METHODOLOGIE DEEL 3: KWANTITATIEF LUIK
CODEREN EN DATA-ENTRY IN SPSS (H1)
DE CONSTRUCTIE VAN VARIABELEN
• Vóór dataverzameling (methodologie deel 2)
~ van (theoretische) concepten naar (survey)vragen en items: operationaliseren
• Na dataverzameling
~ van antwoorden op een vraag naar variabelen
- soms: variabelen = antwoorden (codes) op surveyvragen
- soms: variabelen via hercoderen van surveyvragen
o soms complexer, bv. leeftijd opnemen, maar in categorieën
- soms: surveyvragen 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:
o Veiligheidsmonitor: vragenlijst met module buurtproblemen, mijdgedrag, risico-inschatting,
politiefunctioneren……
o SCV survey: overzicht vragen en codeboek
o ESS: ‘main questionnaire’ en ‘data protocol’
Van vragenlijst via codeboek naar databestand
- illustratie: mijdgedrag in de VM (v57 t.e.m. v60)
V57 VRAAG 024.a.- Gebeurt het dat u BEPAALDE PLEKKEN IN UW GEMEENTE MIJDT OMDAT U HET NIET VEILIG
VINDT? (in 1997: "Hoe dikwijls gebeurt het dat u ...")
1 altijd
2 vaak
3 soms
4 zelden
5 nooit
6 niet van toepassing
7 weet niet
8 geen antwoord
voor elk van deze antwoorden code voorzien (zie bv. v57 = variabele 57)
bv. schrijft code 3 voor soms
1
, dataset, databestand maken na het interview van de antwoorden opgezet in codes
rijen: respondenten, kolommen: variabelen
bij de analyses werkt men met cijfers
- volgende stap: data-entry in SPSS
o belang van CATI, CASI, etc…
o cf. websurveys via Limesurvey, Qualtrics…
- Uitleg lay-out SPSS
o data view: in kolommen staan variabelen, in rijen staan respondenten
o variable view: rijden met variabelen, met meer informatie over de variabelen (naam, typen, hoeveel
karakters gereserveerd voor variabelen)
o values: aangeven wat 1, 2, 3… betekenen (altijd, vaak, soms…) zodat in tabel/ grafiek niet die cijfers
staan
- daaropvolgende stap: data-cleaning en analyse…
o laatste interview afgerond dan kan je aan de analyses beginnen
Coderen: bijkomende punten en samenvattende regels
- overzichtelijke vragenlijst (genummerd)
o welke antwoord bij welke vraag…
- duidelijk en consequent codeboek (‘veldcoderen’ uitsluiten)
o zoveel mogelijk bias en fouten proberen uit te sluiten
o ‘veldcoderen’ moment van coderen, nog beslissingen moet nemen over wat je moet doen in bepaalde
situatie ) niet de bedoeling
- afspraken voor ‘weet niet’ (7, 77,…), ‘geen antwoord’ (8, 88,…), ‘niet van toepassing’ (9, 99,…): zie bv.
codeboek SCV survey
o dubbel cijfer: als vraag ook al een werkelijk antwoord zou zijn
- afspraken voor filtervragen
o obv waarvan bepaalde volgende vragen niet beantwoord moeten woorden
o beter als het computer gestuurd is, want dan kan de respondent die volgende vragen ook niet zien en
minder fouten maken
- afspraken voor onduidelijke antwoorden
- afspraken verwerking meerdere antwoordmogelijkheden
- …
Coderen: bijkomende punten en samenvattende regels
2
, - data-entry
o voordeel van websurvey, CASI, CATI,…
o SPSS format opmaken
o input met twee
- data-cleaning: ook wanneer computer gestuurd, toch kijken of er geen fouten in zitten
o check: frequentietabellen (bv. geen vreemde codes, antwoorden passen binnen voorziende
antwoorden op de variabelen)
o check filtervragen (bv. obv filtervragen werden volgende vragen affectief niet gecodeerd)
INLEIDING MULTIVARIATE ANALYSE
Waarom methodologie?
