Constructie en analyse van vragenlijsten
SPSS
Practical 1 - Assignments 1: Tolerance Scale
• Reliability analysis = betrouwbaarheid
Analyze > Scale > Reliability Analysis > Items: > Statistics… >
- Descriptives for: Item, Scale, Scale if item deleted
- Inter-Item: Correlations
Syntax
RELIABILITY
/VARIABLES=v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/SCALE('ALL VARIABLES') ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL.
• Inter-Item Correlation Matrix
Kijk naar de Inter-Item Correlation Matrix: Zijn alle items positief gecorreleerd? Zo ja, dan
suggereert dit dat ze allemaal in dezelfde richting geformuleerd zijn en hetzelfde construct in
dezelfde richting meten. Als een item negatief gecorreleerd is met de rest van de items,
suggereert dit dat dit item in de omgekeerde richting is geformuleerd en dat u dat item moet
hercoderen.
Items zijn het meest gerelateerd wanneer de score het dichtstbij de Cronbach’s Alpha ligt.
• Reliability Statistics
Cronbach’s Alpha
In de Reliability Statistics zie je Cronbach's alpha, een schatting van de betrouwbaarheid van de
schaal.
• Item-Total Statistics
Hoe hoger de score op Corrected Item—Total Correlation en hoe lager de score op Cronbach’s
Alpha if Item Deleted, hoe hoger de betrouwbaarheid.
De score op Corrected Item-Total Correlation moet positief en boven 0.3 zijn Daarentegen moet
de Cronbach’s alpha lager zijn dan de algemene Cornbach’s Alpha.
Practical 1 - Assignments 2: Solidarity
Voor de evaluatie van de items hanteren wij de volgende vuistregels:
- een item-total correlation van minstens 0,3
- Cronbach’s alpha, indien verwijderd, moet lager zijn dan Cronbach’s alpha van de hele schaal.
Als een item niet aan een van deze criteria voldoet, moet het nader worden bekeken.
• Compute total scores
Transform > Compute Variable … >
Target variable:
Numeric Expression:
Function group: All
Functions and Special Variables: Sum
Syntax
COMPUTE sumscores=SUM(v266,v267,v268,v269,v270,v271,v272,v273,v274,v275).
EXECUTE.
,Merk op dat ook het schrappen van items uit de schaal de betrouwbaarheid verlaagt (meer items
=> betrouwbaardere schaal).
Practical 1 - Assignments 3: Workload
• Recode
Transform > Recode into Di erent Variables… >
Numeric Variable —> Output Variable:
Output Variable
- Name:
- Label:
Old and New Values…
- System- or user-missing + System-missing + Add
Syntax
RECODE takeeasy (0=3) (1=2) (2=1) (3=0) (MISSING=SYSMIS) INTO takeeasyrecoded.
VARIABLE LABELS takeeasyrecoded 'Can you take it easy at work? (recoded)'.
EXECUTE.
Betrouwbaarheid = Cronbach’s alpha (α)
Voer na de recode de de Reliability analysis opnieuw uit!
Practical 1 - Assignments 4: Football Violence
Om een variabele uit de schaal te verwijderen, haal je de variabele simpelweg uit de Reliability
analysis.
Practical 2 - Assignment 1: Tolerance Scale
• Principal component analysis (PCA)
Analyze > Dimension Reduction > Factor… > Variables: >
Descriptives…
- KMO and Bartlett’s test of sphericity
Extraction…
- Method: Principal components
- Scree plot
Options…
- Sorted by size
- Suppress small coe cients
- Absolute value below: 0.30
Syntax
FACTOR
/VARIABLES v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/MISSING LISTWISE
/ANALYSIS v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/PRINT INITIAL KMO EXTRACTION
/FORMAT SORT BLANK(.30)
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/ROTATION NOROTATE
/METHOD=CORRELATION.
ffi ff
, • KMO and Bartlett’s Test
In een van de eerste tabellen zie je de "Kaiser-Meyer-Olkin Measure" (KMO) en de "Bartlett's test
of sphericity". Dit zijn twee tests die aangeven of onze gegevens geschikt zijn voor het uitvoeren
van een principale componentanalyse (PCA)
- KMO: Een hoge waarde (dicht bij 1,0) geeft in het algemeen aan dat het redelijk is om een PCA
uit te voeren (hoe hoger de waarde, hoe beter). Een vuistregel is dat deze waarde ten minste
0,6 moet bedragen.
