Inhoud
Gevorderde kwantitatieve methoden.................................................................................2
1 Structurele vergelijkingsmodellen..................................................................................2
1.1 Causale modellen...................................................................................................2
1.1.1 Padanalyse......................................................................................................2
1.1.2 Terminologie en tekenen van onderzoeksschema’s...............................................2
1.2 Structural Equation Modeling (SEM).........................................................................3
1.2.1 Principe SEM....................................................................................................3
1.2.2 Fit indices, onafhankelijk van steekproefgrootte...................................................4
1.3 Padmodellen in R...................................................................................................4
1.3.1 Verschillende alternatieve conceptuele modellen met elkaar vergelijken..................6
1.4 Confirmatieve factoranalyse (CFA)...........................................................................7
1.4.1 Tekenafspraken................................................................................................7
1.5 Confirmatieve factoranalyse in R..............................................................................8
1.5.1 Verschillende soorten parameterschattingen........................................................9
1.6 Het complete Structurele vergelijkingsmodel.............................................................9
2 Multilevel analyse......................................................................................................10
2.1 Wat is hiërarchie in de data...................................................................................10
2.1.1 Twee bronnen van hiërarchie...........................................................................10
2.2 Hiërarchie als OV of dataprobleem..........................................................................10
2.2.1 Data op verschillende niveaus..........................................................................11
2.3 Multilevel analyse.................................................................................................12
2.3.1 Verschillende soorten hellingsgraden.................................................................16
3 Logistische regressieanalyse.......................................................................................17
3.1 Probabiliteiten......................................................................................................17
3.1.1 Twee soorten probabiliteiten............................................................................17
3.2 Dummyvariabelen als afhankelijke variabelen..........................................................17
3.2.1 Regressie met als onafhankelijke en afhankelijke variabele een dummy................17
3.2.2 Regressieanalyse met dummy als afhankelijke variabele en KWAN onafhankelijke
variabele................................................................................................................17
3.3 Probabiliteiten, odds en logits................................................................................18
3.4 Logistische regressieanalyse..................................................................................19
3.4.1 Additief model of multiplicatief model................................................................20
3.5 Is het model een goed model voor de populatie?......................................................20
3.6 Strategie.............................................................................................................22
3.7 Resultaten grafisch voorstellen..............................................................................22
,Gevorderde kwantitatieve methoden
1 Structurele vergelijkingsmodellen
1.1 Causale modellen
1.1.1 Padanalyse
PADMODELLEN
(of causale modellen > wil niet zeggen dat we aan de hand van de resultaten automatisch uitspraken
kunnen doen over causale verbanden)
Veronderstellen de indirecte invloed van een of meerdere onafhankelijke variabelen
Indirecte invloed = het fenomeen waarbij een variabele X een invloed heeft op een variabele Z
die op zijn beurt een invloed heeft op een variabele Y
Padmodellen schatten via: Structurele Vergelijkingsmodellen (SEM) (= analysetechniek)
In 1 beweging in plaats van meerdere regressieanalyses > in 1 analyse padmodellen analyseren
1.1.2 Terminologie en tekenen van onderzoeksschema’s
ENDOGENE VARIABELEN > variabelen die afhankelijk zijn van 1 of meerdere variabelen
= alle variabelen die volgens het model deels verklaard worden door andere variabelen, ongeacht of ze
zelf ook een invloed hebben op een andere variabele
Variabele ‘Uren televisie kijken’ Volledig afhankelijke variabele
Gestipte pijl Niet alle verschillen in ‘aantal uren televisie kijken’ worden voorspeld
door dit model
Een deel onverklaarde variantie blijft over
Variabele ‘inkomen’ = Afhankelijke variabele
tussenliggende variabele Voorspeller voor het aantal ‘uren televisie kijken’
Wordt bepaald door ‘uren werken’ en ‘OV’
Gestipte pijl Deze twee variabelen verklaren niet alle variantie in de variabele
‘inkomen’
EXOGENE VARIABELEN > variabelen oefenen invloed uit op andere variabelen, maar worden niet
beïnvloed door variabelen in het model
, ‘Uren werken’ en ‘OV’ Dubbele pijl > kunnen correleren met elkaar (= samenhang vertonen)
1.2 Structural Equation Modeling (SEM)
SEM = Verwachte scores vergelijken met vastgestelde scores
Op basis van deze vergelijking wordt een model al dan niet verworpen
1.2.1 Principe SEM
Vb. van 2 vergelijkingen
2 matrices met elkaar vergelijken
S-matrix: matrix met geobserveerde varianties en covarianties (denk aan uren tv kijken en inkomen)
∑ −¿ ¿matrix: geschatte covariantiematrix
- Willekeurige startwaarden voor het model vastleggen
- Elementen van de S-matrix schatten op basis van deze parameters
- Geschatte elementen vergelijken met geobserveerde elementen
- Parameters bijstellen om het verschil te minimaliseren
- Herhalen tot de verschillen tussen beide matrices niet verder kunnen worden verkleind
