Noor van Loon MTO-C blok 2 jaar 2
Mto-c
Hoorcollege 1
Centrale vraag: Waarom is er varia(n)tie in de scores van afhankelijke variabele(n) van
een onderzoek?
→ Iedereen is anders
→ in de rijen staan cases en in de kolommen staan variabelen die variëren. Dit heeft twee
oorzaken:
1. Scores op variabelen (afhankelijke variabele) die scores worden beïnvloed door
systematische invloeden van variabelen die we hebben gemeten (variabelen
waarvan we de scores hebben waargenomen door bijv vragen te stellen in een
vragenlijst). En daarnaast worden die scores beïnvloed door systematische
invloeden van niet gemeten variabelen en door toevallige invloeden.
Technieken die antwoord kunnen geven op de vraag:
A. One-way between-subjects analysis of Variance
B. Bivariate en multiple regressive-analyze
C. Padanalyze
D. Logistische regressive-analyze
Je kan technieken niet zomaar toepassen want het is gebaseerd op een aantal assumpties.
Technieken verschillen wat bereft:
1. Het meetniveaus van de afhankelijke variabele die je ermee kunt analyseren
(nominaal, ordinaal, interval of ratio)
2. Meetniveau van de onafhankelijke variabele die je kunt opnemen ter verklaring of
voorspelling
3. De complexiteit van verbanden (theorie) die je ermee kunt onderzoeken
Stel je hebt een afhankelijke variabele met als meetniveau interval of ratio. Het voordeel is dat
je voor de variabele een zinvol gemiddelde kan bepalen. Bij een anova kan je twee
onafhankelijke variabele opnemen maar het meetniveau is nominaal (geslacht, herkomst), die
onderscheid alleen maar groepen maar hier zit geen ordening in. Als je afhankelijke variabele
kwalitatief is dus ook nominaal, dan moet je een andere techniek toepassen maar dat wordt
niet behandeld. als je afhankelijke variabele nominaal meetniveau en twee categorieën heeft
dan geeft de padanalyse aan of iemand wel of niet tot een categorie behoort (vb. Iemand krijgt
een kind of niet)
,Noor van Loon MTO-C blok 2 jaar 2
Complextiteit van verbanden
1. One-way between subjects analysis of variance
Team waarin iemand werkt (x) → organizational commitment (y)
(nominaal meetniveau) (meer een schaal, je kan hoog, laag of in het midden scoren
en een gemiddelde berekenen)
Als je een ANOVA doet kan je dit soort verbanden onderzoeken, eenvoudige dus, maar meer
ook niet.
2. Bivariate regressieanalyze = 1 onafhankelijke variabele
Team waarin iemand werkt (X1)→ organizational commitment (y)
Je kan hierbij hetzelfde doen als bij anova
3. Multipele regressieanalyse
Organizational commitment (y) wordt enerzijds voorspeld door welk team iemand werkt
(nominale variabele) en het wordt voorspeld door het salaris dat iemand heeft maar dat is
geen onconditioneel effect. De invloed van salaris op commitment wordt in deze theorie
verondersteld af te hangen van het geslacht dit is moderatie.
Dit soort verbanden kan je met regressieanalyse onderzoeken.
4. Padanalyse
Verschil met voorgaande is vooral dat je in dit model meerdere afhankelijke variabele hebben.
Niet alleen commitment maar ook salarisverschil wordt verklaard. Hier zit geen moderatie in
maar wel schijnverband (verband tussen salaris en commitment want geslacht is
gemeenschappelijke oorzaak) maar ook mediatie; geslacht beïnvloed commitment direct maar
ook indirect via salaris.
,Noor van Loon MTO-C blok 2 jaar 2
5. Bivariate logistische regressie analyse
Team waarin iemand werkt (X1) → kans om al dan niet te solliciteren naar een nieuwe baan
(y)
6. Multipele logistisch regressie analyse
Je kan hiermee complexe verbanden hebben. Er zijn ook tweezijdige pijlen die correlatie
(lineaire samenhang) aangeven. Maar dit betekent niet dat ze elkaar beïnvloeden.
Anova
1. Logica
One-way between-subjects analysis of variance
Team waarin iemand werkt (X) → organizational commitment (y)
Kijk altijd meteen naar wat de variabelen zijn en hoe ze worden gemeten.
