Samenvatting Literatuur en Hoorcolleges –
Multivariate Analyse
Week 1
Literatuur – boek
Hoofdstuk 1 – inleiding
❖ Multivariate methoden → methoden waarmee naar meerdere variabelen tegelijk wordt
gekeken → bijvoorbeeld om verbanden te leggen tussen meerdere factoren of
voorspellingen te doen op basis van meerdere factoren
❖ Multivariate methoden worden veel gebruikt in sociaalwetenschappelijk onderzoek →
fenomenen verklaren
❖ Methoden en technieken (M&T) → ‘’gereedschapskist’’ waarmee onderzoek gedaan kan
worden → bevat o.a. multivariate methoden
• Het ontwerpen, opzetten, uitvoeren en analyseren van sociaalwetenschappelijk
onderzoek → design-kwesties, steekproefkeuzes, bevragen
❖ Statistiek wordt als een eigen en separaat onderdeel gezien van M&T → wetenschap van
‘’onzekerheid’’ (hoe kan je op basis van de resultaten van een kleine groep iets zeggen over
een grote groep?) → statistische toetsen gebruiken om hypothesen te testen
❖ Statistisch probleem in de criminologie → er is een groot dark number; er wordt onderzoek
gedaan naar een populatie die in beginsel niet bekend is en die niet bekend wil zijn of
onderzocht wil worden
• Officiële (justitiële) gegevens kunnen nuttig zijn, maar ze zorgen vaak wel voor een
onderschatting → ze zijn ook niet representatief voor criminaliteit in het algemeen
(alleen voor gepakte criminelen)
❖ Criminaliteit is (zeer) scheef verdeeld, waardoor veel traditionele statistische methoden niet
goed gebruikt kunnen worden om het te onderzoeken
❖ Univariate techniek → kijkt naar slechts één variabele (voorbeeld: wat is de leeftijd van
daders van straatroof in Amsterdam)
❖ Bivariate techniek → onderzoekt het verband tussen twee variabelen (voorbeeld: verband
tussen type delict en zwaarte van de straf) → kijkt ook naar hoe goed het ene kenmerk uit
het andere kenmerk te voorspellen is
❖ Multivariate techniek → kijkt naar drie of meer variabelen in samenhang
❖ Kenmerken van multivariate technieken:
• Kwantitatief → er wordt met de gegevens gerekend
• Toetsend of explorerend → hypothesen (veronderstellingen) toetsen of data
verkennen
• Datareductie vs. modeltoetsing → groot aantal variabelen terugbrengen tot een
kleiner, behapbaar aantal variabelen (combineren en reduceren) of expliciet
rekening houden met relaties tussen variabelen en een model opstellen waarin naar
bepaalde uitkomstmaten wordt gekeken (en de relaties daartussen)
• Hoog vs. laag meetniveau van data → kijkt naar hoeveel informatie een variabele
bevat (bijvoorbeeld alleen dat iemand eerste werd in een race, of de snelheid van
die persoon)
, • Voorspelling vs. samenhang → asymmetrisch (variabelen spelen verschillende rollen
in het model) bij voorspellingen of symmetrisch (variabelen spelen dezelfde rol) bij
samenhang
Hoofdstuk 2 – methodologie in vogelvlucht
❖ Meten → toekennen van getallen aan waarnemingen → verschillende meetniveaus
(getallen gebruiken om te classificeren, zaken tellen, etc.)
❖ De meetniveaus zijn:
• Nominaal → getallen worden alleen toegekend aan waarnemingen om ze een label
te geven (classificeren) → voorbeeld: 1 = geweld, 2 = vermogen, etc. →
ongeordende klassen
• Ordinaal → getallen worden toegekend aan waarnemingen om geordende klassen
te creëren, zoals preferentieoordelen → voorbeeld: 7 = geweld, 5 = winkeldiefstal
(geweld wordt dus als erger gezien)
• Interval → metingen laten zien hoe de waarnemingen geordend zijn; er zijn telkens
even grote intervallen tussen de metingen → voorbeeld: rating scale met 1 =
volledig oneens & 5 = volledig eens
▪ Er is geen vast nulpunt
• Ratio → verhouding van de verschillen tussen metingen ligt vast en de verhouding
zelf van de metingen ligt vast → voorbeeld: productprijs
▪ Er is een vast nulpunt
• Absoluut → alle informatie ligt vast, zoals bij frequentietellingen
❖ Bij lagere meetniveaus (zoals nominaal) heeft de onderzoeker meer vrijheid om de metingen
te transformeren (‘’f(x) = a + bx’’ voor interval, ‘’f(x) = ax’’ voor ratio, en ‘’f(x) = x’’ voor
absoluut) → er ligt wel minder informatie in de metingen vast
❖ Dichotome variabele → variabele met twee categorieën → voorbeeld: ja/nee
❖ Afhankelijke variabele → variabele die je probeert te voorspellen uit andere variabelen
(gevolg → Y)
❖ Onafhankelijke variabele (predictoren, covariaten) → variabele die een rol speelt in de
voorspelling van een andere variabele (oorzaak → X)
❖ Model → vereenvoudigde, schematische representatie van de werkelijkheid
❖ Model → staat los van de werkelijkheid, maar heeft structuurovereenkomst met de
werkelijkheid die beschreven wordt
• Een model is onafhankelijk van de werkelijkheid, bekender dan de werkelijkheid
(beter te onderzoeken), en de structuur komt overeen met de werkelijkheid
❖ Model fit / goodness of fit → is hoog wanneer de afhankelijke variabele volgens de
voorspelling veel lijkt op de waargenomen afhankelijke variabele
❖ Constructen → niet-direct afleesbare begrippen (zoals intelligentie, armoede,
gewetensontwikkeling, etc.)
