τ₀₀
Parameter Estimates:
Standard errors Standard
Information Expected theorie
Information saturated (h1) model Structured
definities
Latent Variables: interpretaties
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
Intr =~ toepassingen in R Studio
Mot1 1.000 0.672 0.786
Mot3 1.072 0.126 8.542 0.000 0.721 0.817
E1 D v1 Mot7 1.080 0.125 8.665 0.000 0.726 0.826
Mot9 1.052 0.133 7.922 0.000 0.707 0.769
A
Geident =~
v2
Mot5 1.000 0.624 0.733
E2 D
A Mot12 1.288 0.208 6.192 0.000 0.803 0.660
Mot13 F1 1.160 0.188 6.174 0.000 0.724 0.659
Mot14 1.261 0.154 8.207 0.000 0.787 0.871
GEVORDERDE
A
E3 D v3
A
Covariances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
Intr ~~
KWANTITATIEVE
E4 D v4
Geident 0.399 0.081 4.942 0.000 0.952 0.952
B
E5 D v5 Variances:
METHODEN
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
A
.Mot1 0.279 0.048 5.752 0.000 0.279 0.382
E6 D v6 .Mot3 0.260 0.047 5.493 0.000 0.260 0.333
A .Mot7 0.246 0.046 5.393 0.000 0.246 0.318
.Mot9 F2 0.346 0.059 5.872 0.000
OPLEIDINGS- 0.346 0.409
EN ONDERWIJSWETENSCHAPPEN
A
.Mot5 0.335 0.056 5.977 0.000 0.335 0.462
E7 D v7 2025-2026
.Mot12 0.834 0.133 6.266 0.000 0.834 0.564
A
.Mot13 0.684 0.109 6.271 0.000
UNIVERSITEIT
0.684
ANTWERPEN
0.566
E
.Mot14 0.197 0.045 4.381 0.000 0.197 0.242 1
E8 D v8
Intr 0.452 0.102 4.413 0.000 1.000 1.000
Geident 0.389 0.098 3.975 0.000 1.000 1.000
, MAAR! we kunnen niet automatisch uitspraken doen over
STRUCTURELE VERGELIJKINGSMODELLEN
PADMODELLEN = causale modellen causaliteit. Want SEM wordt vaak toegepast op cross-sectionele
surveydata en niet op experimentele data.
veronderstellen een indirecte
invloed van een of meerdere
onafhankelijke variabelen
ie
nt
ie
ria
nt
tussenliggende of
ia
va
ar
e
rd
v
intermediaire
de
aa
ar
kl
er
la
variabele
rk
v
on
ve
on
uren
uren werken inkomen
televisie
x onafhankelijke
variabele
zowel gevolg als oorzaak
kijken
correleren
y afhankelijke
onderwijsniveau
variabele
ASO
TSO
BSO endogene variabelen
worden deels verklaard door andere variabelen, ongeacht of ze
ook een invloed blijken te hebben op een of andere variabele
exogene variabelen
oefenen een invloed uit op
andere variabelen, maar worden
zelf niet beïnvloed door Analysetechniek hiervoor:
variabelen in het model.
Structurele vergelijkingsmodellen
Hebben dus geen voorspellers.
= Structural Equation Modeling (afgekort SEM)
2
, STRUCTURELE VERGELIJKINGSMODELLEN
PADMODELLEN Beetje complexer...
Onderzoeksvraag: In hoeverre hebben de mate waarin ouders graag lezen (variabele ‘Leesplezier’) en hun kinderen al vroeg
stimuleren om te lezen (variabele ‘Stimuleren) via zowel de motivatie om te lezen van leerlingen (variabele ‘Motivatie) als hun
zelfvertrouwen voor lezen (variabele ‘Zelfvertrouwen’) een onrechtstreeks effect op de leesvaardigheid van jongeren (variabele
‘Leesvaardigheid’)?
