Highlights a.d.h.v. de oefententamens longitudinaal – Linda 03-
2024:
Leerstof = paars
Oefententamen = blauw
Thema 1:
Met longitudinaal onderzoek kun je verbanden in de tijd onderzoeken.
Soms is dat exploratief en beschrijvend, soms kun je op basis van de
theorie wel ideeën hebben over causale relaties.
Een belangrijk voordeel van longitudinale data is dat veranderingen
binnen een persoon kunnen worden gemeten. Longitudinale studies
worden veel gebruikt om het effect van een interventie te evalueren. De
interventie vindt dan plaats na één of een aantal metingen en deze
zogenaamde voormetingen worden vervolgens vergeleken met metingen
tijdens en na de interventie. Een andere toepassing van longitudinale
data is om van een fenomeen een patroon of trend in de tijd te
ontdekken. Het monitoren van politieke voorkeuren van een groep
individuen gedurende de verkiezingstijd is hiervan een voorbeeld.
Een veel voorkomend longitudinaal design is gebaseerd op herhaalde
metingen bij een enkele onderzoekseenheid. Dit worden N=1-studies
genoemd (Engels: single case designs). Het doel hierbij is om het
verschil op een of meer variabelen voor en na een interventie te
vergelijken. Ook kan men geïnteresseerd zijn in de vraag of er sprake is
van een trend in de afhankelijke variabelen. Bijvoorbeeld of klachten
geleidelijk afnemen gedurende of na een therapie. Vaak zal men de data
van verschillende single case-studies willen combineren om toch meer
algemeen geldende uitspraken te kunnen doen. Het combineren van
verschillende single case-studies gebeurt meestal met multilevel-
analyses.
De Experience Sampling Method (ESM) is een andere
dataverzamelingsmethode die longitudinale data oplevert. Hier wordt
meestal meerdere keren, op willekeurige momenten per dag, bij
mensen een kort vragenlijstje afgenomen gedurende een aantal dagen
(vaak met een app op bijvoorbeeld de smartphone). Het idee hierachter
is dat men zo kan onderzoeken welke psychologische processen zich
dagelijks binnen een persoon afspelen. Omdat dit voor de deelnemers
een vrij intensieve methode is, worden ESM-designs ook wel intensieve
longitudinale designs genoemd. Ook de analyse van ESM-data gebeurt
vaak met multilevelanalyses.
- Longitudinale studies kunnen worden gebruikt om het effect van een
interventie te evalueren.
Voorwaarden causaliteit:
1. De predictor moet in de tijd voorafgaan aan de afhankelijke
variabele Eerst X, gevolgd door Y.
, 2. Er moet een statistisch significant verband zijn tussen de predictor
en de afhankelijke variabele.
3. De relatie tussen de predictor en de afhankelijke variabele wordt
niet veroorzaakt door een derde, mogelijk onbekende, variabele.
Bij de eerste voorwaarde voor causaliteit - de predictor gaat aan de
afhankelijke variabele vooraf - kunnen longitudinale modellen hun nut
hebben. In deze modellen moet de onderzoeker er dus voor zorgen dat
hij de predictor altijd eerder meet dan de afhankelijke variabele.
Een statistisch significant (voorwaarde 2) resultaat betekent in het
algemeen dat de samenhang waarschijnlijk ongelijk is aan nul (effect
wordt niet zo maar door toeval bepaald). 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 namelijk ook statistisch significant zijn. Als de steekproef
maar groot genoeg is dan wordt elke afwijking van nul, hoe klein ook, in
de steekproef significant. Om te zien of een verband voldoende sterk of
relevant is, moet er naar de grootte van het effect worden gekeken
(Engels: effect size). Bij een regressieanalyse kan de grootte van het
effect worden afgelezen aan de gestandaardiseerde regressiecoëfficiënt
(beta).
Ook betekent statistische significantie van een verband niet dat er
sprake is van een causaal verband. Het causale proces kan namelijk ook
omgekeerd zijn of worden veroorzaakt door een derde variabele.
-Om causale uitspraken te kunnen doen, is opnemen van bekende
storende variabelen in de analyse belangrijk het helpt om de zuiverheid
van de relatie tussen de onafhankelijke en afhankelijke variabelen te
vergroten en het maakt het mogelijk om meer betrouwbare causale
uitspraken te doen, bijvoorbeeld: Het vertroebelen van de relatie tussen
de onafhankelijke variabele (studietijd) en de afhankelijke variabele
(academische prestaties) Socio-economische status van de studenten,
Intelligentieniveau van de studenten, onderwijsniveau van de ouders,
aanwezigheid van externe factoren zoals stress, gezondheid, etc.
Aan de andere kant zou er wel een causaal verband kunnen bestaan
tussen twee variabelen, terwijl er in de analyse geen sprake is van
statistische significantie. De belangrijkste reden hiervoor is dan een te
kleine steekproef of te wel de toets heeft te weinig power om de
samenhang te ontdekken. Ook kan er sprake zijn van een derde
variabele die het verband maskeert. Het probleem van een te kleine
steekproef en dus van te weinig power (dat is de kans om een bestaand
effect te vinden) doet zich extra sterk voor bij interactie-effecten. Voor
het testen van moderatiemodellen moeten er in het algemeen nog
grotere datasets worden gebruikt dan bij modellen met alleen een
hoofdeffect. Er bestaan gratis programma’s om de vereiste
steekproefgrootte en de bijbehorende power te berekenen. Dit is een
belangrijke stap bij het opzetten van een onderzoek.
