Hoorcollege 6 - samenvatting
Kwantitatieve gedeelte
Leerdoelen segment 1
De drie verschillende doelen van kwantitatief onderzoek uitleggen (associaties)
Uitleggen waarin de strategie van descriptive onderzoek verschilt van causal
inference
Leerdoelen segment 2
Wat de verschillen zijn in strategie, interpretatie en evaluatie van predictive en causal
inference studies.
Moderne benadering over kwantitatief onderzoek
In de jaren 1960-2005 werd er in de ontwikkeling veel gefocust op statistische methoden. Er
werden nieuwe methoden ontwikkeld de software werd steeds beter. Nadeel hiervan is dat er
te veel werd vertrouwd op programma’s.
Nieuwere ontwikkelingen zijn gericht op causale theorie. Het gaat niet alleen om wiskunde
en software maar over wat we willen en hoe we kunnen interpreteren. De interpretatie hangt
af van de resultaten en de context.
Waarom onderzoeken we associaties?
Drie mogelijke doelen:
Causal inference
Prediction
Description
Ze onderscheiden is logisch, er zijn verschillen in: design, statistische methoden,
interpretatie, evaluatie en de rol van theorie en vakkennis.
Het maakt uit welke je kiest, want daar pas je je onderzoeksdesign op aan. Er is ook een
verschillende rol van theorie.
Wat doen we met associaties?
Het vinden van causale effecten
o Causal inference
o Counterfactual prediction: what if..
Voorspellen van de toekomst (of verleden, of huidige situatie)
o Gegeven wat je weet, wat gaat er gebeuren
Patronen beschrijven
o Het vinden van patronen in de data. Niet om te voorklaren of voorspellen!
Maar om te kijken wat er gebeurt. Ondergeschikte vorm welk simpel en
belangrijk is.
, Description
Doel: het vinden van patronen in de data geen causale interpretatie.
Potentieel uitgangspunt voor beleid of verder (causaal) onderzoek.
Removing a part of the association. Wanneer je dit doet dan
zal het hele land dezelfde kleur krijgen. Wanneer je een
discriptive studie doet is dit verkeerd omdat je dan geen goed
totaalbeeld krijgt.
Methoden:
Bivariate assocations:
o Proporties/gemiddelde per groep
o Correlaties
o Overweeg om categorieën te maken voor onafhankelijke variabele maar nooit
categoriseren zonder goede reden.
Cluster analyse: identificeren van dezelfde groep of respondenten
Factor analyse: principal component analyse: het identificeren van dezelfde groep of
vragen/beschrijvingen
Interpretatie
De resultaten zijn direct te interpreteren. De correlatie is minder informatief.
Wanneer je werkt met de data van de complete data dan is er geen sprake van onzekerheid
waardoor betrouwbaarheidsintervallen en standaardfouten niet veel toegevoegde waarde
hebben.
Wanneer je werkt met een sample kan de betrouwbaarheidsinterval de onzekerheid laten
uitdrukken. De nulhypothese kan getest worden, maar is niet informatief.
Rol van theorie bij prediction
Het mechanisme is niet belangrijk.
Omgekeerde causaliteit is geen probleem. Geen sprake van confounders, mediators &
colliders.
Bekende associaties zijn kandidaten voor het model dat voorspelt.
Exchangeability is niet van belang omdat je geen causale conclusies trekt.
‘meer’ positiviteit kan de voorspellende kracht verbeteren. Positivity is interessant wanneer je
veel data hebt.
Goede consistentie vereist om model in de praktijk te gebruiken.
Evidence = proof beoordeling van het voorspellingsmodel laat zien dat het nuttig is.
Causal inference
Doel: schatten van causale effecten
Definitie: bij een individu heeft een behandeling een causaal effect als de uitkosten onder
behandeling 1 anders zijn dan de uitkomst van behandeling 2.
Counterfactual prediction: kijken wat er niet gebeurd is.
Onderzoeksvraag is vaak op theorie gebaseerd.
Methode
Theorie gecombineerd met DAG’s om exchangeability te bereiken.
Adjustments uitvoeren om backdoorpaths te sluiten: randomisatie, regressieanalyse of
stratificatie.
