Onderzoeksmethoden II
Prof. dr. Yves Rosseel
KLINISCHE ORTHOPEDAGOGIEK
& DISABILITY STUDIES
ACADEMIEJAAR 2020 –2021
,Inhoud
1. OVERZICHT EN HERHALING UNIVARIAAT MODEL 9
1.1 OVERZICHT METHODES 9
1.1.1 UNIVARIAAT REGRESSIE MODEL 9
1.1.2 ANOVA EN ANCOVA 11
1.1.3 T-TEST 11
1.1.4 LOGISTISCHE REGRESSIE 12
1.1.5 POISSON REGRESSIE 12
1.1.6 LOGLINEAIRE ANALYSE 12
1.1.7 EXPLORATIEVE FACTORANALYSE 13
1.1.8 MULTIVARIATE REGRESSIE 13
1.1.9 MANOVA EN MANCOVA 14
1.1.10 MULTILEVEL REGRESSIE 14
1.1.11 PADANALYSE 15
1.1.12 CONFIRMATORISCHE FACTORANALYSE (CFA) 15
1.1.13 STRUCTURELE VERGELIJKINGSMODELLEN 15
1.1.14 ITEM RESPONSE THEORY (CFA) 16
1.2 HERHALING : UNIVARIAAT LINEAIR MODEL 16
1.2.1 UNIVARIAAT LINEAIR MODEL: THEORIE 16
1.2.1.1 De algemene vorm 16
1.2.1.2 Lineair model in matrix notatie 17
1.2.1.3 Parameterschatting: kleinste kwadraten methode (‘least sqaures’) 17
1.2.1.4 Toetsen van de hypothese: ____________ 18
1.2.1.5 Modelvergelijking: volledig vs. gereduceerd model 18
1.2.2 VOORBEELD: BELSTRESS DATASET DA100 19
1.2.2.1 Dataset 19
2
, 1.2.2.2 Uitvoering in R: inlezen van de data + descriptives 20
1.2.2.3 Histogram ‘depres’ 21
1.2.2.4 Model met enkel continue predictoren 21
1.2.2.5 Categorische predictoren 22
1.2.2.6 Modelvergelijking 24
1.2.2.6.1 1 effect per keer 24
1.2.2.6.2 Alle effecten samen 25
1.2.2.7 Visualisatie 25
1.2.2.7.1 psydem (links) en educlev (rechts) 25
1.2.2.8 Moderatie = interactie 26
1.2.2.8.1 Voorbeeld interactie psydem:fsex 26
1.2.2.8.2 Visualisatie interactie-effect psydem:fsex 28
2. HET MULTIVARIAAT LINEAIR MODEL 29
2.1 INLEIDING 29
2.2 HET MULTIVARIAAT LINEAIR MODEL 30
2.2.1 DE STRUCTUUR VAN HET MODEL 30
2.2.2 STOCHASTISCHE ASSUMPTIES 31
2.2.3 PARAMETERSCHATTING: KLEINSTE KWADRATEN METHODE 31
2.2.4 VOORBEELD: BELSTRESS DATASET 32
2.2.4.1 Univariaat model voor chi 34
2.2.4.2 Univariaat model voor stress 34
2.2.4.3 Univariaat model voor depress 35
2.2.4.4 Multivariaat model voor chi + stress + depress 35
2.3 MULTIVARIATE TOETSEN 37
3
,2.3.1 MODELVERGELIJKING: VOLLEDIG VERSUS GEREDUCEERD MODEL 37
2.3.2 VIER MULTIVARIATE TOETSSTATISTIEKEN (FORMULES ILLUSTRATIEF) 38
2.3.2.1 Wilks’ Lambda (in functie van E en H) 38
2.3.2.2 Pillai’s trace (in functie van E & H) 38
2.3.2.3 Hotelling-Lawley trace (in functie van E & H) 39
2.3.2.4 Roy’s largest root (in functie van _____ ) 39
2.3.3 MULTIVARIATE TOETSEN IN R 39
2.4 VOORBEELD MANCOVA 40
2.4.1 OMGAAN MET CATEGORISCHE PREDICTOREN EN INTERACTIES 41
2.4.1.1 Stap 1: Model fit + multivariate toetsen 42
