Samenvatting statistiek IV
2025 – 2026
, Inhoudstafel
HOC 1: Verkennen van data .................................................................................. 3
HOC 2: (co)variantieanalyse ............................................................................... 11
HOC 3: Two way anova ...................................................................................... 19
HOC 4 en 5: regressieanalyse .............................................................................. 24
HOC 6: Causaliteit, mediatie en moderatie ........................................................... 35
HOC 7: Factoranalyse ........................................................................................ 41
HOC 8: Clusteranalyse ....................................................................................... 45
HOC 9: SEM ..................................................................................................... 51
HOC 10: Psychologische netwerkanalyse ............................................................. 54
, HOC 1: Verkennen van data
1. Waarom data-analyse onmisbaar is voor psychologen
Data-analyse vormt een essentieel onderdeel van de wetenschappelijke cyclus. Ze helpt
onderzoekers niet alleen bij het verwerken van gegevens, maar ook bij het trekken van
betrouwbare conclusies en het evalueren van theorieën.
Data-analyse heeft verschillende functies:
• Data ordenen: gegevens overzichtelijk weergeven via tabellen en grafieken.
• Data beschrijven: kenmerken van de steekproef samenvatten met beschrijvende
statistieken, zoals gemiddelden en spreidingsmaten.
• Data interpreteren: via inferentiële statistiek uitspraken doen over een populatie op basis
van een steekproef.
• Theorieën toetsen: nagaan of onderzoeksresultaten bestaande theorieën ondersteunen of
aanleiding geven tot bijsturing.
Voorbeeld: Een bekend voorbeeld is de frauduleuze studie die een verband suggereerde tussen
vaccins en autisme. De foutieve conclusies hadden een aanzienlijke impact op de volksgezondheid
en tonen het belang aan van correcte data-analyse → statistische kennis draagt bij aan een kritische
houding tegenover wetenschappelijke publicaties!
2. Dataverkenning: de voorbereiding op multivariate analyses
Voordat complexe analysetechnieken worden toegepast, is een grondige verkenning van de dataset
noodzakelijk.
Stap Doel
Grafische verkenning Patronen en verdelingen visueel onderzoeken
Missing data analyseren Ontbrekende waarden identificeren en begrijpen
Outliers detecteren Uitschieters opsporen en hun invloed evalueren
Assumpties controleren Nagaan of statistische voorwaarden vervuld zijn
Transformaties toepassen Variabelen aanpassen indien nodig
Dummycodering Categorische variabelen geschikt maken voor
analyses
Een zorgvuldige dataverkenning verhoogt de betrouwbaarheid van de uiteindelijke resultaten.
, 3. Grafieken als hulpmiddel bij data-analyse
Grafieken zijn meer dan een visuele voorstelling van gegevens; ze vormen een belangrijk
analysemiddel.
Een goede grafiek:
• toont de ruwe data zo duidelijk mogelijk;
• maakt complexe datasets overzichtelijk;
• vergemakkelijkt vergelijkingen;
• helpt patronen en afwijkingen herkennen.
De blangrijkste grafiektypes zijn:
Grafiek Toepassing
Histogram Verdeling van continue variabelen onderzoeken
Boxplot Spreiding en uitschieters visualiseren
Scatterplot Verband tussen twee continue variabelen bekijken
Gegroepeerde scatterplot Verbanden vergelijken tussen verschillende groepen
Principe van parsimonie = Bij het interpreteren van een scatterplot wordt steeds nagegaan welk
model het eenvoudigst en tegelijk voldoende accuraat is. Volgens het principe van parsimonie
verdient een eenvoudig model de voorkeur boven een complex model, tenzij extra
complexiteit duidelijk noodzakelijk is.
4. Ontbrekende data (missing data)
Ontbrekende gegevens kunnen de resultaten van een onderzoek vertekenen. Daarom moeten ze
systematisch worden onderzocht.
Stap 1: Oorzaak van de missing data bepalen
Type Kenmerken
Verwaarloosbaar Onderdeel van het onderzoeksdesign
Niet-verwaarloosbaar (gekend) Ontstaan door procedurefouten
Niet-verwaarloosbaar (ongekend) Samenhangend met kenmerken van de respondent
De context van het onderzoek bepaalt of ontbrekende data problematisch zijn.