• Hypothetisch construct → abstracte term waarmee naar een niet-uitwendig
waarneembaar kenmerk van personen wordt verwezen, dat verondersteld wordt
aanwezig te zijn (moeten afgeleid worden uit waarneembare kenmerken)
❖ Conceptuele definitie → definitie die onderzoekers aan een construct geven
❖ Operationele definitie → hoe het construct gemeten wordt (welke handelingen de
onderzoekers moeten verrichten, wat gevraagd moet worden, welk gedrag gemeten moet
worden, welke indicatoren gebruikt moeten worden)
, Hoofdstuk 3 – statistiek, univariate en bivariate technieken in vogelvlucht
❖ Statistiek heeft meerdere definities:
• Verzameling van methoden om berekeningen uit te voeren op gegevens die
doorgaans uit een steekproef afkomstig zijn
• Samenvatting van een serie gegevens → bijvoorbeeld het gemiddelde en de
standaarddeviatie
❖ Symmetrische bivariate technieken → onderzoeken het verband tussen 2 variabelen
❖ Maten van centrale tendentie → vertellen de lezer waar de gegevens zich gemiddeld
bevonden:
• Gemiddelde → som van de waarnemingen delen door het aantal waarnemingen →
meest gebruikte maat voor centrale tendentie, maar is erg gevoelig voor
uitschieters
• Mediaan → de middelste waarneming (50% ligt erboven en 50% ligt eronder) →
niet gevoelig voor uitschieters
• Modus → waarneming die het vaakst voorkomt in de data (bimodaal → er zijn 2
modussen)
❖ Maten van spreiding → vertellen of er veel verschil was tussen respondenten:
• Range → spectrum waarop de getallen zich bevinden (laagste tot hoogste
waarneming)
∑(𝑥𝑖 −𝑥̅ )2
• Variantie → 𝑠 2 =
𝑛−1
• Standaarddeviatie → 𝑠 = √𝑠 2 → voordeel: waarde is te interpreteren in termen
van de oorspronkelijke schaal (variantie is dat niet) → hoeveel er gemiddeld van het
gemiddelde afgeweken wordt
❖ Informatie uit een steekproef is pas interessant als het iets zegt over de populatie →
representatief (externe validiteit) → er moet willekeurig (aselect) geselecteerd worden →
random sample
❖ Een steekproef is representatief als ieder lid van de populatie een gelijke kans heeft (gehad)
om in de steekproef te komen
❖ Bias → er is een systematisch verschil tussen de leden van de steekproef en de populatie
(systematische vertekening)
❖ Populatie → een bepaalde groep personen (zoals de Nederlandse bevolking, of alle
tweedejaars criminologiestudenten aan de VU)
❖ Zelfs bij een representatieve steekproef blijft er onzekerheid, omdat je niet de hele
populatie hebt onderzocht → toetsen om met die onzekerheid om te gaan
❖ Hypothesen bij toetsen:
• Nulhypothese (H0) → er is niks aan de hand / er is geen verband / er zijn geen
verschillen
• Alternatieve hypothese (H1) → er is wel iets aan de hand / er is wel een verband /
er zijn wel verschillen
❖ Soorten fouten:
• Type I fout (α) → H1 onterecht accepteren (H0 is waar)
▪ 1 – α → kans om H0 terecht te accepteren
• Type II fout (β) → H0 onterecht accepteren (H1 is waar)
▪ 1 – β → kans om H1 terecht te accepteren → power van een toets
❖ Significantie → de kans op het resultaat is onder de grenswaarde (het is niet toevallig)
❖ Als er heel veel ruis in de data zit (de gegevens hebben een erg grote variantie), kan het
voorkomen dat een toets een bestaande samenhang niet meer kan detecteren