2.4.1.2 Stap 2: model fit + summary() + contr.treament 45
2.4.1.3 Richting van de effecten 47
2.4.1.3.1 psydem:fsex (stress) 47
2.4.1.3.2 psydem:fsex (depres) 47
2.4.1.3.3 psydem (stress) 48
2.4.1.3.4 psydem (depres) 48
2.4.1.3.5 fsex (stress) 49
2.4.1.3.6 fsex (depres) 49
3. MULTILEVEL ANALYSE 51
3.1 DATA MET AFHANKELIJKE OBSERVATIES 51
3.1.1 VERSCHILLENDE TYPES VAN AFHANKELIJKE DATA 51
3.1.2 HET PROBLEEM MET GECLUSTERDE DATA 53
3.2 HET LINEAIR MIXED MODEL 53
3.2.1 DE STRUCTUUR VAN HET LINEAR MIXED MODEL 53
4
,3.3 MULTILEVEL ANALYSE 55
3.3.1 OVERZICHT 55
3.3.2 VOORBEELD: DE ‘HIGH SCHOOL AND BEYOND’ DATASET 56
3.3.2.1 Model 1: een random-effect oneway anova 58
3.3.2.2 Model 2: één 1-level predictor 61
3.3.2.3 Model 3: random intercept + slope voor cses 63
3.3.2.4 Model 4: één level-2 predictor 66
3.3.2.5 Model 5: interactie tussen level-1 en level-2 predictor 67
3.3.2.6 Model 6: tweede level-2 predictor 68
3.3.2.6.1 Richting van de effecten 70
3.3.2.7 Model 7: zonder random slope voor cses 71
3.3.3 BOUWMODELSTRATEGIE (MULTILEVEL ANALYSE MET TWEE NIVEAUS) 72
3.4 VOORBEELD MET LONGITUDINALE DATA 73
3.3.4.1 Model 1: lineair groeimodel (‘growth curve) 75
3.3.4.2 Richting effect ‘days’ 76
3.3.4.3 Geschatte randomeffecten en intercepts/slopes per participant 76
4. STRUCTURAL EQUATION MODELING (SEM) 79
4.1 WAT IS SEM? 79
4.1.1 SEM: PADANALYSE 80
4.1.2 SEM: CONFIRMATORISCHE FACTOR ANALYSE (CFA) 81
4.1.3 SEM: MEETMODELLEN + STRUCTUURGEDEELTE 82
4.2 HOE WERKT SEM ? 82
4.2.1 EEN DATASET: DE HOLZINGER & SWINEFORD DATASET 83
4.2.2 INLEZEN DATA EN DESCRIPTIVES 84
4.2.2.1 Aanmaken variantie-covariantie matrix voor P = 9 variabelen 85
5
,4.2.3 DE MODEL-GEÏMPLICEERDE VARIANTIE-COVARIANTIE MATRIX Σ 86
4.2.3.1 Voorbeeld model-geïmpliceerde variantie-covariantie 87
4.2.4 DE ESSENTIE VAN SEM 88
4.3 EEN EERSTE VOORBEELD : EEN CFA MET 3 FACTOREN 89
4.3.1 GEOBSERVEERDE VARIANTIE-COVARIANTIE MATRIX 90
4.3.2 MODEL-GEÎMPLICEERDE VARIANTIE-COVARIANTIE MATRIX 90
4.4 DE MATRIX REPRESENTATIE IN EEN CFA MODEL 90
4.4.1 VERDUIDELIJKING: DE MATRIX-REPRESENTATIE VAN EEN CFA MODEL 90
4.4.1.1 De basisformule voor CFA modellen 92
4.4.2 DE DRIE GESCHATTE MODELMATRICES 93
4.4.3 HANDMATIG BEREKENEN VAN Σ (OPTIONEEL, GEEN EXAMENSTOF) 93
4.4.4 VASTLEGGEN VAN DE MERTRIEK (SCHAAL) VAN DE LATENTE VARIABELEN 94
4.4.5 AANTAL VRIJE PARAMETERS EN VRIJHEIDSGRADEN 94
4.5 EEN TWEEDE VOORBEELD: DE POLITICAL DEMOCRACY DATASET 95
4.5.1 INLEZEN DATA + DESCRIPTIVES 96
4.5.2 AANMAKEN VARIANTIE-COVARIANTIE MATRIX VOOR P=11 VARIABELEN 97
