Psychometrie en besliskunde HC 10
Transcriptie HC 10
VERVOLG PPT HC 9 en HC 10
Validiteit
Dia 30:
Vorige week zijn we gestart met het blok validiteit. Na stil te hebben gestaan bij 3 belangrijke vormen
van validiteit, te weten critieriumvaliditeit, inhoudsvaliditeit en begripsvaliditeit, zijn we verder
gegaan met de zogenaamde PCA. Een analyse techniek die bedoelt is om op exploratieve wijze na te
gaan hoeveel componenten er te onderscheiden zouden zijn in een instrument. We waren begonnen
met het trekken van één component om enigszins vertrouwd te raken met de termen die bij deze
analyse horen. Zo zagen we dat een zogenaamde componentenmatrix wordt gemaakt. Dat is een
tabel met getallen die staan voor de mate waarin een item met de latente component samenhangt.
Hoe dat item op een bepaalde component laad. De optelsom van deze gekwadrateerde ladingen
noemen we ook wel de eigenwaarde van een component. Oftewel, het totaal door een component
verklaarde hoeveelheid itemvarianties. De absolute waarde van de eigenwaarde krijgt betekenis
door dit te delen door het aantal items waarmee we ook proportie verklaarde variantie per item
verklaren. Daarna hebben we gezien dat er een aantal hulpmiddelen is om te bepalen hoeveel
componenten er het best onderscheiden kunnen worden. Het begint eenvoudig met je eigen
verwachting vooraf, maar er is nog een aantal technische criteria ook. Namelijk, het aantal
componenten met het eigenwaarde groter dan 1. Scree-plots waarbij we kunnen kijken naar het
aantal componenten voor de knik of inclusief de knik. Het aantal componenten boven het puin. De
hoeveelheid verklaarde variantie met een zo klein mogelijk aantal componenten. Want dat is
uiteindelijk het doel van deze heel exercitie. En de inhoudelijke interpretatie van de uitkomsten. Die
slide moet je er vaak even bijhouden, het aantal componenten hoe bepaal je dat.
Tot slot, hebben we nogmaals de componenten analyse uitgevoerd waarin twee componenten
worden getrokken. Deze analyse liet zien dat het tweede component nog aanvullende info gaf op de
eerste. De eerste component hadden we namelijk gelabeld als ‘algemeen welbevinden’, waarmee we
leerlingen al enigszins konden typeren. We verdeelden ze in drie groepen, leerlingen met een laag
welbevinden, hoog welbevinden en een gemiddeld welbevinden. En de tweede component bleek
info te geven over de verhouding tussen welbevinden thuis en op school. De leerlingen met een –
score bleken welbevinden thuis hoog te zijn en op school laag. En bij leerlingen met een plus score
andersom. En bij leerlingen met een 0 bleek dat het welbevinden op beide plekken gelijk was. En
deze extra info stelde ons in staat om de leerlingen met een gemiddeld welbevinden beter te kunnen
typeren.
Deze wijze van het analyseren van de gegevens door SPSS werd telkens gezocht naar een oplossing
waarin elk item informatie aandraagt en waarbij gezorgd wordt dat de eerste component zo veel
mogelijk variantie verklaard en de volgende zo veel mogelijk extra’s. Met deze werkwijze levert elk
item als het ware informatie aan voor elk van de componenten die getrokken worden. En we zullen
zo zien dat dat handiger kan. Handiger in de zin van dat de interpretatie van de uitkomsten beter is
als we net iets extra’s doen in de analyse. Namelijk, roteren. Dan pakken we nu de draad op.
Dia 33:
Leerling A waar zou je die positioneren in dat plotje van slide 30?
Dia 34:
Hebben jullie nog vragen naar aanleiding van de tekeningetjes die jullie thuis moesten maken?
1
, Psychometrie en besliskunde HC 10
Vraag student: je had het de vorige keer over hoog – hoog en toen zei je dat het dan rechts onder de
middenlijn zat. Maar dan is component 1 toch middel in plaats van hoog?
Lex: ik pak mijn slides er even bij. Rechts op de middenlijn, ja. Ik pak even mijn slides erbij zodat ik
weet wat ik op welke as heb zitten anders ga ik dadelijk precies het tegenovergestelde vertellen. Als
ik kijk naar deze, dan heb ik op de y-as de verhouding tussen school en thuis zitten. En op de x-as heb
ik welbevinden zitten. Dat betekend dat als je de oplossing van vorige week pakt. Jullie kunnen je nog
herinneren dat wij zeiden, die eerste component is een unipolaire component. Alle scores vallen in
de plus dus er zitten geen min scores bij. Dat in feite deze as (het rechter deel van de x-as vanaf het
0-punt naar rechts). Dan hebben wij de y-as die zou de verhouding tussen school en thuis weergeven.
Dat betekend dat als je de ladingen zou plotten in deze matrix, dan krijg je eigenlijk alleen maar in
deze twee kwadranten (B en D, rode letters in extra bestand op bs) krijg je die combinaties van
ladingen staan. Want het is altijd een combinatie van een plus lading voor het algemene welbevinden
en dan is het een plus of een min afhankelijk van wat iemand hier scoort (y-as?).
