Aantekeningen kennisclips Dataverzameling en analyse Master Communicatie & Beïnvloeding Radboud Universiteit(LET-CIWM410)

Kennisclips Dataverzameling &
Analyse

Inhoudsopgave
Week 1.......................................................................................................................................................... 2

Kennisclip 1 - Inleiding..........................................................................................................................................2

Kennisclip 2 – Voorkennis ophalen.......................................................................................................................2

Week 2.......................................................................................................................................................... 5

Kennisclip 3 – Tussenproefpersoonontwerp – ANOVA de basis...........................................................................5

Kennisclip 4 – Tussenproefpersoonontwerp – ANOVA factorieel ontwerp..........................................................9

Week 3........................................................................................................................................................ 12

Kennisclip 5 – Tussenproefpersoon ANOVA de basis.........................................................................................12

Kennisclip 6 - Binnenproefpersoonvariantieanalyse ANOVA output.................................................................14

Week 4........................................................................................................................................................ 20

Kennisclip 7 – Regressie de basis........................................................................................................................20

Kennisclip 8 – Regressie: modeltoetsing............................................................................................................25

Kennisclip 9 – Regressie: uitbreidingen..............................................................................................................32

Week 5........................................................................................................................................................ 39

Kennisclip 10 - Factoranalyse: de basis..............................................................................................................39

Kennisclip 11 – Factoranalyse: roteren & rapporteren......................................................................................42




1

,Week 1
Kennisclip 1 - Inleiding
Leerdoelen cursus:
 Kenmerken van de gevorderde statistische methoden factoranalyse, regressieanalyse
en ANOVA benoemen
 Beredeneren in welke omstandigheden welke statistische methoden het beste kan
worden gebruikt voor onderzoek op het gebied van bedrijfscommunicatie
 De statistische methoden via SPSS aansturen en de output op accurate wijze
interpreteren en rapporteren


Kennisclip 2 – Voorkennis ophalen




Onafhankelijke en afhankelijke variabelen
o Empirische cyclus
o Theorie  vraag/hypothese  data  antwoord
o Hoe ga je data verzamelen om de vraag te beantwoorden of de hypothesen te
toetsen?
o Beantwoording vraag d.m.v. statistische technieken = het toetsen van een
model (vaak impliciet)  analytisch/systematisch nadenken

Meetniveau
o Elke variabele heeft een meetniveau = manier/inschatting van hoe je meet
o Soort meetniveau van afhankelijke variabele (AV)/onafhankelijke variabele (OV)
bepaalt welke statistische toets je mag doen:
o Nominaal  ongeveer 2 bepaalde niveaus (bijv. geslacht)
o Ordinaal  meer dan 2, rangschikking (bijv. opleidingsniveaus)
o Interval  onderlinge verschillen tussen getallen (bijv. schoenmaten)
o Ratio  intervallen tussen getallen zijn precies identiek, natuurlijk nulpunt
(bijv. leeftijd)
o Tip: zorg voor een informatief meetniveau (interval/ratio)

Random


2

, o Proefpersonen toewijzen aan condities (niveaus van de OV) om verschillen of
verbanden te zien op de AV
o Toewijzing liefst random, gelijke verdeling over condities

Gemiddelde en standaardafwijking
o Gemiddelde = M  som van de scores gedeeld door het aantal observaties
o Vaak worden gemiddelden van groepen vergeleken
o Standaarddeviatie = SD  gemiddelde afwijking t.o.v. het gemiddelde
o SD = [wortel van] (som vd gekwadrateerde afwijking / n -1)
o Kleine SD  scores liggen dichtbij gemiddelde
o Grote SD  scores liggen ver van gemiddelde af
o Kleine SD is beter, want veel scores liggen dichtbij het gemiddelde, weinig
variatie, het gemiddelde doet recht aan de data

Normaalverdeling
o In de normaalverdeling zijn scores meestal normaalverdeeld: de meeste scores zitten
rondom het gemiddelde en erg hoge/lage scores komen minder vaak voor
o Grote SD  brede normaalverdeling
o Kleine SD  smalle normaalverdeling
o 68% vd scores zit tussen 1 SD om M heen
o 95% vd scores zit tussen 2 SD om M heen
o Bij een normaalverdeling is M = 0 en SD = 1
o Met z-scores kan je voorspellen hoe groot de kans is dat een bepaalde score
voorkomt

Nulhypothese – alternatieve hypothese
o H0 = nulhypothese  geen verschil verwacht
o H1 = alternatieve hypothese  wel een verschil verwacht
o Als H- wordt verworpen  ondersteuning voor H1

Populatie – steekproef
o O.b.v. je steekproef doe je uitspraken over je beoogde populatie
o Uitspraken over verbanden of verschillen gaan over algemene verbanden of
verschillen in de werkelijkheid
o We maken een model van de werkelijkheid  in hoeverre wijkt dat model af van de
werkelijkheid?
o Om de werkelijkheid goed te benaderen, is een voldoende grote steekproef nodig
o Een beter model heeft een kleine SD (weinig spreiding, veel scores rondom M) 
Krachtig om iets te zeggen over de werkelijkheid



3

, o Probleem: elke steekproef is anders = toeval  verschillende steekproeven hebben
verschillende M’s
o Oplossing  ook deze steekproefverdeling is een normaalverdeling  100
steekproeven  meeste rondom het gemiddelde
o Als we een steekproef trekken van 100 mensen weten we M en SD en omdat we
weten dat de steekproef een onderdeel is van de normaalverdelingen van
steekproeven, kunnen we de computer M & SD van de populatie laten inschatten

Significantie(niveau)
o Groepen/verbanden vergelijken
o Op die manier vergelijken we scores (data uit steekproef) met het model
(hypothese):
o H1: studenten halen meer dan een 6 voor het tentamen
o H0: studenten halen niet meer dan een 6 voor het tentamen
o Data: M uit steekproef is 6,8
o Vraag is dan: wijkt 6,8 significant af van 6,0?
o Bij een significant resultaat is de score zo afwijkend in de normaalverdeling, dat die
niet hoort bij de verdeling waarbij de score minder dan een 6,0 is.

Eenzijdig/tweezijdig toetsen
o Eenzijdig = een richting
o A>B of B<A
o Tweezijdig = geen richting
o A = niet B, A>B en B<A kan allebei




4