Begrippen Kwantitatieve Methoden 2

Nominaal meetniveau: Categorisch meetniveau waarbij waarden alleen een naam of label zijn, zonder rangorde (bijvoorbeeld oogkleur).
Ordinaal meetniveau: Categorisch meetniveau met een rangorde, waarbij de afstand tussen categorieën niet te definiëren is (bijvoorbeeld opleidingsniveau).
Intervalniveau: Metrisch meetniveau met gelijke, definieerbare intervallen maar zonder natuurlijk nulpunt (bijvoorbeeld temperatuur in Celsius).
Rationiveau: Metrisch meetniveau met gelijke intervallen en een natuurlijk nulpunt, waardoor verhoudingen zinvol zijn (bijvoorbeeld gewicht).
Interne validiteit: De mate waarin het onderzoek meet wat je wilde meten.
Externe validiteit: De mate waarin de resultaten generaliseerbaar zijn naar de hele populatie; hangt samen met representativiteit.
Betrouwbaarheid: De mate waarin herhaling van het onderzoek dezelfde resultaten oplevert. Een voorwaarde voor validiteit, maar geen garantie.
Bruikbaarheid: De mate waarin de resultaten aansluiten bij de opdracht en bijdragen aan het oplossen van het probleem.
Operationele populatie: Het deel van de populatie dat in de praktijk bereikbaar is voor het onderzoek.
Steekproefkader: De lijst of bron waaruit de steekproef daadwerkelijk wordt getrokken, zoals een register.
Gerealiseerde steekproef: De eenheden die daadwerkelijk aan het onderzoek hebben meegedaan.
Aselecte steekproef: Steekproef waarbij deelnemers op toevalsbasis worden gekozen; representativiteit mag worden verondersteld.
Selecte steekproef: Steekproef waarbij deelnemers niet willekeurig worden gekozen (convenience, judgemental, quota, snowballing); representativiteit mag niet worden verondersteld.
Representativiteit: De mate waarin de steekproef op relevante kenmerken een goede afspiegeling vormt van de populatie.
Nulhypothese (H0): De hypothese dat er geen verschil is: het is gelijk aan elkaar. H1 stelt dat het niet gelijk is.
p-waarde: De kans op een minstens zo extreem resultaat als H0 waar is. Is p kleiner dan alfa, dan verwerp je H0.
Type I fout: Vals positief: H0 verwerpen terwijl hij waar is. De kans hierop is gelijk aan alfa.
Type II fout: Vals negatief: H0 behouden terwijl hij verworpen had moeten worden. Wordt kleiner bij een hogere alfa.
Power: De kans dat een toets een werkelijk bestaand verschil ontdekt; loopt van 0 tot 1, bij voorkeur 0,80 of hoger.
Chi-kwadraattoets: Toets die geobserveerde met verwachte aantallen vergelijkt; gebruikt voor representativiteit van nominale en ordinale variabelen.
One sample t-toets: Toets die een steekproefgemiddelde vergelijkt met een bekend populatiegemiddelde; gebruikt voor representativiteit van metrische variabelen.
Negeerbare missing data: Ontbrekende gegevens die voortkomen uit het ontwerp, zoals routeringen; deze kun je laten voor wat ze zijn.
MCAR: Missing completely at random: er is geen duidelijke reden voor het ontbreken van gegevens. De gewenste situatie.
MAR: Missing at random: er is een mogelijke verklaring voor het ontbreken, bijvoorbeeld dat oudere respondenten een vraag vaker overslaan.
Listwise deletion: Imputatiemethode bij MCAR waarbij respondenten met een ontbrekende waarde volledig uit de analyse worden gehaald.
Pairwise deletion: Imputatiemethode bij MCAR waarbij per analyse alle beschikbare gegevens worden gebruikt.
Mean substitution: Imputatiemethode bij MCAR waarbij een ontbrekende waarde wordt vervangen door het gemiddelde van de variabele.
Latent construct: Een begrip dat niet direct meetbaar is en via meerdere items wordt gemeten, zoals tevredenheid.
Hercoderen: Items omdraaien zodat alle items dezelfde richting hebben en een hoge score steeds een hogere mate van het construct betekent.
Cronbach's alpha: Maat voor de interne consistentie van een schaal (0 tot 1). Rond .80 is goed, boven .60 toegestaan, onder .60 slecht.
Contentvaliditeit: De mate waarin de items samen alle inhoudelijke aspecten van het construct afdekken; te veel items verwijderen schaadt deze.
Factorlading: De correlatie van een item met de onderliggende factor.