- Bartlett’s Test of Sphericity: Indien signi cant (bv. p-waarde < 0,05) geeft dit aan dat het redelijk
is om een PCA uit te voeren.
W gebruiken de resultaten van de Kaiser-Meyer Olkin Measure
(KMO) en de Bartlett's test van sfericiteit om te bepalen of onze
gegevens geschikt z n om een principale componentenanalyse (PCA,
Nederlands: Principale componentenanalyse) of principale
asfactoring (Nederlands: Principale factoranalyse) uit te voeren.
Richtl nen z n dat de KMO minstens gel k aan of hoger dan 0,60
moet z n ( >= 0,60) en dat de Bartlett's test van sfericiteit signi cant
moet z n (bv. p-waarde van minder dan 0,05).
Wat is precies de Kaiser-Meyer-Olkin Measure (KMO)?
De KMO is een statistiek die aangeeft welk deel van de variantie
tussen de items veroorzaakt wordt door onderliggende factoren.
Hoge waarden (dichter b 1) w zen er doorgaans op dat een PCA of
PAF een nuttige techniek is voor de gegevens in kwestie.
Wat doet de Bartlett's test van sfericiteit precies?
• Communalities = gemeenschappelijkheid
De communality van een item is de hoeveelheid variantie in dat item die door alle componenten
wordt verklaard. Het is een maat voor hoe goed de componenten de antwoorden van mensen op
dat item verklaren.
Communality = Extraction
• Eigenvalues
1) De eigenvalue van een component geeft aan hoeveel variantie door die component wordt
verklaard. De eigenwaarde is gelijk aan de som van de verklaarde variantie van alle items op
de betre ende component.
2) De eigenwaarde drukt de hoeveelheid verklaarde variantie uit, niet in percentages. Dit kan het
moeilijker maken om op basis van alleen een eigenwaarde een idee te krijgen van hoe
belangrijk een component is bij het verklaren van variantie.
Eigenvalue = Total Variance Explained > Initial Eigenvalues > Total
Total Variance Explained > Initial Eigenvalues > % of Variance
• Component loading
In a PCA, a component loading represents the correlation between an item and a component. We
can use this correlation (the component loading) to see what the relationship is between and item
and a component
Component loading = Component Matrix
ij
ijijff ij ij ij ij fi ij fi
SPSS
Practical 1 - Assignments 1: Tolerance Scale
• Reliability analysis = betrouwbaarheid
Analyze > Scale > Reliability Analysis > Items: > Statistics… >
- Descriptives for: Item, Scale, Scale if item deleted
- Inter-Item: Correlations
Syntax
RELIABILITY
/VARIABLES=v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/SCALE('ALL VARIABLES') ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL.
• Inter-Item Correlation Matrix
Kijk naar de Inter-Item Correlation Matrix: Zijn alle items positief gecorreleerd? Zo ja, dan
suggereert dit dat ze allemaal in dezelfde richting geformuleerd zijn en hetzelfde construct in
dezelfde richting meten. Als een item negatief gecorreleerd is met de rest van de items,
suggereert dit dat dit item in de omgekeerde richting is geformuleerd en dat u dat item moet
hercoderen.
Items zijn het meest gerelateerd wanneer de score het dichtstbij de Cronbach’s Alpha ligt.
• Reliability Statistics
Cronbach’s Alpha
In de Reliability Statistics zie je Cronbach's alpha, een schatting van de betrouwbaarheid van de
schaal.
• Item-Total Statistics
Hoe hoger de score op Corrected Item—Total Correlation en hoe lager de score op Cronbach’s
Alpha if Item Deleted, hoe hoger de betrouwbaarheid.
De score op Corrected Item-Total Correlation moet positief en boven 0.3 zijn Daarentegen moet
de Cronbach’s alpha lager zijn dan de algemene Cornbach’s Alpha.
Practical 1 - Assignments 2: Solidarity
Voor de evaluatie van de items hanteren wij de volgende vuistregels:
- een item-total correlation van minstens 0,3
- Cronbach’s alpha, indien verwijderd, moet lager zijn dan Cronbach’s alpha van de hele schaal.
Als een item niet aan een van deze criteria voldoet, moet het nader worden bekeken.
• Compute total scores
Transform > Compute Variable … >
Target variable:
Numeric Expression:
Function group: All
Functions and Special Variables: Sum
Syntax
COMPUTE sumscores=SUM(v266,v267,v268,v269,v270,v271,v272,v273,v274,v275).
EXECUTE.
