorspellen met
persoons-, gezins- en schoolkenmerken?
Populatie: jongvolwassen
Variabelen:
Afhankelijke variabele Y
- Kennis van literatuur
Onafhankelijike variabelen X (predictoren)
- Persoonskenmerken
- Kenmerken ouderlijk huis
- Kenmerken school
Doel: voor de populatie beschrijven en toetsen van de relaties tussen afhankelijke variabele
Y en de predictoren X
Multipele regressie algemeen:
, Kunnen we iemands waarde op een kenmerk voorspellen met kennis over andere
kenmerken?
Doel analyse:
Beschrijven lineaire relaties tussen variabelen (regressiemodel)
Toetsen hypothesen over relaties (significantie)
Kwantificeren van relaties (effectgrootte)
Kwalificeren van relaties (klein, middelmatig, groot)
Beoordelen relevantie relaties (subjectief)
Voorspellen van iemands waarde met regressiemodel (puntschating en
intervalschatting)
Waarschuwing: doe op basis van statistische samenhang geen uitspraken over
causaliteit
Variabelen in voorbeeld: allemaal van minimaal interval
Read: Kennis literatuur respondent (Y)
Fath_rd: Kennis literatuur vader (X1)
Moth_rd: Kennis literatuur moeder (X2)
Par_book: Aantal boeken in ouderlijk huis (X3)
Sch_rd: Aandacht voor literatuur school (X4)
Hist_rd: Lezen verleden (X5)
Educ: Opleidingsniveau (X6)
Afhankelijke variabele Y:
Kenmerk gemeten op minimaal interval meetniveau
Meetniveau onafhankelijke variabelen Xk:
Kenmerk gemeten op minimaal interval meetniveau
Categorische kenmerken met twee categorieën; nominaal meetniveau met twee
categorieën noemen we dichotoom
Categorisch kenmerk met meer dan twee categorieën; nominaal/ordinaal
meetniveau wordt omgezet in dummyvariabelen
Vergelijking Y:
Voor geobserveerde variabele Y
Uitkomst (Y)= Model (X) + voorspellingsfout
Model: lineair regressiemodel
Voorspellingsfout: residual of error
Voor voorspellen van waarde op Y (=Y) voorspellen van waarde op Y(=Y met dakje)
Geschatte uitkomst Y dakje= Model (X)
Y= B0+B1X1+ …+ B6X6+E
, Normaal verdeling histogram belcurve belangrijk voor de p-waarde
Spreidingsdiagram kijken naar Y met één voorspeller (X) positieve associatie
regressielijn is positief
Intercept= B0: Het snijpunt met de Y as, wat als de X is 0
Regressiecoëfficiënt= B1: de verandering van Y dakje bij toename van één eenheid in X
Kleinste kwadraten criterium:
Best passende rechte lijn
De lijn waarbij voorspellingsfout (error) zo klein mogelijk is
Voor elke respondent j:
Geobserveerde Yj
Geschatte Y dakje j
Voorspellingsfout Ej= Yj - Ydakje j
De voorspellingsfout is de afstand tussen de geobserveerde waarde en de voorspelde
waarde
Positieve E: boven de lijn; onderschatting door model
Negatieve E: onder de lijn; overschatting door model
Residuen E:
Kleinste residuen geeft de nauwkeurigste voorspelling
Punten dichtbij de regressielijn
Goodness-of-fit (1):
Beste model?
o Het model (regressielijn) met de kleinste residuele kwadratensom
o Hoe goed is dat dan
Bepalen goodness-of-fit (R2)
o Vergelijking (ratio) van lineair model (regressielijn) met basismodel (basislijn)
o Basismodel: gemiddelde
Goodness-of-fit (R2):
Kwardratensom van model gedeeld door totale kwadratensom
Proportie door X verklaarde varientie in Y
Bereik R2: 0>_R2 <_ 1
o Interpretatie R en R2
o Multipele correlatiecoëfficiënt R
o Correlatie tussen geobserveerde Y en Y dakje
Determinatiecoëfficiënt R2:
Proportie in Y verklaarde variantie door het model
Waarom kwalitatief onderzoek?