KMO-toets: Vergelijkt correlaties met partiële correlaties; factoranalyse is geschikt als KMO groter is dan .50.
Bartlett's test voor sfericiteit: Toetst H0 dat alle correlaties 0 zijn; factoranalyse is geschikt als p kleiner is dan .05.
Communaliteit: Het deel van de variantie van een item dat door de factoren wordt verklaard; items onder .20 (Extraction) worden één voor één verwijderd.
Eigenwaarde: Hoeveel variantie een factor verklaart; bij een eigenwaarde groter dan 1 bevat de factor meer informatie dan één variabele.
Dubbellader (crossloading): Item dat op meerdere factoren laadt; verwijderen als het verschil tussen de twee hoogste ladingen kleiner is dan .20.
Hoofdeffect: Een significante invloed van een onafhankelijke variabele op de afhankelijke variabele in ANOVA (H0 verworpen, p < .05).
Levene's test: Toetst of de varianties in de groepen gelijk zijn (H0: homogeen). De aanname is voldaan als p groter is dan .05.
F-toets: Toetsgrootheid van ANOVA: de verhouding tussen de variantie tussen groepen en binnen groepen, genoteerd als F(df between, df within) = F, p.
Interactie-effect: Bij een tweeweg ANOVA: het effect van de ene factor op de afhankelijke variabele hangt af van het niveau van de andere factor.
Post hoc toets: Toets na een significante F-toets (bijvoorbeeld Tukey of Bonferroni) die groepen paarsgewijs vergelijkt om te bepalen welke groepsgemiddelden van elkaar verschillen.
Categorisch meetniveau: Verzamelnaam voor het nominale en ordinale meetniveau, ook niet-metrisch genoemd. Bij deze variabelen kun je alleen tellen (frequenties, modus) of rangschikken (mediaan); een gemiddelde of standaardafwijking is niet zinvol.
Metrisch meetniveau: Verzamelnaam voor het interval- en rationiveau. Alleen bij metrische variabelen zijn een gemiddelde en standaardafwijking zinvol. Daarom toets je de representativiteit van zo'n variabele met een t-toets en is de afhankelijke variabele in ANOVA metrisch.
Validiteit: De mate waarin je daadwerkelijk meet wat je wilt meten, onder te verdelen in interne en externe validiteit. Een valide meting is altijd betrouwbaar, maar een betrouwbare meting hoeft niet valide te zijn: je kunt steeds precies hetzelfde verkeerde ding meten, zoals pijlen dicht bij elkaar naast de roos.
Argumentatiemodel van Toulmin: Model van Stephen Toulmin om een conclusie overtuigend te onderbouwen, bestaande uit bewering, gegevens en rechtvaardiging. In dit vak schrijf je elke statistische uitkomst volgens dit model op, als vast stappenplan.
Bewering (Toulmin): Het standpunt of de conclusie in het model van Toulmin. Je kiest of H0 wordt behouden of verworpen en formuleert het standpunt meestal als H1, bijvoorbeeld: de steekproef is niet representatief voor geslacht.
Gegevens (Toulmin): Het bewijs voor de bewering in het model van Toulmin, zo objectief mogelijk. Je noemt de variabele, het meetniveau, hoe de data zijn verzameld, welke toets je hebt gebruikt en de uitkomst waarop je conclusie rust (toetsgrootheid en p-waarde).
Rechtvaardiging (Toulmin): Het onderdeel van Toulmin dat de relatie tussen gegevens en bewering duidelijk maakt met een algemene regel. In dit vak is dat de beslisregel: vergelijk de p-waarde met alfa, verwerp H0 als p kleiner is dan alfa, en leg uit wat dat betekent.
Gesloten vraag: Vraag waarbij de respondent kiest uit vaste antwoordcategorieën, in tegenstelling tot een open vraag waarbij hij zelf een antwoord formuleert. Gesloten vragen zijn makkelijker statistisch te verwerken dan open vragen.
Multiple response vraag: Vraag waarbij de respondent meerdere antwoorden tegelijk mag kiezen, bijvoorbeeld bij de vraag welke sociale media hij gebruikt. Bij een single response vraag is daarentegen maar één antwoord mogelijk.
Schaalitem: Stelling die de respondent beoordeelt op een schaal, bijvoorbeeld een Likertschaal van 1 (helemaal oneens) tot 5 (helemaal eens). Meerdere schaalitems samen meten een onderliggend construct; negatief geformuleerde items moet je eerst hercoderen.
