Werkcolleges Toegepaste data-analyse en rapportage (SPSS):
Vanaf WC 2
Vervolg WC 2: H5 – H6 – H7
*Nieuwe variabelen aanmaken:*
W1_Leeftijd maken → je hebt jaar afname survey – geboortejaar
Transform → computer variable → target variable: W1_leeftijd → bij numeric
expression: 2020 – W1_geboortejaar kiezen → paste
Check variable view of er een nieuwe rij bij is W1_leeftijd → bij label: ‘Leeftijd van de
respondent in jaren’
Analyze → descriptive statistics → frequencies → W1_leeftijd → paste & run
!!! Schaalvariabelen:
Maken een abstract kenmerken concreet meetbaar adhv subschalen (3 vragen) →
somscore of gemiddelde
! tegengestelde schaalitems → bv. Zorg dat bij elke vraag 1 het minste stress is en 5 het
meeste (= zelfde range)
➢ Checken via frequentietabel !
*Schaalvariabelen aanmaken:*
Transform → computer variable → naam kiezen bv. W2_Werkstress_Gem → bij
numeric expression vul in: MEAN (zie rechts bij functions and special variables) &
tussen haakjes W2_W_stress1,W2_W_stress2….) → type & label → label: werk- en
studiestress (items 1 t.e.m. 4) → continue → paste
Analyze → descriptive statistics → frequencies → W2_werkstress_Gem → paste & run
! SPSS dwingen enkel te berekenen vanaf 2 ingevulde items → MEAN.2
!!! OEFENING Schaalvariabelen maken (plenair):
‘Wat is de gemiddelde depressie bij mannen en vrouwen? Is de schaal links of rechts
scheef verdeeld? (DATA_WAVE1_CenW.sav)
1) Verifieer alle item mbt depressie op fouten (frequencies): analyze → descriptive
statistics → frequencies → W1_depressie 1 & 2 & 3 → paste & run
2) !!! Hercodeer items die moeten gespiegeld worden → we kiezen hoge score =
meer depressieve gevoelens dus 1 & 2 moeten gespiegeld worden: transform →
record into different variables → kies depressie 1 & geef naam
(W1_depressie1R) en label (omkering depressie1) → zelfde bij depressie 2 → old
1
, and new values → 1 -> 4, 2 -> 3, 3 -> 2, 4 -> 1, missing -> sysmis → continue →
paste => nieuwe variabele in variable view en values invullen
3) !! Verifieer de gehercodeerde items op fouten (frequencies): analyze →
descriptive statistics → frequencies → W1_depressie1R & W1_depressie2R →
paste & run (valid = total)
4) Bereken de schaal depressie + label de schaal: transform → computer variable
→ naam kiezen ‘W1_depressie_Gem’ → MEAN(W1_depressie1R,
W1_depressie2R, W1_depressie3) → type & label: gemiddelde score depressie
(item 1R, 2R en 3) → paste
5) Frequentietabel van de schaal: analyze → descriptive statistics → frequencies
→ W1_depressie_Gem → statistics: st. devation, mean, skewness, kurtosis →
continue → paste
6) Split file ‘geslacht’ + frequentietabel: data → split file → compare groups →
geslacht → paste & run → analyze → descriptive statistics → frequencies →
W1_depressie_Gem → statistics: mean, skewness, kurtosis, std. Deviation →
continue → paste & run
! let op dat er rechts boven split by W1_geslacht staat!
➔ Vergeet niet uit te zetten! (+ statistics uitzetten) (data → split file → analyze
all cases → ok)
‘Gemiddelde depressie bij mannen is 1.97 en bij vrouwen 2.15’
!!!! OEFENING schaalvariabele aanmaken:
‘Hadden thuiswerkende ouders met inwonende kinderen jonger dan 18 jaar gemiddeld
meer of minder werkstress dan thuiswerkende ouders zonder inwonende kinderen
jonger dan 18 jaar tijdens de lockdown?’
