| Practicum 1: betrouwbaarheidsanalyse, factoranalyse en beschrijvende
analyse
Bij dit vak: ALTIJD op past drukken, NOOIT op ok → Dan kunnen ze je syntax niet lezen
Data open
File > Open > Data
Instelling
Edit > Option > apply
- Variable labels: Display names
- Output > Names and labels en variable and labels
Vraag 1. Hoe ziet de steekproef eruit?
a) Hoeveel mensen hebben deelgenomen aan het onderzoek?
i) Check data view > onderaan
b) Hoeveel mannen en hoeveel vrouwen? Geef ook percentages.
i) Data descriptions > Frequencies > Variabele: geslacht
c) Wat was de gemiddelde leeftijd? En de range?
i) Data descriptions > Descriptives > Leeftijd
d) Hoeveel missende waarden zijn er voor opleiding? Hoe is opleiding verder verdeeld
(in percentages)?
i) Data descriptions > Frequencies > Variabele: opleiding
e) Hoeveel deelnemers hebben een social media account?
i) Data descriptions > Frequencies > Variabele: SNS account
Vraag 2.
Frequentieanalyse
1) Analyze > Descriptive > Frequencies > Alle betreffende variabelen selecteren
Samenhang tussen twee items: correlatiematrix
1) Analyze > Correlate > Bivariate > Alle items selecteren
● Te veel correlaties? → Plak in Excel, zodat je de cellen makkelijk een kleur kan
geven
● Beoordelen sterkte correlatie → zwak (.1), middelmatig (.3), sterk (.5)
● Verbanden zijn significant wanneer p-waarde < 0.5
Vraag 3
Factoranalyse: zijn er meerdere factoren te onderscheiden en hoe interpreteren
1) Analyze > Dimension reduction > Factor
a) Descriptives → AAN: Coefficients en KMO
b) Extraction (method) → ‘Principal axis factoring’ en kies ‘Scree plot’
c) Rotation → AAN ‘Oblique rotatie (direct oblimin)’
d) Options → AAN ‘Exclude cases painwise’ and ‘sorted by size’ en ‘suppress
small coefficients, vul in bij below ‘.30’
● Pairwise = als respondent een vraag is vergeten, dan wordt deze niet verwijderd in
berekening, alleen die ene vraag doet dan niet mee.
, ● KMO criterium geeft aan of data adequaat is om factoranalyse op te doen. Geeft aan
of correlaties wel variëren. Moet boven den .7 zijn. Deze rapporteren bij
factoranalyse.
Criteria kiezen factoren die variantie verklaren (kijk bij Total Variance Explained)
1) Kaiser’s criterium
a) Je selecteert de variabelen die > 1, dit zijn de factoren. Deze factoren
verklaren meer variantie dan de andere variabelen.
2) Scree plot
a) Kijk naar de scree plot, waar zit de knik?
b) Knik - 1 = aantal factoren die variantie verklaren
c) In voorbeeld zag je dat de knik bij 3 zat, dus 3 - 1 = 2.
Pattern Matrix (geroteerde oplossing, beter interpreteerbaar dan factor matrix)
● SPSS kiest zelf de factoren die variantie verklaren
● Je interpreteert hier de factoren
● Factoren zijn losse items en die zeggen iets over de achterliggende factor. A.d.h.v.
hoge ladingen ga je die achterliggende factoren interpreteren (hoge lading = sterke
bijdrage aan factor)
● In voorbeeld zie je dat alle items negatieve gevoelens hebben bij factor 1, bij factor 2
zie je alle items over positieve gevoelens. Wijst erop dat de twee factoren apart
kunnen interpreteren als negatieve en positieve gevoelens. Je benoemt ze als mate
van negatieve en positieve gevoelens.
