TOEGEPASTE METHODEN &
STATISTIEK
Inhoudsopgave
Deel 1: Causale analyse..................................................................................2
Hoorcollege 1: Introductie cursus & basiselementen van padanalyse.............................2
Hoorcollege 2: Van theorie naar padmodel, van padmodel naar lineaire.........................6
regressievergelijkingen.................................................................................................... 6
Hoorcollege 3: Padcoëfficiënten schatten, tracing rules & decompositieregel,
padanalyse, basale model-fit analyse............................................................................11
Hoorcollege 4: Procesanalyse; Mediatie, Moderatie en Moderated Mediation................17
Hoorcollege 5: Moderatie, mediatie, en moderated mediation (vervolg).......................24
Hoorcollege 6: Moderatie, mediatie, en moderated mediation + afronding causale
analyse.......................................................................................................................... 34
Deel 2: principale componenten analyses (PCA) en exploratieve factoranalyse
(EFA)........................................................................................................... 41
Hoorcollege 8: Principale componentenanalyse (afronding), en exploratieve................41
factoranalyse (introductie)............................................................................................. 41
Hoorcollege 9: Exploratieve factor analyse (vervolg).....................................................48
Hoorcollege 10: Confirmatieve factor analyse en Structureel Equation Modeling (SEM) 55
Hoorcollege 11: Overzicht methoden & keuze van de geëigende statistische techniek.67
Hoorcollege 12: Structural Equation Modeling en overzicht cursus TMS........................79
1
,DEEL 1: CAUSALE ANALYSE
HOORCOLLEGE 1: INTRODUCTIE CURSUS & BASISELEMENTEN VAN PADANALYSE
Correlatie is geen causatie
Twee variabelen kunnen samenhangen zonder dat de ene de andere veroorzaakt.
Voorbeeld:
Haan kraait en zon komt op De haan veroorzaakt de zonsopkomst niet!
Het experiment = Sterkste methode om causaliteit te onderzoeken.
Elke groep ondergaat een verschillende behandeling = manipulatie van X
Stappen:
1. Mensen willekeurig over groepen verdelen.
2. Eén groep krijgt interventie.
3. Andere groep krijgt andere interventie of controlebehandeling.
4. Uitkomsten vergelijken.
Wanneer significante verschillen gevonden worden: Ondersteunt dit de causale
hypothese.
Wanneer geen verschillen gevonden worden: Onvoldoende bewijs voor causaliteit. Een
effect kan nog steeds bestaan.
Niet-significant resultaat
Een niet-significant resultaat betekent:
NIET: "er is geen effect"
WEL: "we hebben het effect niet gevonden"
Mogelijke verklaring voor het niet vinden van een effect:
- Te kleine steekproef
- Lage power
- Type II fout
Belangrijke uitspraak! Afwezigheid van bewijs is geen bewijs van
afwezigheid.
Type I fout Er is een effect , Terwijl: Er in werkelijkheid geen
effect is.
= False positive
Type II fout Geen effect, Terwijl: Het effect wel bestaat.
= False negative
Power = kans om een werkelijk effect te ontdekken.
Correlationeel onderzoek
Random toewijzen / actief manipuleren in de praktijk meestal niet mogelijk, niet
wenselijk, of zelfs onethisch. We moeten het doen met data verkregen in ‘natuurlijke
settings’ (e.g., surveys, observaties)
1. Observationeel
Doel:
Verbanden ontdekken
Hypothesen genereren
Voorspellingen doen
2. Theorie-gedreven
Doel:
Onderzoeken of gevonden correlaties overeenkomen met een causale theorie = Causale
analyse.
Wanneer twee variabelen correleren, dan mag je niet zonder meer concluderen dat er
een directe causale relatie is tussen de twee variabelen, MAAR je hoeft een causaal
effect ook niet direct uit te sluiten!
Wanneer X en Y correleren zijn meerdere verklaringen mogelijk. Een correlatie kan
ontstaan door:
2
, - Direct effect
- Indirect effect
- Gemeenschappelijke oorzaak
- Andere mechanismen
Daarom moet je meer variabelen opnemen in je analyse. Dat is precies wat
padanalyse doet
Causale analyse: stappenplan
Stap 1: Ontwikkel een causale theorie (waarbij we zoveel mogelijk varen op wat we al
weten!).
