Hoorcollege 1 – Inleiding padmodel
We beginnen dit vak met een padanalyse. Van daaruit mogen
we door naar een factoranalyse. Deze worden vervolgens
samengevoegd in structural equation modelings.
Padanalyse:
Kunnen we de correlaties tussen een groep variabalen
verklaard worden door een causaal model?
Factoranalyse:
Kunnen we correlaties tussen een groep variabelen verklaard
worden door één of meerdere onderliggende constructen?
Structural equation modeling:
Kunnen de correlaties tussen een groep variabelen
verklaard worden door onderliggende constructen en
causale effecten daartussen?
Voorbeeld; Een correlatie neemt waarden aan tussen 0 en 1, een negatieve
correlatie is onmogelijk fout, een correlatie neemt een waarde van -1 en 1 aan.
Doel van padmodel: het doel van een padmodel is om theorieën te vangen
zoals dei van Hank Green (bv. complexe theorie over stress en gezondheid) in
een formele vorm, het ‘paddiagram’ om daarna te kunnen onderzoeken of de
veronderstelde theorie overeenkomt met geobserveerde correlaties in de
werkelijkheid. Je gaat theorie vertalen in een meer formele vorm =
paddiagram.
Er zijn een aantal basiselementen van een padmodel: variabelen, relatie tussen
variabelen (covariatie (correlatie), causale effecten) en soorten relaties/effecten
(direct, indirect, onbekend, schijnrelaties, wederkerige effecten, conditionele
effecten).
Basiselementen van padmodel:
Variabelen: eigenschappen van de onderzoekseenheden, zoals personen,
echtparen, scholen etc. waarin je geïnteresseerd bent. Er moet variatie zijn
in de eigenschap over de eenheden. Als er geen variatie is in de
eigenschap over de eenheden is het geen variabele maar een constante
(vb. meten of je wel of geen student bent op een universiteit.).
Veelvoorkomende fouten:
- Verwarring van de waarden van de variabele met de variabele zelf. Vb.
rijk en arm zijn twee
waarden van dezelfde variabele ‘inkomen’ niet apart in padmodel
, opnemen. Je neemt in
dit geval alleen inkomen mee in het model.
- Verwarring van een proces of een theorie met een variabele. Vb.
attribution theory, math-
related career choice process lezen in de tekst en denken dat dit de
variabele is.
Relaties tussen variabele: een relatie een doet uitspraak waarin twee
variabelen voorkomen. Waarden van de ene variabele gaat samen met die
van de andere. Twee soorten uitspraken:
- Covariatie- uitspraak: geen causale relatie (vb. X hangt samen met Y).
- Causale-uitspraak: de ene variabele leidt tot verandering in de andere
variabele. Als je de onafhankelijke variabele verandert dan verandert
daardoor ook de afhankelijke variabele. (vb. opletten leidt tot kennis).
Soorten relaties/effecten:
Direct effect: Emotie zelfzorg gezondheid.
Indirect effect: Emotie gezondheid is dan indirect effect. Zelfzorg was bij direct
effect dan de mediator.
Onbekende effecten: soms doen we geen uitspraak over de richting van een
effect. We nemen dan gewoon de correlatie op in het padmodel (dubbele pijl =
correlatie). Dit is een onbekend effect.
Je weet het niet of je hebt geen specifieke hypothese, maar neemt hem gewoon
mee in model. Als je onbekend effect meeneemt in padmodel, dan kan de
onbekende pijl van X naar Y1 lopen. Wanneer de pijl van X naar Y1 loopt dan heb
je een schijnrelatie. Die moet je leren herkennen. Dus probleem van onbekend
effect: als je in een padmodel een onbekend effect opneemt, kan er in
werkelijkheid twee dingen zijn schijnrelatie door X of een indirect effect via X.
Schijnrelaties (spurios relations): we kunnen twee causale uitspraken doen:
chocolade veroorzaakt geluk & chocolade veroorzaakt een lang leven. Deze twee
betekenen automatisch een covariatie uitspraak: gelukkige mensen leven langer.
