Daarnaast kijk je naar hoe stabiel een variabele zelf is over de tijd:

X₁ → X₂ Y₁ → Y₂

Bijvoorbeeld: motivatie op tijdstip 1 hangt waarschijnlijk samen met motivatie op tijdstip 2. Dit noemen ze een autoregressief effect.

Bij panelonderzoek wordt dezelfde groep mensen op meerdere momenten onderzocht. Hierdoor kun je veranderingen door de tijd volgen en beter bekijken welke variabele eerder verandert dan een andere.

Het is dus een vorm van longitudinaal onderzoek.

Bijvoorbeeld:

2026: motivatie + schoolprestaties meten ↓ 2027: bij dezelfde leerlingen opnieuw motivatie + schoolprestaties meten ↓ 2028: opnieuw meten

Zo kun je ontwikkelingen binnen dezelfde personen volgen.

Belangrijkste kenmerken: dezelfde deelnemers, meerdere meetmomenten en dezelfde onderwerpen/variabelen worden herhaaldelijk gemeten.

Kort: panelonderzoek = dezelfde groep meerdere keren door de tijd meten.

Bij correlationeel onderzoek weet je soms niet wat eerst komt:

X → Y? of Y → X?

Om daar meer duidelijkheid over te krijgen, kun je dezelfde variabelen op meerdere momenten meten. Twee manieren die hier worden besproken zijn panelonderzoek en de cross-lagged paneltechniek.

Bij een multipele regressieanalyse onderzoek je de invloed van meerdere onafhankelijke variabelen tegelijk op één afhankelijke variabele. Zo kun je voor iedere onafhankelijke variabele bekijken welke unieke/directe bijdrage deze levert, terwijl je rekening houdt met de andere variabelen.

Bijvoorbeeld: je onderzoekt of motivatie, intelligentie en hoeveelheid studie-uren allemaal samenhangen met schoolprestaties. Met multipele regressie kun je bekijken welke variabele nog samenhangt met prestaties als je de andere variabelen constant houdt.

Kort: meerdere X'en → één Y, waarbij je de unieke bijdrage van iedere X onderzoekt.

De zeven stappen op de tweede pagina hoef je wat mij betreft vooral als één proces te begrijpen:

Je begint met een onderzoeksvraag en bepaalt de onafhankelijke en afhankelijke variabele. Vervolgens selecteer je bestaande groepen, verzamel en analyseer je gegevens en probeer je rekening te houden met verstorende variabelen. Tot slot interpreteer je de resultaten voorzichtig, omdat je door het ontbreken van experimentele controle niet zomaar een causale conclusie kunt trekken.

Ex post facto betekent eigenlijk dat je onderzoek doet nadat iets al heeft plaatsgevonden. De onderzoeker manipuleert dus niets, maar kijkt achteraf naar bestaande situaties of groepen en onderzoekt mogelijke verbanden.

Bijvoorbeeld: je vergelijkt kinderen die langdurig aan veel luchtvervuiling zijn blootgesteld met kinderen die aan weinig luchtvervuiling zijn blootgesteld. Je kunt die blootstelling niet achteraf manipuleren; je onderzoekt een reeds bestaande situatie.

Een partiële correlatie gebruik je om de samenhang tussen twee variabelen X en Y te onderzoeken, terwijl je de invloed van een derde variabele Z constant houdt. Zo kun je beter beoordelen of X en Y nog steeds samenhangen als je rekening houdt met die mogelijke verstorende factor.

Het lijkt dus sterk op de elaboratietechniek van hiervoor. Het verschil is vooral dat je hier werkt met correlatiecoëfficiënten en variabelen op intervalniveau, in plaats van met tabellen.

Als X en Y samenhangen, is niet altijd duidelijk welke variabele de oorzaak en welke het gevolg is. Als motivatie en schoolprestaties samenhangen, kan motivatie tot betere prestaties leiden, maar betere prestaties kunnen iemand ook gemotiveerder maken.

Kort: je weet niet zeker of X → Y of Y → X.

Bij correlationeel onderzoek kun je aantonen dat twee variabelen samenhangen, maar niet zomaar dat de ene variabele de andere veroorzaakt. Dit komt vooral door het tijdsvolgordeprobleem en het derde-variabeleprobleem.

Dit is een derde manier om te onderzoeken of groepen van elkaar verschillen. Je berekent bijvoorbeeld het gemiddelde van verschillende groepen en vergelijkt die gemiddelden.

Bijvoorbeeld:

Groep A → gemiddeld cijfer 7,8 Groep B → gemiddeld cijfer 6,3

Vervolgens kun je statistisch toetsen of dat verschil waarschijnlijk een echt verschil is of door toeval kan zijn ontstaan. In de tekst wordt hiervoor bijvoorbeeld variantieanalyse genoemd.

Kort: je vergelijkt centrale waarden, zoals gemiddelden, van verschillende groepen.

Een associatiemaat drukt de samenhang tussen twee variabelen uit in één getal. Welke associatiemaat je gebruikt, hangt af van het meetniveau van de twee variabelen. Daarom staat bovenaan die tabel met bijvoorbeeld nominaal, ordinaal en interval/ratio.

Je hoeft vooral het idee erachter te begrijpen:

Associatiemaat = getal dat aangeeft hoe sterk twee variabelen samenhangen.

Hoe interpreteer je zo'n getal?

Sommige associatiematen, zoals C en λ (lambda), lopen van 0 tot 1:

0 = geen samenhang 1 = perfecte samenhang

Andere maten, zoals Pearsons r en Spearmans rangcorrelatie, lopen van -1 tot +1:

0 = geen samenhang +1 = perfecte positieve samenhang -1 = perfecte negatieve samenhang

Een positieve samenhang betekent bijvoorbeeld:

Meer motivatie ↔ betere schoolprestaties.

Een negatieve samenhang kan bijvoorbeeld zijn:

Meer stress ↔ minder slaap.

Bij een negatieve samenhang gaat de ene variabele dus omhoog terwijl de andere omlaag gaat.

Bij randomiseren bepaalt het toeval in welke groep iemand terechtkomt. De onderzoeker kiest dus niet zelf wie in de experimentele of controlegroep komt.

Bijvoorbeeld: je hebt 100 leerlingen. Door loting komen er 50 in de groep met de nieuwe lesmethode en 50 in de controlegroep.

Het doel hiervan is dat allerlei kenmerken, zoals motivatie, intelligentie en leeftijd, ongeveer gelijk over de groepen verdeeld raken.

Kort: randomiseren = toeval bepaalt de groepsindeling.

Belangrijk: randomiseren garandeert niet dat groepen perfect gelijk zijn. Zeker bij kleine groepen kunnen er toevallig toch verschillen ontstaan.

Als je wilt aantonen dat:

X → verandering in Y

moet je ervoor zorgen dat je groepen zo vergelijkbaar mogelijk zijn. Idealiter verschillen de groepen alleen in de onafhankelijke variabele X.

Dus bijvoorbeeld:

Groep A → krijgt behandeling Groep B → krijgt geen behandeling

Verder wil je dat de groepen ongeveer gelijk zijn wat betreft bijvoorbeeld leeftijd, intelligentie, motivatie enzovoort.

Dat kun je onder andere bereiken door randomiseren of matchen. Die begrippen zullen hierna verder worden uitgelegd.

Soms werken twee buitenexperimentele factoren tegelijkertijd en versterken ze samen het probleem. Daardoor wordt het nóg moeilijker om vast te stellen of X werkelijk verantwoordelijk is voor de verandering in Y.

Je hoeft hier vooral te begrijpen: meerdere verstorende factoren kunnen gecombineerd optreden.

Regressie kan optreden wanneer je deelnemers selecteert omdat ze bij de eerste meting extreem hoog of extreem laag scoren. Bij een volgende meting zullen zulke extreme scores vaak vanzelf wat dichter bij het gemiddelde liggen.

Bijvoorbeeld: je kiest alleen leerlingen die extreem slecht scoorden op een toets. Bij de tweede toets scoren ze gemiddeld beter. Dat hoeft niet volledig door de behandeling te komen; hun eerste extreem lage score kan deels toeval zijn geweest.

Kort: regressie = extreme scores bewegen bij een volgende meting vaak richting het gemiddelde.

⚠️ Verschil met testing:

Testing: de hele groep kan beter scoren doordat ze de test al kennen. Regressie: vooral belangrijk wanneer mensen zijn geselecteerd vanwege extreme scores.

History betekent dat er tijdens het onderzoek een gebeurtenis plaatsvindt die invloed heeft op de resultaten, maar niets met de behandeling te maken heeft.

Voorbeeld: je onderzoekt of een programma angst bij kinderen vermindert. Tijdens het onderzoek start de school toevallig óók een groot welzijnsprogramma. Als de angst afneemt, kan dat dus ook daardoor komen.

Kort: history = een externe gebeurtenis tijdens het onderzoek beïnvloedt Y.

Testing betekent dat een eerdere meting invloed heeft op een latere meting. Deelnemers kunnen bij de tweede meting bijvoorbeeld beter scoren omdat ze de test al kennen en weten wat ze kunnen verwachten, niet omdat de behandeling heeft gewerkt.

Voorbeeld: je maakt twee keer dezelfde intelligentietest. De tweede keer scoor je hoger omdat je de soort vragen al kent.

Kort: testing = de voormeting beïnvloedt de nameting.

Dit design zag je op de vorige pagina al:

X → O

Waarbij:

X = onafhankelijke variabele / interventie O = observatie/meting van de afhankelijke variabele

Dus:

Je voert een behandeling uit en meet alleen daarna wat er gebeurt.

Bijvoorbeeld:

Nieuwe lesmethode (X) → toets maken (O)

De leerlingen halen gemiddeld een 8.

Kun je nu zeggen:

"De nieuwe lesmethode zorgt voor goede cijfers"?

❌ Nee.

Want je weet bijvoorbeeld niet eens hoe goed de leerlingen vóór de nieuwe lesmethode waren.

Misschien haalden ze daarvoor óók al achten.

Er is dus geen:

voormeting ❌ controlegroep ❌

Daarom is het heel moeilijk om andere verklaringen uit te sluiten.

geven aanleiding voor het uitvoeren van een onderzoek