● Hangen beide factoren samen → check factor correlation matrix (.1 regel), dus ze
hangen nu niet samen -> zwak (.1), middelmatig (.3), sterk (.5)
Vraag 4
Betrouwbaarheidsanalyse
● Hercoderen als nummers niet dezelfde betekenis hebben → Pattern Matrix zien we
de clusters
1) Analyze > Scale > Reliability Analyze
a) Options → AAN ‘Correlations’ en ‘Scale if item deleted’
Vraag 5
Nieuwe schaal maken van twee clusters:
1) Transform > Compute Variable > Schaal aanmaken (in voorbeeld: positief en
negatief) > Function Group: klik ‘All’ > Functions and special variabelen klik ‘Mean’
● Gebruik maken van komma’s i.p.v. + voor de missing values → MEAN(SPANG1,SPANG4)
Vraag 6
Scree plot krijgt voorrang voor Kaiser, mits het interpreteerbaar is
● Als scree plot iets anders laat zien: bijv. 1 factor i.p.v. 2 factoren. → scree plot krijgt voorrang voor
Kaiser gebeuren
2) Analyze > Dimension reduction > Factor
a) Descriptives → AAN: Coefficients en KMO
, b) Extraction (method) → Principal axis factoring en kies Scree plot en kies
‘Fixed number of factors = 1’
c) Rotation → AAN oblique rotatie (direct oblimin)
d) Options → AAN ‘sorted by size’ en ‘suppress small coefficients, below ‘.30’
NOG 1 INVULLEN (laatste) DIE MIST IN TABEL
Reliability analyse
Checken of variabelen omgepoold moeten worden. Ja? →
Recode into different variables
Reliability analyse uitvoeren
● Als je een variabele eruit haalt voor een hogere cronbach alpha dan neem je deze
variabele verder ook niet mee.
Vraag 7
Stel je hebt adolescenten, volwassenen, en ouderen gevraagd van ze het nieuws volgen via
het journaal, de website van een nieuwsorganisatie, of social media (ze geven dus hun
voorkeur op door één van de categorieën te kiezen). Met welke toets kun je nagaan of er
een significante relatie bestaat tussen de drie groepen en hun manier van nieuws vergaren?
ANT: Chi-kwadraat
Vraag 8
Bedenk zelf een voorbeeld van een onderzoek waarbij een independent t-toets de meest
geschikte analyse zou zijn. Noem onafhankelijke en afhankelijke variabelen (doe dat altijd).
ANT:
Vraag 9
, | Practicum 2: regressieanalyse met mediatie
Let op: stel in SPSS de juiste opties in via ‘edit’ en ‘options’:
● Bij het tabblad 'general': klik op 'display names'
● Bij het tabblad ‘output labels’: zet alle labels op ‘names and labels’ en op ‘values and
Bij dit vak: ALTIJD op past drukken, NOOIT op ok → Dan kunnen ze je syntax niet lezen
Vraag 1
Vraag
Bekijk eerst hoe bovengenoemde schalen (variabelen) eruitzien door frequentieverdelingen
te draaien. Wat betekenen hoge/lage scores (hoef je niet te noteren)? Ga vervolgens na of
de zes variabelen onderling samenhangen. Voer deze analyse uit. Wat kun je hier (kort) over
zeggen?
Frequentieanalyse
1) Analyze > Descriptive statistics > Frequencies
Correlatieanalyse: hoe hangen de items met elkaar samen (samenhang)?
1) Analyze > Correlate > Bivariate > Alle items selecteren
● Beoordelen sterkte correlatie → zwak (.1), middelmatig (.3), sterk (.5)
● Verbanden zijn significant wanneer p-waarde < 0.05
Schrijf in je antwoord op of er (geen) samenhang is tussen de twee items en of dit een
zwakke, middelmatige of sterke samenhang is.
Antwoord
Als je de correlaties bekijkt, dan zie je al dat bijna alle variabelen matig (r = -.29, p< .001) tot
sterk (r = .74,p< .001) met elkaar correleren. Alleen de variabelen positieve/negatieve
emoties hebben geen significante correlatie met elkaar.
● Als je een negatieve correlatie hebt dan kan je dat als volgt interpreteren: hoe hoger
je score op het item in het kolom, hoe lager je score op het item in de rij. (In
voorbeeld: hoe hoger je zelfvertrouwen, hoe lager je score op negatieve gevoelens →
vanwege negatieve correlatie. Hoe hoger je zelfvertrouwen, hoe hoger je score op
positieve gevoelens → vanwege positieve correlatie).
