Dit is een site voor studenten van de Open Universiteit. Voordat je een vraag kunt stellen moet je even een account aanmaken (dit systeem is niet gekoppeld aan je OU studentnummer en wachtwoord).

Welkom bij het vraag- en antwoord systeem van de onderzoeks-practica van de studie psychologie bij de Open Universiteit.

Houd er, als je een vraag stelt, rekening mee dat je de richtlijnen volgt!

0 leuk 0 niet-leuks
Studie centrum Den Haag
Bron: Thema 1 van het practicum
 
Beste,
 
Vraag inzake het onderscheid tussen Kwalitatief vs kwantitatief. Kwalitatief onderzoek kenmerkt zich in grote lijnen als inductief en casuïstisch. Kwantitatief onderzoek als deductief en objectief.
 
In beginsel gebruikt je parametrische technieken voor kwantitatieve gegevens en non-parametrische gegevens voor kwalitatieve gegevens, toch?


Waarom worden kwalitatieve gegevens uit kwalitatief onderzoek zoals observatie, interviews en vragenlijsten dan toch met parametrische technieken geanalyseerd? Bijvoorbeeld depressie .20 en .40 je kan moeilijk zeggen dat iemand 2 x zo depressief is. Toch worden depressie scores gebruikt verwerkt met parametrische analyses.

Met vriendelijke groet,

Ezra Niessink

in Kwalitatief Onderzoek (OKO, PB16x2) door (510 punten)

2 Antwoorden

0 leuk 0 niet-leuks
Interessante vraag, ik ben benieuwd naar het antwoord! Zelf denk ik dat het "soort" onderzoek geen grote rol speelt in de keuze van de analysetechnieken. Meetschaal of "normaliteit" spelen een grotere rol in die keuze, denk ik. Zowel nominale als ordinale meetschalen komen bijvoorbeeld uit kwalitatief onderzoek. Maar toch worden meetresultaten van Likert schalen (=ordinaal meetniveau) aan de lopende band geanalyseerd met parametrische technieken. Ook over pakweg IQ kun je zo een hele boom opzetten... Ik denk dus dat "nominaal versus de andere" (of nog categorisch versus continu, waarbij Likert als 'continu' gezien wordt) meer bepalend is voor de keuze van de analysetechniek dan "kwalitatief versus kwantitatief". Maar vermoedelijk scheur ik weer te kort door de bocht :)
door (7.9k punten)
1 leuk 0 niet-leuks

Er worden hier drie discussies/onderwerpen verward: die over meetniveau's, die over parameters van toetsingsmethoden, en die over kwalitatief versus kwantitatief onderzoek.

Kwantitatief onderzoek is onderzoek waarbij meetinstrumenten worden toegepast om aspecten van de realiteit in kaart te brengen. Het inzetten van meetinstrumenten zorgt dat je data krijgt met een meetniveau. Dit kan categorisch zijn (nominaal of ordinaal) of continu (interval of ratio). Kwalitatief onderzoek is onderzoek waarbij juist wordt gekozen om zo ruw mogelijke data te analyseren. Het voordeel hiervan is dat je niet gedwongen bent door de lens van je meetinstrumenten te kijken. Je kunt dus dingen onderzoeken waar je nog te weinig van weet om een bruikbaar meetinstrument te gebruiken; en je kunt veel meer in de diepte onderzoeken, en dus nieuwe dingen ontdekken.

Met kwantitatief onderzoek kun je, zou je kunnen zeggen, nieuwe verbanden in kaart brengen; met kwalitatief onderzoek kun je nieuwe variabelen verkennen (klopt niet helemaal, maar het onderscheid helpt misschien). Met kwalitatief onderzoek kun je nooit generaliseren of conclusies trekken over je populatie; je hebt immers geen idee van de invloed van toeval en 'meetfout' bij het kiezen van je steekproef. Bij kwantitatief onderzoek wel, maar bij kwantitatief onderzoek kun je nooit iets nieuws ontdekken; je moet immers meetinstrumenten ontwikkeld hebben, dus je weet al veel over de aard van de variabelen die je onderzoek.

Kwalitatieve data kwantificeer je normaal gesproken niet. Hier zijn een aantal redenen voor: je werft meestal heel gericht en hebt dus geen aselecte steekproef; je hebt dermate kleine steekproeven dat je geen zinvolle conclusies kunt trekken; en door kwantificatie verlies je nu net de nuance en rijkheid in je data die de grootste reden is om uberhaupt voor kwalitatief onderzoek te kiezen. Als je kwalitatieve data wil kwantificeren, is dat een sterke aanwijzing dat je niet voldoende over de keuze van je methode hebt nagedacht (i.e., de verkeerde methode hebt gekozen :-)). Je kunt niet alles hebben, zeg maar :-)

In kwantitatief onderzoek heb je nominale, ordinale, en interval-data. Variabelen in 'de realiteit' hebben bijna altijd het interval-niveau. Kijk maar om je heen in de natuur: discontinuiteiten, noodzakelijke eigenschappen van variabelen op een categorisch meetniveau, zijn uiterst zeldzaam - en dit geldt nog sterker in de psychologie. Neem geslacht; hoewel je zou kunnen beargumenteren dat geslacht biologisch dichtoom is (maar zelfs dat is niet helemaal accuraat), geldt dat het psychologische equivalent van geslacht, iemands gender-identiteit, een continue schaal is, net als bijvoorbeeld seksuele voorkeur (i.e. van 100% hetero naar 100% homo met van alles er tussenin).

