SAMENVATTING METHODEN EN STATISTIEK
INHOUDSOPGAVE
Deel 1: Hoorcollege 1 - Introductiecursus en basiselementen van padanalyse ................................ 4
Causale analyse ........................................................................................................................ 4
Algemene opzet causale analyse op basis van correlaties (padanalyse) ........................................... 5
Schijnrelaties ............................................................................................................................ 6
Padmodel ................................................................................................................................. 7
Begrippen ................................................................................................................................. 8
Doelstellingen padanalyse .......................................................................................................... 8
Bouwstenen voor het padmodel: de 5 basisrelaties........................................................................ 9
Hoorcollege 2- Van theorie naar padmodel, van padmodel naar lineaire ........................................11
Toetsen van causale hypothesen ................................................................................................11
Opstellen van een padmodel ......................................................................................................12
Stap 1 + Stap 2 ..........................................................................................................................13
Stap 3 ......................................................................................................................................13
Stap 4 ......................................................................................................................................14
Stap 5 ......................................................................................................................................15
Recursieve versus niet-recursieve modellen ................................................................................16
Schatten van de padcoëfficiënten ...............................................................................................16
Van causaal model naar regressievergelijkingen ...........................................................................17
Hoorcollege 3 - evalueren van padmodellen: decompositie & tracing rules ....................................18
Directe indirecte en totale causale effecten .................................................................................18
Modelfit: past het model bij de data? ...........................................................................................19
De decompositie regel ...............................................................................................................20
Tracing rules .............................................................................................................................20
Verzadigde en onverzadigde modellen.........................................................................................20
Redeneernlijn toetsen model fit ..................................................................................................21
Hoorcollege 4 – procesanalyse: moderatie, mediatie, en moderated mediation .............................22
Wat is procesanalyse ................................................................................................................22
Bootstrapmethode ....................................................................................................................22
Mediatie-analyse van Hayes .......................................................................................................23
Moderatie ................................................................................................................................24
,Hoorcollege 5 – Moderatie in psychologisch onderzoek .................................................................25
Modeleren versus interpretreren .................................................................................................25
Probing ....................................................................................................................................26
Hoorcollege 6 - Conceptueel model en Statistische diagram ........................................................27
Hoorcollege 7 – Q&A college ........................................................................................................27
Deel 2: Hoorcollege 8 – Technieken voor reduceren van dimensies ................................................28
Probleemstelling: reduceren van dimensies .................................................................................28
Principale componentanalyse (PCA) ...........................................................................................29
Principale componentanalyse: visuele weergave onderliggende principes .......................................30
Principale componentanalyse: het onderliggende wiskundige model ..............................................32
Stap 1: zoek de principale componenten (wiskundige oplossing) .................................................... 33
Stap 2: hoeveel % van de totale variantie wordt door elke component beschreven? ....................... 34