2025 – 2026
, Inhoudstafel
HOC 1: Verkennen van data .................................................................................. 3
HOC 2: (co)variantieanalyse ............................................................................... 11
HOC 3: Two way anova ...................................................................................... 19
HOC 4 en 5: regressieanalyse .............................................................................. 24
HOC 6: Causaliteit, mediatie en moderatie ........................................................... 35
HOC 7: Factoranalyse ........................................................................................ 41
HOC 8: Clusteranalyse ....................................................................................... 45
HOC 9: SEM ..................................................................................................... 51
HOC 10: Psychologische netwerkanalyse ............................................................. 54
, HOC 1: Verkennen van data
1. Waarom data-analyse onmisbaar is voor psychologen
Data-analyse vormt een essentieel onderdeel van de wetenschappelijke cyclus. Ze helpt
onderzoekers niet alleen bij het verwerken van gegevens, maar ook bij het trekken van
betrouwbare conclusies en het evalueren van theorieën.
Data-analyse heeft verschillende functies:
• Data ordenen: gegevens overzichtelijk weergeven via tabellen en grafieken.
• Data beschrijven: kenmerken van de steekproef samenvatten met beschrijvende
statistieken, zoals gemiddelden en spreidingsmaten.
• Data interpreteren: via inferentiële statistiek uitspraken doen over een populatie op basis
van een steekproef.
• Theorieën toetsen: nagaan of onderzoeksresultaten bestaande theorieën ondersteunen of
aanleiding geven tot bijsturing.
Voorbeeld: Een bekend voorbeeld is de frauduleuze studie die een verband suggereerde tussen
vaccins en autisme. De foutieve conclusies hadden een aanzienlijke impact op de volksgezondheid
en tonen het belang aan van correcte data-analyse → statistische kennis draagt bij aan een kritische
houding tegenover wetenschappelijke publicaties!
2. Dataverkenning: de voorbereiding op multivariate analyses
Voordat complexe analysetechnieken worden toegepast, is een grondige verkenning van de dataset
noodzakelijk.
Stap Doel
Grafische verkenning Patronen en verdelingen visueel onderzoeken
Missing data analyseren Ontbrekende waarden identificeren en begrijpen
Outliers detecteren Uitschieters opsporen en hun invloed evalueren
Assumpties controleren Nagaan of statistische voorwaarden vervuld zijn
Transformaties toepassen Variabelen aanpassen indien nodig
Dummycodering Categorische variabelen geschikt maken voor
analyses
Een zorgvuldige dataverkenning verhoogt de betrouwbaarheid van de uiteindelijke resultaten.
, 3. Grafieken als hulpmiddel bij data-analyse
Grafieken zijn meer dan een visuele voorstelling van gegevens; ze vormen een belangrijk
analysemiddel.
Een goede grafiek:
• toont de ruwe data zo duidelijk mogelijk;
• maakt complexe datasets overzichtelijk;
• vergemakkelijkt vergelijkingen;
• helpt patronen en afwijkingen herkennen.
De blangrijkste grafiektypes zijn:
Grafiek Toepassing
Histogram Verdeling van continue variabelen onderzoeken
Boxplot Spreiding en uitschieters visualiseren
Scatterplot Verband tussen twee continue variabelen bekijken
Gegroepeerde scatterplot Verbanden vergelijken tussen verschillende groepen
Principe van parsimonie = Bij het interpreteren van een scatterplot wordt steeds nagegaan welk
model het eenvoudigst en tegelijk voldoende accuraat is. Volgens het principe van parsimonie
verdient een eenvoudig model de voorkeur boven een complex model, tenzij extra
complexiteit duidelijk noodzakelijk is.
4. Ontbrekende data (missing data)
Ontbrekende gegevens kunnen de resultaten van een onderzoek vertekenen. Daarom moeten ze
systematisch worden onderzocht.
Stap 1: Oorzaak van de missing data bepalen
Type Kenmerken
Verwaarloosbaar Onderdeel van het onderzoeksdesign
Niet-verwaarloosbaar (gekend) Ontstaan door procedurefouten
Niet-verwaarloosbaar (ongekend) Samenhangend met kenmerken van de respondent
De context van het onderzoek bepaalt of ontbrekende data problematisch zijn.
