Kwantitatief luik
Coderen en data-entry in SPSS
De constructie van variabelen
Vóór dataverzameling (methodologie deel 2)
- van concepten naar (enquête)vragen en items: operationaliseren
- we gaan van een bepaald concept naar een vraag die we hebben voorgelegd aan
onze respondenten in een kwantitatieve vragenlijst, meestal stellen we meerdere
vragen op het concept in kaart te brengen
Na dataverzameling
- van antwoorden op een vraag naar variabelen die we kunnen analyseren
● soms: variabelen = antwoorden (codes) op enquêtevragen
● soms: variabelen via hercoderen (bv. je vraagt in je enquête naar het geboortejaar
maar je wilt rapporteren over de leeftijd, dan doe je een bewerking om tot de leeftijd
te komen) van enquêtevragen
● soms: enquêtevragen samennemen tot schalen om abstracte concepten (vb.
anomie, onveiligheid…) te meten = schaalconstructie
Het coderen aan de hand van schalen
Van vragenlijst via codeboek naar databestand
- Belang van duidelijke codering:
● Veiligheidsmonitor: vragenlijst met module buurtproblemen, mijdgedrag,
risico-inschatting, politiefunctioneren……
● SCV survey: overzicht vragen en codeboek
● ESS: ‘main questionnaire’ en ‘data protocol’
● JOP-monitor: technisch verslag
- codes in het databestand moeten begrijpbaar zijn bv. 3 verwijst naar een ‘soms’, een
antwoord van de respondent
- kolommen = variabelen
- rijen = respondenten
- je kan geen zinvolle analyse uitoefenen als je niet weet wat bv. v57 betekend, dit
moet duidelijk in je codeboek staan
volgende stap: data-entry in SPSS (kan korter of langer zijn, dit hangt af van de manier van
verzameling)
, ● belang van CATI, CASI, etc…
● cf. websurveys via Limesurvey, Qualtrics…
volgende stap: data-cleaning en analyse…
Coderen: bijkomende punten en samenvattende regels
● overzichtelijke vragenlijst (genummerd)
● duidelijk en consequent codeboek (‘veldcoderen’ uitsluiten)
● afspraken voor ‘weet niet’ (7, 77,…), ‘geen antwoord’ (8, 88,…), ‘niet van toepassing’
(9, 99,…): zie bv. codeboek SCV survey
○ worden vaak op dezelfde manier gecodeerd in eenzelfde onderzoek maar
ook in andere onderzoeken waardoor afspraken nodig zijn
● afspraken voor filtervragen
○ respondenten lezen soms instructies niet en vullen vragen in die ze niet
moeten invullen, gaan we deze antwoorden weglaten of gebruiken?
● afspraken voor onduidelijke antwoorden
● afspraken verwerking meerdere antwoordmogelijkheden
○ wat als iemand 2 dingen heeft aangeduid terwijl de regel was dat je maar 1
antwoord mocht aanduiden, maak hier rond consequente regels
● …
Coderen: bijkomende punten en samenvattende regels
- data-entry
● SPSS format opmaken
● input met twee
● voordeel van websurvey, CASI, CATI,…
- data-cleaning
● check: frequentietabellen
● check filtervragen
Inleiding multivariate analyse
Waarom methodologie?
● methodologie en statistiek als ‘toolkit’ voor sociale wetenschapper
● onderzoek opzetten, uitvoeren en analyseren (en ‘evalueren’)
● methodologie deel 2: opzetten, uitvoeren
● methodologie deel 3: analyseren, concluderen
Rol van statistiek?
● beschrijvende statistiek: frequenties, tabellen, grafieken…
● inferentiële statistiek
○ modelleren van onzekerheid
○ ‘hoe waarschijnlijk is een resultaat onder een bepaalde veronderstelling van
de werkelijkheid’
○ statistiek als wetenschap van de probabiliteit
Rol van statistiek? Een voorbeeld…
- OV: Verschilt het onveiligheidsgevoel tussen mannen en vrouwen?
, - conceptualisering, operationalisering, steekproeftrekking, dataverzameling…
- analyse: onveiligheidsgevoel vrouwen > onveiligheidsgevoel mannen (steekproef!)
- ‘hoe groot is de kans dat vrouwen zich onveiliger voelen dan mannen (steekproef),
wanneer we veronderstellen dat geslacht en onveiligheidsgevoelens niet
samenhangen (nulhypothese)’
H0: onveiligheidsgevoel vrouwen = onveiligheidsgevoel mannen
Ha: onveiligheidsgevoel vrouwen ≠ onveiligheidsgevoel mannen
Analyse in het criminologische domein
● bedreigingen voor validiteit en betrouwbaarheid
● probleem bij steekproeftrekking, contactname en uitvoering onderzoek
~ verborgen populaties, geen steekproefkader
~ nonrespons, bedreigende vragen, sociale wenselijkheid
~ ….
