Samenvatting Toegepaste data-analyse: SEM-BASIS | UGent | 2025/2026

2025-2026




Toegepaste
data-analyse:
SEM-BASIS

,Inhoud
H1: Introductie structural equation modeling (SEM) ............................................................................ 2
1. Wat is SEM? .......................................................................................................................... 2
2. Hoe werkt SEM? .................................................................................................................... 4
3. Een eerste voorbeeld: een CFA met drie factoren .................................................................... 9
4. De matrixweergave van een CFA-model................................................................................ 10
5. Een tweede voorbeeld: the Political Democracy dataset ......................................................... 12
6. Modelschatting .................................................................................................................... 14
7. Modelevaluatie .................................................................................................................... 14
8. Herformulering van het model .............................................................................................. 15
9. Resultaten doorgeven .......................................................................................................... 15
H2: Introductie R package lavaan..................................................................................................... 16
1. Software for SEM ................................................................................................................ 16
2. The R package ‘lavaan’ ........................................................................................................ 16
3. The lavaan model syntax ..................................................................................................... 17
4. Lavaan: een korte gebruikershandleiding .............................................................................. 25
H3: SEM voor meerdere groepen, meetinvariantie ............................................................................. 32
1. Meanstructures ................................................................................................................... 32
2. Meerdere groepen ............................................................................................................... 33
3. Meetinvariantie ................................................................................................................... 33
4. Wat als de meetinvariantie niet kan worden vastgesteld? (optioneel) ..................................... 38
5. Meetinvariantie: recente ontwikkelingen en literatuurverwijzingen .......................................... 39
H4: SEM met ontbrekende data, SEM met niet-normale (continue) data ............................................. 40
1. Missing data........................................................................................................................ 40
2. Afwijkende waarden en alternatieve schatters ....................................................................... 42




1

,H1: INTRODUCTIE STRUCTURAL EQUATION MODELING (SEM)
1. Wat is SEM?
➢ SEM is een multivariate statistische modelleringstechniek
• SEM is een structureel vergelijkingsmodel
• Typisch voor SEM is dat er heel veel variabelen zijn en dat we willen weten hoe ze interageren
➢ Met SEM kunnen we een hypothese/model over de data testen
• We postuleren een gegevensgenererend model
• Dit model kan al dan niet bij de gegevens passen
• We wensen na te gaan of er evidentie is voor de theorie in de data
➢ Wat is er zo bijzonder aan SEM?
1. Het model kan latente variabelen bevatten
- Latente variabelen kunnen hypothetische ‘constructen’ zijn (bv. depressie) die
worden gemeten aan de hand van een reeks indicatoren
- Latente variabelen kunnen willekeurige effecten zijn (bv. willekeurige intercepten)
- Error terms, missing data, …
- ≠ padanalyse → geen latente variabelen
2. SEM maakt indirecte effecten (mediatie), wederzijdse effecten, … mogelijk
3. Het model wordt weergegeven als een diagram

➢ Wie gebruikt SEM?
• Het wordt veel gebruikt in de sociale wetenschappen
• Het wordt steeds meer ‘ontdekt’ door andere vakgebieden:
- Medische wetenschappen
- Neuroimaging
- Biologie, ecologie (klimaatverandering!)
- …
• SEM-software wordt ook gebruikt om standaardanalyses uit te voeren (bijv.
regressie), maar wanneer er behoefte is aan:
- Omgaan met ontbrekende gegevens, geclusterde gegevens, categorische gegevens
- Robuuste standaardfouten, goodness-of-fit-maatstaven
- (On)gelijkheidsbeperkingen
- …

Univariate lineaire regressie




 Cirkel = latente variabelen (staan niet in data/ hypothetische constructen/ niet geobserveerd)
 Vierkantjes = indicatoren, geobserveerde variabelen (kolommen in data)
 Pijltje toekomen = proberen voorspellen
 β0/1= intercept
 x1,2,… = predictoren
 ϵi = errorterm (wat we tekort hebben) → latente variabele omdat je ze niet kan zien in de data,
kom je vaak pas achteraf te weten → worden vaak ook niet vermeld in diagram omdat het te
onoverzichtelijk zou worden, maar ze zijn er wel altijd!
 y = afhankelijke variabele c
2

, Multivariate regressie




 Strikt onderscheid tussen ‘afhankelijke’ variabelen (uitkomstvariabelen/y) en ‘onafhankelijke’
variabelen (predictoren/x)


Pad-analyse




 Alle variabelen worden waargenomen (manifest)
 We houden rekening met indirecte effecten (bijv. van y5, via y6 op y7)
 We houden rekening met cycli (bijv. y7 zou y5 kunnen beïnvloeden)
 Exogene variabelen = buiten het systeem → alleen uitgaande pijlen (y1, y2, y3, y4)
 Endogene variabelen = binnen het systeem (y5, y6)
 y5 en y6 zijn uitkomstvariabelen, maar ook een predictor van een andere y6 of y7

 Leesfrequentie positief effect op leesvaardigheid
 Doel = Leesvaardigheid maximaliseren


Confirmatorische factoranalyse (CFA)




 Meetmodel: geeft de relatie weer tussen een of meer latente variabelen en hun (waargenomen) indicatoren
 Latente variabelen die de predictoren veroorzaken en niet omgekeerd
 Eerst toetsen of het meetmodel meet wat het hoort te meten, daarna kan pas een CFA
uitgevoerd worden om te kijken of het model nog steeds geldt




3