1. Beide matrices wijken niet veel van elkaar af? > SEM-model niet verwerpen
2. Wijken ze wel veel van elkaar af?
a. Het model is niet geldig
b. De gegevens zijn niet goed (onbetrouwbare dataverzameling OF slechte steekproeftrekking
Meestal komt a vaker voor, omdat goed onderzoek berust op gegevens die goed zijn
Mogelijks het gemiddelde nemen van het verschil tussen beide matrices, om zo tot de gemiddelde afwijking
te komen > Op basis hiervan het model al da niet verwerpen
Nagaan hoe sterk beide matrices verschillen? > nood aan index
Nagaan in hoeverre het theoretische model past bij de vastgestelde data
Fit functie = gemiddelde score is een functie die aangeeft in hoeverre het theoretisch model past
bij de vastgestelde data (gemiddelde van de vastgestelde score en de geobserveerde)
Fit-functie minimaliseren door stapsgewijs proces te volgen (fit = 0 > geen verschil!)
Nagaan of theoretisch model sterk afwijkt van de gegevens:
(goodness-of-)fit indices
Fit-index 1: Chi-kwadraat waarde > volgt theoretische Chi-kwadraatverdeling > samenvattende waarde
berekenen die aangeeft hoe groot de verschillen zijn tussen de geschatte en de geobserveerde variantie-
covariantie matrix
Hoe groter het verschil, hoe groter de waarde van deze index
Perfecte fit > chi-kwadraat = 0
Vrijheidsgraden bepalen a.d.h.v. het aantal te schatten parameters en het aantal variabelen
Gevorderde kwantitatieve methoden.................................................................................2
1 Structurele vergelijkingsmodellen..................................................................................2
1.1 Causale modellen...................................................................................................2
1.1.1 Padanalyse......................................................................................................2
1.1.2 Terminologie en tekenen van onderzoeksschema’s...............................................2
1.2 Structural Equation Modeling (SEM).........................................................................3
1.2.1 Principe SEM....................................................................................................3
1.2.2 Fit indices, onafhankelijk van steekproefgrootte...................................................4
1.3 Padmodellen in R...................................................................................................4
1.3.1 Verschillende alternatieve conceptuele modellen met elkaar vergelijken..................6
1.4 Confirmatieve factoranalyse (CFA)...........................................................................7
1.4.1 Tekenafspraken................................................................................................7
1.5 Confirmatieve factoranalyse in R..............................................................................8
1.5.1 Verschillende soorten parameterschattingen........................................................9
1.6 Het complete Structurele vergelijkingsmodel.............................................................9
2 Multilevel analyse......................................................................................................10
2.1 Wat is hiërarchie in de data...................................................................................10
2.1.1 Twee bronnen van hiërarchie...........................................................................10
2.2 Hiërarchie als OV of dataprobleem..........................................................................10
2.2.1 Data op verschillende niveaus..........................................................................11
2.3 Multilevel analyse.................................................................................................12
2.3.1 Verschillende soorten hellingsgraden.................................................................16
3 Logistische regressieanalyse.......................................................................................17
3.1 Probabiliteiten......................................................................................................17
3.1.1 Twee soorten probabiliteiten............................................................................17
3.2 Dummyvariabelen als afhankelijke variabelen..........................................................17
3.2.1 Regressie met als onafhankelijke en afhankelijke variabele een dummy................17
3.2.2 Regressieanalyse met dummy als afhankelijke variabele en KWAN onafhankelijke
