Dataverzameling- en analyse
Tentamen: 31 oktober 13:30-16:15. Open vragen.
Extra oefenstof: extra vragen Field per hoofdstuk
Factoranalyse, regressieanalyse en Anova
Leerdoelen: (niet met de hand berekeningen maken) (wel: wat houdt een methode in, hoe
stuur ik een analyse aan in SPSS, hoe rapporteer ik over de resultaten, wat betekenen de
uitkomsten)
• kenmerken van de gevorderde statistische methoden factoranalyse, regressieanalyse en
ANOVA benoemen
• beredeneren in welke omstandigheden welke statistische methoden het beste kan worden
gebruikt voor onderzoek op het gebied van bedrijfscommunicatie
• de statistische methoden via SPSS aansturen en de output op accurate wijze interpreteren
en rapporteren
College 1 - Voorkennis ophalen: H1, 2en 4
1
,Random: Proefpersonen toewijzen aan condities (niveaus van de onafhankelijke variabele)
om verschillen of verbanden te zien op de afhankelijke variabelen → toewijzing liefst at
random.
Normaalverdeling: In de werkelijkheid zijn scores meestal normaalverdeeld: de meeste
scores zitten rondom het gemiddelde en erg lage/hoge scores komen veel minder vaak voor.
(tentamencijfers, voetbaluitslagen, alcoholconsumptie)
Grote SD: brede normaalverdeling
Kleine SD: smalle normaalverdeling
• 68% van de scores zit tussen 1 SD om M heen
• 95% van de scores zit tussen 2 SD om M heen
•Dit gegeven is belangrijk voor de testtheorie
Hoe groter de steekproef, hoe kleiner de SD.
Bij een normaalverdeling is M= 0 en SD= 1
• Verdeling van data kan worden omgezet naar zo’n verdeling als we M en SD weten
• De scores worden nu z-scores
• Met deze score kunnen we voorspellen hoe groot de kans is dat een bepaalde score
voorkomt.
2
,Bijvoorbeeld: hoe groot is de kans dat iemand meer dan een 9.0 voor het DVA-tentamen
haalt als M= 6.00?
Normaalverdeling met eigenschappen hebben we nodig om uitspraken te kunnen doen of
een bepaalde M afwijkt van een andere M, bijvoorbeeld 3.50 (groep A) en 4.50 (groep B).
• Een vraag kan dan zijn: Hoe groot is de kans dat 4.50 een score is die afkomstig is uit groep
A? Als het gaat om een “kleine” kans, dan zijn het twee verschillende groepen!
Nulhypothese: alternatieve hypothese
Verwachting wordt de alternatieve hypothese genoemd, H1(groep A scoort beter dan groep
B, er is een verband tussen variabele A en variabele B)
•H1 kan niet worden bewezen met data; we kunnen wel het tegenovergestelde
ontkrachten: de H0
•H0= nulhypothese (altijd status quo)
•Als H0wordt verworpen, dat is er ondersteuning voor H1
Populatie – steekproef
• Uitspraken over verbanden of verschillen gaan over algemene verbanden of verschillen
• Verbanden of verschillen in de werkelijkheid
• Omdat we niet alles kunnen onderzoeken, nemen we genoegen met een deel: de
steekproef
• Door toetsen te doen met de steekproef willen we uitspraken doen over de populatie
• (NB voor uitspraken over de steekproef is geen toets nodig: naar de gemiddelden kijken is
voldoende!
We maken een model van de werkelijkheid
Kernvraag is: in hoeverre wijkt dat model af van de werkelijkheid?
Om de werkelijkheid goed te benaderen, is een voldoende grote steekproef nodig
Een beter model is een model met een kleine SD (weinig spreiding, scores doen recht aan M)
Probleem: elke steekproef is anders! Verschillende steekproeven hebben verschillende Ms
Ook deze steekproefverdeling is een normaalverdeling. Op basis van de M en SD uit de
steekproef schatten we de M en SD in de populatie
Significantie (niveau)
Op die manier vergelijken we de scores (data uit steekproef) met het model (hypothese)
H1: studenten halen meer dan een 6.0 voor het tentamen
H0: studenten halen niet meer dan een 6.0 voor het tentamen
Data: M uit steekproef is 6.8
Vraag is dan: wijkt 6.8 significant af van 6.0?
Bij een significant resultaat is de score zo afwijkend in de normaalverdeling, dat die niet
hoort bij de verdeling waarbij de score minder dan een 6.0 is.
