Hi! Hierbij de samenvatting van het vak 'Onderzoekspracticum' van de Premaster Communicatiewetenschap. De vragen, antwoorden, aantekeningen en afbeeldingen van de SPSS-output van deeltoets 1 t/m 4 staan in deze samenvatting bij elkaar. Veel succes!
Practicum 1
Doel: Doel van dit practicum is om te oefenen met analysetechnieken die vaak voorafgaan
aan de echte hypothesetoetsing. Het gaat hierbij om schaalconstructie en het onderzoeken
van relaties tussen de items die de concepten meten: Welke items passen bij elkaar en welke
niet? En hoe goed passen die items dan bij elkaar?
Open de datafile “OPWeek1.sav” vanuit Canvas. Let op dit is een fictieve dataset. De
variabelen komen overeen met het onderzoek dat jullie zelf hebben ingevuld via Qualtrics.
De volgende variabelen zijn gemeten:
• Gevoelens na blootstelling aan de condities van het experiment (gemeten met Scale
of Positive and Negative Experience (SPANE); SPANE1 t/m SPANE12).
• Uiterlijk zelfvertrouwen (zelfver1 t/m zelfver7)
LET OP! Noteer al je antwoorden in een document en bewaar dat, je kunt jouw antwoorden
na het practicum controleren met het antwoordmodel op Canvas. Vergeet ook niet alles eerst
te pasten in een syntax, voordat je de analyses draait.
Vraag 1.
Hoe ziet de steekproef eruit?
a. Hoeveel mensen hebben deelgenomen aan het onderzoek?
Bekijk: Data view = 234 deelnemers
b. Hoeveel mannen en vrouwen?
Data descriptions > Frequencies > Variable: geslacht
58 mannen (24.8%), 175 vrouwen (74.8%), 1 missing (0.4%)
c. Wat was de gemiddelde leeftijd en de range?
Data descriptions > Descriptives > Leeftijd
24.23 jaar, range 18 – 63 jaar
d. Hoeveel missende waarden zijn er voor opleiding? Hoe is de opleiding verder
verdeeld (in percentages)?
Data descriptions > Frequencies > Variable: opleiding
39.7% WO, 16.7% HBO, 0.9% MBO, 1.3% middelbaar onderwijs, en 97 missende
waarden (41.5%). Van de aanwezige waarden, heeft dus ongeveer twee derde een
WO opleiding (of volgt die, 67,9%)
e. Hoeveel deelnemers hebben een social media-account?
Data descriptions > Frequencies > Variable: SNS account = 206 deelnemers
,Vraag 2.
Vervolgens ben je geïnteresseerd in de onderlinge relaties tussen de verschillende ervaren
gevoelens (SPANE). Voer eerst een frequentieanalyse van deze items uit om te kijken welke
antwoordcategorieën er zijn, en wat een hoge en een lage score betekent. Voer vervolgens
een analyse uit om de samenhang tussen deze items te bestuderen. Zijn alle onderlinge
verbanden sterk of zwak (denk aan de vuistregels van Cohen). En zijn de verbanden
significant? Wat valt je op? (deze antwoorden hoef je niet op te schijven).
Frequentieanalyse: Analyze > Descriptive statistics > Frequencies > de desbetreffende
variabelen selecteren > eventueel bij Chart ‘Histogram’ aanklikken > schaal checken:
positieve/negatieve gevoelens en of alle items alle scores bevatten.
Correlatiematrix: Analyze > Correlate > Bivariate > items selecteren > sterkte correlatie
beoordelen: 0.1 zwak, 0.3 matig en 0.sterk (Cohen’s criteria) > significant verband bij p-
waarde kleiner dan 0.05
Antwoordmodel:
• Een hoge score betekent ‘in sterke mate’. Maar die kan betrekking hebben op positieve
of negatieve gevoelens. Merk op dat de hoogste score 7 niet gegeven is bij een aantal
items.
• Om de samenhang tussen continue variabelen te onderzoeken, ligt een correlatie voor
de hand. Hierbij gelden de regels van Cohen: |0.1| = zwakke samenhang, |.3| =
middelmatige samenhang, |.5| = sterke samenhang.