Dia 35:
Dat betekend dat als ik ze plot, dan komen ze hier te liggen allemaal. Daaraan kun je zien dat de y-as
een bipolaire is. Die gaat de min en de plus in.
Dia 36:
Dan kom ik terug bij de vraag van de student. Of misschien heb je nu zelf wel al een antwoord.
Student: ik had gedacht dat component 1 dan thuis was en component 2 school.
Lex: nee. Jij bent eigenlijk datgene wat wij menselijk doen. Wij proberen met onze menselijke geest
dingen op te knippen in twee verschillende dingen. En dan te zeggen, die itempjes horen bij thuis en
die itempjes horen bij school. Maar deze manier van analyseren die we vorige week gehad hebben,
dan doet SPSS iets wat niet past bij onze manier van interpreteren. Want die zegt, oke ik pak één
component en iedereen levert daar een bijdrage aan en dat noem ik algemeen welbevinden, dat is
deze component (x-as vanaf het 0-punt naar rechts). En de andere levert ook weer ieder item een
bijdrage aan, is dan de verhouding tussen school en thuis. Dat betekend dat hier degene zitten die
een hoog welbevinden hebben (het meest rechtse punt op de x-as, leerling A). En waarom plaats ik
die in het midden (Daarmee bedoelt hij het midden
van de y-as ofwel op dat punt dat y=0), omdat hij zowel op school als thuis hoog welbevinden
hebben. Dus als je kijkt naar de verhouding tussen school en thuis, zitten die op 0. Dus dat betekend
dat op deze x-as, daar zitten eigenlijk 3 van die leerlingen. Leerling D was de leerling die laag in zijn
welbevinden zat zowel op school als thuis. E is de leerling die midden zit in zijn welbevinden.
Dia 39:
Roteren is een methode waarbij SPSS eigenlijk dezelfde gegevens op een net iets andere manier
benaderd. Het is wat het woord zegt, je gaat op een iets andere manier naar iets kijken. Dus dat
betekend letterlijk, als ik nu in de zaal naar jullie kijk en ik neem een andere positie in. Daar worden
jullie niet anders van maar als ik jullie moet omschrijven wordt dat wel anders. Ik ga dadelijk op het
bord tekenen hoe dat technisch eruit ziet. Met roteren kun je er voor zorgen dat de zogeheten
eenvoudige structuur beter tot zijn recht komt.
2
Transcriptie HC 10
VERVOLG PPT HC 9 en HC 10
Validiteit
Dia 30:
Vorige week zijn we gestart met het blok validiteit. Na stil te hebben gestaan bij 3 belangrijke vormen
van validiteit, te weten critieriumvaliditeit, inhoudsvaliditeit en begripsvaliditeit, zijn we verder
gegaan met de zogenaamde PCA. Een analyse techniek die bedoelt is om op exploratieve wijze na te
gaan hoeveel componenten er te onderscheiden zouden zijn in een instrument. We waren begonnen
met het trekken van één component om enigszins vertrouwd te raken met de termen die bij deze
analyse horen. Zo zagen we dat een zogenaamde componentenmatrix wordt gemaakt. Dat is een
tabel met getallen die staan voor de mate waarin een item met de latente component samenhangt.
Hoe dat item op een bepaalde component laad. De optelsom van deze gekwadrateerde ladingen
noemen we ook wel de eigenwaarde van een component. Oftewel, het totaal door een component
verklaarde hoeveelheid itemvarianties. De absolute waarde van de eigenwaarde krijgt betekenis
door dit te delen door het aantal items waarmee we ook proportie verklaarde variantie per item
verklaren. Daarna hebben we gezien dat er een aantal hulpmiddelen is om te bepalen hoeveel
componenten er het best onderscheiden kunnen worden. Het begint eenvoudig met je eigen
verwachting vooraf, maar er is nog een aantal technische criteria ook. Namelijk, het aantal
componenten met het eigenwaarde groter dan 1. Scree-plots waarbij we kunnen kijken naar het
aantal componenten voor de knik of inclusief de knik. Het aantal componenten boven het puin. De
hoeveelheid verklaarde variantie met een zo klein mogelijk aantal componenten. Want dat is
uiteindelijk het doel van deze heel exercitie. En de inhoudelijke interpretatie van de uitkomsten. Die
slide moet je er vaak even bijhouden, het aantal componenten hoe bepaal je dat.
Tot slot, hebben we nogmaals de componenten analyse uitgevoerd waarin twee componenten
worden getrokken. Deze analyse liet zien dat het tweede component nog aanvullende info gaf op de
eerste. De eerste component hadden we namelijk gelabeld als ‘algemeen welbevinden’, waarmee we
leerlingen al enigszins konden typeren. We verdeelden ze in drie groepen, leerlingen met een laag
welbevinden, hoog welbevinden en een gemiddeld welbevinden. En de tweede component bleek
info te geven over de verhouding tussen welbevinden thuis en op school. De leerlingen met een –
score bleken welbevinden thuis hoog te zijn en op school laag. En bij leerlingen met een plus score
andersom. En bij leerlingen met een 0 bleek dat het welbevinden op beide plekken gelijk was. En
deze extra info stelde ons in staat om de leerlingen met een gemiddeld welbevinden beter te kunnen
typeren.