Eenzijdig/ tweezijdig toetsen
Eenzijdig: een richting
A is groter dan B
B is groter dan A
3
, Tweezijdig: geen richting (dit wordt het meest gebruikt)
A is niet B (dus A is groter dan B of B is groter dan A)
College 2 & 3 – ANOVA tussen
Deze kun je gebruiken als een soort van vervanger van de T-toets. (de t-toets kan maar een
afhankelijke variabele, de anova kan er meerdere).
De Anova wordt veelal gebruikt bij experimenten.
De onderzoeker heeft hierbij controle op een of meer onafhankelijke variabelen
• Factoren (onafhankelijke variabelen) of treatment variables
• Een factor heeft twee of meer niveaus (levels)
Onderzoeker observeert een effect op afhankelijke variabele
• Respons op elk niveau van de onafhankelijke variabele
Voorbeelden:
Is er een verschil tussen mannen en vrouwen in de tevredenheid over de communicatie van
hun baas?
Afhankelijke variabelen: Tevredenheid over de communicatie van hun baas
Onafhankelijke variabelen: Geslacht (man/vrouw)
Niveaus: 2 (gaat over de onafhankelijke variabelen)
Wat is het verschil in het aantal negatieve tweets over bedrijven in de Benelux
Afhankelijke variabelen: Aantal negatieve tweets (wat ben je aan het meten)
Onafhankelijke variabelen: Land (Nederland, België, Luxemburg)
Niveaus: 3
- 30 kinderen worden willekeurig verdeeld over 3 reclameadvertenties om te achterhalen wat
het effect is van soort reclameclaim op hun geloofwaardigheid.
- 30 marketeers uit drie verschillende reclamebureaus krijgen per bureau verschillende
reclameadvertenties te zien om te achterhalen wat het effect is van soort reclameclaim op
hun geloofwaardigheid.
→ Wat is het verschil tussen deze twee experimenten: Bovenste wel willekeurig verdeeld
(over drie groepen), de onderste niet willekeurig verdeeld (per reclamebureau). Je vergelijkt
bij de 2e dus eigenlijk de drie reclamebureaus en daardoor is het niet willekeurig.
Volledig gerandominiseerde ontwerpen
Willekeurig (random) gekozen experimentele eenheden (vaak personen) ondergaan
treatments. De personen worden willekeurig in een groep ingedeeld.
Je ziet een variatie in score. Je gaat onderzoeken of de variatie tussen de groepen groter is
dan de variatie binnen de groep → dat kun je onderzoeken met een variantie analyse.
4
Tentamen: 31 oktober 13:30-16:15. Open vragen.
Extra oefenstof: extra vragen Field per hoofdstuk
Factoranalyse, regressieanalyse en Anova
Leerdoelen: (niet met de hand berekeningen maken) (wel: wat houdt een methode in, hoe
stuur ik een analyse aan in SPSS, hoe rapporteer ik over de resultaten, wat betekenen de
uitkomsten)
• kenmerken van de gevorderde statistische methoden factoranalyse, regressieanalyse en
ANOVA benoemen
• beredeneren in welke omstandigheden welke statistische methoden het beste kan worden
gebruikt voor onderzoek op het gebied van bedrijfscommunicatie
• de statistische methoden via SPSS aansturen en de output op accurate wijze interpreteren
en rapporteren
College 1 - Voorkennis ophalen: H1, 2en 4
1
,Random: Proefpersonen toewijzen aan condities (niveaus van de onafhankelijke variabele)
om verschillen of verbanden te zien op de afhankelijke variabelen → toewijzing liefst at
random.
Normaalverdeling: In de werkelijkheid zijn scores meestal normaalverdeeld: de meeste
scores zitten rondom het gemiddelde en erg lage/hoge scores komen veel minder vaak voor.
(tentamencijfers, voetbaluitslagen, alcoholconsumptie)
Grote SD: brede normaalverdeling
Kleine SD: smalle normaalverdeling
• 68% van de scores zit tussen 1 SD om M heen
• 95% van de scores zit tussen 2 SD om M heen
•Dit gegeven is belangrijk voor de testtheorie
Hoe groter de steekproef, hoe kleiner de SD.
Bij een normaalverdeling is M= 0 en SD= 1
• Verdeling van data kan worden omgezet naar zo’n verdeling als we M en SD weten
• De scores worden nu z-scores
• Met deze score kunnen we voorspellen hoe groot de kans is dat een bepaalde score
voorkomt.
2
,Bijvoorbeeld: hoe groot is de kans dat iemand meer dan een 9.0 voor het DVA-tentamen
haalt als M= 6.00?
Normaalverdeling met eigenschappen hebben we nodig om uitspraken te kunnen doen of
een bepaalde M afwijkt van een andere M, bijvoorbeeld 3.50 (groep A) en 4.50 (groep B).
