Samenvatting: Cross-Sectioneel Onderrzoek

Lees hier de samenvatting en de meest belangrijke oefenvragen van Cross-sectioneel onderrzoek

• 1 Thema 1 - Cross-sectioneel onderzoek

• 1.3 Thema 1.3 - Meetinstrumenten

  Dit is een preview. Er zijn 45 andere flashcards beschikbaar voor hoofdstuk 1.3
  Laat hier meer flashcards zien

• Welke soorten meetmodellen zijn er? En op welke ontologische positie?

  • Reflectief meetmodel 
  • Natuurlijke soort
  • Sociale soort
  • Formatieve meetmodel
  • Praktische soort
  • Netwerkmodel
  • Complexe soort

• Itemscores samenvoegen – Alle 3 modellen

  • Als een netwerkmodel wordt gebruikt wordt er meestal niets samengevoegd, in plaats daarvan wordt juist vaak naar de netwerken zelf gekeken.
  • Als een reflectief of formatief meetmodel wordt verondersteld is samenvoeging vaak wel gangbaar. Elk item heeft een bepaalde validiteit en een bepaalde betrouwbaarheid: in principe kan elk item worden beschouwd alsof het een sub-construct meet.

• 2 Thema 2 - Pre-analyse van data

• 2.1 2.1 - Datascreening

  Dit is een preview. Er zijn 33 andere flashcards beschikbaar voor hoofdstuk 2.1
  Laat hier meer flashcards zien

• Datascreening – rapporteren descriptieve statistieken van de data

  • Datascreening is verwant aan het bekijken en rapporteren van de descriptieve statistiek van de data
  • Dezelfde methoden worden deels gebruikt voor beide activiteiten
  • Bij datascreening gaat het om het opsporen van problemen in de data, terwijl het bij het rapporteren van descriptieve statistieken gaat om het beschrijven van kenmerken van de data
    

• Voorbeeld onmogelijke waarden - waarden die in alleen een specifieke context mogelijk zijn

  • Bijvoorbeeld in experimenten waar reactietijden in ms worden geobserveerd kan er rekening mee gehouden worden dat 300 ms vaak als een minimale menselijke reactietijd beschouwd wordt. 
  • Proefpersonen die sneller dan 300 ms reageren op een stimulus worden daarom in reactietijd experimenten ook als een onmogelijke respons behandeld. Dus omdat de proefpersoon per ongeluk reageerde, of de opdracht niet voldoende serieus nam
  • Deze onmogelijk snelle reactietijden worden om deze reden vaak uit de data verwijderd

• Voorbeeld onmogelijke waarden - combinaties van responsen

  • Onmogelijke waarden kunnen ook uit combinaties van responsen bestaan. 
  • Het kan zijn dat iemand aangeeft al 12 jaar bij een bedrijf te werken, maar bij de vraag over diens leeftijd pas 20 jaar oud zegt te zijn
  • Deze soort onmogelijke waarden zijn lastiger te herkennen en vergen veel kennis van wat er in deze populatie werkelijk onmogelijk is in tegenstelling tot wat slechts onwaarschijnlijk is

• Visueel voorbeeld: uitbijters geïllustreerd - 1

  • Univariate uitbijters
  • De vaste lijn laat het ‘werkelijke’ (populatie) gemiddelde zien
  • De stippellijn illustreert waar het gemiddelde ligt dat berekend is op basis van de data, inclusief uitbijters. 
  • Het gemiddelde dat van de gehele dataset berekend wordt is geen goede weergave van het centrum van de verdeling
  • Een onderzoeker die de uitbijters in de data laat, zal met een grove overschatting van het gemiddelde van de verdeling te maken hebben, en loopt het risico verkeerde conclusies te trekken 

• Transparant in rapportage – negeren en verwijderen van uitbijters

  • Of je nu kiest voor verwijderen of ongemoeid laten van uitbijters, het is belangrijk om hierover transparant te zijn in je rapportage
  • Voer bijvoorbeeld de analyse tweemaal uit; één keer met, en één keer zonder uitbijters
  • Als de uitkomsten niet wezenlijk anders zijn, dan staat het de onderzoeker vrij om de uitbijters te negeren (dus te behouden) of te verwijderen 
  • Zolang in het verslag beschreven wordt dat er twee analyses gedaan zijn, of er verschillen waren of niet, en welke data gekozen zijn voor verdere analyse, dan is dat vaak een acceptabele oplossing

• Univariate uitbijters – identificeren van uitbijters

  • De steekproefverdeling is nagenoeg normaal verdeeld
  • De steekproefverdeling is scheef verdeeld

• Verwijderen van ontbrekende waarden – omgaan met ontbrekende gegevens

  • Er zijn in principe drie methoden voor het verwijderen van gegevens bij het omgaan met ontbrekende gegevens:
  • Lijstgewijs verwijderen (complete case analysis)
  • Paarsgewijs verwijderen
  • Variabelen volledig verwijderen