1. Betrouwbaarheid en Validiteit - PCA & T-tests
VRAAG 1) Moeten er vragen hergecodeerd worden? Zo ja, benoem de nummers van de items die
hergecodeerd moeten worden, en voer een “Recode-”opdracht uit om de betreffende items te
hercoderen (Gebruik de optie “Recode into different variables”; zie screenshot hieronder). Sla je
syntax op in een syntaxbestand, en sla het databestand op met daarin de hergecodeerde variabelen.
Transform > Recode into different variables > te hercoderen items toevoegen.
Change name. Old and new values veranderen.
Principale Componenten Analyse (PCA) – Varimax rotatie
Doel: betrouwbaarheid van je instrument verhogen door kwalitatief minder goede items uit je
vragenlijst te verwijderen. Zo verhoog je de consistentie van je instrument (meet je echt wat je wilt
meten; hetzelfde construct met je gehele vragenlijst?).
VRAAG 2) Voer een Principale Componenten Analyse (PCA) uit, gedwongen op 2 factoren, met
Varimax-rotatie. Zorg ervoor dat in de SPSS-output de factorladingen worden gesorteerd van hoog
naar laag, en laat factorladingen alleen afdrukken indien deze .40 of hoger zijn.
Klik hiervoor op Analyze -> Dimension reduction -> Factor (zie ook Brace et al., 2012.,
pagina 365). Bekijk goed welke opties je allemaal moet aanvinken.
Je kunt een analyse uitvoeren ‘gedwongen’ op een aantal factoren (je kiest bv. 2 factoren als je
affectieve empathie én cognitieve empathie in 1 vragenlijst meet, dus 2 constructen).
Je kunt er óók nog voor kiezen om alleen factorladingen van een bepaald gewicht af te
drukken, (bijvoorbeeld factorladingen die 0.40 of hoger zijn, zodat je de factoren met minder
gewicht niet te zien krijgt).
De items die een factorlading hebben die lager zijn dan (in dit geval) 0.40, zijn dus niet
representatief (genoeg) voor het construct óf verkeerd geïnterpreteerd door respondenten.
Analyse > Dimention reduction > Factor
Alle losse items doen toevoegen in rechterrij
Bij rotation > Varimax
Options > supress small coëfficients > absolute value below 0.40
, VRAAG 3) Interpreteer de factoroplossing →
kijk naar Rotated Component Matrix:
Hoeveel factoren zie je? Welke labels zou je
meegeven aan de factoren? Zijn er items die
verwijderd zouden moeten worden?
< Het gewicht van iedere item aan
Een enkele factor (construct).
> Het gewicht van ieder item als we ervan
Uitgaan dat er twee factoren zijn.
Item 13 & 16 zie je niet op deze in deze analyse.
Dit is zo, omdat ik heb gekozen om
factorladingen van < 0.40 weg te laten uit de
analyse (ik heb besloten dat die
verwaarloosbaar zijn).
Deze items zijn zó laag dat ze niet representatief zijn
voor het construct, of verkeerd geïnterpreteerd zijn
door de respondenten.
Item 13 en 16 dienen dus gezien de Factoroplossing
verwijderd te worden; deze items laden op géén
van de factoren.
Er zijn 2 factoren aanwezig welke verwijzen naar twee
constructen die zijn gemeten in de vragenlijst:
Cognitieve empathie (begrijpen): 16, 20, 19, 10, 14, 9, 18, 3, 12, 8, 1.
Affectieve empathie (inleven): 2, 11, 15, 4, 5, 7, 17.
VRAAG 4) Betrouwbaarheidsanalyse uitvoeren
voor beide PCA-factoren apart
Analyze > Scale > Reliability analysis
Alle items per aparte factor (zie vraag 2) los toevoegen
• Factor 1 heeft een alpha van 0.766
• Factor 2 heeft een alpha van 0.740
INTERPRETATIE OUTPUT
Cronbach’s alpha van 0.80 wordt wenselijk geacht, maar dient
Minimaal 0.60 te zijn (Bijleveld, 2009).
Bij belangrijke beslissingen dien je 0.80 aan te houden.
, VRAAG 5) Cronbach’s Alfa if item deleted: door het verwijderen van een kwalitatief
minder goede item kan de betrouwbaarheid mogelijk verhoogd worden.
Deze optie in SPSS laat de betrouwbaarheid zien als een item met
een lagere factorlading wordt verwijderd.
Leidt bij dit onderzoek het verwijderen van items tot een substantiële verbetering van de
betrouwbaarheid? Zo ja, welk item of welke items zouden verwijderd moeten worden?
INTERPRETATIE OUTPUT
• Factor 1: De alphas in deze kolom zijn lager dan .766. Dus geen verwijdering nodig
• Factor 2 → de alpha zou .743 worden wanneer item 7 verwijderd wordt, maar dit is geen
substantiële verbetering en gaat ten koste van de validiteit. Dus niet verwijderen.
VRAAG 6) Steekproefkenmerken (aantal jongeren, verhouding jongens/meisjes, gemiddelde leeftijd,
opleidingsniveau) kun je in kaart brengen door …
- Voor gemiddelde leeftijd doe je descriptive statistics > alle variabelen aanvinken waar je
iets van wilt weten > mean aanklikken (redelijk vanzelfsprekend)
- Voor de variabelen doe je analyze > frequencies.
VRAAG 7) Verschil tussen bijv. jongens en meisjes in de (gemiddelde) mate van een variabele breng
je in kaart door onafhankelijke t-toets voor twee gemiddelden uit te voeren (between groups)
- Analyze > compare means and proportion > independent one sample t test > items voor
cognitieve empathie toevoegen in Test variables en sekse toevoegen in grouping variable
(bepaal label van de groep).