Onderzoeksvraag ontleden:
1. Thuiswerkenden? W1_ACT = 2 (ik werk thuis)
2. Ouders? W1_ouder = 1 (ja)
3. Inwonende kinderen? W1_Kinderen → hercoderen naar 0 = geen kinderen & 1 =
wel kinderen
4. Werkstress: W1_W_stress 1 to W1_W_stress 2 hercoderen tot schaal
STAP 1: Frequentietabel opvragen van al onze variabelen: analyze → descriptive
statistics → ACT, ouder, kinderen, werkstress 1 tot 4 → paste & run => check op
inconsistenties in tabellen
STAP 2: Kinderen variabele hercoderen (binair maken): transform → recode into
different variables → klik op W1_kinderen → geef nieuwe naam (W1_kinderen_binair) →
change → old and new values → 0 -> 0, ‘all other values’ -> 1, system or user missing ->
system missing → continue → paste & run → zie je bij variable view een nieuwe
2
,variabele ‘W1_kinderen_binair’ & values instellen: 0 = nee & 1 = ja & label: ‘Heb jij
inwonende kinderen?’ → frequentie opvragen om te checken!
=> ik heb geen inwonende kinderen = 0 & ik heb 1,2,3… inwonende kinderen = 1 (=
binair)
STAP 3: Werkstress hercoderen (schaalvariabele): transform → compute variable →
target variable: W1_werkstress_Gem → MEAN(W1_werkstress1, W1_werkstres2, …4)
→ paste & run → zie je bij variable view een nieuwe variabele ‘W1_werkstress_Gem’
! Komma’s zijn heel belangrijk anders error!
STAP 4: Mensen selecteren die enkel voor ACT = 2 & ouders = 1: Data → select cases →
if condition is satisified → if → ‘W1_ACT = 2 & W1_Ouder = 1’ → continue → paste & run
→ ‘Filter on’ zien staan rechts onder!!!
STAP 5: Vergelijking maken tussen wel/niet inwonende kinderen: Data → split file →
compare groups → ‘W1_kinderen_binair’ selecteren (nieuwe variabele!) → paste & run
→ ‘Split by’ W1_kinderen_binair zien staan rechts onder!!!
STAP 6: Frequentietabel van werkstress: zou automatisch enkel thuiswerkende ouders
moeten zien & een opdeling tussen met/zonder inwonende kinderen.
Analyze → descriptive statistics → frequencies → W1_werkstress_Gem → statistics:
mean & median → continue → paste & run
Finale output tabel:
W1_Werkstress_Gem: ‘Nee’ → mean: 2,45 & ‘Ja’ → mean: 2,73 => thuiswerkende
ouders die geen inwonende kinderen hebben en een ouder zijn (2,45) hebben minder
werkstress dan thuiswerkende ouders die wel inwonende kinderen hebben (2,73).
Filters afzetten na oefening!! Data → split file → analyze all cases & data → select
cases → all cases => check rechtsonder!
De interne consistentie van een schaal:
• Van ordinaal meetniveau (schaalitems) → metrisch
• Schaalvariabelen onbruikbaar als interne betrouwbaarheid/consistentie te
laag is!
o = hoe sterk hangen de schaalitems onderling samen?
o = meten de items voldoende hetzelfde concept?
o /=/ hoe sterk vertegenwoordigen de items het construct
*Cronbach’s Alpha:*
• Alpha = gem. van de correlaties van alle mogelijke splitsingen in 2 delen items
• Hoge betrouwbaarheid = hoge Alpha
3
, • Enkel mogelijk bij unidimensionele schalen & gevoelig voor aantal items (hoe
meer items -> hoe hoger alpha)
= interne consistentie/betrouwbaarheid schaal werkstress nagaan:
Analyze → scale → reliability analysis → selecteer W1_W_stress1 tot 4 → model: alpha
→ statistics: scale if item deleted → paste & run
Cornbach’s alpha = 0,88 = ‘Goede’ interne consistentie
Zie ‘Cronbach’s alpha if item deleted = 0,85-0,87 → dus item weglaten verbetert
alpha niet
OEFENING interne consistentie bepalen:
Bereken Cronbach’s alpha van de schaal angst. Welk item zorgt voor de laagste daling
in betrouwbaarheid als men het weglaat? Hoe zou je in tekstvorm de schaal
beschrijven? (DATA_WAVE1_CenW)
= meten alle subschalen van ‘angst’ wel echt angst?