Depressie is een voorbeeld van zo'n continue schaal: er zijn niet maar 4 categorieen van depressie: mensen kunnen volledig 'on-depressief' zijn, en volledig depressief, en van alles daar tussenin. Dat betekent overigens niet dat mensen twee keer zo depressief zijn als ze .4 versus .2 scoren. Dit veronderstelt een ratio-schaal, met een nul-punt, en zo'n nulpunt is lastig te bepalen, als het al bestaat. Neem een schaal voor depressie met 10 vragen op een 10-puntsschaal. Iemand kan dan tussen 10 en 100 scoren. Je kunt van alle scores 10 aftrekken. De laagst mogelijke score is dan 0, maar niet 'echt nul'. Deze 0 is gewoon een getal in een reeks, maar heeft niet de symbolische speciale waarde dat het het ankerpunt is voor vermenigvuldigingen en delingen. (Het is niet voor niets dat de 'ontdekking van nul' een grote wiskundige mijlpaal is.)

Echter, voor het gebruik van de meeste statistische technieken is een nulpunt niet nodig: variabelen hoeven slechts het interval-niveau te hebben. En dat geldt wel bij depressie; iemand die op de 10-100 schaal 40 scoort, scoort even ver boven iemand die 30 scoort als onder iemand die 50 scoort. Deze eigenschap maakt het mogelijk om bijvoorbeeld correlaties, t-toetsen, en variantieanalyses toe te passen.

Nu de parameters van dergelijke toetsingsmethoden. Alle toetsingsmethoden hebben aannames. Deze aannames worden ook wel parameters genoemd. De Pearson Correlatie heeft als aanname dat de data interval niveau heeft (en niet dat deze normaal verdeeld is; hoewel wel geldt dat bij scheve data, de maximaal haalbare correlatie lager is dan 1). De Spearman correlatie heeft deze aanname niet. De Spearman correlatie heeft dus minder parameters, en wordt daarom wel een 'non-parametrische toets' genoemd. De Pearson en Spearman correlatie delen nog de aanname dat een verband lineair moet zijn. De Spearman correlatie is dus eigenlijk niet nonparametrisch; hij is gewoon minder parametrisch. Er bestaan geen nonparametrische toetsen; je hebt altijd aannames nodig, helemaal bij nulhypothese toetsing, waarbij elke toets werkt onder aanname dat de nulhypothese klopt.

Nonparametrische toetsen zijn niet voor data die niet normaal is verdeeld. Nonparametrische toetsen zijn ook niet voor dichotome, nominale, or ordinale data. Nonparametrische toetsen zijn voor situaties waar de aannames van parametrische toetsen worden geschonden (maar de aannames van de 'nonparametrische' toetsen niet). Welke aannames dit zijn, en welke alternatieve toets je dus moet gebruiken, moet je per situatie bekijken. Zo is normaal verdeelde data geen aanname van de t-toets (je steekproevenverdeling moet wel normaal zijn, zie http://oupsy.nl/help/112/wanneer-is-mijn-data-te-scheef-niet-normaal-verdeeld).

Er geldt dat hoe meer aannamen een toets maakt, hoe liberaler hij wordt. 'Nonparametrische toetsen' zijn dus altijd conservatiever dan toetsen met meer aannames. Tegelijkertijd geldt dat categorische data minder power heeft (want minder variantie kan bevatten) dan interval-data. Zoals ik eerder aangaf zijn psychologische variabelen bijna nooit, en misschien wel nooit, discontinue (en dus categorisch, i.e. dichotoom, nominaal, or ordinaal). Om deze drie redenen is het sterk af te raden in kwantitatief onderzoek variabelen categorisch te operationaliseren.

In kwalitatief onderzoek is operationalisatie door middel van meetinstrumenten, zoals ik eerder aangaf, dus ook sterk af te raden (als je behoefte hebt aan cijfers/statistische analyses, moet je uberhaupt geen kwalitatief onderzoek doen, of zowel kwalitatief als kwantitatief onderzoek, en dan doe je eigenlijk natuurlijk twee studies).

Ik hoop dat dit een beetje duidelijk is - het is vrij abstract en complex allemaal :-)

door (77.8k punten)
Perfect uitgelegd. Zeer duidelijk. Het kwartje is gevallen. Deze uitleg had ik nodig. Bedankt!

Gjalt-Jorn, je zegt hierboven "Nonparametrische toetsen zijn ook niet voor dichotome, nominale, or ordinale data". Bedoelde je hier niet parametrische toetsen?

Sorry, dat is een ambigu stukje ja. Ik bedoel dat je, afhankelijk van de situatie, met nominale of ordinale variabelen prima parametrische toetsen kunt gebruiken. Je moet kijken naar de parameters, de aannamen, van elke toets. Ik probeerde uit te leggen waarom het label 'nonparametrische toetsen' eigenlijk de zaken lastiger maakt; alle toetsen zijn parametrisch. Op zijn minst hanteren toetsen de aanname dat de nulhypothese klopt; deze heb je immers nodig om de p-waarde te berekenen, die de kans is op de huidige uitkomsten onder aanname dat de nulhypothese klopt.
Bedankt. De bron is erg duidelijk Gjalt-Jorn, ik wilde enkel even dubbel checken.
...