Voornaamste doelstellingen van kwalitatief onderzoek zijn:
o Het analyseren van patronen in hoe mensen sociale fenomenen ervaren,
interpreteren en hoe dit hun handelen beïnvloedt
o Het genereren van gedetailleerde beschrijvingen, inzichten, verklaringen en
theoretische modellen van sociale fenomenen
Kenmerken kwalitatief onderzoek:
1. Interpretatief: de betekenisgeving vanuit het perspectief van de respondenten staat
centraal en onderzoeker interpreteert deze betekenissen
2. Naturalistisch: de onderzoeker is geïnteresseerd in de natuurlijke omgeving van de
respondent (niet bestuderen in een laboratorium setting)
3. Reflexief: de onderzoeker reflecteert bewust op hoe bepaalde veronderstellingen,
keuzes en de onderzoeker het onderzoek beïnvloedt
Kwaliteit kwalitatief onderzoek:
Credebility (interne validiteit): kloppen de data, resultaten en de interpretaties?
Transferability (externe/ecologische validiteit): zijn de resultaten ook van toepassing
in andere setting/context?
Dependability (betrouwbaarheid): zijn de bevindingen stabiel over de tijd?
Confirmability (objectiviteit): in hoeverre zijn de resultaten afhankelijk van de
onderzoeker en zijn eigen verwachtingen?
à zie ook Korstjens & Moser 2018, te vinden op blackboard
Reflexivity: kritische reflectie op hoe de relatie tussen onderzoeker-participant de
data/onderzoek heeft beïnvloedt
à openheid van memo’s en logs over beslissingen
Data analyse: Coderen:
1. Attribute codes: vaak achtergrond of demografische informatie van de respondent
2. Index codes: labelen grotere stukken tekst en geven brede/algemene onderwerpen
aan
3. Analytic codes: beschrijven de betekenis van specifieke stukken tekst
- Deel komt uit literatuur
- Deel vloeit voort uit de verzamelde gegevens
à wordt uitgewerkt in open, axiaal en selectief coderen (zie oa KO-werkboek)
Axiaal coderen:
1. Categorize: Vergelijken en categoriseren
2. Describe: Beschrijven en definiëren
3. Compare: Waar komen verschillen vandaan <-- Context
4. Relate: Samenhang thema’s --> Overkoepelend verhaal
Axiaal coderen kwaliteitscontrole:
1. Afwezigheid inhoudelijke overlap tussen thema’s
2. Aanwezigheid kruisverbanden
, 3. Leiden tot overkoepelend verhaal --> ‘Wat vluchtelingen ervaren’ (onderzoeksvraag)
Open coderen kwaliteitscontrole:
1. Context: Er is voldoende tekst geselecteerd om de betekenis te interpreteren?
2. Content: Reflecteert de code voldoende wat de participant bedoelt te zeggen?
3. Coverage: Zijn er meerdere open codes nodig om de inhoud van één tekstfragment
te dekken?
College week 2
Onderwerpen:
Regressiemodel
Predictoren/onafhakelijke variabelen en afhankelijke variabele
(Gestandaardiseerde) regressiecoëfficiënten
Kleinste kwadraten criterium
Goodness-of-fit
Toetsen van R2
Toetsen van B’s (en beta’s)
Vergelijking van modellen (R2)
Operationaliseren: Conceptuele ideeën vertalen naar meetbare variabelen
Padmodel multipele regressie:
Een afhankelijke variabele (Y)
Een of meerdere onafhankelijke variabelen (minimaal
interval meetniveau of dichotoom)
Een of meerdere onafhankelijke variabelen
(dichotoom)
E: meetfouten
Voorbeeld:
Onderzoeksvraag: kunnen we kennis van literatuur bij jongvolwassenen voorspellen met
persoons-, gezins- en schoolkenmerken?