Populatie: De hele groep waarover je uitspraken wilt doen, bijvoorbeeld alle studenten in Nederland. Omdat gegevens verzamelen bij de hele populatie te duur, te tijdrovend of praktisch niet haalbaar is, onderzoek je een steekproef en generaliseer je de uitkomsten.
Enkelvoudige random steekproef: Aselecte steekproeftechniek waarbij elke eenheid volledig willekeurig wordt gekozen, bijvoorbeeld door loting. Omdat de selectie op toevalsbasis gebeurt, mag representativiteit worden verondersteld.
Systematische steekproef met willekeurig begin: Aselecte techniek waarbij je willekeurig een startpunt kiest en daarna elke k-de eenheid neemt, bijvoorbeeld de nummers 3, 13, 23 en 33 uit het register. Alleen het beginpunt wordt door toeval bepaald.
Gestratificeerde steekproef: Aselecte techniek waarbij je de populatie in groepen (strata) verdeelt en binnen elke groep willekeurig een steekproef trekt. Anders dan bij clustersampling trek je uit elke groep een deel; anders dan bij quota is de selectie binnen de groep willekeurig.
Clustersampling: Aselecte techniek waarbij je willekeurig een beperkt aantal clusters kiest en iedereen binnen die clusters onderzoekt, bijvoorbeeld alle studenten van drie willekeurig gekozen werkgroepen. Je neemt dus een paar groepen helemaal mee.
Quotasteekproef: Selecte techniek waarbij je respondenten werft tot een vooraf vastgesteld quotum is bereikt, bijvoorbeeld 50% mannen en 50% vrouwen. Binnen het quotum kies je niet willekeurig, dus representativiteit mag niet worden verondersteld.
Alternatieve hypothese (H1): De hypothese dat het niet gelijk is: er is wel een verschil of effect. Bij de representativiteitstoets stelt H1 dat de steekproef afwijkt van de populatie. In de bewering van Toulmin formuleer je je standpunt meestal als H1.
Significantieniveau (alfa): De grens waarmee je de p-waarde vergelijkt: is p kleiner dan alfa, dan is het resultaat significant en verwerp je H0. Normaal is alfa .05. De kans op een type I fout is gelijk aan alfa; een hogere alfa verkleint de kans op een type II fout.
Representativiteitstoets: Toets of de gerealiseerde steekproef op een kenmerk overeenkomt met de populatie: chi-kwadraattoets bij nominale of ordinale, one sample t-toets bij metrische variabelen. Je hoopt H0 te behouden en gebruikt alfa = .30, zodat je minder snel onterecht concludeert dat de steekproef representatief is.
Chi-kwadraatwaarde: De toetsgrootheid van de chi-kwadraattoets: de som over alle categorieën van (geobserveerd − verwacht)² / verwacht. Hoe groter het verschil tussen geobserveerde en verwachte aantallen, hoe groter de chi-kwadraatwaarde en hoe kleiner de p-waarde.
Verwachte aantallen (Expected Values): De aantallen per categorie die je verwacht als de steekproef de populatieverdeling volgt, bijvoorbeeld 0,48 x 200 = 96 mannen. In SPSS vul je de populatieverdeling in bij Expected Values. Vuistregel voor de chi-kwadraattoets: minimaal 5 verwacht per categorie.
Vrijheidsgraden (chi-kwadraattoets): Bij de chi-kwadraattoets voor representativiteit is het aantal vrijheidsgraden (df) het aantal categorieën min 1; voor geslacht met twee categorieën is df dus 1. Je rapporteert df samen met de chi-kwadraatwaarde en de p-waarde.
Test Value: Het bekende populatiegemiddelde dat je in SPSS invult bij de one sample t-toets, bijvoorbeeld een gemiddelde leeftijd van 21,5 jaar. SPSS vergelijkt het steekproefgemiddelde met deze waarde; bij p < .30 is de steekproef niet representatief op dat kenmerk.
Frequentietabel: Tabel met de verdeling van een variabele in de steekproef (Analyze > Descriptive Statistics > Frequencies). Bij een niet-representatieve uitkomst zie je hierin welke categorie over- of ondervertegenwoordigd is; ook toont hij het aantal ontbrekende waarden per variabele.
Kruistabel: Tabel die twee categorische variabelen met elkaar combineert (Analyze > Descriptive Statistics > Crosstabs). Bij de missing data analyse gebruik je een kruistabel om het percentage ontbrekende waarden tussen groepen te vergelijken.
Missing data: Niet ingevulde gegevens in een dataset. Voordat je verder analyseert doorloop je vier stappen: bepaal het type (negeerbaar of niet-negeerbaar), de omvang, de willekeur (MCAR of MAR), en kies daarna een imputatiemethode.