● probleem van de verdeling van de data
~ normale vs. scheve verdelingen = we werken vaak met een normale verdeling maar in de
criminologie is dit niet altijd zo
~ ….
- veel mensen die 0 feiten plegen, hoe meer feiten hoe minder mensen dit plegen, een
zeer scheve verdeling
-> men zoekt vaak andere variabele die er bij aanleunt maar niet helemaal hetzelfde is, de
afhankelijke variabele gaat niet criminaliteit zijn maar de tolerantie tegen de misdrijven en
deze verdeling is wel normaal maar we mogen er dan niet vanuit gaan dat criminaliteit ook
normaal verdeeld is
Introductie
Univariate, bivariate en multivariate technieken
● univariaat
~ één variabele
~ eenvoudige descriptieve maten
~ maten voor centrale tendentie, spreiding…
● bivariaat
~ twee variabelen
~ verband, verschil, samenhang, correlatie
~ bv. verband tussen geslacht en onveiligheidsgevoelens
● multivariaat
, ~ 3 of meer variabelen
~ geïntegreerde analyse
~ tal van mogelijkheden/beperkingen…
Keuze van de analysetechniek
● voorspelling vs. samenhang
~ symmetrisch: samenhang, verband, correlatie…
~ asymmetrisch: afhankelijk/onafhankelijke variabelen,
invloed, effect, predictie… (causaliteit (?))
● meetniveau van de variabelen
~ nominaal, ordinaal, metrisch
~ meten = toekennen van getallen aan waarnemingen
- goed bekijken
- ordinaal kan evengoed zijn 1, 6, 12, 14 -> het lijkt onlogisch maar er is een rangorde
en
- de afstand tussen helemaal oneens, oneens, noch oneens, noch eens is onbepaald
- gemiddelde kan niet berekend worden want dan heb je getallen na de komma en dan
kan je wel een afstand bepalen (dit kan wel bij metrische variabelen)
bv. prevalentie van criminaliteit herleiden tot 2 categorieën: 0 en 1 met 0 mensen die nog
nooit iets hebben gedaan en 1 de mensen die al wel iets hebben gedaan
- dummy codering laat ons toe om er bewerkingen op uit te oefenen ook al is het een
nominale variabelen! bv. geslacht
Coderen en data-entry in SPSS
De constructie van variabelen
Vóór dataverzameling (methodologie deel 2)
- van concepten naar (enquête)vragen en items: operationaliseren
- we gaan van een bepaald concept naar een vraag die we hebben voorgelegd aan
onze respondenten in een kwantitatieve vragenlijst, meestal stellen we meerdere
vragen op het concept in kaart te brengen
Na dataverzameling
- van antwoorden op een vraag naar variabelen die we kunnen analyseren
● soms: variabelen = antwoorden (codes) op enquêtevragen
● soms: variabelen via hercoderen (bv. je vraagt in je enquête naar het geboortejaar
maar je wilt rapporteren over de leeftijd, dan doe je een bewerking om tot de leeftijd
te komen) van enquêtevragen
● soms: enquêtevragen samennemen tot schalen om abstracte concepten (vb.
anomie, onveiligheid…) te meten = schaalconstructie
Het coderen aan de hand van schalen
Van vragenlijst via codeboek naar databestand
- Belang van duidelijke codering:
● Veiligheidsmonitor: vragenlijst met module buurtproblemen, mijdgedrag,
risico-inschatting, politiefunctioneren……
● SCV survey: overzicht vragen en codeboek
● ESS: ‘main questionnaire’ en ‘data protocol’
● JOP-monitor: technisch verslag
- codes in het databestand moeten begrijpbaar zijn bv. 3 verwijst naar een ‘soms’, een
antwoord van de respondent
- kolommen = variabelen
- rijen = respondenten
- je kan geen zinvolle analyse uitoefenen als je niet weet wat bv. v57 betekend, dit
moet duidelijk in je codeboek staan
volgende stap: data-entry in SPSS (kan korter of langer zijn, dit hangt af van de manier van
verzameling)
, ● belang van CATI, CASI, etc…
● cf. websurveys via Limesurvey, Qualtrics…
volgende stap: data-cleaning en analyse…
Coderen: bijkomende punten en samenvattende regels
● overzichtelijke vragenlijst (genummerd)
● duidelijk en consequent codeboek (‘veldcoderen’ uitsluiten)
● afspraken voor ‘weet niet’ (7, 77,…), ‘geen antwoord’ (8, 88,…), ‘niet van toepassing’
(9, 99,…): zie bv. codeboek SCV survey
○ worden vaak op dezelfde manier gecodeerd in eenzelfde onderzoek maar
ook in andere onderzoeken waardoor afspraken nodig zijn
● afspraken voor filtervragen
○ respondenten lezen soms instructies niet en vullen vragen in die ze niet
moeten invullen, gaan we deze antwoorden weglaten of gebruiken?