4.5.3 PADDIAGRAM 97
4.5.4 BESPREKING MODEL 98
4.5.5 MATRICES, DATAPUNTEN, VRIJE PARAMETERS EN VRIJHEIDSGRADEN 99
4.5.6 DE REEDS GESCHATTE MODELMATRICES VOOR DIT MODEL 100
4.6 LAVAAN MODEL SYNTAX 100
4.6.1 STANDAARD UNIVARIATE REGRESSIE VIA LM() 100
4.6.1.1 lm() output op basis van gesimuleerde data (N=100) 101
4.6.2 LAVAAN MODEL SYNTAX – STANDAARD REGRESSIE 102
4.6.3 LAVAAN MODEL SYNTAX – MULTIVARIATE REGRESSIE 103
4.6.4 LAVAAN MODEL SYNTAX – PADANALYSE 104
4.6.5 LAVAAN MODEL SYNTAX-LATENTE VARIABELEN + CFA() OF SEM() 104
6
,4.6.6 LAVAAN MODEL SYNTAX + LAVAAN () 105
4.6.7 LAVAAN() VERSUS SEM()/CFA() 105
4.6.8 DE 4 BELANGRIJKSTE OPERATOREN 106
4.6.9 STANDAARD OUTPUT 107
4.6.9.1 Onderdelen van de output 108
4.6.10 LAVAAN MODEL SYNTAX – GELIJKHEIDSRESTRICTIES 109
4.6.10.1 Lavaan input 110
4.6.10.2 Lavaan output 111
4.6.10.3 Bespreking output 112
4.7 MODEL EVALUATIE 112
4.7.1 VOORBEELD CHI-KWADRAAT TOETS 113
4.7.1.1 Nadelen van de chi-kwadraat toets 113
4.7.2 FITMATEN 114
4.7.2.1 CFI en LTI 114
4.7.2.2 RMSEA 115
4.7.2.3 SRMR 115
4.7.2.4 Bekomen van fitmaten in de output 116
4.7.2.5 Bespreking fitmaten 117
4.7.3 ANDERE AANDACHTSPUNTEN BIJ DE EVALUATIE VAN EEN MODEL 117
4.8 MODEL HERSPECIFICATIE 118
4.8.1 MODINDICES() – MODIFICATION INDICES VOOR NIEUWE PARAMETERS 118
4.8.1.1 Aangepast model voor holzinger & Swineford 120
4.9 RAPPORTERING VAN DE RESULTATEN (GEEN EXAMENSTOF) 120
4.10 VOORBEELD PADANALYSE 121
4.10.1 INLEZEN DATA + DESCRIPTIVES 122
4.10.2 HYPOTHESES + MODEL SPECIFICATIE 122
7
,4.10.3 LAVAAN SYNTAX + MODEL FIT 123
4.10.3.1 Bespreking output 124
4.10.3.2 Fixed.x=true versus fixed.x=false 125
4.10.3..2.1 Output indien fixed.x = false 125
4.10.4 HYPOTHESE IVM INDIRECTE EFFEECTEN 127
4.10.4.1 Lavaan input – indirecte effecten 128
4.10.5 ALTERNATIEF MODEL: ZONDER DIRECTE EFFECTEN EN NIET-SIGNIFICANTE PADEN 129
4.10.6 MODELVERGELIJKINGSTOETS: FIT3 VS FIT2 130
4.11 VOORBEELD CFA 130
4.11.1 DATA 130
4.11.2 LAVAAN MODEL SYNTAX + MODEL FIT 131
4.11.2.1 Output 132
4.11.2.2 Bespreking 132
4.11.3 ALTERNATIEF MODEL: GEEN CORRELATIE TUSEN DE 2 FACTOREN 133
4.11.3.1 Modification indices 134
4.12 VOORBEELD SEM 134
4.12.1 DIAGRAM VAN (ENKEL) HET STRUCTUURGEDEELTE VAN HET MODEL 135
4.12.2 DATA: CORRELATIES + STANDAARDDEVIATIES 135
4.12.3 STAPPEN OM SEM UIT TE VOEREN: 2-STAPPEN 135
4.12.3.1 Fit enkel het meetgedeelte via cfa 136
4.12.3.2 Fit volledig model 137
4.12.3.3 Bespreking output 139
8
, 1. OVERZICHT EN
HERHALING UNIVARIAAT MODEL
ZIE OEFENSESSIE 1
1.1 OVERZICHT METHODES
1.1.1 UNIVARIAAT REGRESSIE MODEL
9
, ❖ Vormen:
o Vierkant = MANIFESTE VARIABELEN = observeerbaar
o Cirkel = LATENTE VARIABELEN = niet-rechtstreeks observeerbaar
o Rechts staat een vereenvoudiging van het uitgebreid model
❖ U NIVARIAAT REGRESSIEMODEL :
▪ 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + 𝛽3 𝑥𝑖3 + 𝛽4 𝑥𝑖4 + 𝜖𝑖 (𝑖 = 1, 2, … 𝑛)
▪ 𝛽0 = intercept
▪ X en y = numerieke variabelen op intervalniveau
▪ 𝜖𝑖 = foutterm
o Y = de afhankelijke variabele, x = de predictor (y proberen voorspellen)
o Elke onderzoeksvraag moet je gaan vertalen naar een diagram met variabelen
❖ Kwantitatieve vs. kwalitatieve data-analyse
o K WANTITATIEF → streefdoel is generalisatie, op basis van een steekproef proberen scores
verzamelen met het oog om conclusies te kunnen trekken die geldig zijn voor de hele populatie
▪ → veel observaties, veel inferentietechnieken (puntschattingen, p-waarden, standaardfouten)
▪ → algemeen
o K WALITATIEF → zal vaak proberen een verklaring te vinden voor effecten die we observeren bij
kwantitatieve data-analyse
▪ Wat is de reden van bepaalde effecten?
→ beide van belang, afhankelijk van de contexgt en de onderzoeksvraag (geen hiërarchie)
❖ Dit vak: kwantatieve data-analyse!
10
Prof. dr. Yves Rosseel
KLINISCHE ORTHOPEDAGOGIEK
& DISABILITY STUDIES
ACADEMIEJAAR 2020 –2021
,Inhoud
1. OVERZICHT EN HERHALING UNIVARIAAT MODEL 9
1.1 OVERZICHT METHODES 9
1.1.1 UNIVARIAAT REGRESSIE MODEL 9
1.1.2 ANOVA EN ANCOVA 11
1.1.3 T-TEST 11
1.1.4 LOGISTISCHE REGRESSIE 12
1.1.5 POISSON REGRESSIE 12
1.1.6 LOGLINEAIRE ANALYSE 12
1.1.7 EXPLORATIEVE FACTORANALYSE 13
1.1.8 MULTIVARIATE REGRESSIE 13
1.1.9 MANOVA EN MANCOVA 14
1.1.10 MULTILEVEL REGRESSIE 14
1.1.11 PADANALYSE 15
1.1.12 CONFIRMATORISCHE FACTORANALYSE (CFA) 15
1.1.13 STRUCTURELE VERGELIJKINGSMODELLEN 15
1.1.14 ITEM RESPONSE THEORY (CFA) 16
1.2 HERHALING : UNIVARIAAT LINEAIR MODEL 16
1.2.1 UNIVARIAAT LINEAIR MODEL: THEORIE 16
1.2.1.1 De algemene vorm 16
1.2.1.2 Lineair model in matrix notatie 17
1.2.1.3 Parameterschatting: kleinste kwadraten methode (‘least sqaures’) 17
1.2.1.4 Toetsen van de hypothese: ____________ 18
1.2.1.5 Modelvergelijking: volledig vs. gereduceerd model 18
1.2.2 VOORBEELD: BELSTRESS DATASET DA100 19
1.2.2.1 Dataset 19
2
, 1.2.2.2 Uitvoering in R: inlezen van de data + descriptives 20
1.2.2.3 Histogram ‘depres’ 21
1.2.2.4 Model met enkel continue predictoren 21
1.2.2.5 Categorische predictoren 22
1.2.2.6 Modelvergelijking 24