Stap 3: maak een beargumenteerde keuze over het aantal componenten dat je wil behouden ....... 34
Hoorcollege 9: Principale componente analyse ............................................................................36
Stap 4: Bereken de geroteerde oplossing om een beter interpreteerbare oplossing te krijgen ......... 36
Stap 5: evalueer de geroteerde oplossing ....................................................................................... 38
Stap 6: Geef een inhoudelijke betekenis aan de componenten ....................................................... 38
Rotatie kiezen ...........................................................................................................................38
Interpreteren van VARIMAX rotatie ..............................................................................................39
Inleiding factoranalyse ..............................................................................................................39
Hoorcollege 10 – exploratieve factoranalyse (EFA) ........................................................................40
Herhaling .................................................................................................................................40
exploratieve factoranalyse (EFA) .................................................................................................41
Het schatten van een factor model..............................................................................................43
Toepassen exploratieve factoranalyse (EFA) ................................................................................44
Stap 1: is de steekproef groot genoeg? ............................................................................................ 45
Stap 2: Kies het aantal factoren dat je wilt extraheren ..................................................................... 45
Stap 3: schat het factor model met het gekozen aantal factoren en de geëigende rotatie ................ 46
Stap 4: evalueren van resultaten ..................................................................................................... 46
Hoorcollege 11 – confirmatieve factoranalyse En nog een stuk exploratieve factoranalyse ............48
Modelfit: exploratieve factoranalyse ............................................................................................48
, Confirmatieve factoranalyse ......................................................................................................49
CFA in de praktijk ............................................................................................................................ 50
Kanttekening bij de X2 toets: de rol van steekproefgrootte (N) ......................................................... 51
Hoorcollege 12 – structural equation modeling (SEM) ....................................................................52
Beschrijvende statistiek, statistisch model en inferentiele statistiek .............................................. 52
Werkcolleges ..............................................................................................................................54
,DEEL 1: HOORCOLLEGE 1 - INTRODUCTIECURSUS EN BASISELEMENTEN VAN
PADANALYSE
CAUSALE ANALYSE
Onthoud: ‘Correlatie is geen causatie’
o Het zoeken naar causale verklaringen houdt de mens al eeuwen bezig. Het helpt bij het beter
begrijpen van de wereld, maar ook om er meer invloed op uit te kunnen oefenen.
o Als dingen samenhangen is het nog geen causaal verband. Om een causaal verband te
onderzoeken gebruik je een experiment: als we alles kunnen manipuleren (behalve de factor
waarin we geïnteresseerd zijn), dan kan je een causaal effect vinden (experimentele
onderzoeksmethoden)
o Je verdeelt de groep in twee random groepen, je manipuleert een variabele (de oorzaak X) en dan
kijk je of er een gevolg is (Y). Als Y significant is dan ondersteunt dit de causale hypothese.
(Het is geen bewijs, maar ‘ondersteunend’, omdat: Type I fout!)
o Is het niet significant: dan is er onvoldoende bewijs (maar dit betekent niet dat er geen effect is!)
(Er is onvoldoende bewijs en het is niet ‘er bestaat geen effect’, omdat: Type II fout)
Een mogelijk verklaring hiervoor is een te kleine steekproef (= te weinig power)
Het is dus belangrijk om voor zoveel mogelijk power te zorgen. Dat kan je het beste/makkelijkste doen
door zo groot mogelijke steekproefgrootte.
Een experimenteel onderzoek in klinische of forensische psychologie is vaak niet ideaal:
soms is het niet mogelijk bepaalde factoren te manipuleren (BV: iemand psychopaat maken)
In de praktijk is het dus vaak beter om correlationeel onderzoek te doen: data verkrijgen in ‘natuurlijke
settings’ (VB: observaties, vragenlijsten)
o Correlationeel onderzoek kan:
1. Observationeel: verzamel data voor variabelen die interessant zijn en kijk naar patronen van
correlaties. Dit is erg nuttig om nieuwe hypothesen te genereren en de samenhang kan
worden benut om betere beslissingen te nemen/voorspellingen te doen (data science)
2. Theorie-gedreven: je onderzoekt of gevonden correlaties aansluiten bij theoretische
verwachtingen (hypothesen) over de samenhang tussen variabalen (= causale analyse)
Toch is het omgekeerde ook waar: je hoeft een causaal verband ook niet direct uit te sluiten!
Hoe kan je o.b.v. correlaties uitspraken doen over causaliteit?
