Brilliant summary. I got a high grade with it!
By: clementinenederland • 1 year ago
By: Snoekerd • 1 year ago
Translated by Google
Very clear and organized. Recommended!!
By: hmohlmann89 • 1 year ago
Seller
Follow
Azara
Reviews received
Content preview
Samenvattin
Longitudinaal onderzoe
Thema 1: Inleidin
1. Causalitei
2. Longitudinale modelle
Thema 2: Moderati
1. Theoretisch kade
2. Moderatie met dichotome moderatorvariabele
3. Moderatie met intervalvariabele
4. Uitbreidingen van het basis moderatiemode
Thema 3: Mediati
1. Theoretisch kader en conceptueel mode
2. Mediatieanalyse met één mediato
3. Mediatie analyse met meerdere mediatoren en verslagleggin
4. Effect size bij mediatieanalys
Thema 4: Multilevelmodelle
1. Theoretisch kade
2. Eenvoudige multilevelmodelle
3. Modellen met covariate
4. Multilevel analyse van herhaalde metinge
Uitwerking oefententamen
t
r
e
g
e
g
n
n
s
n
e
n
n
r
l
n
l
n
g
k
, 1. Inleidin
Longitudinale data: wanneer bij onderzoekseenheden (personen) dezelfde informatie op meerdere
tijdstippen wordt gemeten. Zo kunnen veranderingen binnen een persoon gemeten worden
Panelonderzoek (Lazerfeld, 1940): vorm van longitudinaal onderzoek waarbij een vaste groep wordt
gevolgd en er op verschillende tijdstippen metingen gedaan worden. De effecten van de variabelen
worden zo over tijd bestudeerd
Cross-lagged effect: een panelstudie waarbij 2 of meer variabelen herhaaldelijk worden gemeten op
2 of meer verschillende momenten. Het causaal effect van de ene op de andere variabele kan zo zo
op verschillende tijdstippen ingeschat worden
Single case design: gebaseerd op herhaalde metingen bij een enkele onderzoekseenheid (dit wordt
ook een N=1 studie genoemd). Het doel is het verschil op 1 of meer variabelen voor en na een
interventie te vergelijken en na te gaan of er een trend te vinden is in de afhankelijke variabele
Experience sampling method: intensief longitudinaal design waarbij meestal meerdere keren per
dag, op willekeurige momenten, een korte vragenlijst wordt afgenomen. Dit gedurende een aantal
dagen teneinde psychologische processen te onderzoeken die zich dagelijks binnen een persoon
afspelen
Multilevel analyse: de gegevens van verschillende niveaus worden in één databestand gezet zodat
de gegevens tegelijkertijd in een analyse kunnen worden opgenomen
Causalitei
Causaal verband
Causaliteit betekent dat een verandering in de ene variabele een verandering in de andere
variabele veroorzaakt. Hiervoor moet aan 3 voorwaarden voldaan zijn
1. Er moet statistisch signi cant verband zijn tussen de predictor de afhankelijke variabele
2. De predictor moet in de tijd voorafgaan aan de afhankelijke variabele
3. De relatie tussen de predictor en de afhankelijke variabele mag niet veroorzaakt worden
door een derde (mogelijk onbekende) variabele.
Voorwaarde 1: statistisch verband tussen de predictor en de afhankelijke variabele
Dit betekent in het algemeen dat de samenhang waarschijnlijk ongelijk is aan nul. Zo’n resultaat
zegt niets over de grootte van het verband en dus ook niet over het belang of de relevantie van het
verband. Een klein verband kan bij een grote steekproef immers ook statistisch signi cant zijn. Als
de steekproef maar groot genoeg is dan wordt elke afwijking van nul, hoe klein ook, in de
steekproef signi cant. Om te zien of een verband voldoende sterk of relevant is moet er naar de
effect size gekeken worden
Voorwaarde 2: de predictor moet in tijd voorafgaan aan het effec
Het gevolg mag niet optreden als de oorzaak niet aanwezig is en het gevolg moet (in theorie) altijd
optreden als de oorzaak aanwezig is
.
t
fig
fi .
.
.
.
t
.
:
:
fi .
.
.