• Een vraag kan dan zijn: Hoe groot is de kans dat 4.50 een score is die afkomstig is uit groep
A? Als het gaat om een “kleine” kans, dan zijn het twee verschillende groepen!
Nulhypothese: alternatieve hypothese
Verwachting wordt de alternatieve hypothese genoemd, H1(groep A scoort beter dan groep
B, er is een verband tussen variabele A en variabele B)
•H1 kan niet worden bewezen met data; we kunnen wel het tegenovergestelde
ontkrachten: de H0
•H0= nulhypothese (altijd status quo)
•Als H0wordt verworpen, dat is er ondersteuning voor H1
Populatie – steekproef
• Uitspraken over verbanden of verschillen gaan over algemene verbanden of verschillen
• Verbanden of verschillen in de werkelijkheid
• Omdat we niet alles kunnen onderzoeken, nemen we genoegen met een deel: de
steekproef
• Door toetsen te doen met de steekproef willen we uitspraken doen over de populatie
• (NB voor uitspraken over de steekproef is geen toets nodig: naar de gemiddelden kijken is
voldoende!
We maken een model van de werkelijkheid
Kernvraag is: in hoeverre wijkt dat model af van de werkelijkheid?
Om de werkelijkheid goed te benaderen, is een voldoende grote steekproef nodig
Een beter model is een model met een kleine SD (weinig spreiding, scores doen recht aan M)
Probleem: elke steekproef is anders! Verschillende steekproeven hebben verschillende Ms
Ook deze steekproefverdeling is een normaalverdeling. Op basis van de M en SD uit de
steekproef schatten we de M en SD in de populatie
Significantie (niveau)
Op die manier vergelijken we de scores (data uit steekproef) met het model (hypothese)
H1: studenten halen meer dan een 6.0 voor het tentamen
H0: studenten halen niet meer dan een 6.0 voor het tentamen
Data: M uit steekproef is 6.8
Vraag is dan: wijkt 6.8 significant af van 6.0?
Bij een significant resultaat is de score zo afwijkend in de normaalverdeling, dat die niet
hoort bij de verdeling waarbij de score minder dan een 6.0 is.
Eenzijdig/ tweezijdig toetsen
Eenzijdig: een richting
A is groter dan B
B is groter dan A
3
, Tweezijdig: geen richting (dit wordt het meest gebruikt)
A is niet B (dus A is groter dan B of B is groter dan A)
College 2 & 3 – ANOVA tussen
Deze kun je gebruiken als een soort van vervanger van de T-toets. (de t-toets kan maar een
afhankelijke variabele, de anova kan er meerdere).
De Anova wordt veelal gebruikt bij experimenten.
De onderzoeker heeft hierbij controle op een of meer onafhankelijke variabelen
• Factoren (onafhankelijke variabelen) of treatment variables
• Een factor heeft twee of meer niveaus (levels)
Onderzoeker observeert een effect op afhankelijke variabele
• Respons op elk niveau van de onafhankelijke variabele
Voorbeelden:
Is er een verschil tussen mannen en vrouwen in de tevredenheid over de communicatie van
hun baas?
Afhankelijke variabelen: Tevredenheid over de communicatie van hun baas
Onafhankelijke variabelen: Geslacht (man/vrouw)
Niveaus: 2 (gaat over de onafhankelijke variabelen)
Wat is het verschil in het aantal negatieve tweets over bedrijven in de Benelux
Afhankelijke variabelen: Aantal negatieve tweets (wat ben je aan het meten)
Onafhankelijke variabelen: Land (Nederland, België, Luxemburg)
Niveaus: 3
- 30 kinderen worden willekeurig verdeeld over 3 reclameadvertenties om te achterhalen wat
het effect is van soort reclameclaim op hun geloofwaardigheid.
- 30 marketeers uit drie verschillende reclamebureaus krijgen per bureau verschillende
reclameadvertenties te zien om te achterhalen wat het effect is van soort reclameclaim op
hun geloofwaardigheid.
→ Wat is het verschil tussen deze twee experimenten: Bovenste wel willekeurig verdeeld
(over drie groepen), de onderste niet willekeurig verdeeld (per reclamebureau). Je vergelijkt
bij de 2e dus eigenlijk de drie reclamebureaus en daardoor is het niet willekeurig.
Volledig gerandominiseerde ontwerpen
Willekeurig (random) gekozen experimentele eenheden (vaak personen) ondergaan
treatments. De personen worden willekeurig in een groep ingedeeld.
Je ziet een variatie in score. Je gaat onderzoeken of de variatie tussen de groepen groter is
dan de variatie binnen de groep → dat kun je onderzoeken met een variantie analyse.
4