Analyze → scale → reliability analysis → selecteer W1_angst1 tot 6 → model: alpha→
statistics: scale if item deleted → continue → paste & run
Alpha = 0,9
Laagste correlatie: snel geïrriteerd of prikkelbaar = 0,620 maar de alpha indien
men dit weglaat zal nog steeds 0,904 zijn
Rapportering: De schaal van angst bevat 6 items, waarbij de
antwoordmogelijkheden lopen op een 4-puntenschaal van ‘1 = helemaal niet’ tot
‘4 = bijna elke dag’. Een voorbeeld is ‘zich zenuwachtig, angstig of gespannen
voelen’. De betrouwbaarheid van de schaal is goed (alpha = 0.904)
Voorkomen van bepaalde waarden tellen via Count:
SPSS frequencies: voorkomen van alle waarden bij 1 variabele
SPSS Count: voorkomen van 1 bepaalde waarde over verschillende variabelen heen
➢ Bv. Tellen van aantal ‘missings’ → telling wordt opgeslagen onder nieuwe
variabele
➢ Bv. Hoeveel stadsbuurten hebben te kampen met drugs en/of vandalisme en/of
overval? → voor alle 3 (0 = nee, 1 = ja) => SPSS: Count (1 = ja)
*Tellen over variabelen heen: Count occurences of values within cases:*
Aantal respondenten nagaan met ontbrekende items voor schaalvariabele
relatiestress:
Transform → count values within cases → target variable: Missings_W1_relstress1 →
target label: aantal ontbrekende waarden voor de vier relatiestress items → selecteer:
4
Vanaf WC 2
Vervolg WC 2: H5 – H6 – H7
*Nieuwe variabelen aanmaken:*
W1_Leeftijd maken → je hebt jaar afname survey – geboortejaar
Transform → computer variable → target variable: W1_leeftijd → bij numeric
expression: 2020 – W1_geboortejaar kiezen → paste
Check variable view of er een nieuwe rij bij is W1_leeftijd → bij label: ‘Leeftijd van de
respondent in jaren’
Analyze → descriptive statistics → frequencies → W1_leeftijd → paste & run
!!! Schaalvariabelen:
Maken een abstract kenmerken concreet meetbaar adhv subschalen (3 vragen) →
somscore of gemiddelde
! tegengestelde schaalitems → bv. Zorg dat bij elke vraag 1 het minste stress is en 5 het
meeste (= zelfde range)
➢ Checken via frequentietabel !