Dit is het basisidee van schijnrelaties: als je variabel x hebt die Y1 veroorzaakt en
variabele x veroorzaakt Y2 dan is automatisch covariantie tussen Y1 en Y2. Y1
hangt dan samen met Y2.
Correlatie hoeft geen causaal verband te geven, dat komt dan door schijnrelaties.
Schijnrelaties kunnen indirect zijn.
Schijnrelatie via ‘onbekend effect’ kan ook.
Schijn als er ergens een gemeenschappelijke factor is, dus dan verklaren de twee
oorzaken niet alleen elkaar. Dan is er schijn.
Vb: het aantal ijsjes en het aantal aanvallen van haaien. Als er meer ijsjes worden
verkocht, zijn er meer aanvallen van haaien. Kunnen we concluderen dat haaien
de ijsjes ruiken en daardoor mensen aanvallen? nee, voorbeeld schijnrelatie er
is een andere gemeenschappelijke factor zoals lekker weer.
Wederkerige effecten (reciprocal effects): gezondheid veroorzaakt geluk, maar
geluk veroorzaakt ook gezondheid.
Onbekend effect zeg je ik weet niet wat er aan de hand is tussen gezondheid
en geluk.
Bij wederkerig effect weet je goed wat er aan de hand is tussen gezondheid en
geluk. Dit geef je aan met twee losse pijlen in een figuur. Er zijn dus twee directe
effecten.
,Conditionele effecten: soms beïnvloedt variabele niet (alleen) een
andere variabele, maar (ook) een effect. Andere variabele is dan de
moderator / moderatie / interactie. De variabele heeft niet alleen
invloed op andere variabele maar ook op het effect.
Basiselementen overzicht: mogelijke verklaringen voor covariatie tussen x en
y
Basiselementen overzicht: mogelijke verklaringen voor covariatie tussen x en
y
Voorbeeld tentamenvraag:
“Stress-induced increases in dopamine secretion are thus thought to explain (…)
enhanced reward-learning [due to stress].”
Wat voor relatie wordt hier beschreven:
A. Schijnrelatie
B. Indirect effect
C. Covariatie
D. Conditioneel effect (moderatie)
, Hoorcollege 2 – padmodel vervolg
Causale hypothese is nooit bewezen! We kunnen het alleen verwerpen maar
nooit bewijzen.
Van theorie naar padmodel
Van tekst naar paddiagram, 3 stappen:
1. Lijst met variabelen maken agression, anxiety, peer relations, self-
concept, peer concept, adjustment.
2. Causale ordening vaststellen:
3. Causale hypotheses formuleren: kijken in tekst wat ze zeggen over de
relaties tussen de variabelen. Dus dan gaat het over de pijlen die je gaat
trekken.
Toetsen van causale hypothesen: in de praktijk kunnen we niet zien of een
causale hypothese waar is. Dit kun je niet direct observeren, je kunt alleen
observeren of twee variabele samen gaan met elkaar/ of er een correlatie is
tussen twee variabelen. Als je een correlatie hebt tussen twee variabelen hoeft
dat niet perse een causaal verband te betekenen, er kan een schijnrelatie zijn.
Daarom kunnen causale hypothesen niet bewezen worden met correlaties.
Alle pijltjes in het model kunnen we nooit bewijzen, niet bewijzen of dit model de
werkelijkheid is. Je hebt alleen correlaties en kunnen dus schijnrelaties bestaan.
We kunnen wel wat doen.
Stel deze causale hypothese: Y1 heeft direct effect op Y2 en dat noemen we B2,
maar zou een variabele X kunnen zijn die gemeenschappelijke oorzaak is van Y1
en Y2 (schijnrelatie), dus daarom een effect tussen Y1 en Y2.
Kan ook direct causaal verband tussen Y1 en Y2 en ook schijnrelatie hebben
vanuit X.
Dus dan nemen we de schijnrelatie op in ons padmodel om na te gaan of b1 =
niet 0. Neem je x niet mee dan overschat je b1.
Gouden regel: alle variabelen die een schijnrelatie kunnen veroorzaken tussen
twee variabelen met een verondersteld causaal verband ertussen, moeten
worden meegenomen in het model!
Noodzakelijke uitbreiding van het model: gemeenschappelijke oorzaak
toevoegen.