Niet-negeerbare missing data: Ontbrekende gegevens waarbij de respondent geen antwoord gaf terwijl dat wel verwacht werd, of waarbij antwoordcategorieën ontbraken. Anders dan bij negeerbare missing data moet je uitzoeken waardoor het ontbreken wordt veroorzaakt.
Vuistregel groepsverschillen (missing data): Manier om MCAR of MAR te beoordelen: vergelijk met een kruistabel de groep met het hoogste en de groep met het laagste percentage ontbrekend. Een verschil boven 5% (n > 400) of boven 10% (n < 400) betekent MAR, anders MCAR. Met maar één groep kan dit niet.
Little's MCAR-test: Toets die alle ontbrekende waarden tegelijk beoordeelt. H0: het patroon is gelijk aan wat je bij toeval verwacht (MCAR). Bij p < .05 verwerp je H0 en zijn de gegevens MAR, bij p ≥ .05 zijn ze MCAR. Je hoopt hier dus op een niet-significante uitkomst.
Imputatiemethode: Techniek om met ontbrekende gegevens om te gaan. De keuze hangt af van de willekeur: bij MAR overweeg je een subset van de steekproef, bij MCAR kies je uit listwise deletion, pairwise deletion, mean substitution of regressietechnieken.
Subset van de steekproef: Aanpak bij MAR: je overweegt de analyse op een deel van de steekproef uit te voeren, omdat de ontbrekende waarden samenhangen met een kenmerk van de respondenten en de resultaten anders vertekend raken.
Regressietechnieken (imputatie): Imputatiemethode bij MCAR waarbij een ontbrekende waarde wordt voorspeld op basis van de andere variabelen. Omdat de samenhang met andere variabelen wordt benut, geeft dit meestal een betere schatting dan mean substitution.
Missing Value Analysis (EM): SPSS-procedure (Analyze > Missing Value Analysis) waarin je met de optie EM Little's MCAR-test krijgt. De uitkomst staat als voetnoot onder de tabel EM Means, met Chi-Square, DF en Sig.; Sig. is de p-waarde die je met .05 vergelijkt.
Meetschaal: Een set items (stellingen) die samen een latent construct meten. Meerdere items geven een grotere contentvaliditeit, een grotere betrouwbaarheid doordat toevallige meetfouten worden uitgemiddeld, en een nauwkeuriger meting met fijnere onderscheidingen tussen respondenten.
Operationalisering: Het meetbaar maken van een latent construct: je formuleert de items en kiest het vraagtype, bijvoorbeeld een 5-puntsschaal. Het is de eerste stap bij het maken van een meetschaal, gevolgd door gegevensverzameling, hercoderen, betrouwbaarheidsanalyse en schaalscores.
Betrouwbaarheidsanalyse: Analyse die controleert of de items van een schaal consistent hetzelfde meten, met Cronbach's alpha als maat (Analyze > Scale > Reliability Analysis). Je voert haar altijd uit na de factoranalyse, per factor, met de items die bij die factor horen.
Interne consistentie: De mate waarin de items van een schaal samenhangen en dus hetzelfde construct meten, uitgaande van een ongewogen schaalscore. Cronbach's alpha drukt dit uit; let op dat alpha bij meer items en dezelfde onderlinge samenhang hoger wordt.
Cronbach's Alpha if Item Deleted: Kolom in Item-Total Statistics die toont wat alpha wordt als een item wegvalt. Stijgt alpha meer dan .05, verwijder dan het item; bij een stijging tussen .001 en .05 beslist de contentvaliditeit; onder .001 niet verwijderen. Verwijder steeds één item en draai de analyse opnieuw.
Corrected Item-Total Correlation: Kolom in Item-Total Statistics die per item aangeeft hoe sterk het samenhangt met de schaal. Het item met de laagste waarde is meestal de kandidaat om te verwijderen, als Cronbach's alpha daardoor stijgt.
Schaalscore: Eén score per respondent die de (gehercodeerde) items van een betrouwbare schaal combineert, in SPSS via Transform > Compute Variable met de functie Mean. De schaalscore is metrisch en kun je daarna als afhankelijke variabele gebruiken, bijvoorbeeld in een ANOVA.
Factoranalyse: Techniek die een groot aantal variabelen terugbrengt tot een klein aantal factoren (datareductie) door te onderzoeken welke items bij welke onderliggende factor horen. Een factor is een latent construct dat de samenhang tussen een groep items verklaart.