Stap 2: Vertaal deze naar een statistisch model.
Stap 3: Verzamel data en schat hieruit de causale effecten volgens het model
Stap 4: Onderzoek of de geobserveerde correlaties overeenkomen met wat het model
voorspelt.
Wanneer observaties niet overeenkomen: Theorie aanpassen óf theorie verwerpen
Empirische cyclus
Wetenschap is een continu proces van
verbetering.
Voorbeeld: maakt sporten gelukkig?
- Verklaring 1: direct effect, Sporten veroorzaakt direct meer geluk.
Sporten → Happiness
- Verklaring 2: indirect effect, Sporten verhoogt endorfine Endorfine verhoogt geluk.
Sporten → Endorfine → Happiness
Dus:
Sporten heeft een indirect effect op geluk.
- Verklaring 3: gemeenschappelijke oorzaak
Inkomen → Sporten
Inkomen → Happiness
Hier is er geen direct effect van sporten op geluk. Het hogere inkomen veroorzaakt beide.
Dit is een relatie.
Belangrijkste conclusie
Bij causale analyse proberen we vooral: Mogelijke confounders identificeren of uitsluiten.
Confounders kunnen een schijnverband veroorzaken tussen onderzoeksvariabelen.
Schijnrelaties (SPURIOUS RELATIONSHIPS)
X en Y lijken samen te hangen MAAR: Beide worden veroorzaakt door Z.
X←Z→Y
Hier bestaat géén echte causale relatie tussen X en Y.
De gemeenschappelijke oorzaak Z noemen we een: Confounder (verstorende variabele)
Voorbeeld:
Onderzoek: Videogames veroorzaken agressie.
Mogelijke confounder: Geslacht
Als geslacht zowel agressie als gamen beïnvloedt, kan de relatie tussen gamen en
agressie schijn zijn.
Waarom zijn schijnrelaties zo belangrijk?
3
, Onze hersenen zoeken automatisch patronen. Daardoor zien we soms verbanden die niet
causaal zijn.
Risico's:
Verkeerde wetenschappelijke conclusies
Verkeerd beleid
Verkeerde maatschappelijke interpretaties
Voorbeelden:
Criminaliteit
Opleiding
Radicalisering
Etnische achtergrond
Ook AI-systemen kunnen gevoelig zijn voor schijnverbanden.
Heel belangrijk om dus kritisch te blijven!
Niet alleen kritisch zijn wanneer iemand causaliteit claimt. Ook kritisch zijn wanneer
iemand een effect weg verklaart met een confounder.
Vraag altijd: Blijft het verband bestaan nadat plausibele alternatieve verklaringen
zijn onderzocht?
Padanalyse = Een methode om causale hypothesen over meerdere variabelen te
onderzoeken.
Padanalyse gebruikt: Theorie, Correlaties en Statistische modellen om causale processen
te onderzoeken.
Wat is een padmodel?
Een statistische voorstelling van veronderstelde causale relaties tussen variabelen. Eén
grote hypothese over hoe variabelen met elkaar samenhangen.
Variabelen = Kenmerken waarin onderzoekseenheden verschillen (bv. Inkomen, Leeftijd,
Intelligentie)
Geen variatie? Constante
LET OP!
Veelgemaakte fout:
"Een hoge opleiding hangt samen met een hoog inkomen."
Beter:
"Opleiding hangt positief samen met inkomen."
Want: Hoog en laag zijn waarden van variabelen. Niet de variabelen zelf.
Hypothesen = Een uitspraak over de relatie tussen variabelen.
Causale hypothese
"Het maken van opgaven leidt tot beter begrip."
X→Y
Correlationele hypothese
"Extraverte personen ervaren minder stress."
Samenhang zonder expliciete causale claim.
Doelen van padanalyse:
1. Complexe causale hypothesen toetsen
Iedere pijl heeft een: Padcoëfficiënt Deze geeft de sterkte van het effect weer.
2. Causaal redeneren
Je kunt "wat als"-vragen beantwoorden.
Bijvoorbeeld:
Wat gebeurt er als X verandert?
Wat verandert er dan in Y?