Populatie: jongvolwassen
Variabelen:
Afhankelijke variabele Y
- Kennis van literatuur
Onafhankelijike variabelen X (predictoren)
- Persoonskenmerken
- Kenmerken ouderlijk huis
- Kenmerken school
Doel: voor de populatie beschrijven en toetsen van de relaties tussen afhankelijke variabele
Y en de predictoren X
Multipele regressie algemeen:
, Kunnen we iemands waarde op een kenmerk voorspellen met kennis over andere
kenmerken?
Doel analyse:
Beschrijven lineaire relaties tussen variabelen (regressiemodel)
Toetsen hypothesen over relaties (significantie)
Kwantificeren van relaties (effectgrootte)
Kwalificeren van relaties (klein, middelmatig, groot)
Beoordelen relevantie relaties (subjectief)
Voorspellen van iemands waarde met regressiemodel (puntschating en
intervalschatting)
Waarschuwing: doe op basis van statistische samenhang geen uitspraken over
causaliteit
Variabelen in voorbeeld: allemaal van minimaal interval
Read: Kennis literatuur respondent (Y)
Fath_rd: Kennis literatuur vader (X1)
Moth_rd: Kennis literatuur moeder (X2)
Par_book: Aantal boeken in ouderlijk huis (X3)
Sch_rd: Aandacht voor literatuur school (X4)
Hist_rd: Lezen verleden (X5)
Educ: Opleidingsniveau (X6)
Afhankelijke variabele Y:
Kenmerk gemeten op minimaal interval meetniveau
Meetniveau onafhankelijke variabelen Xk:
Kenmerk gemeten op minimaal interval meetniveau
Categorische kenmerken met twee categorieën; nominaal meetniveau met twee
categorieën noemen we dichotoom
Categorisch kenmerk met meer dan twee categorieën; nominaal/ordinaal
meetniveau wordt omgezet in dummyvariabelen
Vergelijking Y:
Voor geobserveerde variabele Y
Uitkomst (Y)= Model (X) + voorspellingsfout
Model: lineair regressiemodel
Voorspellingsfout: residual of error
Voor voorspellen van waarde op Y (=Y) voorspellen van waarde op Y(=Y met dakje)
Geschatte uitkomst Y dakje= Model (X)
Y= B0+B1X1+ …+ B6X6+E
, Normaal verdeling histogram belcurve belangrijk voor de p-waarde
Spreidingsdiagram kijken naar Y met één voorspeller (X) positieve associatie
regressielijn is positief
Intercept= B0: Het snijpunt met de Y as, wat als de X is 0
Regressiecoëfficiënt= B1: de verandering van Y dakje bij toename van één eenheid in X
Kleinste kwadraten criterium:
Best passende rechte lijn
De lijn waarbij voorspellingsfout (error) zo klein mogelijk is
Voor elke respondent j:
Geobserveerde Yj
Geschatte Y dakje j
Voorspellingsfout Ej= Yj - Ydakje j
De voorspellingsfout is de afstand tussen de geobserveerde waarde en de voorspelde
waarde
Positieve E: boven de lijn; onderschatting door model
Negatieve E: onder de lijn; overschatting door model
Residuen E:
Kleinste residuen geeft de nauwkeurigste voorspelling
Punten dichtbij de regressielijn
Goodness-of-fit (1):
Beste model?
o Het model (regressielijn) met de kleinste residuele kwadratensom
o Hoe goed is dat dan
Bepalen goodness-of-fit (R2)
o Vergelijking (ratio) van lineair model (regressielijn) met basismodel (basislijn)
o Basismodel: gemiddelde
Goodness-of-fit (R2):
Kwardratensom van model gedeeld door totale kwadratensom
Proportie door X verklaarde varientie in Y
Bereik R2: 0>_R2 <_ 1
o Interpretatie R en R2
o Multipele correlatiecoëfficiënt R
o Correlatie tussen geobserveerde Y en Y dakje
Determinatiecoëfficiënt R2:
Proportie in Y verklaarde variantie door het model