*Schaalvariabelen aanmaken:*
Transform → computer variable → naam kiezen bv. W2_Werkstress_Gem → bij
numeric expression vul in: MEAN (zie rechts bij functions and special variables) &
tussen haakjes W2_W_stress1,W2_W_stress2….) → type & label → label: werk- en
studiestress (items 1 t.e.m. 4) → continue → paste
Analyze → descriptive statistics → frequencies → W2_werkstress_Gem → paste & run
! SPSS dwingen enkel te berekenen vanaf 2 ingevulde items → MEAN.2
!!! OEFENING Schaalvariabelen maken (plenair):
‘Wat is de gemiddelde depressie bij mannen en vrouwen? Is de schaal links of rechts
scheef verdeeld? (DATA_WAVE1_CenW.sav)
1) Verifieer alle item mbt depressie op fouten (frequencies): analyze → descriptive
statistics → frequencies → W1_depressie 1 & 2 & 3 → paste & run
2) !!! Hercodeer items die moeten gespiegeld worden → we kiezen hoge score =
meer depressieve gevoelens dus 1 & 2 moeten gespiegeld worden: transform →
record into different variables → kies depressie 1 & geef naam
(W1_depressie1R) en label (omkering depressie1) → zelfde bij depressie 2 → old
1
, and new values → 1 -> 4, 2 -> 3, 3 -> 2, 4 -> 1, missing -> sysmis → continue →
paste => nieuwe variabele in variable view en values invullen
3) !! Verifieer de gehercodeerde items op fouten (frequencies): analyze →
descriptive statistics → frequencies → W1_depressie1R & W1_depressie2R →
paste & run (valid = total)
4) Bereken de schaal depressie + label de schaal: transform → computer variable
→ naam kiezen ‘W1_depressie_Gem’ → MEAN(W1_depressie1R,
W1_depressie2R, W1_depressie3) → type & label: gemiddelde score depressie
(item 1R, 2R en 3) → paste
5) Frequentietabel van de schaal: analyze → descriptive statistics → frequencies
→ W1_depressie_Gem → statistics: st. devation, mean, skewness, kurtosis →
continue → paste
6) Split file ‘geslacht’ + frequentietabel: data → split file → compare groups →
geslacht → paste & run → analyze → descriptive statistics → frequencies →
W1_depressie_Gem → statistics: mean, skewness, kurtosis, std. Deviation →
continue → paste & run
! let op dat er rechts boven split by W1_geslacht staat!
➔ Vergeet niet uit te zetten! (+ statistics uitzetten) (data → split file → analyze
all cases → ok)
‘Gemiddelde depressie bij mannen is 1.97 en bij vrouwen 2.15’
!!!! OEFENING schaalvariabele aanmaken:
‘Hadden thuiswerkende ouders met inwonende kinderen jonger dan 18 jaar gemiddeld
meer of minder werkstress dan thuiswerkende ouders zonder inwonende kinderen
jonger dan 18 jaar tijdens de lockdown?’
Onderzoeksvraag ontleden:
1. Thuiswerkenden? W1_ACT = 2 (ik werk thuis)
2. Ouders? W1_ouder = 1 (ja)
3. Inwonende kinderen? W1_Kinderen → hercoderen naar 0 = geen kinderen & 1 =
wel kinderen
4. Werkstress: W1_W_stress 1 to W1_W_stress 2 hercoderen tot schaal
STAP 1: Frequentietabel opvragen van al onze variabelen: analyze → descriptive
statistics → ACT, ouder, kinderen, werkstress 1 tot 4 → paste & run => check op
inconsistenties in tabellen
STAP 2: Kinderen variabele hercoderen (binair maken): transform → recode into
different variables → klik op W1_kinderen → geef nieuwe naam (W1_kinderen_binair) →
change → old and new values → 0 -> 0, ‘all other values’ -> 1, system or user missing ->
system missing → continue → paste & run → zie je bij variable view een nieuwe
2
,variabele ‘W1_kinderen_binair’ & values instellen: 0 = nee & 1 = ja & label: ‘Heb jij
inwonende kinderen?’ → frequentie opvragen om te checken!
=> ik heb geen inwonende kinderen = 0 & ik heb 1,2,3… inwonende kinderen = 1 (=
binair)
STAP 3: Werkstress hercoderen (schaalvariabele): transform → compute variable →
target variable: W1_werkstress_Gem → MEAN(W1_werkstress1, W1_werkstres2, …4)
→ paste & run → zie je bij variable view een nieuwe variabele ‘W1_werkstress_Gem’
! Komma’s zijn heel belangrijk anders error!
STAP 4: Mensen selecteren die enkel voor ACT = 2 & ouders = 1: Data → select cases →
if condition is satisified → if → ‘W1_ACT = 2 & W1_Ouder = 1’ → continue → paste & run
→ ‘Filter on’ zien staan rechts onder!!!
STAP 5: Vergelijking maken tussen wel/niet inwonende kinderen: Data → split file →
compare groups → ‘W1_kinderen_binair’ selecteren (nieuwe variabele!) → paste & run
→ ‘Split by’ W1_kinderen_binair zien staan rechts onder!!!
STAP 6: Frequentietabel van werkstress: zou automatisch enkel thuiswerkende ouders
moeten zien & een opdeling tussen met/zonder inwonende kinderen.
Analyze → descriptive statistics → frequencies → W1_werkstress_Gem → statistics:
mean & median → continue → paste & run
Finale output tabel:
W1_Werkstress_Gem: ‘Nee’ → mean: 2,45 & ‘Ja’ → mean: 2,73 => thuiswerkende
ouders die geen inwonende kinderen hebben en een ouder zijn (2,45) hebben minder
werkstress dan thuiswerkende ouders die wel inwonende kinderen hebben (2,73).
Filters afzetten na oefening!! Data → split file → analyze all cases & data → select
cases → all cases => check rechtsonder!
De interne consistentie van een schaal:
• Van ordinaal meetniveau (schaalitems) → metrisch
• Schaalvariabelen onbruikbaar als interne betrouwbaarheid/consistentie te
laag is!
o = hoe sterk hangen de schaalitems onderling samen?
o = meten de items voldoende hetzelfde concept?
o /=/ hoe sterk vertegenwoordigen de items het construct
*Cronbach’s Alpha:*
• Alpha = gem. van de correlaties van alle mogelijke splitsingen in 2 delen items
• Hoge betrouwbaarheid = hoge Alpha
3
, • Enkel mogelijk bij unidimensionele schalen & gevoelig voor aantal items (hoe
meer items -> hoe hoger alpha)
= interne consistentie/betrouwbaarheid schaal werkstress nagaan:
Analyze → scale → reliability analysis → selecteer W1_W_stress1 tot 4 → model: alpha
→ statistics: scale if item deleted → paste & run
Cornbach’s alpha = 0,88 = ‘Goede’ interne consistentie
Zie ‘Cronbach’s alpha if item deleted = 0,85-0,87 → dus item weglaten verbetert
alpha niet
OEFENING interne consistentie bepalen:
Bereken Cronbach’s alpha van de schaal angst. Welk item zorgt voor de laagste daling
in betrouwbaarheid als men het weglaat? Hoe zou je in tekstvorm de schaal
beschrijven? (DATA_WAVE1_CenW)
= meten alle subschalen van ‘angst’ wel echt angst?
Analyze → scale → reliability analysis → selecteer W1_angst1 tot 6 → model: alpha→
statistics: scale if item deleted → continue → paste & run
Alpha = 0,9
Laagste correlatie: snel geïrriteerd of prikkelbaar = 0,620 maar de alpha indien
men dit weglaat zal nog steeds 0,904 zijn
Rapportering: De schaal van angst bevat 6 items, waarbij de
antwoordmogelijkheden lopen op een 4-puntenschaal van ‘1 = helemaal niet’ tot
‘4 = bijna elke dag’. Een voorbeeld is ‘zich zenuwachtig, angstig of gespannen
voelen’. De betrouwbaarheid van de schaal is goed (alpha = 0.904)
Voorkomen van bepaalde waarden tellen via Count:
SPSS frequencies: voorkomen van alle waarden bij 1 variabele
SPSS Count: voorkomen van 1 bepaalde waarde over verschillende variabelen heen
➢ Bv. Tellen van aantal ‘missings’ → telling wordt opgeslagen onder nieuwe
variabele
➢ Bv. Hoeveel stadsbuurten hebben te kampen met drugs en/of vandalisme en/of
overval? → voor alle 3 (0 = nee, 1 = ja) => SPSS: Count (1 = ja)
*Tellen over variabelen heen: Count occurences of values within cases:*
Aantal respondenten nagaan met ontbrekende items voor schaalvariabele
relatiestress:
Transform → count values within cases → target variable: Missings_W1_relstress1 →
target label: aantal ontbrekende waarden voor de vier relatiestress items → selecteer:
4