o O.b.v. correlatie alleen kan dat niet, maar door meer variabelen op te nemen in de analyses is het
wel mogelijk meer inzicht te krijgen in de vraag of de samenhang mogelijk causaal is. Deze theorie
heet ‘padanalyse’
,ALGEMENE OPZET CAUSALE ANALYSE OP BASIS VAN CORRELATIES
(PADANALYSE)
1. Opstellen van causale theorie (zoveel mogelijk op wat je al weet)
2. Vertaal de theorie in een statistische (causaal) model: je wilt je theorie toetsen op basis van
empirie
3. Verzamel data en schat hieruit de causale effect o.b.v. het model (met name regressieanalyses)
4. Bekijk in hoeverre de verwachtte observaties overeenkomen met de waargenomen correlaties
(dit is eigenlijk ‘klassiek toetsen’). Als de observaties niet bij de verwachtingen passen dient het
model aangepast of eventueel verworpen te worden
Dit brengt ons eigenlijk weer terug bij de ‘empirische cyclus:
Theorie (BV: mindfulness helpt tegen spanningen) → hypothese (mensen die veel aan mindfulness doen
zijn minder gespannen) → observaties (kijken of dat zo is) → conclusie (wordt het bevestigd of niet)
VB: Onderzoek of je van sporten echt gelukkig wordt:
Theorie (BV: hoe meer je sport, hoe gelukkiger je bent) → data verzamelen (je meet geluk en je meet het
sporten) → je ziet een verband: een correlatie
Mogelijke verklaringen:
o Direct effect: er is een direct effect van sporten op geluk: het zou een causaal verband kunnen
zijn (hypothese is niet ontkracht)
o Indirect effect: het zou kunnen dat sporten wel effect heeft op geluk, maar dat dat komt omdat je
door sporten endorfine aanmaakt en dat endorfine effect heeft op geluk. Er is in dit geval dus nog
steeds een effect van sporten op geluk, alleen loopt dit wel via ‘endorfine’ dus noem je het een
indirect effect
Hoe je dit zou kunnen onderzoeken:
→ je zou bij 1 groep endorfine kunnen toedienen (zonder sporten) en dan het geluk meten
→ je zou mensen meer/minder kunnen laten sporten en kunnen kijken wat het effect is op het endorfine
gehalte
→ je zou kunnen kijken naar de relatie tussen sporten en geluk, bij mensen met allemaal hetzelfde
gehalte endorfine (dus ‘controleren voor’). Want als er dan geen relatie meer is tussen sporten en geluk,
dan betekent dat dat endorfine de bepalende factor is!
o Gemeenschappelijke oorzaak (confound): het zou kunnen dat er een factor is die zowel sporten
als geluk beïnvloed, waardoor het lijkt alsof er een samenhang is tussen sporten en geluk!
BV: ‘inkomen’ als confound: mensen met een hoger inkomen meer gelegenheid kunnen hebben
om te sporten (sportvereniging betalen, sportschool, sportkleding etc) en dat zij over het
algemeen ook een fijner leven hebben dus ook gelukkiger zijn. In dit geval is er geen causaal
verband!
Hoe je dit zou kunnen onderzoeken:
→ je zou kunnen kijken naar de samenhang tussen sporten en geluk bij mensen met hetzelfde inkomen
,SCHIJNRELATIES
Het zou kunnen dat er nog een andere verklaring is of dat het wellicht alle verklaringen zijn: maar wat de
werkelijkheid is, weten we nooit 100% zeker. Maar naarmate we meer te weten komen over de relaties
met andere variabelen kunnen we steeds betere modellen opstellen waarmee de samenhang adequaat
causaal kunnen verklaren: wetenschappelijke theorievorming.
Waar we vooral naar streven als we causale relaties in correlationele data onderzoeken is het
identificeren of uitsluiten van mogelijke confounders die schijnrelaties tussen onze
onderzoeksvariabelen veroorzaken!
Schijnrelaties: er lijkt een causaal verband, maar dat is schijn. Omdat X en Y gemeenschappelijk oorzaak
Z hebben, ontstaat er een samenhang tussen X en Y. Maar een verandering in X heeft geen effect op Y en
ook niet omgekeerd. Z is in deze dus de confounder (= verstorende variabele)
Het is belangrijk om te weten dat Z zowel de oorzaak is van X, als van Y!