• Er zijn best veel (behoorlijk) sterke verbanden, hoewel niet alle variabelen onderling sterk
samenhangen. Je ziet dat de positieve gevoelens onderling sterk correleren en de
negatieve ook. De negatieve samenhangen – tussen positieve en negatieve gevoelens -
zijn minder sterk.
Vraag 3.
Vervolgens wil je graag weten wat de onderliggende structuur is van de verschillende
gevoelens, oftewel of er onderliggende latente dimensies (factoren) zijn waarbij de
variabelen per factor onderling hoog correleren. Voer deze analyse uit (via: Analyze >
Dimension reduction > Factor). Vraag bij Descriptives om de Coefficients en KMO, kies bij
Extraction (method) voor ‘Principal axis factoring’ en klik een scree plot aan, kies bij Rotation,
oblique rotatie (Direct Oblimin). Vraag bij Options bij de laatste hokjes om te sorteren naar
grootte, en ‘suppress small coefficients, below: .30’.
Is de KMO (‘sampling adequacy’) hoger dan .5? Hoeveel factoren worden geselecteerd op
basis van Kaiser’s criterium? En hoeveel op basis van het knik-1 criterium? Hoeveel variantie
verklaart elke factor? Hoe zou jij de factoren benoemen als je inhoudelijk kijkt naar welke
variabelen eronder vallen? Hangen beide factoren samen?
Factoranalyse: Analyze > Dimension > Factor > alle items selecteren > Descriptives:
Coefficients en KMO > Extraction: Principal axis factoring en Scree plot > Rotation : Oblique
rotation (direct oblimin) > Options: Exclude cases pairwise, Sorted by size en Suppress small
coefficients en bij Below ‘0.30’ invullen
, • KMO and Barlett’s Test = het KMO-criterium geeft aan in hoeverre de dat adequaat is
om de factoranalyse te kunnen uitvoeren en geeft aan of correlaties wel variëren. Dit
getal moet boven de 0.7 zijn.
• Pairwise = indien een respondent een vraag is vergeten, dan wordt de kandidaat niet
verwijderd uit de berekening, maar dan telt enkel die ene vraag niet mee.
Twee typen criteria voor het verklaren van de variantie (Total Variance Explained
bekijken):
1. Kaiser’s criterium: variabelen selecteren die groter zijn dan 1, dit is het aantal
factoren.
2. Scree plot (deze heeft voorrang op het Kaiser’s criterium): kijken waar de knik zit. Dit
getal -1 (dus knik -1) is het aantal factoren.
Factoren interpreteren (Pattern Matrix bekijken):
Factoren zijn losse items die iets zeggen over de achterliggende factor. Aan de hand van
hoge ladingen kunnen de achterliggende factoren geïnterpreteerd worden (hoge lading =
sterke bijdrage aan de factor).
Correlatie tussen factoren controleren (Factor Correlation Matrix bekijken):
Bij 0.0 is er geen samenhang, 0.1 is zwakke samenhang, 0.3 middelmatige samenhang en
0.5 is sterke samenhang.
Antwoordmodel:
De KMO is afgerond .87 ‘geweldig’ volgens Field (deze moet minimaal boven de .5 zijn en
hoe hoger en dichterbij 1 hoe beter). Er zijn op basis van Kaiser’s criterium (Tabel Total
Variance explained) twee factoren geselecteerd. Ook het knik-1 criterium (scree plot) wijst op
twee factoren (knik ligt bij 3, dus 3-1). Factor 1 verklaart 34.2% en factor 2 verklaart 29.4%
van de variantie (Tabel Total Variance explained).
De interpretatie van de factoren doe je op basis van de pattern matrix, waar je aan de hand
van hoge ladingen de factoren benoemt (NB: een pattern matrix krijg je alleen bij oblimin
rotatie en wanneer er meer dan één factor is volgens het Kaiser’s criterium). Factor 1:
Negatieve gevoelens, factor 2: Positieve gevoelens.
