H5 Flashcards
Stadia onderzoek: (3)
1) Goede samenvatting
* Essentieel, maar niet voldoende
* Bias minimaliseren
* Standaardiseer data-verzameling
* Purposive sampling
2) Doe aan descriptieve inferentie
* Dan pas wetenschap
* Scheiden systematisch van niet-systematisch
* Generaliseren naar doelgroep
* Altijd onzekerheden aangeven (betrouwbaarheid, alternatieve verklaringen)
3) Causale inferentie
* Onmogelijk zonder goede descriptieve inferentie
* Soms te moeilijk, dan is stap 2 eindstations
Causale inferentie:
- Correlatie is geen causale relatie
- Wordt vaak vermeden, vanwege moeilijkheid
- Kwalitatief onderzoek kan bewijzen leveren hiervoor
- Verklaren altijd gebaseerd op causale inferenties
Causaliteit: & voorwaarden (3)
- Theoretisch concept dat onafhankelijk is van de gegevens die worden gebruikt om erover te leren
- Bestaat uit systematische en niet-systematische componenten
- Het verschil tussen de systematische component van waarnemingen wanneer de verklarende variabele één waarde en de systematische component van vergelijkbare waarnemingen wanneer de verklarende variabele een andere waarde aanneemt
- Voorwaarden
- X gaat vooraf aan Y in de tijd
- X en Y covariëren
- Alternatieve verklaringen zijn uitgesloten
Causaal effect (gebaseerd op counterfactual)
- Formule willekeurige individu
- Gemiddelde causale effect= y ̅(i,1)−y ̅(i,0)
- Kwantitatief onderzoek
- Kwalitatief onderzoek omzetten naar woorden
- Causale effect persoon i is verschil tussen systematische component in observaties tussen verschillende verklarende variabelen (bijv. wel en geen bijles)
- Theoretisch effect
- Problemen
- Mensen kunnen niet tegelijk meerdere situaties meemaken
-> Fundamentele probleem met causale inferenties - Effect zou alleen gelden in geobserveerde context
- Mensen kunnen niet tegelijk meerdere situaties meemaken
- Blijft een gedachteaspect
- Over meerdere contexten heen een gemiddelde uitspraak doen
- Oplossen gebruiken vergelijkbare groepen
- In praktijk middelen over meerdere individuen
- Kijken naar variatie binnen en tussen groepen
§ Liefst groot verschil tussen groepen en weinig verschil binnen groepen
§ Focusgroep houden met gemengde groepen over gevonden verschillen (tussen en binnen groepen)
Terminologie: (3)
- X= onafhankelijke/verklarende/treatment/causale variabele
- Y= afhankelijke/outcome variabele
- C= controle variabelen (andere causale variabelen dan X)
Alternatieve interpretaties causaliteit: (3)
1) Causale mechanismen
* Effect opdelen in kleine stukjes
* Causale keten
* Hoe komt effect tot stand
* Geen definitie van causaliteit zelf
- Niet verwarren met geven van definitie
- Kunnen causaal effect begrijpen zonder begrip causaal mechanisme maar niet andersom
- Gaat niet in tegen definitie
* Belangrijk/nuttig om te bestuderen
- Onderbouwen theorie
- Leverage geven aan theorie
- Genereren nieuwe hypothesen (theorie verder ontwikkelen)
2) Meervoudige/multipele causaliteit
* Oorzaak vaak niet enige oorzaak
* Soms interacteren variabelen
* Gaat niet in tegen definitie causaliteit, geen wijzigingen nodig
* Vereist beter gebruik data
- Meer categorieën maken
- Nadenken over counterfactual situaties
- Complexere analyse
3) Symmetrische VS asymmetrische causaliteit
* Effect van verandering van x0 naar x1 kan anders (groter/kleiner) zijn dan (omgekeerde) effect van x1 naar x0
* Verschil tussen toestand als volgorde van onafhankelijke variabele wisselt
* Na bijles ga je niet meer naar oorspronkelijke niveau zonder bijles
* Effect van x0–> x1–> x0 hoeft geen 0-effect te zijn
* Consequenties voor causale inferentie die volgt
- Proces van leren over causale effecten met bestaande observaties
* Geen bedreiging voor definitie causaliteit
- Beschrijft simpelweg twee situaties
Aannamen om causale effecten te schatten (2)
1) Assumption of Unit homogeneity
* Het fundamentele probleem met causale inferentie
- Mensen niet tegelijkertijd in verscheidende situaties brengen
* Oplossing
a) Gebruik zeer vergelijkbare groepen (match individuen)
b) Zorg dat verschillen binnen groepen niet te groot zijn (homogeen)
* Lost fundamentele probleem niet op