Kwantitatieve gedeelte
Leerdoelen segment 1
De drie verschillende doelen van kwantitatief onderzoek uitleggen (associaties)
Uitleggen waarin de strategie van descriptive onderzoek verschilt van causal
inference
Leerdoelen segment 2
Wat de verschillen zijn in strategie, interpretatie en evaluatie van predictive en causal
inference studies.
Moderne benadering over kwantitatief onderzoek
In de jaren 1960-2005 werd er in de ontwikkeling veel gefocust op statistische methoden. Er
werden nieuwe methoden ontwikkeld de software werd steeds beter. Nadeel hiervan is dat er
te veel werd vertrouwd op programma’s.
Nieuwere ontwikkelingen zijn gericht op causale theorie. Het gaat niet alleen om wiskunde
en software maar over wat we willen en hoe we kunnen interpreteren. De interpretatie hangt
af van de resultaten en de context.
Waarom onderzoeken we associaties?
Drie mogelijke doelen:
Causal inference
Prediction
Description
Ze onderscheiden is logisch, er zijn verschillen in: design, statistische methoden,
interpretatie, evaluatie en de rol van theorie en vakkennis.
Het maakt uit welke je kiest, want daar pas je je onderzoeksdesign op aan. Er is ook een
verschillende rol van theorie.
Wat doen we met associaties?
Het vinden van causale effecten
o Causal inference
o Counterfactual prediction: what if..
Voorspellen van de toekomst (of verleden, of huidige situatie)
o Gegeven wat je weet, wat gaat er gebeuren
Patronen beschrijven
o Het vinden van patronen in de data. Niet om te voorklaren of voorspellen!
Maar om te kijken wat er gebeurt. Ondergeschikte vorm welk simpel en
belangrijk is.
, Description
Doel: het vinden van patronen in de data geen causale interpretatie.
Potentieel uitgangspunt voor beleid of verder (causaal) onderzoek.
Removing a part of the association. Wanneer je dit doet dan
zal het hele land dezelfde kleur krijgen. Wanneer je een
discriptive studie doet is dit verkeerd omdat je dan geen goed
totaalbeeld krijgt.
Methoden:
Bivariate assocations:
o Proporties/gemiddelde per groep
o Correlaties
o Overweeg om categorieën te maken voor onafhankelijke variabele maar nooit
categoriseren zonder goede reden.
Cluster analyse: identificeren van dezelfde groep of respondenten
Factor analyse: principal component analyse: het identificeren van dezelfde groep of
vragen/beschrijvingen
Interpretatie
De resultaten zijn direct te interpreteren. De correlatie is minder informatief.
Wanneer je werkt met de data van de complete data dan is er geen sprake van onzekerheid
waardoor betrouwbaarheidsintervallen en standaardfouten niet veel toegevoegde waarde
hebben.
Wanneer je werkt met een sample kan de betrouwbaarheidsinterval de onzekerheid laten
uitdrukken. De nulhypothese kan getest worden, maar is niet informatief.
Rol van theorie bij prediction
Het mechanisme is niet belangrijk.
Omgekeerde causaliteit is geen probleem. Geen sprake van confounders, mediators &
colliders.
Bekende associaties zijn kandidaten voor het model dat voorspelt.
Exchangeability is niet van belang omdat je geen causale conclusies trekt.
‘meer’ positiviteit kan de voorspellende kracht verbeteren. Positivity is interessant wanneer je
veel data hebt.
Goede consistentie vereist om model in de praktijk te gebruiken.
Evidence = proof beoordeling van het voorspellingsmodel laat zien dat het nuttig is.
Causal inference
Doel: schatten van causale effecten
Definitie: bij een individu heeft een behandeling een causaal effect als de uitkosten onder
behandeling 1 anders zijn dan de uitkomst van behandeling 2.
Counterfactual prediction: kijken wat er niet gebeurd is.
Onderzoeksvraag is vaak op theorie gebaseerd.
Methode
Theorie gecombineerd met DAG’s om exchangeability te bereiken.
Adjustments uitvoeren om backdoorpaths te sluiten: randomisatie, regressieanalyse of
stratificatie.