Dus: als mensen hoog scoren op Z, scoren ze ook hoog op X EN Y
BV: relatie tussen ijsconsumptie en mensen die verbranden. Dit is geen causaal verband, maar komt door
de confound ‘warm weer’
Bekende confounders zijn: geslacht, leeftijd en opleiding
Waar bijvoorbeeld veel schijnrelaties in bestaan is in longitudinaal onderzoek: dus dat twee aspecten
over tijd dezelfde verandering doormaken, betekent niet gelijk dat het een causaal verband is!
Waarom is het zo belangrijk om een goed zicht/begrip te hebben van schijnrelaties?
o Onze hersenen zijn erop gemaakt om patronen te zien, dus het is belangrijk te filteren wat echte
verbanden zijn en wat niet
o Onterechte causale interpretaties van verbanden kunnen grote gevolgen hebben op individu en
maatschappij (BV: schijnverbanden tussen etnische achtergrond en criminaliteit, opleiding en
radicalisering etc.)
o Met de komst van AI, waarmee complexe patronen worden herleid uit grote databestanden, is
kennis van causaliteit en schijnrelaties extra belangrijk! (BV: op basis van AI uitspraken te doen in
de gezondheidszorg kan schadelijk zijn als dit schijnverbanden blijken te zijn)
Schijnrelaties en maatschappelijke impact:
o Excuus-confounder: tabaksfabrikanten wezen lange tijd op allerlei mogelijke confounders om
twijfel te zaaien over schadelijke effecten van roken.
o Soms is het echt nog niet duidelijk, maar maatschappelijk wel urgent: denk aan relatie tussen
gewassenbeschermingsmiddelen en parkinson. Er is steeds sterker epidemiologisch bewijs voor
een verband tussen langdurige blootstelling aan bepaalde gewasbeschermingsmiddelen en
parkinson, maar geen sluitende causale verklaring!
Kortom: wees kritisch. Niet alleen wanneer iemand een causaal verband claimt, maar ook wanneer
iemand een gevonden effect probeert weg te verklaren.
De wetenschappelijke vraag is hoeveel van het gevonden verband overeind blijft nadat je plausibele
alternatieve verklaringen hebt onderzocht. Vaak is de meest eenvoudige theorie het meest plausibel.
INHOUDSOPGAVE
Deel 1: Hoorcollege 1 - Introductiecursus en basiselementen van padanalyse ................................ 4
Causale analyse ........................................................................................................................ 4
Algemene opzet causale analyse op basis van correlaties (padanalyse) ........................................... 5
Schijnrelaties ............................................................................................................................ 6
Padmodel ................................................................................................................................. 7
Begrippen ................................................................................................................................. 8
Doelstellingen padanalyse .......................................................................................................... 8
Bouwstenen voor het padmodel: de 5 basisrelaties........................................................................ 9
Hoorcollege 2- Van theorie naar padmodel, van padmodel naar lineaire ........................................11
Toetsen van causale hypothesen ................................................................................................11
Opstellen van een padmodel ......................................................................................................12
Stap 1 + Stap 2 ..........................................................................................................................13
Stap 3 ......................................................................................................................................13
Stap 4 ......................................................................................................................................14
Stap 5 ......................................................................................................................................15
Recursieve versus niet-recursieve modellen ................................................................................16
Schatten van de padcoëfficiënten ...............................................................................................16
Van causaal model naar regressievergelijkingen ...........................................................................17
Hoorcollege 3 - evalueren van padmodellen: decompositie & tracing rules ....................................18
Directe indirecte en totale causale effecten .................................................................................18
Modelfit: past het model bij de data? ...........................................................................................19
De decompositie regel ...............................................................................................................20
Tracing rules .............................................................................................................................20
Verzadigde en onverzadigde modellen.........................................................................................20
Redeneernlijn toetsen model fit ..................................................................................................21
Hoorcollege 4 – procesanalyse: moderatie, mediatie, en moderated mediation .............................22
Wat is procesanalyse ................................................................................................................22
Bootstrapmethode ....................................................................................................................22
Mediatie-analyse van Hayes .......................................................................................................23