Correlatiematrix: Eerste stap van factoranalyse (Analyze > Correlate > Bivariate), omdat factoranalyse alleen werkt als items onderling samenhangen. Een correlatie van ±.30 is matig sterk, daarboven sterk; items die met geen enkel ander item minimaal .30 correleren, passen slecht.
Principale componentenanalyse (PCA): Aanpak van factoranalyse die de totale variantie van de variabelen gebruikt en gericht is op het samenvatten van data. Het is het alternatief voor principale factoranalyse, de aanpak die in dit vak wordt gebruikt.
Principale factoranalyse (Principal Axis Factoring): Aanpak die ervan uitgaat dat elke variabele een uniek deel en restvariantie (meetfout) heeft, en daarom alleen de gedeelde variantie analyseert. In SPSS heet dit Principal Axis Factoring; dit is de aanpak die je in dit vak gebruikt.
Kaiser-criterium: Criterium om het aantal factoren te bepalen: je behoudt factoren met een eigenwaarde groter dan 1, omdat zo'n factor meer informatie bevat dan één oorspronkelijke variabele. Je gebruikt het naast de scree plot en de totale verklaarde variantie.
Scree plot (knikcriterium): Grafiek van de eigenwaarden van de factoren. Je zoekt de knik, het punt waarna de lijn afvlakt; het aantal factoren ligt op of voor de knik. In SPSS zet je de scree plot aan onder Extraction.
Totale verklaarde variantie: Het cumulatieve percentage variantie dat de factoren samen verklaren (tabel Total Variance Explained). Per factor is dat de eigenwaarde gedeeld door het aantal items, maal 100. Verklaren de factoren samen al meer dan 60%, dan neem je geen extra factor op.
Varimax-rotatie: Orthogonale rotatie die aanneemt dat de factoren onafhankelijk zijn en niet correleren; je leest dan de Rotated Factor Matrix. Je stapt over op varimax als in de Factor Correlation Matrix van direct oblimin geen enkele correlatie minimaal .30 is.
Direct oblimin: Schuine (oblique) rotatie waarbij factoren met elkaar mogen correleren; hiermee begin je. Je kijkt eerst naar de Factor Correlation Matrix en leest de indeling van de items af in de Pattern Matrix, die de unieke bijdrage van de factor aan het item toont.
ANOVA (variantieanalyse): Afhankelijkheidstechniek die de nulhypothese toetst dat de gemiddelden van verschillende groepen gelijk zijn. De afhankelijke variabele is metrisch en de onafhankelijke variabelen (factoren) zijn nominaal of ordinaal, bijvoorbeeld tevredenheid in drie filialen.
Factor (ANOVA): In ANOVA de naam voor een onafhankelijke variabele van nominaal of ordinaal niveau. De categorieën van een factor heten de groepen of niveaus, bijvoorbeeld de drie filialen bij de factor filiaal. In SPSS zet je factoren bij Fixed Factor(s).
Eenweg ANOVA: ANOVA met één onafhankelijke variabele (factor), in de aantekeningen ook eenzijdig genoemd. In SPSS via Analyze > Compare Means > One-Way ANOVA, met onder Options Descriptive en de Levene-test en onder Post Hoc bijvoorbeeld Tukey.
Tweeweg ANOVA: ANOVA met twee onafhankelijke variabelen; bij drie of meer spreek je van een meerweg (factoriële) ANOVA. Je toetst per factor een hoofdeffect en daarnaast het interactie-effect. In SPSS via Analyze > General Linear Model > Univariate.
Onafhankelijke en willekeurige selectie: ANOVA-aanname dat de experimentele eenheden (respondenten) onafhankelijk zijn en willekeurig geselecteerd. Je controleert deze aanname samen met de meetniveaus, normaliteit en gelijke varianties voordat je de F-toets interpreteert.
Normaliteitsaanname: ANOVA-aanname dat de populaties normaal verdeeld zijn. Je deelt de skewness door de standaardfout van de skewness en de kurtosis door de standaardfout van de kurtosis; ligt de uitkomst tussen -1,96 en 1,96, dan is de verdeling voldoende normaal.
Homogeniteit van varianties: ANOVA-aanname dat de varianties binnen de categorieën van de factoren gelijk zijn. Je toetst dit met Levene's test; de aanname is voldaan als p > .05, dus hier wil je H0 juist behouden.
Mean Square: Kolom in de ANOVA-tabel van SPSS: de kwadratensom (Sum of Squares) gedeeld door de vrijheidsgraden. Mean Square between staat voor de variantie tussen de groepen, Mean Square within voor die binnen de groepen; F = Mean Square between / Mean Square within.