VRAAG 1) Moeten er vragen hergecodeerd worden? Zo ja, benoem de nummers van de items die
hergecodeerd moeten worden, en voer een “Recode-”opdracht uit om de betreffende items te
hercoderen (Gebruik de optie “Recode into different variables”; zie screenshot hieronder). Sla je
syntax op in een syntaxbestand, en sla het databestand op met daarin de hergecodeerde variabelen.
Transform > Recode into different variables > te hercoderen items toevoegen.
Change name. Old and new values veranderen.
Principale Componenten Analyse (PCA) – Varimax rotatie
Doel: betrouwbaarheid van je instrument verhogen door kwalitatief minder goede items uit je
vragenlijst te verwijderen. Zo verhoog je de consistentie van je instrument (meet je echt wat je wilt
meten; hetzelfde construct met je gehele vragenlijst?).
VRAAG 2) Voer een Principale Componenten Analyse (PCA) uit, gedwongen op 2 factoren, met
Varimax-rotatie. Zorg ervoor dat in de SPSS-output de factorladingen worden gesorteerd van hoog
naar laag, en laat factorladingen alleen afdrukken indien deze .40 of hoger zijn.
Klik hiervoor op Analyze -> Dimension reduction -> Factor (zie ook Brace et al., 2012.,
pagina 365). Bekijk goed welke opties je allemaal moet aanvinken.
Je kunt een analyse uitvoeren ‘gedwongen’ op een aantal factoren (je kiest bv. 2 factoren als je
affectieve empathie én cognitieve empathie in 1 vragenlijst meet, dus 2 constructen).
Je kunt er óók nog voor kiezen om alleen factorladingen van een bepaald gewicht af te
drukken, (bijvoorbeeld factorladingen die 0.40 of hoger zijn, zodat je de factoren met minder
gewicht niet te zien krijgt).
De items die een factorlading hebben die lager zijn dan (in dit geval) 0.40, zijn dus niet
representatief (genoeg) voor het construct óf verkeerd geïnterpreteerd door respondenten.
Analyse > Dimention reduction > Factor
Alle losse items doen toevoegen in rechterrij
Bij rotation > Varimax
Options > supress small coëfficients > absolute value below 0.40
, VRAAG 3) Interpreteer de factoroplossing →
kijk naar Rotated Component Matrix:
Hoeveel factoren zie je? Welke labels zou je
meegeven aan de factoren? Zijn er items die
verwijderd zouden moeten worden?
< Het gewicht van iedere item aan
Een enkele factor (construct).
> Het gewicht van ieder item als we ervan
Uitgaan dat er twee factoren zijn.
Item 13 & 16 zie je niet op deze in deze analyse.
Dit is zo, omdat ik heb gekozen om
factorladingen van < 0.40 weg te laten uit de
analyse (ik heb besloten dat die
verwaarloosbaar zijn).
Deze items zijn zó laag dat ze niet representatief zijn
voor het construct, of verkeerd geïnterpreteerd zijn
door de respondenten.
Item 13 en 16 dienen dus gezien de Factoroplossing
verwijderd te worden; deze items laden op géén
van de factoren.
Er zijn 2 factoren aanwezig welke verwijzen naar twee
constructen die zijn gemeten in de vragenlijst:
Cognitieve empathie (begrijpen): 16, 20, 19, 10, 14, 9, 18, 3, 12, 8, 1.
Affectieve empathie (inleven): 2, 11, 15, 4, 5, 7, 17.
VRAAG 4) Betrouwbaarheidsanalyse uitvoeren
voor beide PCA-factoren apart
Analyze > Scale > Reliability analysis
Alle items per aparte factor (zie vraag 2) los toevoegen
• Factor 1 heeft een alpha van 0.766
• Factor 2 heeft een alpha van 0.740
INTERPRETATIE OUTPUT
Cronbach’s alpha van 0.80 wordt wenselijk geacht, maar dient
Minimaal 0.60 te zijn (Bijleveld, 2009).
Bij belangrijke beslissingen dien je 0.80 aan te houden.
, VRAAG 5) Cronbach’s Alfa if item deleted: door het verwijderen van een kwalitatief
minder goede item kan de betrouwbaarheid mogelijk verhoogd worden.
Deze optie in SPSS laat de betrouwbaarheid zien als een item met
een lagere factorlading wordt verwijderd.
Leidt bij dit onderzoek het verwijderen van items tot een substantiële verbetering van de
betrouwbaarheid? Zo ja, welk item of welke items zouden verwijderd moeten worden?
INTERPRETATIE OUTPUT
• Factor 1: De alphas in deze kolom zijn lager dan .766. Dus geen verwijdering nodig
• Factor 2 → de alpha zou .743 worden wanneer item 7 verwijderd wordt, maar dit is geen
substantiële verbetering en gaat ten koste van de validiteit. Dus niet verwijderen.
VRAAG 6) Steekproefkenmerken (aantal jongeren, verhouding jongens/meisjes, gemiddelde leeftijd,
opleidingsniveau) kun je in kaart brengen door …
- Voor gemiddelde leeftijd doe je descriptive statistics > alle variabelen aanvinken waar je
iets van wilt weten > mean aanklikken (redelijk vanzelfsprekend)
- Voor de variabelen doe je analyze > frequencies.
VRAAG 7) Verschil tussen bijv. jongens en meisjes in de (gemiddelde) mate van een variabele breng
je in kaart door onafhankelijke t-toets voor twee gemiddelden uit te voeren (between groups)
- Analyze > compare means and proportion > independent one sample t test > items voor
cognitieve empathie toevoegen in Test variables en sekse toevoegen in grouping variable
(bepaal label van de groep).