● afspraken voor onduidelijke antwoorden
● afspraken verwerking meerdere antwoordmogelijkheden
○ wat als iemand 2 dingen heeft aangeduid terwijl de regel was dat je maar 1
antwoord mocht aanduiden, maak hier rond consequente regels
● …
Coderen: bijkomende punten en samenvattende regels
- data-entry
● SPSS format opmaken
● input met twee
● voordeel van websurvey, CASI, CATI,…
- data-cleaning
● check: frequentietabellen
● check filtervragen
Inleiding multivariate analyse
Waarom methodologie?
● methodologie en statistiek als ‘toolkit’ voor sociale wetenschapper
● onderzoek opzetten, uitvoeren en analyseren (en ‘evalueren’)
● methodologie deel 2: opzetten, uitvoeren
● methodologie deel 3: analyseren, concluderen
Rol van statistiek?
● beschrijvende statistiek: frequenties, tabellen, grafieken…
● inferentiële statistiek
○ modelleren van onzekerheid
○ ‘hoe waarschijnlijk is een resultaat onder een bepaalde veronderstelling van
de werkelijkheid’
○ statistiek als wetenschap van de probabiliteit
Rol van statistiek? Een voorbeeld…
- OV: Verschilt het onveiligheidsgevoel tussen mannen en vrouwen?
, - conceptualisering, operationalisering, steekproeftrekking, dataverzameling…
- analyse: onveiligheidsgevoel vrouwen > onveiligheidsgevoel mannen (steekproef!)
- ‘hoe groot is de kans dat vrouwen zich onveiliger voelen dan mannen (steekproef),
wanneer we veronderstellen dat geslacht en onveiligheidsgevoelens niet
samenhangen (nulhypothese)’
H0: onveiligheidsgevoel vrouwen = onveiligheidsgevoel mannen
Ha: onveiligheidsgevoel vrouwen ≠ onveiligheidsgevoel mannen
Analyse in het criminologische domein
● bedreigingen voor validiteit en betrouwbaarheid
● probleem bij steekproeftrekking, contactname en uitvoering onderzoek
~ verborgen populaties, geen steekproefkader
~ nonrespons, bedreigende vragen, sociale wenselijkheid
~ ….
● probleem van de verdeling van de data
~ normale vs. scheve verdelingen = we werken vaak met een normale verdeling maar in de
criminologie is dit niet altijd zo
~ ….
- veel mensen die 0 feiten plegen, hoe meer feiten hoe minder mensen dit plegen, een
zeer scheve verdeling
-> men zoekt vaak andere variabele die er bij aanleunt maar niet helemaal hetzelfde is, de
afhankelijke variabele gaat niet criminaliteit zijn maar de tolerantie tegen de misdrijven en
deze verdeling is wel normaal maar we mogen er dan niet vanuit gaan dat criminaliteit ook
normaal verdeeld is
Introductie
Univariate, bivariate en multivariate technieken
● univariaat
~ één variabele
~ eenvoudige descriptieve maten
~ maten voor centrale tendentie, spreiding…
● bivariaat
~ twee variabelen
~ verband, verschil, samenhang, correlatie
~ bv. verband tussen geslacht en onveiligheidsgevoelens
● multivariaat
, ~ 3 of meer variabelen
~ geïntegreerde analyse
~ tal van mogelijkheden/beperkingen…
Keuze van de analysetechniek
● voorspelling vs. samenhang
~ symmetrisch: samenhang, verband, correlatie…
~ asymmetrisch: afhankelijk/onafhankelijke variabelen,
invloed, effect, predictie… (causaliteit (?))
● meetniveau van de variabelen
~ nominaal, ordinaal, metrisch
~ meten = toekennen van getallen aan waarnemingen
- goed bekijken
- ordinaal kan evengoed zijn 1, 6, 12, 14 -> het lijkt onlogisch maar er is een rangorde
en
- de afstand tussen helemaal oneens, oneens, noch oneens, noch eens is onbepaald
- gemiddelde kan niet berekend worden want dan heb je getallen na de komma en dan
kan je wel een afstand bepalen (dit kan wel bij metrische variabelen)
bv. prevalentie van criminaliteit herleiden tot 2 categorieën: 0 en 1 met 0 mensen die nog
nooit iets hebben gedaan en 1 de mensen die al wel iets hebben gedaan
- dummy codering laat ons toe om er bewerkingen op uit te oefenen ook al is het een
nominale variabelen! bv. geslacht