1.2.2.6.1 1 effect per keer 24
1.2.2.6.2 Alle effecten samen 25
1.2.2.7 Visualisatie 25
1.2.2.7.1 psydem (links) en educlev (rechts) 25
1.2.2.8 Moderatie = interactie 26
1.2.2.8.1 Voorbeeld interactie psydem:fsex 26
1.2.2.8.2 Visualisatie interactie-effect psydem:fsex 28
2. HET MULTIVARIAAT LINEAIR MODEL 29
2.1 INLEIDING 29
2.2 HET MULTIVARIAAT LINEAIR MODEL 30
2.2.1 DE STRUCTUUR VAN HET MODEL 30
2.2.2 STOCHASTISCHE ASSUMPTIES 31
2.2.3 PARAMETERSCHATTING: KLEINSTE KWADRATEN METHODE 31
2.2.4 VOORBEELD: BELSTRESS DATASET 32
2.2.4.1 Univariaat model voor chi 34
2.2.4.2 Univariaat model voor stress 34
2.2.4.3 Univariaat model voor depress 35
2.2.4.4 Multivariaat model voor chi + stress + depress 35
2.3 MULTIVARIATE TOETSEN 37
3
,2.3.1 MODELVERGELIJKING: VOLLEDIG VERSUS GEREDUCEERD MODEL 37
2.3.2 VIER MULTIVARIATE TOETSSTATISTIEKEN (FORMULES ILLUSTRATIEF) 38
2.3.2.1 Wilks’ Lambda (in functie van E en H) 38
2.3.2.2 Pillai’s trace (in functie van E & H) 38
2.3.2.3 Hotelling-Lawley trace (in functie van E & H) 39
2.3.2.4 Roy’s largest root (in functie van _____ ) 39
2.3.3 MULTIVARIATE TOETSEN IN R 39
2.4 VOORBEELD MANCOVA 40
2.4.1 OMGAAN MET CATEGORISCHE PREDICTOREN EN INTERACTIES 41
2.4.1.1 Stap 1: Model fit + multivariate toetsen 42
2.4.1.2 Stap 2: model fit + summary() + contr.treament 45
2.4.1.3 Richting van de effecten 47
2.4.1.3.1 psydem:fsex (stress) 47
2.4.1.3.2 psydem:fsex (depres) 47
2.4.1.3.3 psydem (stress) 48
2.4.1.3.4 psydem (depres) 48
2.4.1.3.5 fsex (stress) 49
2.4.1.3.6 fsex (depres) 49
3. MULTILEVEL ANALYSE 51
3.1 DATA MET AFHANKELIJKE OBSERVATIES 51
3.1.1 VERSCHILLENDE TYPES VAN AFHANKELIJKE DATA 51
3.1.2 HET PROBLEEM MET GECLUSTERDE DATA 53
3.2 HET LINEAIR MIXED MODEL 53
3.2.1 DE STRUCTUUR VAN HET LINEAR MIXED MODEL 53
4
,3.3 MULTILEVEL ANALYSE 55
3.3.1 OVERZICHT 55
3.3.2 VOORBEELD: DE ‘HIGH SCHOOL AND BEYOND’ DATASET 56
3.3.2.1 Model 1: een random-effect oneway anova 58
3.3.2.2 Model 2: één 1-level predictor 61
3.3.2.3 Model 3: random intercept + slope voor cses 63
3.3.2.4 Model 4: één level-2 predictor 66
3.3.2.5 Model 5: interactie tussen level-1 en level-2 predictor 67
3.3.2.6 Model 6: tweede level-2 predictor 68
3.3.2.6.1 Richting van de effecten 70
3.3.2.7 Model 7: zonder random slope voor cses 71
3.3.3 BOUWMODELSTRATEGIE (MULTILEVEL ANALYSE MET TWEE NIVEAUS) 72
3.4 VOORBEELD MET LONGITUDINALE DATA 73
3.3.4.1 Model 1: lineair groeimodel (‘growth curve) 75
3.3.4.2 Richting effect ‘days’ 76
3.3.4.3 Geschatte randomeffecten en intercepts/slopes per participant 76
