Samenvatting Basis van Onderzoeksvaardigheden en Statistiek Correlationeel

Samenvatting BOS Correlationeel
Tentamen 2 – 9 oktober 2020

In het vorige onderdeel hebben we gekeken naar kwalitatief onderzoek, daarbij was het
volgende van belang
- Theorievorming
- Ervaring
- Perspectief respondent
- Begrijpen
- Context
- Achtergrond

Kwantitatieve onderzoeksvraag  zie je bij ene toename in social media contact vooraf
meer of minder plezier tijdens een eerste date? Hangt lengte van verblijf in een AZC samen
met de kans op een verblijfsvergunning?

Kwantitatief – onderzoeksvragen over samenhang of de relatie tussen eigenschappen
(kijken naar samenhang/relatie tussen onderwerpen)

Dataverzameling
- Observatiestudies
- Bestaande gegevens (bid data)
- Vragenlijsten (surveys)

Net als kwalitatief onderzoek kunnen we bij correlationeel onderzoek dezelfde
dataverzamelingsmethoden gebruiken. We gebruiken deze alleen op een andere manier en
beantwoorden er andere vragen mee.

We kunnen ook gebruik maken van de theorie-data cyclus




Correlationeel
- Hypothesen
- Theorie speelt een belangrijke rol
- Altijd gebruiken wat er al bekend is

,Kwalitatief – theorievormend
Kwantitatief – theorietoetsen

Onderzoeksvragen – PAC
P  Population
A  Association
C  Constructs

Population – de groep mensen (of dieren of objecten) die de onderzoeker wil onderzoeken
- Alle eerstejaars studenten aan universiteiten in Nederland
 Zorg dat je steekproef daarbij past

Association – één level van een variabele kan
geassocieerd worden met het level van een andere
variabele // verband of relatie, de onderzoeker geeft
aan welke relatie hij verwacht
- Als de ene variabele veranderd, veranderd de
ander ook
- Plezier van eerste date neemt toe met meer
contact via social media vooraf
De uitspraak die je hierover doet kan op basis van
een spreidingsdiagram, waarbij elk bolletje staat voor
1 persoon.

Er zijn 3 soorten samenhang:
Positieve samenhang  hoe hoger de ene score, hoe hoger de ander




Negatieve samenhang  hoe hoger de ene score, hoe lager de ander

,Geen samenhang // zero




Die samenhang die je verwacht laat je terug komen in je hypothese. Door de samenhang
kun je voorspellingen doen.

Samenhang – onderzoeken we bij correlationeel  is er een samenhang tussen de
variabelen?
 Dit betekent niet dat de één de oorzaak is van de anders, want dat is een causale
relatie

Causale relatie - laat een relatie tussen 2 variabelen zien EN dat de ene variabele
verantwoordelijk is voor de verandering van de ander. Bijvoorbeeld:
- Muziekles verbetert het IQ

De voorwaarden van een causale relatie
- Covariance - Er moet samenhang zijn: er moet een relatie zijn tussen de oorzaak en
het gevolg
- Temporal precendence – de oorzaak moet in de tijd vooraf gaan aan het gevolg
- Internal validity – alternatieve verklaringen voor de gevonden relatie moeten zijn
uitgesloten  er mag geen derde variabele zijn die invloed heeft op allebei

Voorbeeld - Er is samenhang tussen het aantal brandweermannen en het aantal doden dat
valt
Hoe meer brandweermannen hoe meer doden
Is niet waar want er is een derde variabele, namelijk de grote van de brand

Het verschil tussen causale en association claims is
te zien aan het taalgebruik. Causale claims
gebruiken actieve en krachtige woorden en laten
zien dat een variabele eerst is in de tijd en een
gevolg heeft voor een andere variabele. Daarnaast
zijn er causale claims met voorlopige taal, zoals
could, may, seem, suggets, sometimes en
potentially. Tot slot is een advies ook een causale
claim. Als je X doet zal Y gebeuren  want to boost
your brain power? Use yoga!

Er zijn ook claims die niet zijn gebasseerd op
empirisch onderzoek. Deze vertellen iets over een
persoon, een inspirerend verhaal of een advies van
een expert. Deze uitspraken laten geen frequency
zien.

, Constructs – theoretische begrippen, de kenmerken die de onderzoeker van de mensen wil
weten en meten en waartussen er een verband verwacht wordt // theoretische begrippen die
je wilt meten en waarover je een uitspraak wilt doen
Bijvoorbeeld: Plezier van de eerste date
Bijvoorbeeld: Hoeveelheid social media contact vooraf

Variable voorbeeld – wanneer een persoon lacht
 Levels: wel en niet lachen
15% van de Amerikanen rookt. De nationaliteit is geen variabele, maar een constant.
Een constant kan variëren, maar heeft maar één level. In dit voorbeeld is roken een variable,
de levels zijn wel en niet roken.

Measured variable - levels kunnen makkelijk geobserveerd en gerapporteerd worden
(bijvoorbeeld IQ)
Manipulated variable - deelnemers toewijzen aan de verschillende levels van de variabele
 toets maken met anderen in een ruimte, toets maken in je eentje in de ruimte. Sommige
variabelen kun je niet manipulated maken, zoals leeftijd of IQ. Sommige variabelen kun je zo
wel measured als manipulated maken, bijvoorbeeld bij een groep kinderen waarbij je meet
hoevaak ze naar drama en muziek les gaan OF je maakt groepen waarin de ene drama les
neemt en de anderen muziek les.

Claim – argument dat iemand probeert te maken. De
claims van onderzoekers zijn gebasseerd op empirische
data
1. Frequency claims
2. Association claims
3. Causal claims

Frequency – beschrijven een bepaalde rate of level van
een enkele variabele, dus hoe vaak iets voorkomt
(procentueel, hoeveelheid mensen die zich focussen op
één variabele)
- 2 van de 5 mensen maken zich elke dag zorgen
- 15% van de Amerikanen rookt




In je onderzoeksontwerp ga je concreet maken hoe je de data gaat verzamelen. Hiervoor
moet je de theoretische begrippen meetbaar maken. Dit noemen we
operationalisatieproces / operationaliseren




Theortisch concept – het begrip
Conceptuele definitie – duidelijk maken wat je bedoeld met het begrip, abstract, ook wel
construct
Operationele definitie – hoe ga je dit meten? Dus vormen in measured of manipulated data