Vraag 2
Vraag
Je wilt nu toetsen in hoeverre uiterlijk zelfvertrouwen (Y) voorspeld kan worden door de mate van
bewerkte en authentieke zelfpresentatie (X). De verwachting is dat beide uiterlijk zelfvertrouwen
zullen voorspellen, maar dat bewerkte zelfpresentatie meer variatie in uiterlijk zelfvertrouwen
zal verklaren dan authentieke zelfpresentatie. Voer deze analyse uit door middel van een
multipele regressie-analyse.
analyse
Bij dit vak: ALTIJD op past drukken, NOOIT op ok → Dan kunnen ze je syntax niet lezen
Data open
File > Open > Data
Instelling
Edit > Option > apply
- Variable labels: Display names
- Output > Names and labels en variable and labels
Vraag 1. Hoe ziet de steekproef eruit?
a) Hoeveel mensen hebben deelgenomen aan het onderzoek?
i) Check data view > onderaan
b) Hoeveel mannen en hoeveel vrouwen? Geef ook percentages.
i) Data descriptions > Frequencies > Variabele: geslacht
c) Wat was de gemiddelde leeftijd? En de range?
i) Data descriptions > Descriptives > Leeftijd
d) Hoeveel missende waarden zijn er voor opleiding? Hoe is opleiding verder verdeeld
(in percentages)?
i) Data descriptions > Frequencies > Variabele: opleiding
e) Hoeveel deelnemers hebben een social media account?
i) Data descriptions > Frequencies > Variabele: SNS account
Vraag 2.
Frequentieanalyse
1) Analyze > Descriptive > Frequencies > Alle betreffende variabelen selecteren
Samenhang tussen twee items: correlatiematrix
1) Analyze > Correlate > Bivariate > Alle items selecteren
● Te veel correlaties? → Plak in Excel, zodat je de cellen makkelijk een kleur kan
geven
● Beoordelen sterkte correlatie → zwak (.1), middelmatig (.3), sterk (.5)
● Verbanden zijn significant wanneer p-waarde < 0.5
Vraag 3
Factoranalyse: zijn er meerdere factoren te onderscheiden en hoe interpreteren
1) Analyze > Dimension reduction > Factor
a) Descriptives → AAN: Coefficients en KMO
b) Extraction (method) → ‘Principal axis factoring’ en kies ‘Scree plot’
c) Rotation → AAN ‘Oblique rotatie (direct oblimin)’
d) Options → AAN ‘Exclude cases painwise’ and ‘sorted by size’ en ‘suppress
small coefficients, vul in bij below ‘.30’
● Pairwise = als respondent een vraag is vergeten, dan wordt deze niet verwijderd in
berekening, alleen die ene vraag doet dan niet mee.
, ● KMO criterium geeft aan of data adequaat is om factoranalyse op te doen. Geeft aan
of correlaties wel variëren. Moet boven den .7 zijn. Deze rapporteren bij
factoranalyse.
Criteria kiezen factoren die variantie verklaren (kijk bij Total Variance Explained)
1) Kaiser’s criterium
a) Je selecteert de variabelen die > 1, dit zijn de factoren. Deze factoren
verklaren meer variantie dan de andere variabelen.
2) Scree plot
a) Kijk naar de scree plot, waar zit de knik?
b) Knik - 1 = aantal factoren die variantie verklaren
c) In voorbeeld zag je dat de knik bij 3 zat, dus 3 - 1 = 2.
Pattern Matrix (geroteerde oplossing, beter interpreteerbaar dan factor matrix)
● SPSS kiest zelf de factoren die variantie verklaren
● Je interpreteert hier de factoren
● Factoren zijn losse items en die zeggen iets over de achterliggende factor. A.d.h.v.
hoge ladingen ga je die achterliggende factoren interpreteren (hoge lading = sterke
bijdrage aan factor)
● In voorbeeld zie je dat alle items negatieve gevoelens hebben bij factor 1, bij factor 2
zie je alle items over positieve gevoelens. Wijst erop dat de twee factoren apart
kunnen interpreteren als negatieve en positieve gevoelens. Je benoemt ze als mate
van negatieve en positieve gevoelens.