variabele................................................................................................................17
3.3 Probabiliteiten, odds en logits................................................................................18
3.4 Logistische regressieanalyse..................................................................................19
3.4.1 Additief model of multiplicatief model................................................................20
3.5 Is het model een goed model voor de populatie?......................................................20
3.6 Strategie.............................................................................................................22
3.7 Resultaten grafisch voorstellen..............................................................................22
,Gevorderde kwantitatieve methoden
1 Structurele vergelijkingsmodellen
1.1 Causale modellen
1.1.1 Padanalyse
PADMODELLEN
(of causale modellen > wil niet zeggen dat we aan de hand van de resultaten automatisch uitspraken
kunnen doen over causale verbanden)
Veronderstellen de indirecte invloed van een of meerdere onafhankelijke variabelen
Indirecte invloed = het fenomeen waarbij een variabele X een invloed heeft op een variabele Z
die op zijn beurt een invloed heeft op een variabele Y
Padmodellen schatten via: Structurele Vergelijkingsmodellen (SEM) (= analysetechniek)
In 1 beweging in plaats van meerdere regressieanalyses > in 1 analyse padmodellen analyseren
1.1.2 Terminologie en tekenen van onderzoeksschema’s
ENDOGENE VARIABELEN > variabelen die afhankelijk zijn van 1 of meerdere variabelen
= alle variabelen die volgens het model deels verklaard worden door andere variabelen, ongeacht of ze
zelf ook een invloed hebben op een andere variabele
Variabele ‘Uren televisie kijken’ Volledig afhankelijke variabele
Gestipte pijl Niet alle verschillen in ‘aantal uren televisie kijken’ worden voorspeld
door dit model
Een deel onverklaarde variantie blijft over
Variabele ‘inkomen’ = Afhankelijke variabele
tussenliggende variabele Voorspeller voor het aantal ‘uren televisie kijken’
Wordt bepaald door ‘uren werken’ en ‘OV’
Gestipte pijl Deze twee variabelen verklaren niet alle variantie in de variabele
‘inkomen’
EXOGENE VARIABELEN > variabelen oefenen invloed uit op andere variabelen, maar worden niet
beïnvloed door variabelen in het model
, ‘Uren werken’ en ‘OV’ Dubbele pijl > kunnen correleren met elkaar (= samenhang vertonen)
1.2 Structural Equation Modeling (SEM)
SEM = Verwachte scores vergelijken met vastgestelde scores
Op basis van deze vergelijking wordt een model al dan niet verworpen
1.2.1 Principe SEM
Vb. van 2 vergelijkingen
2 matrices met elkaar vergelijken
S-matrix: matrix met geobserveerde varianties en covarianties (denk aan uren tv kijken en inkomen)
∑ −¿ ¿matrix: geschatte covariantiematrix
- Willekeurige startwaarden voor het model vastleggen
- Elementen van de S-matrix schatten op basis van deze parameters
- Geschatte elementen vergelijken met geobserveerde elementen
- Parameters bijstellen om het verschil te minimaliseren
- Herhalen tot de verschillen tussen beide matrices niet verder kunnen worden verkleind
1. Beide matrices wijken niet veel van elkaar af? > SEM-model niet verwerpen
2. Wijken ze wel veel van elkaar af?
a. Het model is niet geldig
b. De gegevens zijn niet goed (onbetrouwbare dataverzameling OF slechte steekproeftrekking
Meestal komt a vaker voor, omdat goed onderzoek berust op gegevens die goed zijn
Mogelijks het gemiddelde nemen van het verschil tussen beide matrices, om zo tot de gemiddelde afwijking
te komen > Op basis hiervan het model al da niet verwerpen
Nagaan hoe sterk beide matrices verschillen? > nood aan index
Nagaan in hoeverre het theoretische model past bij de vastgestelde data
Fit functie = gemiddelde score is een functie die aangeeft in hoeverre het theoretisch model past
bij de vastgestelde data (gemiddelde van de vastgestelde score en de geobserveerde)
Fit-functie minimaliseren door stapsgewijs proces te volgen (fit = 0 > geen verschil!)
Nagaan of theoretisch model sterk afwijkt van de gegevens:
(goodness-of-)fit indices
Fit-index 1: Chi-kwadraat waarde > volgt theoretische Chi-kwadraatverdeling > samenvattende waarde
berekenen die aangeeft hoe groot de verschillen zijn tussen de geschatte en de geobserveerde variantie-
covariantie matrix
Hoe groter het verschil, hoe groter de waarde van deze index
Perfecte fit > chi-kwadraat = 0
Vrijheidsgraden bepalen a.d.h.v. het aantal te schatten parameters en het aantal variabelen