Een geschikte methode van dataverzameling om causale relaties te
onderzoeken is een zuiver experiment. In een experiment kunnen we
,voorwaarde 2 toetsen via een statistische toets. De opzet van een
experiment is zo dat de manipulaties die leiden tot de condities van het
experiment (die de waarden van een predictor voorstellen) voorafgaan
aan het meten van de afhankelijke variabele, waarmee aan voorwaarde
1 wordt voldaan. Door de subjecten willekeurig aan de condities toe te
delen (randomisatie) wordt geprobeerd de invloed van onbekende
variabelen te reduceren. Bekende storende variabelen kunnen
eventueel worden gemeten en statistisch onder controle worden
gehouden door deze variabelen als covariaat in de analyse te betrekken.
Bij een goed uitgevoerd zuiver experiment kan men daarom vrij zeker
zijn dat ook aan voorwaarde 3 is voldaan.
Wanneer de data zijn verzameld via een survey waarbij alle vragen min
of meer tegelijk worden verkregen, kan men in principe geen
uitspraken doen over causale relaties tussen de variabelen, omdat
alleen aan voorwaarde 1 kan worden voldaan. In de praktijk gebeurt dit
echter toch vrij vaak en ook in deze cursus wordt regelmatig gesproken
over ʻhet effectʼ of ʻde invloedʼ van een variabele op een andere. Bedenk
dat het dan gaat over een verondersteld effect dat in de analyse hooguit
aannemelijk wordt gemaakt. De veronderstelde causaliteit wordt
aannemelijker als er meer onderzoeken in dezelfde richting wijzen en
vooral wanneer er sprake is van een goed gefundeerde theoretische
onderbouwing.
Bij longitudinale methoden van dataverzameling kan aan de eerste
voorwaarde van causaliteit worden voldaan, doordat op de predictor
kan worden gemeten voorafgaand aan de afhankelijke variabele.
Hoewel bij deze methode niet kan worden vastgesteld of aan de derde
voorwaarde is voldaan, lijken causale uitspraken iets gefundeerder dan
bij een survey dat op een enkel moment in de tijd is verkregen (cross-
sectioneel onderzoek). Maar ook bij longitudinaal onderzoek is het
belangrijk dat er een goed gefundeerde theorie ten grondslag ligt aan
de veronderstelde causale effecten.
Een ander probleem bij longitudinaal onderzoek is dat het tijdsinterval
tussen de metingen (T1, T2 enzovoort) goed moeten worden gekozen.
Het effect van de predictor, gemeten op T1, moet zichtbaar zijn in de
afhankelijke variabele op T2 of later. De vraag is dus hoe lang het duurt
voordat een predictor effect heeft: enkele seconden, dagen, of
maanden? Uiteraard is dat afhankelijk van het specifieke effect dat
onderzocht wordt. Is het interval te kort gekozen, dan kan er nog geen
causaal effect worden gemeten en als het interval te groot is dan
kunnen er allerlei verstorende factoren een rol gaan spelen.
Het probleem van de causaliteit kan vermeden worden door onderzoek
een exploratief karakter te geven. Bij exploratief onderzoek is het
toetsen van (causale) verbanden niet het belangrijkste, maar wil men
een indruk krijgen over bijvoorbeeld de verdeling van variabelen en
welke verbanden er in de data aanwezig zijn. Ook vragen als ʻWat zijn
mogelijk belangrijke predictoren voor een bepaalde onafhankelijke
, variabele en welke covariaten spelen een rol?ʼ zijn exploratief. Ook
classificatieproblemen zoals de vraag die sommige bedrijven zich
stellen ‘welke potentiële klant wordt een wanbetaler en wie niet’ zijn
niet primair gericht op causale verbanden. Er worden dan verschillende
modellen met elkaar vergeleken om te zien welke het beste past bij de
data. Op basis van exploratief onderzoek en een onderbouwde theorie
kan men in een vervolgonderzoek wellicht een experiment ontwerpen
waarmee causale relaties kunnen worden getoetst.
In figuur 1 is een voorbeeld
getekend van een longitudinaal
panelonderzoek met drie
variabelen op drie
meetmomenten. De variabelen
zijn X (predictor), M (mediator)
en Y (de afhankelijke variabele).
De cijfers achter de variabelen
geven de volgorde in de tijd van
de meting aan. X1 is dus
variabele X gemeten op tijdstip
1.
In het conceptueel model van figuur 1 kunnen we heel veel pijlen
trekken die verbanden representeren.
1. Wave= De dubbele pijlen (verbanden, hier in het rood
weergegeven) tussen verschillende variabelen binnen een “wave”,
dus op hetzelfde tijdstip gemeten (bijvoorbeeld tussen X1, M1 en
Y1). Dit is de situatie in een cross-sectionele studie.
-Kortom; verschillende variabelen, zelfde tijdstip (X, M of Y T =
1).
-Bij longitudinaal onderzoek kunnen verbanden binnen een 'wave'
worden onderzocht. Voorbeeld: De Experience Sampling Method
(ESM).
-Let wel: ESM is niet alleen voor verbanden binnen een wave, je kunt
hierbij alle pijlen van longitudinaal onderzoek onderzoeken, alleen
bij ESM zie je het wel vaak dat de rode pijlen (dus de wave) ook
interessant zijn.
2. Auto-regressieve verbanden= verbanden tussen dezelfde
variabelen (blauwe pijlen), gemeten op verschillende tijdstippen
(bijvoorbeeld tussen X1, X2 en X3). Dit worden auto-regressieve
verbanden genoemd, omdat het om een regressie van variabelen
met zichzelf (op een ander tijdstip) gaat. Deze verbanden hebben
wel een richting, want een effect kan nooit terug in de tijd gaan.
Ze worden aangeduid met een enkele pijl.
-Kortom; dezelfde variabelen, verschillende tijdstippen.