Moderatie ................................................................................................................................24
,Hoorcollege 5 – Moderatie in psychologisch onderzoek .................................................................25
Modeleren versus interpretreren .................................................................................................25
Probing ....................................................................................................................................26
Hoorcollege 6 - Conceptueel model en Statistische diagram ........................................................27
Hoorcollege 7 – Q&A college ........................................................................................................27
Deel 2: Hoorcollege 8 – Technieken voor reduceren van dimensies ................................................28
Probleemstelling: reduceren van dimensies .................................................................................28
Principale componentanalyse (PCA) ...........................................................................................29
Principale componentanalyse: visuele weergave onderliggende principes .......................................30
Principale componentanalyse: het onderliggende wiskundige model ..............................................32
Stap 1: zoek de principale componenten (wiskundige oplossing) .................................................... 33
Stap 2: hoeveel % van de totale variantie wordt door elke component beschreven? ....................... 34
Stap 3: maak een beargumenteerde keuze over het aantal componenten dat je wil behouden ....... 34
Hoorcollege 9: Principale componente analyse ............................................................................36
Stap 4: Bereken de geroteerde oplossing om een beter interpreteerbare oplossing te krijgen ......... 36
Stap 5: evalueer de geroteerde oplossing ....................................................................................... 38
Stap 6: Geef een inhoudelijke betekenis aan de componenten ....................................................... 38
Rotatie kiezen ...........................................................................................................................38
Interpreteren van VARIMAX rotatie ..............................................................................................39
Inleiding factoranalyse ..............................................................................................................39
Hoorcollege 10 – exploratieve factoranalyse (EFA) ........................................................................40
Herhaling .................................................................................................................................40
exploratieve factoranalyse (EFA) .................................................................................................41
Het schatten van een factor model..............................................................................................43
Toepassen exploratieve factoranalyse (EFA) ................................................................................44
Stap 1: is de steekproef groot genoeg? ............................................................................................ 45
Stap 2: Kies het aantal factoren dat je wilt extraheren ..................................................................... 45
Stap 3: schat het factor model met het gekozen aantal factoren en de geëigende rotatie ................ 46
Stap 4: evalueren van resultaten ..................................................................................................... 46
Hoorcollege 11 – confirmatieve factoranalyse En nog een stuk exploratieve factoranalyse ............48
Modelfit: exploratieve factoranalyse ............................................................................................48
, Confirmatieve factoranalyse ......................................................................................................49
CFA in de praktijk ............................................................................................................................ 50
Kanttekening bij de X2 toets: de rol van steekproefgrootte (N) ......................................................... 51
Hoorcollege 12 – structural equation modeling (SEM) ....................................................................52
Beschrijvende statistiek, statistisch model en inferentiele statistiek .............................................. 52
Werkcolleges ..............................................................................................................................54
,DEEL 1: HOORCOLLEGE 1 - INTRODUCTIECURSUS EN BASISELEMENTEN VAN
PADANALYSE
CAUSALE ANALYSE
Onthoud: ‘Correlatie is geen causatie’
o Het zoeken naar causale verklaringen houdt de mens al eeuwen bezig. Het helpt bij het beter
begrijpen van de wereld, maar ook om er meer invloed op uit te kunnen oefenen.
o Als dingen samenhangen is het nog geen causaal verband. Om een causaal verband te
onderzoeken gebruik je een experiment: als we alles kunnen manipuleren (behalve de factor
waarin we geïnteresseerd zijn), dan kan je een causaal effect vinden (experimentele
onderzoeksmethoden)
o Je verdeelt de groep in twee random groepen, je manipuleert een variabele (de oorzaak X) en dan
kijk je of er een gevolg is (Y). Als Y significant is dan ondersteunt dit de causale hypothese.
(Het is geen bewijs, maar ‘ondersteunend’, omdat: Type I fout!)
o Is het niet significant: dan is er onvoldoende bewijs (maar dit betekent niet dat er geen effect is!)
