Onderzoeksmethoden H5 en experimenteel onderzoek
H5) Data-analyse in kwantitatief onderzoek
5.1) Voorbereiding van de data-analyse
Voor de data-analyse zijn er enkele voorgaande stappen. Antwoorden uit enquêtes worden eerst omgezet
in cijfers = codering. Hiervoor maak je een codeboek om de betekenis v codes bij te houden. Je bepaalt
ook het meetniveau v variabelen.
5.1.1) Codering van blanco enquêtes (vb p171)
Om data vlot te verwerken, wordt een blanco enquête vooraf v codes voorzien. Antwoorden worden
zoveel mogelijk in cijfers omgezet. De woorden blijven de echte waarden, cijfers zijn enkel codes!!
➔ Dit is enkel een hulpmiddel voor de OZer, niet voor de respondent.
Waarom coderen? → Gegevens worden ingevoerd in een databank / databestand / datamatrix.
Werken met cijfers maakt registratie en analyse eenvoudiger.
• Bij open antwoorden (bv. “andere …”) noteer je ook de letterlijke invulling.
• Bij ja/nee-vragen:
o 1 = wel aangeduid
o 0 = niet aangeduid
Het is handig om de codering samen met het opstellen vd vragen te doen. Zo kan je de haalbaarheid vh
omzetten in cijfers inschatten en bots je erna niet op antwoorden die niet codeerbaar zijn.
5.1.2) Een codeboek opstellen
Na het coderen vd enquête wordt een codeboek opgesteld. Het codeboek = legende voor hoe codes
moeten worden geïnterpreteerd. Het is een intern hulpmiddel voor de OZer. Ook andere OZers kunnen
hiermee de data begrijpen en hergebruiken.
Meestal in tabelvorm:
variabele vraag antwoordoptie code Kolom 1: variabele (wat
geslacht Wat is je geslacht? vrouw 1 wordt gemeten)
man 2 Kolom 2: oorspronkelijke
vraag uit de enquête
anders 3
Kolom 3:
leeftijd Hoe oud ben je? numeriek numeriek antwoordmogelijkheden
woonvorm Waar woon je meestal? thuis 1 Kolom 4: bijhorende codes
studentenkamer 2
anders 3
sport Doe je aan sport? ja 1
nee 0
Maak evt. bijkomende categorieën vd antwoorden op de open vragen na afname indien dit relevant is
voor de OZvraag.
72
, 5.1.3) Een datamatrix opstellen
Na het toekennen van codes worden alle antwoorden samengebracht in 1 datatabel (datamatrix). Je
gebruikt hiervoor bv. Excel of SPSS. Alle gegevens vd enquête worden omgezet naar cijfers.
Opbouw vd datamatrix:
o Kolommen = variabelen (vaak afgekort)
o Rijen = individuele respondenten
o Eerste kolom = uniek identificatienummer per respondent → belangr want maakt het mogelijk
om fouten snel terug te vinden. Elke enquête moet dus vooraf genummerd worden.
Bij het invoeren v gegevens werk je met cijfercodes, uitsluitend bij open antwoorden noteer je de
letterlijke tekst vd respondent.
Na het invoeren controleer je de data op fouten = datacleaning (bv. via frequentietabellen). Foutieve of
onmogelijke waarden kunnen zo opgespoord worden
Ontbrekende waarden / missing values:
• Niet ingevuld door respondent = user missing values → code 9/99/999
• Niet v toepassing voor de respondent = system missing values → code 8/88/888
VOORBEELD:
ZIE PWP:
Mottart, M. & Vlaeminck, F. (2026). HCO 5
kwantitatief onderzoek [Powerpoint-slides]. Mens en
Samenleving, Arteveldehogeschool. Geraadpleegd
op 20/03/2026
5.1.4) Variabelen en hun meetniveaus
Voor je data analyseert, moet je weten welk type variabele je hebt. Dit bepaalt welke analyses mogelijk
zijn.
➔ Variabelen = kenmerken die kunnen verschillen tussen respondenten en versch waarden aannemen.
Er bestaan verschillende meetniveaus (van eenvoudig naar complex):
1. Nominaal → enkel verschil in naam/label, geen volgorde mogelijk. (vb. geslacht (man, vrouw,
andere))
2. Ordinaal → verschil in naam + volgorde mogelijk, maar geen exacte afstanden tussen categorieën.
(vb. frequentie: nooit / maandelijks / wekelijks / dagelijks).
3. Interval → naam + volgorde + gelijke afstanden tussen waarden, maar geen absoluut nulpunt. Je
kunt optellen en aftrekken, maar geen verhoudingen berekenen. Waarden <0 kunnen voorkomen en
hebben een betekenis (vb. temperatuur).
4. Ratio → naam + volgorde + gelijke afstanden + absoluut nulpunt. Alle berekeningen zijn
mogelijk, ook verhoudingen. Waarde 0 = afwezigheid v een kenmerk.