In de factor correlation matrix is te zien dat de factoren niet met elkaar samenhangen. De
mate waarin men positieve gevoelens ervaart na blootstelling aan Instagram foto’s zegt niets
over de mate waarin men negatieve gevoelens heeft.
Vraag 4.
Je wilt nu verder onderzoeken weten hoe goed de items die dezelfde factor representeren
kunnen worden samengevoegd tot een betrouwbare schaal die een construct op consistente
wijze meet. Op dit punt moet je twee beslissingen nemen: Moeten items gehercodeerd
worden, omgepoold, zodat een hoge score bij alle items een dezelfde betekenis heeft
(bijvoorbeeld: een positieve houding)? Moeten de items gestandaardiseerd worden? Dat
moet als ze in verschillende eenheden gemeten zijn, dus verschillende antwoordcategorieën
hebben.
, Voer nu de analyse uit om de interne consistentie te bepalen voor de items die hoog laden
op factor 1 en apart voor de items die hoog laden op factor 2 (betrouwbaarheidsanalyse via
analyze → scale → reliability; vraag bij Statistics om inter-item correlations en Scale if item
deleted). Vraag ook wat de Cronbach’s alpha zou worden als een item niet zou worden
opgenomen in de schaal. Zijn beide schalen betrouwbaar? Noteer de juiste gegevens.
Betrouwbaarheidsanalyse: Analyze > Scale > Reliability analysis > de (gehercodeerde)
items naar de rechterkant slepen > Options: Correlations en Scale if item deleted >
Cronbach’s alfa moet 0.8 of hoger zijn voor een betrouwbare schaal.
Check of deze schaal verbeterd kan worden via If item deleted. Als deze hoger is dan de
Cronbach’s alfa, kan overwogen worden om dit item te verwijderen. Belangrijk: hoe meer
items, hoe betrouwbaarder het onderzoek. Bij marginale verschillen is het dus verstandig om
het item niet te verwijderen.
Antwoordmodel:
Omdat de items die factor 1 ‘negatieve gevoelens’ representeren allemaal negatief zijn,
betekent een hoge score hier bij elk item een sterk negatief gevoel. Omdat de items die
factor 2 ‘positieve gevoelens’ representeren allemaal positief zijn, betekent een hoge score
hier bij elk item een sterk positief gevoel. Dus, per schaal betekent een hoge score steeds
hetzelfde. De items hoeven daarom niet omgepoold te worden. De antwoordcategorieën zijn
allemaal gelijk, dus hoeven de items ook niet gestandaardiseerd te worden.
Te zien is dat deze items die de negatieve gevoelens meten allemaal positief correleren en
dat moet ook (als dat niet zo is, dan is er misschien per ongeluk een positieve emotie tussen
geraakt, of, in andere gevallen, niet goed gehercodeerd). De schaal om negatieve emoties te
meten is betrouwbaar, Cronbach’s = .89. Deze kan alleen iets hoger worden als SPANE12
verwijderd zou worden, maar de verbetering is slechts marginaal, niet genoeg om het item te
verwijderen. De items die positieve gevoelens meten correleren ook allemaal positief. De
schaal om positieve gevoelens te meten is bovendien betrouwbaar, = .86. De
betrouwbaarheid kan niet verhoogd worden door een item te verwijderen.
Vraag 5.
Het is nu de bedoeling dat je twee nieuwe schalen maakt van de twee clusters. Voer deze
bewerking uit. Geef de schalen daarbij zelf een informatieve naam die de inhoud dekt. Noteer
de gemiddelde score en de standaarddeviatie op beide schalen.
Nieuwe schaal maken: Transform > Compute variable > nieuwe naam geven > Function
group: All > Functions and special variables: Mean > alle items tussen haakjes doen met
komma’s
Antwoordmodel:
De syntax om de twee nieuwe variabelen aan te maken:
COMPUTE SPANE_negatief=MEAN(SPANE2, SPANE5, SPANE7, SPANE9, SPANE10,
SPANE12).
COMPUTE SPANE_positief=MEAN(SPANE1, SPANE3, SPANE4, SPANE6, SPANE8,
SPANE11).
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller ElsaLeon. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $7.95. You're not tied to anything after your purchase.