- Team is nominaal
- Commitment kan interval zijn
Inhoudelijke hypothese:
De mate van organization commitment (Y) is afhankelijk van het team waarin iemand werkt
(X).
→ zullen de team dezelfde of verschillende gemiddelde scores hebben? = verschillende
Er wordt vervolgens getoetst of de verschillen in die scores statistisch significant zijn.
, Noor van Loon MTO-C blok 2 jaar 2
= fout want dit zegt dat alle groepen van elkaar verschillen; groep 1
verschilt van groep 2, groep 2 verschilt van groep 3 etc. maar eigenlijk hoeft er maar 1
verschillend te zijn.
2 scenarios:
Groep 1: 2,8
Groep 2: 10,4
Groep 3: 5,4
De variantie van organizational commitment in plaatje 1 is een stukje groter dan de variantie
in scenario 2.
Bij welk scenario zie je de duidelijkste verschillen tussen de teams? → scenario 2 omdat je in
het eerste scenario ziet dat de spreiding van de scores relatief veel groter is tussen de 3
groepen. In scenario 2 is de variantie tussen de groepen relatief klein. Dat duidt erop dat
binnen de groepen de scores maar weinig worden beïnvloed door andere variabelen en dat het
vooral wordt bepaald door verschillen tussen de groepen. In de eerste groep zit binnen het
team nog heel veel variatie, dit kan niet aan tussengroepsverschillen liggen want mensen
horen tot hetzelfde team dus groepsvariabelen kunnen geen effect hebben maar wel
persoonlijkheid of leeftijd maar niet aan de invloed van verschillen tussen teams.
Er is dus variatie tussen groepen en variatie binnen groepen (niet gemeten verschillen
tussen personen).
- waarbij tussen groepvariantie systematische verschillen tussen groepen én alle andere
variabelen die van invloed zijn op Y (‘residual variance’ of ‘error’) meet en
- binnengroepvariantie invloed van alle andere variabelen die van invloed zijn op Y
(‘residual variance’ of ‘error’) meet
Idee achter variantie analyse is het volgende:
Mto-c
Hoorcollege 1
Centrale vraag: Waarom is er varia(n)tie in de scores van afhankelijke variabele(n) van
een onderzoek?
→ Iedereen is anders
→ in de rijen staan cases en in de kolommen staan variabelen die variëren. Dit heeft twee
oorzaken:
1. Scores op variabelen (afhankelijke variabele) die scores worden beïnvloed door
systematische invloeden van variabelen die we hebben gemeten (variabelen
waarvan we de scores hebben waargenomen door bijv vragen te stellen in een
vragenlijst). En daarnaast worden die scores beïnvloed door systematische
invloeden van niet gemeten variabelen en door toevallige invloeden.
Technieken die antwoord kunnen geven op de vraag:
A. One-way between-subjects analysis of Variance
B. Bivariate en multiple regressive-analyze
C. Padanalyze
D. Logistische regressive-analyze
Je kan technieken niet zomaar toepassen want het is gebaseerd op een aantal assumpties.
Technieken verschillen wat bereft:
1. Het meetniveaus van de afhankelijke variabele die je ermee kunt analyseren
(nominaal, ordinaal, interval of ratio)
2. Meetniveau van de onafhankelijke variabele die je kunt opnemen ter verklaring of
voorspelling
3. De complexiteit van verbanden (theorie) die je ermee kunt onderzoeken
Stel je hebt een afhankelijke variabele met als meetniveau interval of ratio. Het voordeel is dat
je voor de variabele een zinvol gemiddelde kan bepalen. Bij een anova kan je twee
onafhankelijke variabele opnemen maar het meetniveau is nominaal (geslacht, herkomst), die
onderscheid alleen maar groepen maar hier zit geen ordening in. Als je afhankelijke variabele
kwalitatief is dus ook nominaal, dan moet je een andere techniek toepassen maar dat wordt
niet behandeld. als je afhankelijke variabele nominaal meetniveau en twee categorieën heeft
dan geeft de padanalyse aan of iemand wel of niet tot een categorie behoort (vb. Iemand krijgt
een kind of niet)
,Noor van Loon MTO-C blok 2 jaar 2
Complextiteit van verbanden
1. One-way between subjects analysis of variance
Team waarin iemand werkt (x) → organizational commitment (y)
(nominaal meetniveau) (meer een schaal, je kan hoog, laag of in het midden scoren
en een gemiddelde berekenen)
Als je een ANOVA doet kan je dit soort verbanden onderzoeken, eenvoudige dus, maar meer
ook niet.