4
STATISTIEK
Inhoudsopgave
Deel 1: Causale analyse..................................................................................2
Hoorcollege 1: Introductie cursus & basiselementen van padanalyse.............................2
Hoorcollege 2: Van theorie naar padmodel, van padmodel naar lineaire.........................6
regressievergelijkingen.................................................................................................... 6
Hoorcollege 3: Padcoëfficiënten schatten, tracing rules & decompositieregel,
padanalyse, basale model-fit analyse............................................................................11
Hoorcollege 4: Procesanalyse; Mediatie, Moderatie en Moderated Mediation................17
Hoorcollege 5: Moderatie, mediatie, en moderated mediation (vervolg).......................24
Hoorcollege 6: Moderatie, mediatie, en moderated mediation + afronding causale
analyse.......................................................................................................................... 34
Deel 2: principale componenten analyses (PCA) en exploratieve factoranalyse
(EFA)........................................................................................................... 41
Hoorcollege 8: Principale componentenanalyse (afronding), en exploratieve................41
factoranalyse (introductie)............................................................................................. 41
Hoorcollege 9: Exploratieve factor analyse (vervolg).....................................................48
Hoorcollege 10: Confirmatieve factor analyse en Structureel Equation Modeling (SEM) 55
Hoorcollege 11: Overzicht methoden & keuze van de geëigende statistische techniek.67
Hoorcollege 12: Structural Equation Modeling en overzicht cursus TMS........................79
1
,DEEL 1: CAUSALE ANALYSE
HOORCOLLEGE 1: INTRODUCTIE CURSUS & BASISELEMENTEN VAN PADANALYSE
Correlatie is geen causatie
Twee variabelen kunnen samenhangen zonder dat de ene de andere veroorzaakt.
Voorbeeld:
Haan kraait en zon komt op De haan veroorzaakt de zonsopkomst niet!
Het experiment = Sterkste methode om causaliteit te onderzoeken.
Elke groep ondergaat een verschillende behandeling = manipulatie van X
Stappen:
1. Mensen willekeurig over groepen verdelen.
2. Eén groep krijgt interventie.
3. Andere groep krijgt andere interventie of controlebehandeling.
4. Uitkomsten vergelijken.
Wanneer significante verschillen gevonden worden: Ondersteunt dit de causale
hypothese.
Wanneer geen verschillen gevonden worden: Onvoldoende bewijs voor causaliteit. Een
effect kan nog steeds bestaan.
Niet-significant resultaat
Een niet-significant resultaat betekent:
NIET: "er is geen effect"
WEL: "we hebben het effect niet gevonden"
Mogelijke verklaring voor het niet vinden van een effect:
- Te kleine steekproef
- Lage power
- Type II fout
Belangrijke uitspraak! Afwezigheid van bewijs is geen bewijs van
afwezigheid.
Type I fout Er is een effect , Terwijl: Er in werkelijkheid geen
effect is.
= False positive
Type II fout Geen effect, Terwijl: Het effect wel bestaat.
= False negative
Power = kans om een werkelijk effect te ontdekken.
Correlationeel onderzoek
Random toewijzen / actief manipuleren in de praktijk meestal niet mogelijk, niet
wenselijk, of zelfs onethisch. We moeten het doen met data verkregen in ‘natuurlijke
settings’ (e.g., surveys, observaties)
1. Observationeel
Doel:
Verbanden ontdekken
Hypothesen genereren
Voorspellingen doen
2. Theorie-gedreven
Doel:
Onderzoeken of gevonden correlaties overeenkomen met een causale theorie = Causale
analyse.
Wanneer twee variabelen correleren, dan mag je niet zonder meer concluderen dat er
een directe causale relatie is tussen de twee variabelen, MAAR je hoeft een causaal
effect ook niet direct uit te sluiten!
Wanneer X en Y correleren zijn meerdere verklaringen mogelijk. Een correlatie kan
ontstaan door:
2
, - Direct effect
- Indirect effect
- Gemeenschappelijke oorzaak
- Andere mechanismen
Daarom moet je meer variabelen opnemen in je analyse. Dat is precies wat
padanalyse doet
Causale analyse: stappenplan
Stap 1: Ontwikkel een causale theorie (waarbij we zoveel mogelijk varen op wat we al
weten!).
Stap 2: Vertaal deze naar een statistisch model.
Stap 3: Verzamel data en schat hieruit de causale effecten volgens het model
Stap 4: Onderzoek of de geobserveerde correlaties overeenkomen met wat het model
voorspelt.
Wanneer observaties niet overeenkomen: Theorie aanpassen óf theorie verwerpen
Empirische cyclus
Wetenschap is een continu proces van
verbetering.
Voorbeeld: maakt sporten gelukkig?
- Verklaring 1: direct effect, Sporten veroorzaakt direct meer geluk.
Sporten → Happiness
- Verklaring 2: indirect effect, Sporten verhoogt endorfine Endorfine verhoogt geluk.
Sporten → Endorfine → Happiness
Dus:
Sporten heeft een indirect effect op geluk.
- Verklaring 3: gemeenschappelijke oorzaak
Inkomen → Sporten
Inkomen → Happiness
Hier is er geen direct effect van sporten op geluk. Het hogere inkomen veroorzaakt beide.
Dit is een relatie.
Belangrijkste conclusie
Bij causale analyse proberen we vooral: Mogelijke confounders identificeren of uitsluiten.
Confounders kunnen een schijnverband veroorzaken tussen onderzoeksvariabelen.
Schijnrelaties (SPURIOUS RELATIONSHIPS)
X en Y lijken samen te hangen MAAR: Beide worden veroorzaakt door Z.
X←Z→Y
Hier bestaat géén echte causale relatie tussen X en Y.
De gemeenschappelijke oorzaak Z noemen we een: Confounder (verstorende variabele)
Voorbeeld:
Onderzoek: Videogames veroorzaken agressie.
Mogelijke confounder: Geslacht
Als geslacht zowel agressie als gamen beïnvloedt, kan de relatie tussen gamen en
agressie schijn zijn.
Waarom zijn schijnrelaties zo belangrijk?
3
, Onze hersenen zoeken automatisch patronen. Daardoor zien we soms verbanden die niet
causaal zijn.
Risico's:
Verkeerde wetenschappelijke conclusies
Verkeerd beleid
Verkeerde maatschappelijke interpretaties
Voorbeelden:
Criminaliteit
Opleiding
Radicalisering
Etnische achtergrond
Ook AI-systemen kunnen gevoelig zijn voor schijnverbanden.
Heel belangrijk om dus kritisch te blijven!
Niet alleen kritisch zijn wanneer iemand causaliteit claimt. Ook kritisch zijn wanneer
iemand een effect weg verklaart met een confounder.
Vraag altijd: Blijft het verband bestaan nadat plausibele alternatieve verklaringen
zijn onderzocht?
Padanalyse = Een methode om causale hypothesen over meerdere variabelen te
onderzoeken.
Padanalyse gebruikt: Theorie, Correlaties en Statistische modellen om causale processen
te onderzoeken.
Wat is een padmodel?
Een statistische voorstelling van veronderstelde causale relaties tussen variabelen. Eén
grote hypothese over hoe variabelen met elkaar samenhangen.
Variabelen = Kenmerken waarin onderzoekseenheden verschillen (bv. Inkomen, Leeftijd,
Intelligentie)
Geen variatie? Constante
LET OP!
Veelgemaakte fout:
"Een hoge opleiding hangt samen met een hoog inkomen."
Beter:
"Opleiding hangt positief samen met inkomen."
Want: Hoog en laag zijn waarden van variabelen. Niet de variabelen zelf.
Hypothesen = Een uitspraak over de relatie tussen variabelen.
Causale hypothese
"Het maken van opgaven leidt tot beter begrip."
X→Y
Correlationele hypothese
"Extraverte personen ervaren minder stress."
Samenhang zonder expliciete causale claim.
Doelen van padanalyse:
1. Complexe causale hypothesen toetsen
Iedere pijl heeft een: Padcoëfficiënt Deze geeft de sterkte van het effect weer.
2. Causaal redeneren
Je kunt "wat als"-vragen beantwoorden.
Bijvoorbeeld:
Wat gebeurt er als X verandert?
Wat verandert er dan in Y?
4
