Startpagina / Samenvattingen / Class notes - M&T II / score-waarden-gemiddeld

Blootleggen van crimineel gedrag en schaaltechnieken

6 belangrijke vragen over Blootleggen van crimineel gedrag en schaaltechnieken

Blootleggen van crimineel gedrag

Het naar de oppervlakte brengen van factoren die men liever verborgen had gehouden

Corrigeren voor sociale wenselijkheid

Mensen hebbend de neiging tot sociaal wenselijk antwoorden, al helemaal wanneer het crimineel/deviant gedrag betreft. Om de mate waarin men hiertoe geneigd is te meten bestaat er de Lie Scale (Marlowe-Crowne). Dit is een gestandaardiseerde lijst met stellingen als 'I can remember playing sick to get out of something'. Score op deze lijst vormt een indicator voor de 'bias' (de mate waarin een meting verstoord is) van andere uitkomsten. Sociale wenselijkheid kan opgenomen worden als controlevariabele in het regressiemodel.

Je hebt een schaal nodig voor een latent kenmerk vanwege:

De betrouwbaarheid, bij slechts 1 vraag kan er sprake zijn van toevalsinvloeden. Bijvoorbeeld op mening over de buurt en er is net 10 minuten geleden een tuinhekje gemold terwijl men daar eigenlijk al 10 jaar met plezier woont.

Heterogeniteit

Geen fijner onderscheid

Operationalisatie van latente kenmerken bestaat uit 3 stappen:

1. Items/indicatoren maken
2. Antwoordcategorieën
3. Resultaten omvormen = hercoderen om tot een concept te komen bijvoorbeeld de gemiddelde score of somscore

Wat te doen met missende waarden?

1. Listwise deletion: alle respondenten met een missing op een van de items worden verwijdert. Je berekent het gemiddelde over het minimum aantal items

2. Missende waarden vervangen met de gemiddelde score van het model. Kan naar aanleiding van de antwoorden die wel zijn gegeven een verwachte score worden berekent voor de missing topics. Vuistregel: meer dan de helft van de items moeten een geldige waarde hebben. In de praktijk vaak strenger: 70-80%. Aantal geldige waarden wordt geoptimaliseerd.

Onderscheid tussen PCA en FA

Twee verschillende methoden met vaak gelijke uitkomsten.
PCA - voornamelijk gebruikt voor datareductie: zoveel mogelijk variantie verklaren, de informatie zo goed mogelijk samenvatten.
FA - voornamelijk gebruikt om waargenomen samenhang tussen items (covariantie) verklaren.

De vragen op deze pagina komen uit de samenvatting van het volgende studiemateriaal:

M&T II

Bekijk samenvatting