Samenvatting MTO-C: Technieken voor causale analyse

MTO-C: Technieken voor causale analyse
De centrale vraag in deze cursus:
Waarom is er een varia(n)tie in de afhankelijke variabele(n) van een onderzoek?
 Scores verklaard door systematische effecten van variabelen afgeleid uit de theorie + error
(systematische effecten van variabelen die je niet hebt waargenomen + toevallige factoren
(moeheid, zenuwen,…).
Technieken die antwoord op deze vraag kunnen geven:
 [1] One-way Between-Subjects Analysis of Variance, [2] Bivariate en Multipele Regressie-
Analyse, [3] Padanalyse & [4] Logistische Regressie-Analyse.
Deze technieken verschillen wat betreft:
1. Het meetniveau van de afhankelijke variabele die je ermee kunt analyseren.
2. Het meetniveau van onafhankelijke variabelen die je kunt opnemen ter verklaring.
3. De complexiteit van verbanden (theorie) die je ermee kunt onderzoeken.
Meetniveaus, complexiteit theorie en analyse technieken




Complexiteit van verbanden

One-way between subjects analyse of variance:
Team waarin iemand werkt (X) Organizational commitment (Y)
Bivariate regressieanalyse
Team waarin iemand werkt (X1) Organizational Commitment (Y)
Multipele logistische regressieanalyse

In deze regressieanalyse kunnen
we ook aannemen dat de
onafhankelijke variabelen wel
correleren (X1 en X3).

Padanalyse
Hier heb je ook gerichte effecten
tussen de onafhankelijke
variabelen hier ook salaris indirect.

,Hoofdstuk 6: Analysis of variance (ANOVA) (Warner) (met de hand uit
kunnen rekenen)
1. Logica

One-way between-subjects analysis of variance
De term Between-S (zoals de term independent samples) zegt dat de participant lid is van enkel 1
groep en dat de leden van de samples niet matched of paired zijn. Wanneer er meer dan 1 variabele
of factor is in de studie, gebruiken we de factorial ANOVA.
In ANOVA, de categorial predictor variabele wordt ook wel factor (vb. type of stress) genoemd, de
groepen worden de levels van deze factor (vb. 1 no stress, 2 cognitive stress, 3…) genoemd.
Team waarin iemand werkt (X) Organizational commitment (Y)

Inhoudelijke hypothese:
De mate van organizational commitment (Y) is afhankelijk van het team waarin iemand werkt (X)
o Vraag: Als hypothese juist is, wat zou je dan moeten vinden met betrekking tot
gemiddeld commitment tussen de teams?
 Dit zou meer moeten verschillen dan je o.b.v. toeval zou mogen verwachten.
o Stel we hebben data verzameld met meting van organizational commitment bij 3
teams, dan zijn er 2 scenario’s wat betreft de data (hierbij verschillen de varianties).

, Je gaat kijken naar de verhouding binnen en tussen de groepen en gaat de verhouding berekenen. Bij
scenario 2 zie je dat de verschillen tussen de groepen duidelijker zullen zijn. De varianties tussen de
scores binnen de groepen is hier het kleinst. Dit is een indicatie dat de groep er echt toe doet.
Het idee achter variantie analyse:
 Indien er 2 of meer groepen zijn, kunnen we dan een uitspraak doen over mogelijke
(significante) verschil tussen de gemiddelden van de groepen?
In Scenario 2 zijn de SS groter, dus zullen we hier een grotere F-waarde vinden.
Het fundamenteel principe van ANOVA (uit je hoofd leren)
ANOVA analyseert verhouding van de twee componenten van totale varia(n)tie in de data:
tussengroepvariantie & binnengroepvariantie:



 Waarbij Tussengroepvariantie systematische verschillen tussen groepen & alle andere
variabelen die van invloed zijn op Y (=‘residual variance’ of ‘error’) meet.
 Binnengroepvariantie meet de invloed van alle andere variabelen die van invloed zijn op Y
(=‘residual variance’ of ‘error’).
o Kan een variabele ‘Team’ van invloed zijn op de scores binnen het team?
 De variatie van de mensen binnen het team is afhankelijk van anders
factoren, hier heeft de variabele team geen invloed op. Team is een
constante variabele en die kan geen invloed hebben. MAAR BIJ
TUSSENGROEPVARIANTIE, is dit wel het geval. Hierbij is team geen constante
variabele. Er zit variatie in teams.
Statistische nulhypothese voor one-way between-subjects ANOVA:
 Gemiddelden van k populaties waarmee groepen in de studie corresponderen zijn allemaal
aan elkaar gelijk:
o H0: µ1 = µ2 = … = µk
Intermezzo
Maar waarom gebruiken we One-way Between-Subject ANOVA en niet allemaal losse t-toetsjes voor
gemiddelden?
 Het probleem van de losse T-toetsjes: Hoe groter het aantal toetsen dat wordt uitgevoerd op
een dataset, hoe groter de kans wordt dat we een effect vinden, des te groter de kans dat we
de nulhypothese verwerpen terwijl deze juist is (Type I fout).
o Volgt uit logica van hypothesetoetsing: We verwerpen de nulhypothese als een
resultaat uitzonderlijk is, maar hoe meer toetsen we uitvoeren, des te eenvoudiger is
het om uitzonderlijke resultaten te vinden. En maakt men dus makkelijker de fout
om te concluderen dat er een effect is, terwijl het er niet is.
 Dit heet Inflated rist of type I error.
Een manier om het risico op de type I fout kleiner te maken, is om een single omnibus test te doen
dat alle comparisons in de study als een set verzameld (voorbeeld een F-toets).
Formule voor berekening op kans op 1 of meer type I fouten bij een reeks van X aantal toetsen met
significantieniveau α:
 1 – (1 – α)ˣ  1 – (1 – 0.05)^3 = 0.143  Je alfa is dus niet meer 5%, maar 14%.
Oplossing: One-Way ANOVA → één enkele omnibus toets voor de nulhypothese dat de gemiddeldes
van K populaties aan elkaar gelijk zijn, waarbij kans op Type I fout = .05
Rekenen met Sums of squares (SS) (Kwadratensom)