Overzicht meetniveaus
Meetniveau Kenmerken Voorbeeld
Nominaal Categorieën zonder volgorde Geslacht, haarkleur, nationaliteit
Ordinaal Categorieën met een logische volgorde, Opleidingsniveau (laag, middel, hoog),
maar zonder gelijke afstanden tussen de rangorde in een wedstrijd.
categorieën.
Interval Gelijke afstanden tussen waarden, maar Temperatuur in graden Celsius of
geen natuurlijk nulpunt Fahrenheit, jaartallen
Ratio Gelijke afstanden tussen waarden en een Lengte, gewicht, inkomen.
absoluut (natuurlijk) nulpunt.
Overzicht analysetechnieken
Analysetechniek Factoranalyse
→ Voorleggen van items/stimuli die op basis van de resultaten iets zeggen over een bepaald fenomeen
die een gemeenschappelijke achtergrond representeren. Het is een statistische techniek om een
groot aantal variabelen te reduceren tot een kleiner aantal factoren, die samen de onderliggende
structuur van de data verklaren.
Doelen:
- Dimensionaliteit: Vinden we het aantal theoretisch verondersteld dimensies (factoren) binnen de
verzameling van test items? (CFA)
- Datareductie: Kunnen we informatie uit een groot aantal variabelen (items) samenvatten tot een
kleiner aantal nieuw te construeren variabelen (factoren)? (EFA/PCA)
Voorbeeld Confirmerende factoranalyse (CFA): Vinden we het aantal theoretisch veronderstelde dimensies (=
onderzoeksvraag factoren) binnen de verzameling van testitems
→ Beoordelen dimensionaliteit
, Explorerende factoranalyse (EFA): Hoeveel factoren kunnen er zinvol worden onderscheiden binnen een
verzameling van items?
→ Datareductie
Hoofdcomponentenanalyse (PCA): Hoe kan je met zo weinig mogelijk factoren zo veel als mogelijk variantie
representeren?
→ Datareductie
Meetniveau Interval (of ratio)
variabelen
Padmodel
Geobserveerde variabele
• X = individuele score op variabele
• Zx = X getransformeerd naar een z-score
Factorlading (a) = Correlatie van variabele met factor (sterkte samenhang tussen variabele en factor)
Factor (F) = Achterliggende verklaring voor variatie (variantie) in en samenhang (correlaties) tussen variabelen
Unieke factor (U) = Unieke factor voor verklaring van specifieke en error variantie
Nul- en alternatieve -
hypothese(s)
Toetsingsgrootheid Chi-kwadraat (EFA): evalueert de model-fit, een niet-significante p-waarde geeft aan dat het model goed
past bij de data
Effectgrootte • Correlaties: In de correlatiematrix staat een overzicht van hoeveel de variabelen overlappen, bij een
correlatie (r) van >.30 is er sprake van inhoudelijke overlap tussen de variabelen dus kun je ze het
beste samenvoegen onder een gezamenlijke factor.
• Factorladingen: Geeft de correlatie/samenhang weer van een variabele met een factor. Een hoge
lading (> 0.5) suggereert fat de variabele sterk bijdraagt aan de factor.
• Explained variance: Geeft het percentage van de totale variantie in de data dat wordt verklaard
door de factoren samen.
, • Eigenwaarden: Vertegenwoordigt de hoeveelheid variantie die een factor verklaart. Factoren met
een eigenwaarde van >1 worden meestal al significant beschouwd (Kaiser-criterium) OF factoren
voor de knik (knik-criterium d.m.v. scree-plot)
Assumpties (en hoe Voor het uitvoeren van een factoranalyse moet aan de volgende assumpties worden voldaan:
te checken) • Lineaire relaties tussen de variabelen; de onderliggende structuur van de data moet verbanden
weerspiegelen
o Scatterplot om de relaties visueel te inspecteren
• Correlaties tussen meerdere variabelen
o Correlatie-matrix
Voorbeeld JASP
(Output)
Analysetechniek Multipele lineaire regressie
, → Onderzoekt de lineaire relatie tussen één afhankelijke variabele (Y) en twee of meer onafhankelijke
variabelen, ofwel predictoren (X1, X2, X3...)
Doelen:
• Toetsen van hypotheses over relaties (significantie)
• Beschrijven van relaties tussen variabelen
• Voorspellen van iemands waarde met regressiemodel
• Kwantificeren van relaties (effectgroottes)
Voorbeeld Voorspellen het type studie en het aantal uren zelfstudie het cijfer van de cursus VOS?
onderzoeksvraag
Kan literatuurkennis van adolescenten verklaard worden met literatuurkennis vader en literatuurkennis
moeder en aantal boeken in ouderlijk huis?
Meetniveau Afhankelijke variabele (Y):
variabelen • Minimaal interval meetniveau (of ratio) & dichotome variabelen
Onafhankelijke variabelen (X):
• Minimaal interval meetniveau (of ratio)
• Categorische kenmerk met twee categorieën (nominaal meetniveau met twee categorieën =
dichotoom)
• Categorisch kenmerk met meer dan twee categorieën (nominaal/ordinaal meetniveau wordt
omgezet in dummyvariabelen)
Padmodel
Note: B0 = intercept H1 in tabel
Meetniveau Kenmerken Voorbeeld
Nominaal Categorieën zonder volgorde Geslacht, haarkleur, nationaliteit
Ordinaal Categorieën met een logische volgorde, Opleidingsniveau (laag, middel, hoog),
maar zonder gelijke afstanden tussen de rangorde in een wedstrijd.
categorieën.