4. STRUCTURAL EQUATION MODELING (SEM) 79
4.1 WAT IS SEM? 79
4.1.1 SEM: PADANALYSE 80
4.1.2 SEM: CONFIRMATORISCHE FACTOR ANALYSE (CFA) 81
4.1.3 SEM: MEETMODELLEN + STRUCTUURGEDEELTE 82
4.2 HOE WERKT SEM ? 82
4.2.1 EEN DATASET: DE HOLZINGER & SWINEFORD DATASET 83
4.2.2 INLEZEN DATA EN DESCRIPTIVES 84
4.2.2.1 Aanmaken variantie-covariantie matrix voor P = 9 variabelen 85
5
,4.2.3 DE MODEL-GEÏMPLICEERDE VARIANTIE-COVARIANTIE MATRIX Σ 86
4.2.3.1 Voorbeeld model-geïmpliceerde variantie-covariantie 87
4.2.4 DE ESSENTIE VAN SEM 88
4.3 EEN EERSTE VOORBEELD : EEN CFA MET 3 FACTOREN 89
4.3.1 GEOBSERVEERDE VARIANTIE-COVARIANTIE MATRIX 90
4.3.2 MODEL-GEÎMPLICEERDE VARIANTIE-COVARIANTIE MATRIX 90
4.4 DE MATRIX REPRESENTATIE IN EEN CFA MODEL 90
4.4.1 VERDUIDELIJKING: DE MATRIX-REPRESENTATIE VAN EEN CFA MODEL 90
4.4.1.1 De basisformule voor CFA modellen 92
4.4.2 DE DRIE GESCHATTE MODELMATRICES 93
4.4.3 HANDMATIG BEREKENEN VAN Σ (OPTIONEEL, GEEN EXAMENSTOF) 93
4.4.4 VASTLEGGEN VAN DE MERTRIEK (SCHAAL) VAN DE LATENTE VARIABELEN 94
4.4.5 AANTAL VRIJE PARAMETERS EN VRIJHEIDSGRADEN 94
4.5 EEN TWEEDE VOORBEELD: DE POLITICAL DEMOCRACY DATASET 95
4.5.1 INLEZEN DATA + DESCRIPTIVES 96
4.5.2 AANMAKEN VARIANTIE-COVARIANTIE MATRIX VOOR P=11 VARIABELEN 97
4.5.3 PADDIAGRAM 97
4.5.4 BESPREKING MODEL 98
4.5.5 MATRICES, DATAPUNTEN, VRIJE PARAMETERS EN VRIJHEIDSGRADEN 99
4.5.6 DE REEDS GESCHATTE MODELMATRICES VOOR DIT MODEL 100
4.6 LAVAAN MODEL SYNTAX 100
4.6.1 STANDAARD UNIVARIATE REGRESSIE VIA LM() 100
4.6.1.1 lm() output op basis van gesimuleerde data (N=100) 101
4.6.2 LAVAAN MODEL SYNTAX – STANDAARD REGRESSIE 102
4.6.3 LAVAAN MODEL SYNTAX – MULTIVARIATE REGRESSIE 103
4.6.4 LAVAAN MODEL SYNTAX – PADANALYSE 104
4.6.5 LAVAAN MODEL SYNTAX-LATENTE VARIABELEN + CFA() OF SEM() 104
6
,4.6.6 LAVAAN MODEL SYNTAX + LAVAAN () 105
4.6.7 LAVAAN() VERSUS SEM()/CFA() 105
4.6.8 DE 4 BELANGRIJKSTE OPERATOREN 106
4.6.9 STANDAARD OUTPUT 107
4.6.9.1 Onderdelen van de output 108
4.6.10 LAVAAN MODEL SYNTAX – GELIJKHEIDSRESTRICTIES 109
4.6.10.1 Lavaan input 110
4.6.10.2 Lavaan output 111
4.6.10.3 Bespreking output 112
4.7 MODEL EVALUATIE 112
4.7.1 VOORBEELD CHI-KWADRAAT TOETS 113
4.7.1.1 Nadelen van de chi-kwadraat toets 113
4.7.2 FITMATEN 114
4.7.2.1 CFI en LTI 114
4.7.2.2 RMSEA 115
4.7.2.3 SRMR 115
4.7.2.4 Bekomen van fitmaten in de output 116
4.7.2.5 Bespreking fitmaten 117
4.7.3 ANDERE AANDACHTSPUNTEN BIJ DE EVALUATIE VAN EEN MODEL 117
4.8 MODEL HERSPECIFICATIE 118