,Merk op dat ook het schrappen van items uit de schaal de betrouwbaarheid verlaagt (meer items
=> betrouwbaardere schaal).
Practical 1 - Assignments 3: Workload
• Recode
Transform > Recode into Di erent Variables… >
Numeric Variable —> Output Variable:
Output Variable
- Name:
- Label:
Old and New Values…
- System- or user-missing + System-missing + Add
Syntax
RECODE takeeasy (0=3) (1=2) (2=1) (3=0) (MISSING=SYSMIS) INTO takeeasyrecoded.
VARIABLE LABELS takeeasyrecoded 'Can you take it easy at work? (recoded)'.
EXECUTE.
Betrouwbaarheid = Cronbach’s alpha (α)
Voer na de recode de de Reliability analysis opnieuw uit!
Practical 1 - Assignments 4: Football Violence
Om een variabele uit de schaal te verwijderen, haal je de variabele simpelweg uit de Reliability
analysis.
Practical 2 - Assignment 1: Tolerance Scale
• Principal component analysis (PCA)
Analyze > Dimension Reduction > Factor… > Variables: >
Descriptives…
- KMO and Bartlett’s test of sphericity
Extraction…
- Method: Principal components
- Scree plot
Options…
- Sorted by size
- Suppress small coe cients
- Absolute value below: 0.30
Syntax
FACTOR
/VARIABLES v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/MISSING LISTWISE
/ANALYSIS v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239
v240 v241
v242
/PRINT INITIAL KMO EXTRACTION
/FORMAT SORT BLANK(.30)
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/ROTATION NOROTATE
/METHOD=CORRELATION.
ffi ff
, • KMO and Bartlett’s Test
In een van de eerste tabellen zie je de "Kaiser-Meyer-Olkin Measure" (KMO) en de "Bartlett's test
of sphericity". Dit zijn twee tests die aangeven of onze gegevens geschikt zijn voor het uitvoeren
van een principale componentanalyse (PCA)
- KMO: Een hoge waarde (dicht bij 1,0) geeft in het algemeen aan dat het redelijk is om een PCA
uit te voeren (hoe hoger de waarde, hoe beter). Een vuistregel is dat deze waarde ten minste
0,6 moet bedragen.
- Bartlett’s Test of Sphericity: Indien signi cant (bv. p-waarde < 0,05) geeft dit aan dat het redelijk
is om een PCA uit te voeren.
W gebruiken de resultaten van de Kaiser-Meyer Olkin Measure
(KMO) en de Bartlett's test van sfericiteit om te bepalen of onze
gegevens geschikt z n om een principale componentenanalyse (PCA,
Nederlands: Principale componentenanalyse) of principale
asfactoring (Nederlands: Principale factoranalyse) uit te voeren.
Richtl nen z n dat de KMO minstens gel k aan of hoger dan 0,60
moet z n ( >= 0,60) en dat de Bartlett's test van sfericiteit signi cant
moet z n (bv. p-waarde van minder dan 0,05).
Wat is precies de Kaiser-Meyer-Olkin Measure (KMO)?
De KMO is een statistiek die aangeeft welk deel van de variantie
tussen de items veroorzaakt wordt door onderliggende factoren.
Hoge waarden (dichter b 1) w zen er doorgaans op dat een PCA of
PAF een nuttige techniek is voor de gegevens in kwestie.
Wat doet de Bartlett's test van sfericiteit precies?
• Communalities = gemeenschappelijkheid
De communality van een item is de hoeveelheid variantie in dat item die door alle componenten
wordt verklaard. Het is een maat voor hoe goed de componenten de antwoorden van mensen op
dat item verklaren.
Communality = Extraction
• Eigenvalues
1) De eigenvalue van een component geeft aan hoeveel variantie door die component wordt
verklaard. De eigenwaarde is gelijk aan de som van de verklaarde variantie van alle items op
de betre ende component.
2) De eigenwaarde drukt de hoeveelheid verklaarde variantie uit, niet in percentages. Dit kan het
moeilijker maken om op basis van alleen een eigenwaarde een idee te krijgen van hoe
belangrijk een component is bij het verklaren van variantie.
Eigenvalue = Total Variance Explained > Initial Eigenvalues > Total
Total Variance Explained > Initial Eigenvalues > % of Variance
• Component loading
In a PCA, a component loading represents the correlation between an item and a component. We
can use this correlation (the component loading) to see what the relationship is between and item
and a component
Component loading = Component Matrix
ij
ijijff ij ij ij ij fi ij fi