- methodologie en statistiek als ‘toolkit’ voor sociale wetenschapper
o antwoord bieden op onderzoeksvragen die ze in onderzoek hebben gesteld + biedt handleiding om
juiste manier data te verzamelen
- 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
o modelleren van onzekerheid
o ‘hoe waarschijnlijk is een resultaat onder een bepaalde veronderstelling van de werkelijkheid’
o statistiek als wetenschap van de probabiliteit
- Een voorbeeld…
o OV: Verschilt het onveiligheidsgevoel tussen mannen en vrouwen?
Toevalsteekproef dat zegt dat vrouwen meer een onveiligheidsgevoel tov mannen geen
conclusie trekken voor achterliggende populatie
Sprong maken van steekproef naar achterliggende populatie (start met nulhypothese)
o conceptualisering, operationalisering, steekproeftrekking, dataverzameling…
o analyse: onveiligheidsgevoel vrouwen > onveiligheidsgevoel mannen (steekproef!)
o ‘hoe groot is de kans dat vrouwen zich onveiliger voelen dan mannen (steekproef), wanneer we
veronderstellen dat geslacht en onveiligheidsgevoelens niet samenhangen (nulhypothese)’
We vertrekken dat er geen verschil is tussen mannen en vrouwen
Data verzameld bij 1000 mensen: steekproef zien we dat vrouwen hoger scoren afvragen
of dit verschil voldoende groot is om die nulhypothese onder druk te zetten
Of verwerpen nulhypothese: met 95% zeggen dat er een verschil is (in statistiek nooit 100%)
H0: onveiligheidsgevoel vrouwen = onveiligheidsgevoel mannen
Ha: onveiligheidsgevoel vrouwen ≠ onveiligheidsgevoel mannen
Analyse in het criminologische domein
- bedreigingen voor validiteit en betrouwbaarheid
o thema’s waar we zijn in geïnteresseerd zijn vaak onderwerpen die sociaal onwenselijk gedrag zou zijn
o potentieel meer dan algemene andere sociale wetenschappen sprake van bedreiging validiteit en
betrouwbaarheid
- probleem bij steekproeftrekking, contactname en uitvoering onderzoek
~ verborgen populaties, geen steekproefkader
3
, ~ nonrespons, bedreigende vragen, sociale wenselijkheid
~ ….
- probleem van de verdeling van de data
~ normale vs. scheve verdelingen
Normale verdeling: verdeling waar veel statistische toetsen zijn op gebaseerd
Scheve verdeling: data waarin criminologen zijn geïnteresseerd (bv. prevalentie criminaliteit =
delinquency frequency)
Veel mensen die geen feiten hebben gepleegd, veel mensen die 1 feit hebben
gepleegd, hoe meer feiten gaat het weer meer dalen
Zie onderstaande grafiek 1
Meer werken met een proxyvariabele: tolerantie van criminaliteit (delinquency tolerance)
Dit is wel normaal verdeeld (zie onderstaande grafiek 2)
Hoe meer tolerantie, hoe meer feiten je hebt gepleegd
INTRODUCTIE
Univariate, bivariate en multivariate technieken
- univariaat
~ één variabele
~ eenvoudige descriptieve maten: verschillende manieren om een eenvoudige variabel te beschrijven
~ maten voor centrale tendentie, spreiding…
- bivariaat
~ twee variabelen
~ verband, verschil, samenhang, correlatie
~ bv. verband tussen geslacht en onveiligheidsgevoelens
- multivariaat
~ 3 of meer variabelen: reeks onafhankelijke variabelen samen nemen om een afhankelijke variabele
in zijn geheel te gaan toetsen
~ geïntegreerde analyse
~ tal van mogelijkheden/beperkingen…
Keuze van de analysetechniek
- Hangt af van de onderzoeksvragen
- voorspelling vs. samenhang
~ symmetrisch: samenhang, verband, correlatie…
~ asymmetrisch: afhankelijk/onafhankelijke variabelen, invloed, effect, predictie… (causaliteit (?))