2. Bivariate regressieanalyze = 1 onafhankelijke variabele
Team waarin iemand werkt (X1)→ organizational commitment (y)
Je kan hierbij hetzelfde doen als bij anova
3. Multipele regressieanalyse
Organizational commitment (y) wordt enerzijds voorspeld door welk team iemand werkt
(nominale variabele) en het wordt voorspeld door het salaris dat iemand heeft maar dat is
geen onconditioneel effect. De invloed van salaris op commitment wordt in deze theorie
verondersteld af te hangen van het geslacht dit is moderatie.
Dit soort verbanden kan je met regressieanalyse onderzoeken.
4. Padanalyse
Verschil met voorgaande is vooral dat je in dit model meerdere afhankelijke variabele hebben.
Niet alleen commitment maar ook salarisverschil wordt verklaard. Hier zit geen moderatie in
maar wel schijnverband (verband tussen salaris en commitment want geslacht is
gemeenschappelijke oorzaak) maar ook mediatie; geslacht beïnvloed commitment direct maar
ook indirect via salaris.
,Noor van Loon MTO-C blok 2 jaar 2
5. Bivariate logistische regressie analyse
Team waarin iemand werkt (X1) → kans om al dan niet te solliciteren naar een nieuwe baan
(y)
6. Multipele logistisch regressie analyse
Je kan hiermee complexe verbanden hebben. Er zijn ook tweezijdige pijlen die correlatie
(lineaire samenhang) aangeven. Maar dit betekent niet dat ze elkaar beïnvloeden.
Anova
1. Logica
One-way between-subjects analysis of variance
Team waarin iemand werkt (X) → organizational commitment (y)
Kijk altijd meteen naar wat de variabelen zijn en hoe ze worden gemeten.
- Team is nominaal
- Commitment kan interval zijn
Inhoudelijke hypothese:
De mate van organization commitment (Y) is afhankelijk van het team waarin iemand werkt
(X).
→ zullen de team dezelfde of verschillende gemiddelde scores hebben? = verschillende
Er wordt vervolgens getoetst of de verschillen in die scores statistisch significant zijn.
, Noor van Loon MTO-C blok 2 jaar 2
= fout want dit zegt dat alle groepen van elkaar verschillen; groep 1
verschilt van groep 2, groep 2 verschilt van groep 3 etc. maar eigenlijk hoeft er maar 1
verschillend te zijn.
2 scenarios:
Groep 1: 2,8
Groep 2: 10,4
Groep 3: 5,4
De variantie van organizational commitment in plaatje 1 is een stukje groter dan de variantie
in scenario 2.
Bij welk scenario zie je de duidelijkste verschillen tussen de teams? → scenario 2 omdat je in
het eerste scenario ziet dat de spreiding van de scores relatief veel groter is tussen de 3
groepen. In scenario 2 is de variantie tussen de groepen relatief klein. Dat duidt erop dat
binnen de groepen de scores maar weinig worden beïnvloed door andere variabelen en dat het
vooral wordt bepaald door verschillen tussen de groepen. In de eerste groep zit binnen het
team nog heel veel variatie, dit kan niet aan tussengroepsverschillen liggen want mensen
horen tot hetzelfde team dus groepsvariabelen kunnen geen effect hebben maar wel
persoonlijkheid of leeftijd maar niet aan de invloed van verschillen tussen teams.
Er is dus variatie tussen groepen en variatie binnen groepen (niet gemeten verschillen
tussen personen).
- waarbij tussen groepvariantie systematische verschillen tussen groepen én alle andere
variabelen die van invloed zijn op Y (‘residual variance’ of ‘error’) meet en
- binnengroepvariantie invloed van alle andere variabelen die van invloed zijn op Y
(‘residual variance’ of ‘error’) meet
Idee achter variantie analyse is het volgende:
