Samenvatting: Cross-Sectioneel Onderrzoek

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

• 1 Thema 1 - Cross-sectioneel onderzoek

• 1.2 Thema 1.2 - Constructen

  Dit is een preview. Er zijn 7 andere flashcards beschikbaar voor hoofdstuk 1.2
  Laat hier meer flashcards zien

• Praktische soorten – ontologische perspectieven op constructen

  • Het is niet meer zo belangrijk of ze wel echt als zodanig bestaan: hun waarde wordt dan ontleend aan hoe nuttig ze zijn.
  • We kunnen bijvoorbeeld een construct bedenken dat ‘methostatie’ heet. Dat kunnen we definiëren als het gemiddelde van iemands score op drie methoden-en-statistiek cursussen.

• Psychologische constructen - ontologisch perspectief

  • Er is geen ontologisch standpunt dat duidelijk het juiste perspectief biedt op psychologische constructen
    
  • We bestuderen dingen die we niet rechtstreeks kunnen observeren, en waarvan je vaak niet kan zeggen dat ze echt bestaan.
  • Toch willen we die dingen meten en proberen we om ze te gebruiken om mensen beter te begrijpen en te voorspellen
  • Het ontologische perspectief dat je hanteert met betrekking tot een psychologisch construct en de definitie van dat construct bepalen samen hoe je na moet denken over het manipuleren en/of meten van dat construct
    

• 1.3 Thema 1.3 - Meetinstrumenten

  Dit is een preview. Er zijn 43 andere flashcards beschikbaar voor hoofdstuk 1.3
  Laat hier meer flashcards zien

• Waaruit bestaan meetinstrumenten van psychologische constructen?

  • Bestaan uit een procedure, 
  • Er kunnen één of meer stimuli zijn, maar dat hoeft niet, 
  • En bovendien is er een responsregistratie

• 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.

• Items samenvoegen – Formatief meetmodel

  • Als een formatief meetmodel wordt gebruikt wordt niet aangenomen dat er een onderliggend construct is; het construct wordt juist gedefinieerd door de items
  • In dat geval levert de bijbehorende theorie als het goed is een model voor de samenvoeging
  • Die theorie kan bijvoorbeeld stellen welke items zwaarder moeten tellen, welke lichter moeten tellen, en of de items worden opgeteld of dat er een ander algoritme wordt toegepast 
  • Bijvoorbeeld: “Het resultaat van de samenvoeging is het gemiddelde van de scores op de items, behalve als er 1 wordt gescoord op item 1 of item 2, dan is het resultaat altijd 0”

• 1.4 Thema 1.4 - Causaliteit

  Dit is een preview. Er zijn 4 andere flashcards beschikbaar voor hoofdstuk 1.4
  Laat hier meer flashcards zien

• Correlatie impliceert geen causatie

  • Correlatie wordt gebruikt als synoniem voor samenhang of verband
  • Dit betekent dat als 2 factoren met elkaar samenhangen, dat nog niet wil zeggen dat er ook sprake is van een causale relatie, oftewel oorzaak en gevolg
  • Met andere woorden: de reden van een correlatie is meestal niet dat de ene factor de andere veroorzaakt

• 2 Thema 2 - Pre-analyse van data

• 2.1 2.1 - Datascreening

  Dit is een preview. Er zijn 37 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