4.8.1 MODINDICES() – MODIFICATION INDICES VOOR NIEUWE PARAMETERS 118
4.8.1.1 Aangepast model voor holzinger & Swineford 120
4.9 RAPPORTERING VAN DE RESULTATEN (GEEN EXAMENSTOF) 120
4.10 VOORBEELD PADANALYSE 121
4.10.1 INLEZEN DATA + DESCRIPTIVES 122
4.10.2 HYPOTHESES + MODEL SPECIFICATIE 122
7
,4.10.3 LAVAAN SYNTAX + MODEL FIT 123
4.10.3.1 Bespreking output 124
4.10.3.2 Fixed.x=true versus fixed.x=false 125
4.10.3..2.1 Output indien fixed.x = false 125
4.10.4 HYPOTHESE IVM INDIRECTE EFFEECTEN 127
4.10.4.1 Lavaan input – indirecte effecten 128
4.10.5 ALTERNATIEF MODEL: ZONDER DIRECTE EFFECTEN EN NIET-SIGNIFICANTE PADEN 129
4.10.6 MODELVERGELIJKINGSTOETS: FIT3 VS FIT2 130
4.11 VOORBEELD CFA 130
4.11.1 DATA 130
4.11.2 LAVAAN MODEL SYNTAX + MODEL FIT 131
4.11.2.1 Output 132
4.11.2.2 Bespreking 132
4.11.3 ALTERNATIEF MODEL: GEEN CORRELATIE TUSEN DE 2 FACTOREN 133
4.11.3.1 Modification indices 134
4.12 VOORBEELD SEM 134
4.12.1 DIAGRAM VAN (ENKEL) HET STRUCTUURGEDEELTE VAN HET MODEL 135
4.12.2 DATA: CORRELATIES + STANDAARDDEVIATIES 135
4.12.3 STAPPEN OM SEM UIT TE VOEREN: 2-STAPPEN 135
4.12.3.1 Fit enkel het meetgedeelte via cfa 136
4.12.3.2 Fit volledig model 137
4.12.3.3 Bespreking output 139
8
, 1. OVERZICHT EN
HERHALING UNIVARIAAT MODEL
ZIE OEFENSESSIE 1
1.1 OVERZICHT METHODES
1.1.1 UNIVARIAAT REGRESSIE MODEL
9
, ❖ Vormen:
o Vierkant = MANIFESTE VARIABELEN = observeerbaar
o Cirkel = LATENTE VARIABELEN = niet-rechtstreeks observeerbaar
o Rechts staat een vereenvoudiging van het uitgebreid model
❖ U NIVARIAAT REGRESSIEMODEL :
▪ 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + 𝛽3 𝑥𝑖3 + 𝛽4 𝑥𝑖4 + 𝜖𝑖 (𝑖 = 1, 2, … 𝑛)
▪ 𝛽0 = intercept
▪ X en y = numerieke variabelen op intervalniveau
▪ 𝜖𝑖 = foutterm
o Y = de afhankelijke variabele, x = de predictor (y proberen voorspellen)
o Elke onderzoeksvraag moet je gaan vertalen naar een diagram met variabelen
❖ Kwantitatieve vs. kwalitatieve data-analyse
o K WANTITATIEF → streefdoel is generalisatie, op basis van een steekproef proberen scores
verzamelen met het oog om conclusies te kunnen trekken die geldig zijn voor de hele populatie
▪ → veel observaties, veel inferentietechnieken (puntschattingen, p-waarden, standaardfouten)
▪ → algemeen
o K WALITATIEF → zal vaak proberen een verklaring te vinden voor effecten die we observeren bij
kwantitatieve data-analyse
▪ Wat is de reden van bepaalde effecten?
→ beide van belang, afhankelijk van de contexgt en de onderzoeksvraag (geen hiërarchie)
❖ Dit vak: kwantatieve data-analyse!
10