● Hangen beide factoren samen → check factor correlation matrix (.1 regel), dus ze
hangen nu niet samen -> zwak (.1), middelmatig (.3), sterk (.5)
Vraag 4
Betrouwbaarheidsanalyse
● Hercoderen als nummers niet dezelfde betekenis hebben → Pattern Matrix zien we
de clusters
1) Analyze > Scale > Reliability Analyze
a) Options → AAN ‘Correlations’ en ‘Scale if item deleted’
Vraag 5
Nieuwe schaal maken van twee clusters:
1) Transform > Compute Variable > Schaal aanmaken (in voorbeeld: positief en
negatief) > Function Group: klik ‘All’ > Functions and special variabelen klik ‘Mean’
● Gebruik maken van komma’s i.p.v. + voor de missing values → MEAN(SPANG1,SPANG4)
Vraag 6
Scree plot krijgt voorrang voor Kaiser, mits het interpreteerbaar is
● Als scree plot iets anders laat zien: bijv. 1 factor i.p.v. 2 factoren. → scree plot krijgt voorrang voor
Kaiser gebeuren
2) Analyze > Dimension reduction > Factor
a) Descriptives → AAN: Coefficients en KMO
, b) Extraction (method) → Principal axis factoring en kies Scree plot en kies
‘Fixed number of factors = 1’
c) Rotation → AAN oblique rotatie (direct oblimin)
d) Options → AAN ‘sorted by size’ en ‘suppress small coefficients, below ‘.30’
NOG 1 INVULLEN (laatste) DIE MIST IN TABEL
Reliability analyse
Checken of variabelen omgepoold moeten worden. Ja? →
Recode into different variables
Reliability analyse uitvoeren
● Als je een variabele eruit haalt voor een hogere cronbach alpha dan neem je deze
variabele verder ook niet mee.
Vraag 7
Stel je hebt adolescenten, volwassenen, en ouderen gevraagd van ze het nieuws volgen via
het journaal, de website van een nieuwsorganisatie, of social media (ze geven dus hun
voorkeur op door één van de categorieën te kiezen). Met welke toets kun je nagaan of er
een significante relatie bestaat tussen de drie groepen en hun manier van nieuws vergaren?
ANT: Chi-kwadraat
Vraag 8
Bedenk zelf een voorbeeld van een onderzoek waarbij een independent t-toets de meest
geschikte analyse zou zijn. Noem onafhankelijke en afhankelijke variabelen (doe dat altijd).
ANT:
Vraag 9
, | Practicum 2: regressieanalyse met mediatie
Let op: stel in SPSS de juiste opties in via ‘edit’ en ‘options’:
● Bij het tabblad 'general': klik op 'display names'
● Bij het tabblad ‘output labels’: zet alle labels op ‘names and labels’ en op ‘values and
Bij dit vak: ALTIJD op past drukken, NOOIT op ok → Dan kunnen ze je syntax niet lezen
Vraag 1
Vraag
Bekijk eerst hoe bovengenoemde schalen (variabelen) eruitzien door frequentieverdelingen
te draaien. Wat betekenen hoge/lage scores (hoef je niet te noteren)? Ga vervolgens na of
de zes variabelen onderling samenhangen. Voer deze analyse uit. Wat kun je hier (kort) over
zeggen?
Frequentieanalyse
1) Analyze > Descriptive statistics > Frequencies
Correlatieanalyse: hoe hangen de items met elkaar samen (samenhang)?
1) Analyze > Correlate > Bivariate > Alle items selecteren
● Beoordelen sterkte correlatie → zwak (.1), middelmatig (.3), sterk (.5)
● Verbanden zijn significant wanneer p-waarde < 0.05
Schrijf in je antwoord op of er (geen) samenhang is tussen de twee items en of dit een
zwakke, middelmatige of sterke samenhang is.
Antwoord
Als je de correlaties bekijkt, dan zie je al dat bijna alle variabelen matig (r = -.29, p< .001) tot
sterk (r = .74,p< .001) met elkaar correleren. Alleen de variabelen positieve/negatieve
emoties hebben geen significante correlatie met elkaar.
● Als je een negatieve correlatie hebt dan kan je dat als volgt interpreteren: hoe hoger
je score op het item in het kolom, hoe lager je score op het item in de rij. (In
voorbeeld: hoe hoger je zelfvertrouwen, hoe lager je score op negatieve gevoelens →
vanwege negatieve correlatie. Hoe hoger je zelfvertrouwen, hoe hoger je score op
positieve gevoelens → vanwege positieve correlatie).
Vraag 2
Vraag
Je wilt nu toetsen in hoeverre uiterlijk zelfvertrouwen (Y) voorspeld kan worden door de mate van
bewerkte en authentieke zelfpresentatie (X). De verwachting is dat beide uiterlijk zelfvertrouwen
zullen voorspellen, maar dat bewerkte zelfpresentatie meer variatie in uiterlijk zelfvertrouwen
zal verklaren dan authentieke zelfpresentatie. Voer deze analyse uit door middel van een
multipele regressie-analyse.