73
H5) Data-analyse in kwantitatief onderzoek
5.1) Voorbereiding van de data-analyse
Voor de data-analyse zijn er enkele voorgaande stappen. Antwoorden uit enquêtes worden eerst omgezet
in cijfers = codering. Hiervoor maak je een codeboek om de betekenis v codes bij te houden. Je bepaalt
ook het meetniveau v variabelen.
5.1.1) Codering van blanco enquêtes (vb p171)
Om data vlot te verwerken, wordt een blanco enquête vooraf v codes voorzien. Antwoorden worden
zoveel mogelijk in cijfers omgezet. De woorden blijven de echte waarden, cijfers zijn enkel codes!!
➔ Dit is enkel een hulpmiddel voor de OZer, niet voor de respondent.
Waarom coderen? → Gegevens worden ingevoerd in een databank / databestand / datamatrix.
Werken met cijfers maakt registratie en analyse eenvoudiger.
• Bij open antwoorden (bv. “andere …”) noteer je ook de letterlijke invulling.
• Bij ja/nee-vragen:
o 1 = wel aangeduid
o 0 = niet aangeduid
Het is handig om de codering samen met het opstellen vd vragen te doen. Zo kan je de haalbaarheid vh
omzetten in cijfers inschatten en bots je erna niet op antwoorden die niet codeerbaar zijn.
5.1.2) Een codeboek opstellen
Na het coderen vd enquête wordt een codeboek opgesteld. Het codeboek = legende voor hoe codes
moeten worden geïnterpreteerd. Het is een intern hulpmiddel voor de OZer. Ook andere OZers kunnen
hiermee de data begrijpen en hergebruiken.
Meestal in tabelvorm:
variabele vraag antwoordoptie code Kolom 1: variabele (wat
geslacht Wat is je geslacht? vrouw 1 wordt gemeten)
man 2 Kolom 2: oorspronkelijke
vraag uit de enquête
anders 3
Kolom 3:
leeftijd Hoe oud ben je? numeriek numeriek antwoordmogelijkheden
woonvorm Waar woon je meestal? thuis 1 Kolom 4: bijhorende codes
studentenkamer 2
anders 3
sport Doe je aan sport? ja 1
nee 0
Maak evt. bijkomende categorieën vd antwoorden op de open vragen na afname indien dit relevant is
voor de OZvraag.
72
, 5.1.3) Een datamatrix opstellen
Na het toekennen van codes worden alle antwoorden samengebracht in 1 datatabel (datamatrix). Je
gebruikt hiervoor bv. Excel of SPSS. Alle gegevens vd enquête worden omgezet naar cijfers.
Opbouw vd datamatrix:
o Kolommen = variabelen (vaak afgekort)
o Rijen = individuele respondenten
o Eerste kolom = uniek identificatienummer per respondent → belangr want maakt het mogelijk
om fouten snel terug te vinden. Elke enquête moet dus vooraf genummerd worden.
Bij het invoeren v gegevens werk je met cijfercodes, uitsluitend bij open antwoorden noteer je de
letterlijke tekst vd respondent.
Na het invoeren controleer je de data op fouten = datacleaning (bv. via frequentietabellen). Foutieve of
onmogelijke waarden kunnen zo opgespoord worden
Ontbrekende waarden / missing values:
• Niet ingevuld door respondent = user missing values → code 9/99/999
• Niet v toepassing voor de respondent = system missing values → code 8/88/888
VOORBEELD:
ZIE PWP:
Mottart, M. & Vlaeminck, F. (2026). HCO 5
kwantitatief onderzoek [Powerpoint-slides]. Mens en
Samenleving, Arteveldehogeschool. Geraadpleegd
op 20/03/2026
5.1.4) Variabelen en hun meetniveaus
Voor je data analyseert, moet je weten welk type variabele je hebt. Dit bepaalt welke analyses mogelijk
zijn.
➔ Variabelen = kenmerken die kunnen verschillen tussen respondenten en versch waarden aannemen.
Er bestaan verschillende meetniveaus (van eenvoudig naar complex):
1. Nominaal → enkel verschil in naam/label, geen volgorde mogelijk. (vb. geslacht (man, vrouw,
andere))
2. Ordinaal → verschil in naam + volgorde mogelijk, maar geen exacte afstanden tussen categorieën.
(vb. frequentie: nooit / maandelijks / wekelijks / dagelijks).
3. Interval → naam + volgorde + gelijke afstanden tussen waarden, maar geen absoluut nulpunt. Je
kunt optellen en aftrekken, maar geen verhoudingen berekenen. Waarden <0 kunnen voorkomen en
hebben een betekenis (vb. temperatuur).
4. Ratio → naam + volgorde + gelijke afstanden + absoluut nulpunt. Alle berekeningen zijn
mogelijk, ook verhoudingen. Waarde 0 = afwezigheid v een kenmerk.
73