(Er is onvoldoende bewijs en het is niet ‘er bestaat geen effect’, omdat: Type II fout)
Een mogelijk verklaring hiervoor is een te kleine steekproef (= te weinig power)
Het is dus belangrijk om voor zoveel mogelijk power te zorgen. Dat kan je het beste/makkelijkste doen
door zo groot mogelijke steekproefgrootte.
Een experimenteel onderzoek in klinische of forensische psychologie is vaak niet ideaal:
soms is het niet mogelijk bepaalde factoren te manipuleren (BV: iemand psychopaat maken)
In de praktijk is het dus vaak beter om correlationeel onderzoek te doen: data verkrijgen in ‘natuurlijke
settings’ (VB: observaties, vragenlijsten)
o Correlationeel onderzoek kan:
1. Observationeel: verzamel data voor variabelen die interessant zijn en kijk naar patronen van
correlaties. Dit is erg nuttig om nieuwe hypothesen te genereren en de samenhang kan
worden benut om betere beslissingen te nemen/voorspellingen te doen (data science)
2. Theorie-gedreven: je onderzoekt of gevonden correlaties aansluiten bij theoretische
verwachtingen (hypothesen) over de samenhang tussen variabalen (= causale analyse)
Toch is het omgekeerde ook waar: je hoeft een causaal verband ook niet direct uit te sluiten!
Hoe kan je o.b.v. correlaties uitspraken doen over causaliteit?
o O.b.v. correlatie alleen kan dat niet, maar door meer variabelen op te nemen in de analyses is het
wel mogelijk meer inzicht te krijgen in de vraag of de samenhang mogelijk causaal is. Deze theorie
heet ‘padanalyse’
,ALGEMENE OPZET CAUSALE ANALYSE OP BASIS VAN CORRELATIES
(PADANALYSE)
1. Opstellen van causale theorie (zoveel mogelijk op wat je al weet)
2. Vertaal de theorie in een statistische (causaal) model: je wilt je theorie toetsen op basis van
empirie
3. Verzamel data en schat hieruit de causale effect o.b.v. het model (met name regressieanalyses)
4. Bekijk in hoeverre de verwachtte observaties overeenkomen met de waargenomen correlaties
(dit is eigenlijk ‘klassiek toetsen’). Als de observaties niet bij de verwachtingen passen dient het
model aangepast of eventueel verworpen te worden
Dit brengt ons eigenlijk weer terug bij de ‘empirische cyclus:
Theorie (BV: mindfulness helpt tegen spanningen) → hypothese (mensen die veel aan mindfulness doen
zijn minder gespannen) → observaties (kijken of dat zo is) → conclusie (wordt het bevestigd of niet)
VB: Onderzoek of je van sporten echt gelukkig wordt:
Theorie (BV: hoe meer je sport, hoe gelukkiger je bent) → data verzamelen (je meet geluk en je meet het
sporten) → je ziet een verband: een correlatie
Mogelijke verklaringen:
o Direct effect: er is een direct effect van sporten op geluk: het zou een causaal verband kunnen
zijn (hypothese is niet ontkracht)
o Indirect effect: het zou kunnen dat sporten wel effect heeft op geluk, maar dat dat komt omdat je
door sporten endorfine aanmaakt en dat endorfine effect heeft op geluk. Er is in dit geval dus nog
steeds een effect van sporten op geluk, alleen loopt dit wel via ‘endorfine’ dus noem je het een
indirect effect
Hoe je dit zou kunnen onderzoeken:
→ je zou bij 1 groep endorfine kunnen toedienen (zonder sporten) en dan het geluk meten
→ je zou mensen meer/minder kunnen laten sporten en kunnen kijken wat het effect is op het endorfine
gehalte
→ je zou kunnen kijken naar de relatie tussen sporten en geluk, bij mensen met allemaal hetzelfde
gehalte endorfine (dus ‘controleren voor’). Want als er dan geen relatie meer is tussen sporten en geluk,
dan betekent dat dat endorfine de bepalende factor is!
o Gemeenschappelijke oorzaak (confound): het zou kunnen dat er een factor is die zowel sporten
als geluk beïnvloed, waardoor het lijkt alsof er een samenhang is tussen sporten en geluk!