ε1
ε3
leesplezier motivatie
leesvaardigheid
ε2
stimuleren zelfvertrouwen
exogene variabelen
oefenen een invloed uit op andere
endogene variabelen
variabelen, maar worden zelf niet
worden deels verklaard door andere variabelen, ongeacht of ze
beïnvloed door variabelen in het
ook een invloed blijken te hebben op een of andere variabele
model. Hebben dus geen
voorspellers. Samenhang is bij endogene variabelen altijd tussen de onverklaarde variantie
Errortermen (ε) zijn er nooit bij (Errorvariantie). In dit geval tussen die in motivatie en zelfvertrouwen.
exogene variabelen, want die worden in R: Motivatie ~~ Zelfvertrouwen
dus niet voorspeld. Dus samenhang
3
die hier voorspeld wordt is van de R weet automatisch dat dat over de samenhang in errortermen gaat, want er
exogene variabelen zelf. komen ook pijlen in toe.
, STRUCTURELE VERGELIJKINGSMODELLEN
STRUCTURAL EQUATION MODELLING SEM
Wat gebeurt er in de achtergrond bij SEM?
In SEM worden verwachte scores 2. Dan maak je er een vector met 4. SEM voorspelt ook zulke
vergeleken met vastgestelde variabelen van samenhangen
scores. Op basis van een vergelijking Op basis van de theoretische
van beide scores wordt een model al vergelijkingen berekent SEM
dan niet verworpen. wélke varianties en
covarianties je zou verwachten
1. Structurele vergelijkingen als het model klopt.
Die “verwachte” samenhangen
3. SEM vertaalt dan de relaties
We kunnen de figuur van de vorige worden in een tweede matrix
tussen die variabelen naar
pagina uitdrukken in een reeks gezet: de Σ-matrix.
varianties en covarianties
vergelijkingen. Hiermee beschrijf je
5. SEM vergelijkt beide matrices
hoe de variabelen elkaar
Dat wil zeggen: in plaats van te
beïnvloeden:
kijken naar individuele waarden (de SEM probeert nu de parameters (de
ruwe data), kijkt SEM naar hoe de β’s) zo te schatten dat de verschillen
Inkomen = β1Uren Werken +
variabelen samen variëren over de tussen S en Σ minimaal worden.
β2Onderwijsniveau + ε1
steekproef. Dat wordt samengevat
in de S-matrix. Als de twee matrices sterk op
Uren Tv kijken = β3Inkomen +
β4Uren Werken +
elkaar lijken → goed model
(goede fit).
β5Onderwijsniveau + ε1
Als ze sterk verschillen →model
past niet bij de data. 4
Parameter Estimates:
Standard errors Standard
Information Expected theorie
Information saturated (h1) model Structured
definities
Latent Variables: interpretaties
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
Intr =~ toepassingen in R Studio
Mot1 1.000 0.672 0.786
Mot3 1.072 0.126 8.542 0.000 0.721 0.817
E1 D v1 Mot7 1.080 0.125 8.665 0.000 0.726 0.826
Mot9 1.052 0.133 7.922 0.000 0.707 0.769
A
Geident =~
v2
Mot5 1.000 0.624 0.733
E2 D
A Mot12 1.288 0.208 6.192 0.000 0.803 0.660
Mot13 F1 1.160 0.188 6.174 0.000 0.724 0.659
Mot14 1.261 0.154 8.207 0.000 0.787 0.871
GEVORDERDE
A
E3 D v3
A
Covariances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
Intr ~~
KWANTITATIEVE
E4 D v4
Geident 0.399 0.081 4.942 0.000 0.952 0.952
B
E5 D v5 Variances:
METHODEN
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
A
.Mot1 0.279 0.048 5.752 0.000 0.279 0.382
E6 D v6 .Mot3 0.260 0.047 5.493 0.000 0.260 0.333
A .Mot7 0.246 0.046 5.393 0.000 0.246 0.318
.Mot9 F2 0.346 0.059 5.872 0.000
OPLEIDINGS- 0.346 0.409
EN ONDERWIJSWETENSCHAPPEN
A
.Mot5 0.335 0.056 5.977 0.000 0.335 0.462
E7 D v7 2025-2026
.Mot12 0.834 0.133 6.266 0.000 0.834 0.564
A
.Mot13 0.684 0.109 6.271 0.000
UNIVERSITEIT
0.684
ANTWERPEN
0.566
E
.Mot14 0.197 0.045 4.381 0.000 0.197 0.242 1
E8 D v8
Intr 0.452 0.102 4.413 0.000 1.000 1.000
Geident 0.389 0.098 3.975 0.000 1.000 1.000
, MAAR! we kunnen niet automatisch uitspraken doen over
STRUCTURELE VERGELIJKINGSMODELLEN
PADMODELLEN = causale modellen causaliteit. Want SEM wordt vaak toegepast op cross-sectionele
surveydata en niet op experimentele data.
