TOEGEPASTE METHODEN EN
STATISTIEK
Jaar 3 - semester 1 - blok 1
COLLEGE 1
DEEL 1
Correlatie ≠ causaliteit
Experiment: elke groep ondergaat verschillende behandeling (interventie)
Type 1 fout: een effect vinden, terwijl deze er niet is
Type 2 fout: geen effect vinden, terwijl deze er wel is
Correlationeel onderzoek: onderzoek a.d.h.v. data verkregen in natuurlijke setting
(observaties)
Causale analyse: van tevoren een idee hebben hoe de causaliteit loopt (theorie
gedreven)
Pad analyse: meer variabelen in de analyse opnemen
Opstellen van een causale theorie
Omzetten naar een statistisch (causaal) model
Data verzamelen + schatten causale effecten volgens model
Kijken hoe verwachte correlaties overeenkomen met waargenomen correlaties
als observaties niet bij verwachtingen passen, onvoldoende bewijs voor theorie; model
aanpassen
PADMODEL
= weergave van veronderstelde causale relaties tussen 2 of
meer variabelen
1 omvattende hypothese over de onderliggende causale
processen die de geobserveerde correlaties tussen
variabelen verklaren.
Constante: variabele waarin geen variatie is
Causale hypothese: X > Y of correlationele hypothese: X <> Y
Bij elke pijl in een padmodel hoort een gewicht (= padcoëfficiënt), geeft geschatte
effect weer
Basisrelaties:
1. Direct causaal effect: X Y
2. Indirect causaal effect: X M Y
2 hypotheses, 1 voor elke pijl; M is de mediator of interveniërende variabele
3. Schijnrelatie: Z X; Z Y
geen of minder sterke causale relatie tussen X en Y, Z = confound: verstorende
variabele
, 4. Onbekende effect: X1 <> X2
er is een correlatie tussen … maar we hebben geen theoretische verwachting,
geen causale relatie tussen X en Y
5. Wederkerig effect: X1 X2 X1 …
moeilijk te onderzoeken, vereist longitudinale data, vaak door experience
sampling, causaal effect in 2 richtingen (2 losse pijlen)
COLLEGE 2
TOETSEN VAN CAUSALE HYPOTHESEN
Een direct effect is altijd gecontroleerd voor derde variabele
Bij een klein effect van confound > mogelijk causaal effect tussen X en Y (maar
andere confounds kan je niet uitsluiten)
Bij een middelgroot effect van confound + van directe relatie > zowel confound
als mogelijk causaal effect tussen X en Y
Bij een groot effect van confound > samenhang tussen X en Y volledig toe te
schrijven aan confound
Causale hypothesen kunnen nooit bewezen worden, maar wel ontkracht (=
falsificeren)
In causale analyse altijd eerst rol van controle variabelen formuleren
(confound/mediator: afhankelijk van model) bijv. in salaris > gezondheidsklachten:
leeftijd is een confound; stress is een mediator
Opstellen padmodel:
1. Maak lijst van variabelen
2. Beschrijf causale hypotheses tussen variabelen
3. Teken relaties in een conceptueel model
4. Identificeer endogene variabelen: binnen het systeem; treden
als afhankelijke variabele op, en kunnen ook onafhankelijke
variabele zijn
+ voeg disturbance termen (ζ) toe: onverklaarde variantie; niet
te verklaren uit de andere variabelen in model die een direct effect
hebben op deze variabele
Correleren niet met exogene variabelen & worden vaak weg gelaten
+ teken relaties tussen exogene variabelen (buiten het systeem, treed alleen als
onafhankelijke variabele op) = multicollineariteit. We veronderstellen altijd
correlatie tussen exogene variabelen maar laten deze vaak weg
5. Ga na of uitbreidingen nodig zijn gouden regel: alle variabelen die een
schijnrelatie kunnen veroorzaken moeten worden meegenomen in het model, anders
krijg je vertekende effecten
RECURSIEVE VS. NIET RECURSIEVE MODELLEN
Recursief model: alle causale effecten zijn uni directioneel, disturbance termen zijn
ongecorreleerd met andere disturbance termen
Niet recursief model: er zijn: a) 1+ dubbele pijlen tussen disturbance termen of b) 1+
wederkerige effecten in het model (dubbele pijl tussen variabelen waarvan
minimaal 1 endogeen) of c) 1+ feedback loop in het model (X>Y>Z>X)
Recursieve modellen zijn eenvoudig te interpreteren + makkelijk te schatten met SPSS
maar: wel beperkter toepasbaar door uitsluiting van wederkerige effecten
STATISTIEK
Jaar 3 - semester 1 - blok 1
COLLEGE 1
DEEL 1
Correlatie ≠ causaliteit
Experiment: elke groep ondergaat verschillende behandeling (interventie)
Type 1 fout: een effect vinden, terwijl deze er niet is
Type 2 fout: geen effect vinden, terwijl deze er wel is
Correlationeel onderzoek: onderzoek a.d.h.v. data verkregen in natuurlijke setting
(observaties)
Causale analyse: van tevoren een idee hebben hoe de causaliteit loopt (theorie
gedreven)
Pad analyse: meer variabelen in de analyse opnemen
Opstellen van een causale theorie
Omzetten naar een statistisch (causaal) model
Data verzamelen + schatten causale effecten volgens model
Kijken hoe verwachte correlaties overeenkomen met waargenomen correlaties
als observaties niet bij verwachtingen passen, onvoldoende bewijs voor theorie; model
aanpassen
PADMODEL
= weergave van veronderstelde causale relaties tussen 2 of
meer variabelen
1 omvattende hypothese over de onderliggende causale
processen die de geobserveerde correlaties tussen
variabelen verklaren.