,Voorwaarde 3: het effect mag niet veroorzaakt zijn door een derde variabele
Het is belangrijk om eventuele confounding variabelen uit te sluiten. Men moet er zeker van zijn
dat een causaal verband niet veroorzaakt is door een andere variabele dan degene die bestudeerd
wordt. Er mag behalve de predictor dus geen andere plausibele verklaring te vinden zijn voor het
optreden van het gevolg
Bij longitudinale methodes van dataverzameling kan voldaan worden aan de 2e voorwaarde van
causaliteit, doordat de predictor voorafgaand de afhankelijke variabele kan gemeten worden
Longitudinale modelle
Cross-sectionele data: wanneer informatie op 1 tijdstip wordt gemeten, of op meerdere tijdstippen
bij telkens andere steekproeven
Longitudinale data kunnen verandering binnen een persoon meten en worden vaak gebruikt om
het effect van een interventie te evalueren door voormetingen te vergelijken met metingen tijdens
en na de interventie. Ook kan men ahv longitudinale data van een fenomeen een patroon of trend
in de tijd ontdekken
Belangrijke vragen die men zich dient te stellen bij het ontwerpen van longitudinaal onderzoek
• Hoeveel metingen zijn nodig
• Welke tijdsintervallen worden best toegepast
• Welke moet de duur van de volledige studie zijn
De antwoorden op deze vragen zijn sterk afhankelijk van het onderwerp en onderzoeksdoel van
de studie. Uiteraard leiden meer metingen tot meer data, maar dit is ook belastender voor de
respondenten, waardoor het risico op uitval groter wordt
Wave: moment van data-analyse: op hetzelfde tijdstip gemeten variabelen. Dit is de situatie bij
cross-sectioneel design
Auto-regressieve verband: verband dat gemeten is tussen dezelfde variabelen op verschillende
tijdstippen. Het gaat om een regressie van variabelen met zichzelf (op een ander tijdstip). Deze
verbanden hebben een richting, wat een effect kan niet teruggaan in de tijd.
• Lag-1 effect: een effect tussen 2 opeenvolgende tijdstippen
• Lag-2 effect: een effect dat 2 stappen vooruit gaat, bvb tussen meetmomenten 1 en 3
Crossed lagged verband: verband tussen verschillende variabelen op verschillende tijdstippen.
Moderatie: een variabele beïnvloedt het effect van
een predictor op de afhankelijk variabele. Dit betreft
dus een interactie effect
Mediatie: een derde variabele verklaart (deels) het
effect van de variabele
Multilevelmodel: longitudinale data met relatief
veel metingen leiden tot een 3D datatabel met N
subjecten, K variabelen en T aantal metingen
N*K*T waarbij N+T de rijen zijn en K de kolommen
.
.
.
!
.
?
.
n
.
?
?
.
.
.
:
.
.
:
, 2. Moderati
Moderator
Een modererende variabele beïnvloedt de sterkte en richting van de predictor op de afhankelijke
variabele, waardoor de richting of kracht van het verband verandert. Voor mensen die hoog
scoren op de moderator is het effect van de predictor op de afhankelijke variabele anders dan
voor mensen die laag scoren op de moderator.
In een moderatiemodel is er sprake van een predictor en een moderator die interacteren met elkaar.
De interactie tussen beide betekent heel algemeen dat ze een gezamenlijk effect hebben op de
afhankelijke variabele, waarbij het effect van de ene afhangt van de andere. Een moderatiemodel is
een speciale vorm van interactie, waarbij aan de variabelen een rol wordt toegekend van predictor
en moderator. Moderatie komt voort uit theorie, interacties zijn daar het rekenkundige equivalent
van
Theoretisch kade
Als er een verband bestaat tussen 2 variabelen, kan het zijn dat dit effect alleen aanwezig is of
sterker is bij een bepaalde groep mensen. De variabele die het verschil tussen groepen aangeeft en
dus het verband beïnvloedt, is de moderator
Een moderator kan verschillende vormen aannemen
• Categorische variabele: wanneer de moderator een groepsindeling representeert, bvb zoals bij
geslacht (dichotoom!) of opleidingsniveau
• Intervalvariabele: wanneer er geen sprake is van natuurlijke groepsindeling, maar nog steeds
onderscheid kan gemaakt worden tussen mensen die relatief hoog of relatief laag scoren op de
variabele, bvb iemand bezit een eigenschap minder of meer
Moderatie effecten kunnen op verschillende manieren uitwerken
• Een moderator kan een effect of verband laten verschijnen of versterken
• Een moderator kan een effect of verband laten verdwijnen of verzwakken
• Een verband kan positief of negatief worden afhankelijk van de waarde van de moderator.
In een moderatiemodel worden idealiter zowel
de predictor als de moderator experimenteel
gemanipuleerd en worden subjecten random
Predictor toebedeeld aan de verschillende condities. Als er
sprake is van moderatie, mogen hoofdeffecten
niet zonder meer geïnterpreteerd worden, maar
dient de moderator steeds betrokken te worden
Voor de berekening van een moderatie is het altijd nodig om een interactieterm op te nemen in het
model. Een interactieterm wordt gevormd als het product van 2 variabelen, hier de moderator en
de predictor. Om de parameters (regressiecoëf ciënten) van een moderatiemodel te berekenen is er
dus minstens een predictor (X), een moderator (Z) en een interactieterm (XZ) nodig. Het statistisch
model maakt dus geen onderscheid tussen de moderator en de predictor, maar het conceptueel
model doet dat wel
.
e
.
r
.
.
fi!
:
.
:
.
.
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 Azara. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $8.45. You're not tied to anything after your purchase.