Deze wijze van het analyseren van de gegevens door SPSS werd telkens gezocht naar een oplossing
waarin elk item informatie aandraagt en waarbij gezorgd wordt dat de eerste component zo veel
mogelijk variantie verklaard en de volgende zo veel mogelijk extra’s. Met deze werkwijze levert elk
item als het ware informatie aan voor elk van de componenten die getrokken worden. En we zullen
zo zien dat dat handiger kan. Handiger in de zin van dat de interpretatie van de uitkomsten beter is
als we net iets extra’s doen in de analyse. Namelijk, roteren. Dan pakken we nu de draad op.
Dia 33:
Leerling A waar zou je die positioneren in dat plotje van slide 30?
Dia 34:
Hebben jullie nog vragen naar aanleiding van de tekeningetjes die jullie thuis moesten maken?
1
, Psychometrie en besliskunde HC 10
Vraag student: je had het de vorige keer over hoog – hoog en toen zei je dat het dan rechts onder de
middenlijn zat. Maar dan is component 1 toch middel in plaats van hoog?
Lex: ik pak mijn slides er even bij. Rechts op de middenlijn, ja. Ik pak even mijn slides erbij zodat ik
weet wat ik op welke as heb zitten anders ga ik dadelijk precies het tegenovergestelde vertellen. Als
ik kijk naar deze, dan heb ik op de y-as de verhouding tussen school en thuis zitten. En op de x-as heb
ik welbevinden zitten. Dat betekend dat als je de oplossing van vorige week pakt. Jullie kunnen je nog
herinneren dat wij zeiden, die eerste component is een unipolaire component. Alle scores vallen in
de plus dus er zitten geen min scores bij. Dat in feite deze as (het rechter deel van de x-as vanaf het
0-punt naar rechts). Dan hebben wij de y-as die zou de verhouding tussen school en thuis weergeven.
Dat betekend dat als je de ladingen zou plotten in deze matrix, dan krijg je eigenlijk alleen maar in
deze twee kwadranten (B en D, rode letters in extra bestand op bs) krijg je die combinaties van
ladingen staan. Want het is altijd een combinatie van een plus lading voor het algemene welbevinden
en dan is het een plus of een min afhankelijk van wat iemand hier scoort (y-as?).
Dia 35:
Dat betekend dat als ik ze plot, dan komen ze hier te liggen allemaal. Daaraan kun je zien dat de y-as
een bipolaire is. Die gaat de min en de plus in.
Dia 36:
Dan kom ik terug bij de vraag van de student. Of misschien heb je nu zelf wel al een antwoord.
Student: ik had gedacht dat component 1 dan thuis was en component 2 school.
Lex: nee. Jij bent eigenlijk datgene wat wij menselijk doen. Wij proberen met onze menselijke geest
dingen op te knippen in twee verschillende dingen. En dan te zeggen, die itempjes horen bij thuis en
die itempjes horen bij school. Maar deze manier van analyseren die we vorige week gehad hebben,
dan doet SPSS iets wat niet past bij onze manier van interpreteren. Want die zegt, oke ik pak één
component en iedereen levert daar een bijdrage aan en dat noem ik algemeen welbevinden, dat is
deze component (x-as vanaf het 0-punt naar rechts). En de andere levert ook weer ieder item een
bijdrage aan, is dan de verhouding tussen school en thuis. Dat betekend dat hier degene zitten die
een hoog welbevinden hebben (het meest rechtse punt op de x-as, leerling A). En waarom plaats ik
die in het midden (Daarmee bedoelt hij het midden
van de y-as ofwel op dat punt dat y=0), omdat hij zowel op school als thuis hoog welbevinden
hebben. Dus als je kijkt naar de verhouding tussen school en thuis, zitten die op 0. Dus dat betekend
dat op deze x-as, daar zitten eigenlijk 3 van die leerlingen. Leerling D was de leerling die laag in zijn
welbevinden zat zowel op school als thuis. E is de leerling die midden zit in zijn welbevinden.
Dia 39:
Roteren is een methode waarbij SPSS eigenlijk dezelfde gegevens op een net iets andere manier
benaderd. Het is wat het woord zegt, je gaat op een iets andere manier naar iets kijken. Dus dat
betekend letterlijk, als ik nu in de zaal naar jullie kijk en ik neem een andere positie in. Daar worden
jullie niet anders van maar als ik jullie moet omschrijven wordt dat wel anders. Ik ga dadelijk op het
bord tekenen hoe dat technisch eruit ziet. Met roteren kun je er voor zorgen dat de zogeheten
eenvoudige structuur beter tot zijn recht komt.
2