Constante: variabele waarin geen variatie is
Causale hypothese: X > Y of correlationele hypothese: X <> Y
Bij elke pijl in een padmodel hoort een gewicht (= padcoëfficiënt), geeft geschatte
effect weer
Basisrelaties:
1. Direct causaal effect: X Y
2. Indirect causaal effect: X M Y
2 hypotheses, 1 voor elke pijl; M is de mediator of interveniërende variabele
3. Schijnrelatie: Z X; Z Y
geen of minder sterke causale relatie tussen X en Y, Z = confound: verstorende
variabele
, 4. Onbekende effect: X1 <> X2
er is een correlatie tussen … maar we hebben geen theoretische verwachting,
geen causale relatie tussen X en Y
5. Wederkerig effect: X1 X2 X1 …
moeilijk te onderzoeken, vereist longitudinale data, vaak door experience
sampling, causaal effect in 2 richtingen (2 losse pijlen)
COLLEGE 2
TOETSEN VAN CAUSALE HYPOTHESEN
Een direct effect is altijd gecontroleerd voor derde variabele
Bij een klein effect van confound > mogelijk causaal effect tussen X en Y (maar
andere confounds kan je niet uitsluiten)
Bij een middelgroot effect van confound + van directe relatie > zowel confound
als mogelijk causaal effect tussen X en Y
Bij een groot effect van confound > samenhang tussen X en Y volledig toe te
schrijven aan confound
Causale hypothesen kunnen nooit bewezen worden, maar wel ontkracht (=
falsificeren)
In causale analyse altijd eerst rol van controle variabelen formuleren
(confound/mediator: afhankelijk van model) bijv. in salaris > gezondheidsklachten:
leeftijd is een confound; stress is een mediator
Opstellen padmodel:
1. Maak lijst van variabelen
2. Beschrijf causale hypotheses tussen variabelen
3. Teken relaties in een conceptueel model
4. Identificeer endogene variabelen: binnen het systeem; treden
als afhankelijke variabele op, en kunnen ook onafhankelijke
variabele zijn
+ voeg disturbance termen (ζ) toe: onverklaarde variantie; niet
te verklaren uit de andere variabelen in model die een direct effect
hebben op deze variabele
Correleren niet met exogene variabelen & worden vaak weg gelaten
+ teken relaties tussen exogene variabelen (buiten het systeem, treed alleen als
onafhankelijke variabele op) = multicollineariteit. We veronderstellen altijd
correlatie tussen exogene variabelen maar laten deze vaak weg
5. Ga na of uitbreidingen nodig zijn gouden regel: alle variabelen die een
schijnrelatie kunnen veroorzaken moeten worden meegenomen in het model, anders
krijg je vertekende effecten
RECURSIEVE VS. NIET RECURSIEVE MODELLEN
Recursief model: alle causale effecten zijn uni directioneel, disturbance termen zijn
ongecorreleerd met andere disturbance termen
Niet recursief model: er zijn: a) 1+ dubbele pijlen tussen disturbance termen of b) 1+
wederkerige effecten in het model (dubbele pijl tussen variabelen waarvan
minimaal 1 endogeen) of c) 1+ feedback loop in het model (X>Y>Z>X)
Recursieve modellen zijn eenvoudig te interpreteren + makkelijk te schatten met SPSS
maar: wel beperkter toepasbaar door uitsluiting van wederkerige effecten