BV: ‘inkomen’ als confound: mensen met een hoger inkomen meer gelegenheid kunnen hebben
om te sporten (sportvereniging betalen, sportschool, sportkleding etc) en dat zij over het
algemeen ook een fijner leven hebben dus ook gelukkiger zijn. In dit geval is er geen causaal
verband!
Hoe je dit zou kunnen onderzoeken:
→ je zou kunnen kijken naar de samenhang tussen sporten en geluk bij mensen met hetzelfde inkomen
,SCHIJNRELATIES
Het zou kunnen dat er nog een andere verklaring is of dat het wellicht alle verklaringen zijn: maar wat de
werkelijkheid is, weten we nooit 100% zeker. Maar naarmate we meer te weten komen over de relaties
met andere variabelen kunnen we steeds betere modellen opstellen waarmee de samenhang adequaat
causaal kunnen verklaren: wetenschappelijke theorievorming.
Waar we vooral naar streven als we causale relaties in correlationele data onderzoeken is het
identificeren of uitsluiten van mogelijke confounders die schijnrelaties tussen onze
onderzoeksvariabelen veroorzaken!
Schijnrelaties: er lijkt een causaal verband, maar dat is schijn. Omdat X en Y gemeenschappelijk oorzaak
Z hebben, ontstaat er een samenhang tussen X en Y. Maar een verandering in X heeft geen effect op Y en
ook niet omgekeerd. Z is in deze dus de confounder (= verstorende variabele)
Het is belangrijk om te weten dat Z zowel de oorzaak is van X, als van Y!
Dus: als mensen hoog scoren op Z, scoren ze ook hoog op X EN Y
BV: relatie tussen ijsconsumptie en mensen die verbranden. Dit is geen causaal verband, maar komt door
de confound ‘warm weer’
Bekende confounders zijn: geslacht, leeftijd en opleiding
Waar bijvoorbeeld veel schijnrelaties in bestaan is in longitudinaal onderzoek: dus dat twee aspecten
over tijd dezelfde verandering doormaken, betekent niet gelijk dat het een causaal verband is!
Waarom is het zo belangrijk om een goed zicht/begrip te hebben van schijnrelaties?
o Onze hersenen zijn erop gemaakt om patronen te zien, dus het is belangrijk te filteren wat echte
verbanden zijn en wat niet
o Onterechte causale interpretaties van verbanden kunnen grote gevolgen hebben op individu en
maatschappij (BV: schijnverbanden tussen etnische achtergrond en criminaliteit, opleiding en
radicalisering etc.)
o Met de komst van AI, waarmee complexe patronen worden herleid uit grote databestanden, is
kennis van causaliteit en schijnrelaties extra belangrijk! (BV: op basis van AI uitspraken te doen in
de gezondheidszorg kan schadelijk zijn als dit schijnverbanden blijken te zijn)
Schijnrelaties en maatschappelijke impact:
o Excuus-confounder: tabaksfabrikanten wezen lange tijd op allerlei mogelijke confounders om
twijfel te zaaien over schadelijke effecten van roken.
o Soms is het echt nog niet duidelijk, maar maatschappelijk wel urgent: denk aan relatie tussen
gewassenbeschermingsmiddelen en parkinson. Er is steeds sterker epidemiologisch bewijs voor
een verband tussen langdurige blootstelling aan bepaalde gewasbeschermingsmiddelen en
parkinson, maar geen sluitende causale verklaring!
Kortom: wees kritisch. Niet alleen wanneer iemand een causaal verband claimt, maar ook wanneer
iemand een gevonden effect probeert weg te verklaren.
De wetenschappelijke vraag is hoeveel van het gevonden verband overeind blijft nadat je plausibele
alternatieve verklaringen hebt onderzocht. Vaak is de meest eenvoudige theorie het meest plausibel.
