Samenvatting hoorcolleges Voortgezette Methoden

Hoorcolleges Voortgezette Methoden & Technieken
Downloads.vu.nl  STATA installeren

Hoofdstuk 1: Introductie
Causaliteit (oorzaak – gevolg)  wat is de oorzaak van het gevolg? Hoe
kunnen we delinquentie verklaren en hoe kunnen we daarop
interveniëren?
 3 voorwaarden:
o X gaat vooraf aan Y: oorzaak gaat vooraf aan het gevolg
o X correleert met Y: er moet samenhang zijn tussen het oorzaak en gevolg
 Zie voorbeeld boek
o Er is geen andere verklaring voor de samenhang tussen X en Y

Geen andere verklaring: spurieuze verbanden
Zie voorbeelden boek
 Er kunnen ook allerlei anders-soortige verbanden zijn:
o Z leidt tot X en Y
o X leidt tot Z leidt tot Y
o X en Y beïnvloeden elkaar: simultane causaliteit/reciproke relatie
 Relatie tussen werk en delinquentie
o Het verband verandert van richting (sterker/zwakker) onder invloed van een
andere variabele: modererende causaliteit
 Hidden bias/ongemeten bias/ongeobserveerde bias: bias die we niet kunnen meten
o We er bijvoorbeeld niet naar vragen, of we kunnen het niet meten
 Zoals motivatie: er zijn wel schalen voor, maar de vraag is of dit het
wel goed meet
 Overt bias: de bias die we gemeten hebben
o Kan het zijn dat een andere variabele die je gemeten hebt ook van invloed is?

Klassieke experiment
 Kracht is random toewijzing, tussen E en C alleen toevallige, geen systematische
verschillen, dus geen bias
o Random toewijzing = groepen bij elkaar zetten die nog niet bij elkaar bestaan
 Controlegroep = de counterfactual van de experimentele groep €
o C = wat de E was geweest als ze de treatment niet hadden gehad
 Omdat er random toewijzing is, heb je geen voormeting nodig.
o Dit blijkt wel een dingetje in de praktijk om perfecte random toewijzing te
krijgen.
 Placebo-controlled: nóg een controlegroep, die een placebo toegediend krijgt
o TAU: treatment-as-usual
 Double blind: respondent nog onderzoeker/toediener weet wie in welke groep zit
 d.m.v. placebo-controlled en double blind zijn alle alternatieve verklaring
geëlimineerd

,  Klassieke experiment: volledige controle door onderzoeker dmv samenstelling
groepen en toediening experiment
o Maar hebben we bijna nooit in de criminologie
 Quasi-experiment: groepen zijn al gevormd, onderzoeker controleert alleen
toediening treatment
o Bijv. groepen uit verschillende gevangenissen met elkaar vergelijken
 Observationele studie: geen controle, groepen zijn gevormd, treatment toegediend
(bijv. door rechter, psychiater)
o Meest gebruikte vorm
o Want in criminologie vaak geen controle over welke groepen er zijn
(delinquent – niet delinquent)

Maryland Scientific methods scale
 Kwaliteit van studies aangeven
 Scores 2 en 1 te laag voor ‘evidence’ (bijv. alleen exp. groep of duidelijk
onvergelijkbare controlegroep)
o Te laag voor beleid, interventies etc.

Observationele studie
 Er zijn veel mogelijkheden om benadering te zoeken tot causaliteit.
 SUTVA assumptie:
o Er mag geen interferentie zijn tussen de E en C groep
o Ziet toe op hidden bias: toewijzing van respondenten aan condities (E of C
groep) mag niet gebaseerd zijn op hun verwachte score op de
uitkomstvariabele
 Als je de groepen niet goed indeelt, kan dat effect hebben op de
inschatting van het gevolg

Terminologie
 Endogeniteit: selectie, (hidden) bias, endogeneity bias, confounded  alles wat we
niet willen.
 Exogeen: alles wat we wél willen  wat we in het klassieke experiment hebben

Regressie-analyse
Enkelvoudige regressie
 Door middel van X, gaan we Y voorspellen  X  Y // Y = a +bX
o A = intercept = startpunt (waar begint iemand op je grafiek?)
o B = hellingshoek = hoe stijl gaat de hellingshoek?
 Errorterm: verschillen tussen daadwerkelijke Y en geschatte Y op basis van X
 Ordinary Lease Squares (OLS): schatting van a (intercept) en b (hellingshoek)
o Je wilt zo’n klein mogelijke errorterm. De OLS regressie berekent op basis van
welke X de kleinst mogelijke errorterm gevonden wordt
 b: ongestandaardiseerd regressiegewicht
o Bijv. in kilo’s
o Voordeel: inhoudelijk te interpreteren

, o Nadeel: schaalafhankelijk  je kunt niet gewicht (in kilo’s) en lengte met
elkaar vergelijken
 Beta: gestandaardiseerd regressiegewicht
o Verrekening van de gereguleerde b  gewichten duiden in termen van hun
belang in de voorspelling (kilo’s zijn meer van belang dan lengtes)

Multipele regressie
 Meerdere onafhankelijke variabelen
 Je onafhankelijke variabelen kies je op basis van theorieën/literatuur
o Maar, statistisch gezien hoeft dat niet de beste methode te zijn  want,
multicollineariteit: wanneer onafhankelijke variabelen gaan
overlappen/samenhangen en dus hetzelfde onderdeel van Y voorspellen
 Controleer dus ook altijd op multicollineariteit
 Je wilt met zo min mogelijk X-en, Y voorspellen (spaarzaam model)
 Hoe weet je of je een goed regressiemodel hebt?
o Fitmaten:
 R2:
 Adjusten R2 (belangrijkste): geeft info over hoe spaarzaam je model is
 geeft ‘penalty’ wanneer je heel veel x-variabelen toevoegt.
Corrigeert ook voor het aantal personen. Dus een grote N is niet altijd
optimaal.
 Probeer altijd fitmaten te noemen! En er naar te zoeken in artikelen.
 Toetsen of b’s significant afwijken van 0: als niet significant, dan heb je geen effect
 Vuistregel:
o Aantal x: minimaal 10 keer zo’n grote N als je aan X variabelen hebt
o Multicollineariteit meten via VIF (p. 39)
 Assumpties:
o X en Y intervalvariabelen
 Is geen heel strenge eis, kan ook met schaalvariabelen
o Lineair verband
o X fixed (onderzoeker stelt de schalen vast. Wil je vaak, maar kan niet altijd.
Bijv. met intelligentie) en Y random (wordt aangenomen)
o Errortermen (verschil daadwerkelijke uitkomst en geschatte uitkomst op basis
van X):
 Onafhankelijk: iedere persoon krijgt die term en je wilt dat die termen
onafhankelijk zijn van elkaar
 Normaal verdeeld
 Homoscedastisch: de variantie tussen de errortermen moet gelijk zijn.
Als die niet gelijk is, hebben we heteroscedasticiteit  kun je
opvragen via scatter plot

Logistische regressie
 Andere soort Y variabele (bijv. dichotoom: 0 (geen recidive) of 1 (wel recidive)) 
logistische regressie
 Logit-functie: hoe hoog is de kans dat iemand 0 of 1 scoort?
 Belangrijk: hoe is uitkomstvariabele verdeeld?  welke regressie past daarbij?
 Odds: kans dat iemand 1 of 0 scoort