Interval Gelijke afstanden tussen waarden, maar Temperatuur in graden Celsius of
geen natuurlijk nulpunt Fahrenheit, jaartallen
Ratio Gelijke afstanden tussen waarden en een Lengte, gewicht, inkomen.
absoluut (natuurlijk) nulpunt.
Overzicht analysetechnieken
Analysetechniek Factoranalyse
→ Voorleggen van items/stimuli die op basis van de resultaten iets zeggen over een bepaald fenomeen
die een gemeenschappelijke achtergrond representeren. Het is een statistische techniek om een
groot aantal variabelen te reduceren tot een kleiner aantal factoren, die samen de onderliggende
structuur van de data verklaren.
Doelen:
- Dimensionaliteit: Vinden we het aantal theoretisch verondersteld dimensies (factoren) binnen de
verzameling van test items? (CFA)
- Datareductie: Kunnen we informatie uit een groot aantal variabelen (items) samenvatten tot een
kleiner aantal nieuw te construeren variabelen (factoren)? (EFA/PCA)
Voorbeeld Confirmerende factoranalyse (CFA): Vinden we het aantal theoretisch veronderstelde dimensies (=
onderzoeksvraag factoren) binnen de verzameling van testitems
→ Beoordelen dimensionaliteit
, Explorerende factoranalyse (EFA): Hoeveel factoren kunnen er zinvol worden onderscheiden binnen een
verzameling van items?
→ Datareductie
Hoofdcomponentenanalyse (PCA): Hoe kan je met zo weinig mogelijk factoren zo veel als mogelijk variantie
representeren?
→ Datareductie
Meetniveau Interval (of ratio)
variabelen
Padmodel
Geobserveerde variabele
• X = individuele score op variabele
• Zx = X getransformeerd naar een z-score
Factorlading (a) = Correlatie van variabele met factor (sterkte samenhang tussen variabele en factor)
Factor (F) = Achterliggende verklaring voor variatie (variantie) in en samenhang (correlaties) tussen variabelen
Unieke factor (U) = Unieke factor voor verklaring van specifieke en error variantie
Nul- en alternatieve -
hypothese(s)
Toetsingsgrootheid Chi-kwadraat (EFA): evalueert de model-fit, een niet-significante p-waarde geeft aan dat het model goed
past bij de data
Effectgrootte • Correlaties: In de correlatiematrix staat een overzicht van hoeveel de variabelen overlappen, bij een
correlatie (r) van >.30 is er sprake van inhoudelijke overlap tussen de variabelen dus kun je ze het
beste samenvoegen onder een gezamenlijke factor.
• Factorladingen: Geeft de correlatie/samenhang weer van een variabele met een factor. Een hoge
lading (> 0.5) suggereert fat de variabele sterk bijdraagt aan de factor.
• Explained variance: Geeft het percentage van de totale variantie in de data dat wordt verklaard
door de factoren samen.
, • Eigenwaarden: Vertegenwoordigt de hoeveelheid variantie die een factor verklaart. Factoren met
een eigenwaarde van >1 worden meestal al significant beschouwd (Kaiser-criterium) OF factoren
voor de knik (knik-criterium d.m.v. scree-plot)
Assumpties (en hoe Voor het uitvoeren van een factoranalyse moet aan de volgende assumpties worden voldaan:
te checken) • Lineaire relaties tussen de variabelen; de onderliggende structuur van de data moet verbanden
weerspiegelen
o Scatterplot om de relaties visueel te inspecteren
• Correlaties tussen meerdere variabelen
o Correlatie-matrix
Voorbeeld JASP
(Output)
Analysetechniek Multipele lineaire regressie
, → Onderzoekt de lineaire relatie tussen één afhankelijke variabele (Y) en twee of meer onafhankelijke
variabelen, ofwel predictoren (X1, X2, X3...)
Doelen:
• Toetsen van hypotheses over relaties (significantie)
• Beschrijven van relaties tussen variabelen
• Voorspellen van iemands waarde met regressiemodel
• Kwantificeren van relaties (effectgroottes)
Voorbeeld Voorspellen het type studie en het aantal uren zelfstudie het cijfer van de cursus VOS?
onderzoeksvraag
Kan literatuurkennis van adolescenten verklaard worden met literatuurkennis vader en literatuurkennis
moeder en aantal boeken in ouderlijk huis?
Meetniveau Afhankelijke variabele (Y):
variabelen • Minimaal interval meetniveau (of ratio) & dichotome variabelen
Onafhankelijke variabelen (X):
• Minimaal interval meetniveau (of ratio)
• Categorische kenmerk met twee categorieën (nominaal meetniveau met twee categorieën =
dichotoom)
• Categorisch kenmerk met meer dan twee categorieën (nominaal/ordinaal meetniveau wordt
omgezet in dummyvariabelen)
Padmodel
Note: B0 = intercept H1 in tabel