- meetniveau van de variabelen
~ nominaal, ordinaal, metrisch
4
CODEREN EN DATA-ENTRY IN SPSS (H1)
DE CONSTRUCTIE VAN VARIABELEN
• Vóór dataverzameling (methodologie deel 2)
~ van (theoretische) concepten naar (survey)vragen en items: operationaliseren
• Na dataverzameling
~ van antwoorden op een vraag naar variabelen
- soms: variabelen = antwoorden (codes) op surveyvragen
- soms: variabelen via hercoderen van surveyvragen
o soms complexer, bv. leeftijd opnemen, maar in categorieën
- soms: surveyvragen 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:
o Veiligheidsmonitor: vragenlijst met module buurtproblemen, mijdgedrag, risico-inschatting,
politiefunctioneren……
o SCV survey: overzicht vragen en codeboek
o ESS: ‘main questionnaire’ en ‘data protocol’
Van vragenlijst via codeboek naar databestand
- illustratie: mijdgedrag in de VM (v57 t.e.m. v60)
V57 VRAAG 024.a.- Gebeurt het dat u BEPAALDE PLEKKEN IN UW GEMEENTE MIJDT OMDAT U HET NIET VEILIG
VINDT? (in 1997: "Hoe dikwijls gebeurt het dat u ...")
1 altijd
2 vaak
3 soms
4 zelden
5 nooit
6 niet van toepassing
7 weet niet
8 geen antwoord
voor elk van deze antwoorden code voorzien (zie bv. v57 = variabele 57)
bv. schrijft code 3 voor soms
1
, dataset, databestand maken na het interview van de antwoorden opgezet in codes
rijen: respondenten, kolommen: variabelen
bij de analyses werkt men met cijfers
- volgende stap: data-entry in SPSS
o belang van CATI, CASI, etc…
o cf. websurveys via Limesurvey, Qualtrics…
- Uitleg lay-out SPSS
o data view: in kolommen staan variabelen, in rijen staan respondenten
o variable view: rijden met variabelen, met meer informatie over de variabelen (naam, typen, hoeveel
karakters gereserveerd voor variabelen)
o values: aangeven wat 1, 2, 3… betekenen (altijd, vaak, soms…) zodat in tabel/ grafiek niet die cijfers
staan
- daaropvolgende stap: data-cleaning en analyse…
o laatste interview afgerond dan kan je aan de analyses beginnen
Coderen: bijkomende punten en samenvattende regels
- overzichtelijke vragenlijst (genummerd)
o welke antwoord bij welke vraag…
- duidelijk en consequent codeboek (‘veldcoderen’ uitsluiten)
o zoveel mogelijk bias en fouten proberen uit te sluiten
o ‘veldcoderen’ moment van coderen, nog beslissingen moet nemen over wat je moet doen in bepaalde
situatie ) niet de bedoeling
- afspraken voor ‘weet niet’ (7, 77,…), ‘geen antwoord’ (8, 88,…), ‘niet van toepassing’ (9, 99,…): zie bv.
codeboek SCV survey
o dubbel cijfer: als vraag ook al een werkelijk antwoord zou zijn
- afspraken voor filtervragen
o obv waarvan bepaalde volgende vragen niet beantwoord moeten woorden
o beter als het computer gestuurd is, want dan kan de respondent die volgende vragen ook niet zien en
minder fouten maken
- afspraken voor onduidelijke antwoorden
- afspraken verwerking meerdere antwoordmogelijkheden
- …
Coderen: bijkomende punten en samenvattende regels
2
, - data-entry
o voordeel van websurvey, CASI, CATI,…
o SPSS format opmaken
o input met twee
- data-cleaning: ook wanneer computer gestuurd, toch kijken of er geen fouten in zitten
o check: frequentietabellen (bv. geen vreemde codes, antwoorden passen binnen voorziende
antwoorden op de variabelen)
o check filtervragen (bv. obv filtervragen werden volgende vragen affectief niet gecodeerd)
INLEIDING MULTIVARIATE ANALYSE
Waarom methodologie?
- methodologie en statistiek als ‘toolkit’ voor sociale wetenschapper
o antwoord bieden op onderzoeksvragen die ze in onderzoek hebben gesteld + biedt handleiding om
juiste manier data te verzamelen
- 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
o modelleren van onzekerheid
o ‘hoe waarschijnlijk is een resultaat onder een bepaalde veronderstelling van de werkelijkheid’
o statistiek als wetenschap van de probabiliteit
- Een voorbeeld…
o OV: Verschilt het onveiligheidsgevoel tussen mannen en vrouwen?
Toevalsteekproef dat zegt dat vrouwen meer een onveiligheidsgevoel tov mannen geen
conclusie trekken voor achterliggende populatie
Sprong maken van steekproef naar achterliggende populatie (start met nulhypothese)
o conceptualisering, operationalisering, steekproeftrekking, dataverzameling…
o analyse: onveiligheidsgevoel vrouwen > onveiligheidsgevoel mannen (steekproef!)
o ‘hoe groot is de kans dat vrouwen zich onveiliger voelen dan mannen (steekproef), wanneer we
veronderstellen dat geslacht en onveiligheidsgevoelens niet samenhangen (nulhypothese)’
We vertrekken dat er geen verschil is tussen mannen en vrouwen
Data verzameld bij 1000 mensen: steekproef zien we dat vrouwen hoger scoren afvragen
of dit verschil voldoende groot is om die nulhypothese onder druk te zetten
Of verwerpen nulhypothese: met 95% zeggen dat er een verschil is (in statistiek nooit 100%)
H0: onveiligheidsgevoel vrouwen = onveiligheidsgevoel mannen
Ha: onveiligheidsgevoel vrouwen ≠ onveiligheidsgevoel mannen
Analyse in het criminologische domein
- bedreigingen voor validiteit en betrouwbaarheid
o thema’s waar we zijn in geïnteresseerd zijn vaak onderwerpen die sociaal onwenselijk gedrag zou zijn
o potentieel meer dan algemene andere sociale wetenschappen sprake van bedreiging validiteit en
betrouwbaarheid
- probleem bij steekproeftrekking, contactname en uitvoering onderzoek
~ verborgen populaties, geen steekproefkader
3
, ~ nonrespons, bedreigende vragen, sociale wenselijkheid
~ ….
- probleem van de verdeling van de data
~ normale vs. scheve verdelingen
Normale verdeling: verdeling waar veel statistische toetsen zijn op gebaseerd
Scheve verdeling: data waarin criminologen zijn geïnteresseerd (bv. prevalentie criminaliteit =
delinquency frequency)
Veel mensen die geen feiten hebben gepleegd, veel mensen die 1 feit hebben
gepleegd, hoe meer feiten gaat het weer meer dalen
Zie onderstaande grafiek 1
Meer werken met een proxyvariabele: tolerantie van criminaliteit (delinquency tolerance)
Dit is wel normaal verdeeld (zie onderstaande grafiek 2)
Hoe meer tolerantie, hoe meer feiten je hebt gepleegd
INTRODUCTIE
Univariate, bivariate en multivariate technieken
- univariaat
~ één variabele
~ eenvoudige descriptieve maten: verschillende manieren om een eenvoudige variabel te beschrijven
~ maten voor centrale tendentie, spreiding…
- bivariaat
~ twee variabelen
~ verband, verschil, samenhang, correlatie
~ bv. verband tussen geslacht en onveiligheidsgevoelens
- multivariaat
~ 3 of meer variabelen: reeks onafhankelijke variabelen samen nemen om een afhankelijke variabele
in zijn geheel te gaan toetsen
~ geïntegreerde analyse
~ tal van mogelijkheden/beperkingen…
Keuze van de analysetechniek
- Hangt af van de onderzoeksvragen
- voorspelling vs. samenhang
~ symmetrisch: samenhang, verband, correlatie…
~ asymmetrisch: afhankelijk/onafhankelijke variabelen, invloed, effect, predictie… (causaliteit (?))
- meetniveau van de variabelen
~ nominaal, ordinaal, metrisch
4