veronderstellen een indirecte
invloed van een of meerdere
onafhankelijke variabelen
ie
nt
ie
ria
nt
tussenliggende of
ia
va
ar
e
rd
v
intermediaire
de
aa
ar
kl
er
la
variabele
rk
v
on
ve
on
uren
uren werken inkomen
televisie
x onafhankelijke
variabele
zowel gevolg als oorzaak
kijken
correleren
y afhankelijke
onderwijsniveau
variabele
ASO
TSO
BSO endogene variabelen
worden deels verklaard door andere variabelen, ongeacht of ze
ook een invloed blijken te hebben op een of andere variabele
exogene variabelen
oefenen een invloed uit op
andere variabelen, maar worden
zelf niet beïnvloed door Analysetechniek hiervoor:
variabelen in het model.
Structurele vergelijkingsmodellen
Hebben dus geen voorspellers.
= Structural Equation Modeling (afgekort SEM)
2
, STRUCTURELE VERGELIJKINGSMODELLEN
PADMODELLEN Beetje complexer...
Onderzoeksvraag: In hoeverre hebben de mate waarin ouders graag lezen (variabele ‘Leesplezier’) en hun kinderen al vroeg
stimuleren om te lezen (variabele ‘Stimuleren) via zowel de motivatie om te lezen van leerlingen (variabele ‘Motivatie) als hun
zelfvertrouwen voor lezen (variabele ‘Zelfvertrouwen’) een onrechtstreeks effect op de leesvaardigheid van jongeren (variabele
‘Leesvaardigheid’)?
ε1
ε3
leesplezier motivatie
leesvaardigheid
ε2
stimuleren zelfvertrouwen
exogene variabelen
oefenen een invloed uit op andere
endogene variabelen
variabelen, maar worden zelf niet
worden deels verklaard door andere variabelen, ongeacht of ze
beïnvloed door variabelen in het
ook een invloed blijken te hebben op een of andere variabele
model. Hebben dus geen
voorspellers. Samenhang is bij endogene variabelen altijd tussen de onverklaarde variantie
Errortermen (ε) zijn er nooit bij (Errorvariantie). In dit geval tussen die in motivatie en zelfvertrouwen.
exogene variabelen, want die worden in R: Motivatie ~~ Zelfvertrouwen
dus niet voorspeld. Dus samenhang
3
die hier voorspeld wordt is van de R weet automatisch dat dat over de samenhang in errortermen gaat, want er
exogene variabelen zelf. komen ook pijlen in toe.
, STRUCTURELE VERGELIJKINGSMODELLEN
STRUCTURAL EQUATION MODELLING SEM
Wat gebeurt er in de achtergrond bij SEM?
In SEM worden verwachte scores 2. Dan maak je er een vector met 4. SEM voorspelt ook zulke
vergeleken met vastgestelde variabelen van samenhangen
scores. Op basis van een vergelijking Op basis van de theoretische
van beide scores wordt een model al vergelijkingen berekent SEM
dan niet verworpen. wélke varianties en
covarianties je zou verwachten
1. Structurele vergelijkingen als het model klopt.
Die “verwachte” samenhangen
3. SEM vertaalt dan de relaties
We kunnen de figuur van de vorige worden in een tweede matrix
tussen die variabelen naar
pagina uitdrukken in een reeks gezet: de Σ-matrix.
varianties en covarianties
vergelijkingen. Hiermee beschrijf je
5. SEM vergelijkt beide matrices
hoe de variabelen elkaar
Dat wil zeggen: in plaats van te
beïnvloeden:
kijken naar individuele waarden (de SEM probeert nu de parameters (de
ruwe data), kijkt SEM naar hoe de β’s) zo te schatten dat de verschillen
Inkomen = β1Uren Werken +
variabelen samen variëren over de tussen S en Σ minimaal worden.
β2Onderwijsniveau + ε1
steekproef. Dat wordt samengevat
in de S-matrix. Als de twee matrices sterk op
Uren Tv kijken = β3Inkomen +
β4Uren Werken +
elkaar lijken → goed model
(goede fit).
β5Onderwijsniveau + ε1
Als ze sterk verschillen →model
past niet bij de data. 4