- Vergroot wel kans op vertekende inferentie
- Goede schatting causale effect in specifieke onderzoeksgroep
- Bij verschillen tussen groepen aannemen dat schatting causaal effect vertekend is
* Assumptie is niet toetsbaar
- Alleen schatting maken van effect
- Echte waarde kan je nooit weten
- In werkelijkheid onhaalbaar
- Wel zekerder dan bij heterogeniteit
* Complexiteit & uniciteit
- Versimpeling: Reduceren van wat er aan de hand is
- Hoe uniek situatie/persoon is, in onderzoek als minder uniek gezien
* Eenheid (unit) hoeft niet per se individu te zijn
- Metingen binnen individu
- Interrupted time series design
a) Alternatief: Assumption of Constant causal effect
- Alternatieve ‘oplossing’
- Effecten voor iedereen hetzelfde
- Sterkere aanname
- Zelfde aanname die wordt gedaan in experimentele designs
- Aanname die vrijwel in al het onderzoek wordt gedaan
- Causale effect voor elk individu uit doelgroep hetzelfde zijn en individuen onderling uitwisselbaar zijn
§ Constructivisten kritiek hierop
§ Niet goed te rijmen met kwalitatief onderzoek
- Lost fundamentele probleem niet op
2) Assumption of Conditional independence
* Aanname dat toewijzing aan onafhankelijke variabele niet afhankelijk is van waarde op afhankelijke variabele
- Leeftijd of andere persoonskenmerken kunnen geen invloed hebben op
* Individuen willekeurig aan condities toewijzen
* Niet-experimenteel onderzoek blijft het bij een aanname
* Anders schatten causale effecten complexer
- Controlevariabelen toevoegen
- Onderzoek met individuen met dezelfde waarde op controlevariabelen (matching)
Als aan aannamen is voldaan (2)
1) Kwantitatief onderzoek
* Verwachte waarde causale effect voor willekeurige individu berekenen
- Gemiddelde causale effect= y ̅(i,1)−y ̅(i,0)
* Herschalen y ̅(i,1)=0
- y ̅(i,1)−y ̅(i,0)=y ̅(i,1)−0=y ̅(i,1)
- E(y ̅(i,1))= 〖βX〗_(i,1) (richtingscoëfficiënt, causale effect)
2) Kwalitatief onderzoek
* Kwantitatief statistisch model om na te denken over interpretatie hoe kwalitatieve data behandelen
* Descriptieve inferentie
- Steekproefgemiddelde = samenvatten
- Kwalitatief onderzoek: bepalen wat systematisch is
- Schatter populatiegemiddelde
- Schatter unbiased en efficiënt (& consistent)
- Purposive sampling
* Causale inferentie
- Verschil in gemiddelden/regressiemodel voor causale inferentie
- β is schatter voor causale effect
§ Unbiased en efficiënt (& consistent)
- Purposive sampling en vergelijken referentiegroep
- Situaties waar causaal effect mogelijk is onderzoeken
* In praktijk
- Stel steekproeven zorgvuldig samen
- Gebruik meerdere steekproeven
- Doorgaan tot geen nieuwe informatie meer opdoet
Rol van theorie:
- Causale theorieën pogen oorzaken van fenomenen te demonstreren
- Theorie bestaat uit minstens 1 hypothese
- Gerelateerde hypothesen
- Geeft relatie tussen variabelen aan (ook causale)
- Samen met voorspelling van wat je verwacht
- Toetsing/evaluatie causale hypothese vereist causale inferentie
Ontwikkelen goede causale theorie: (5)
1) Construeer falsifieerbare theorieën
2) Ontwikkel intern consistente theorieën
3) Selecteer afhankelijke variabelen zorgvuldig
4) Wees zo concreet mogelijk
a) Gebruik observeerbare variabelen
* Theoretische concepten vaak abstract
* Belangrijk in formulering theorie
* Operationaliseren
b) Schrijf duidelijk
* Omschrijven hoe je hebt gemeten
5) Maak theorie zo omvattend mogelijk
* Zoveel mogelijk verklaren
* ‘Leverage’
* Dit betekent niet dat constructen zo breed mogelijk moeten zijn
* Theorie liefst zoveel mogelijk observeerbare implicatie genereren
- Komt ten goede aan falsifieerbaarheid
1) Construeer falsifieerbare theorieën
- Als hypothese juist is, moeten observaties in lijn zijn met die hypothese (Verifieerbaar)
- Observeerbare implicaties
- Zoveel mogelijk bedanken
- Als theorie juist is, moeten alle hypothesen juist zijn
- Als hypothese/theorie niet juist is dan onjuistheid aantonen (Falsifieerbaarheid)
- Bewijs vinden tegen 1 hypohese, dan bewijs tegen theorie
- Theorie niet volledig verwerpen, maar aanpassen en specifieker maken
- Daarna weer opnieuw testen (empirische cirkel)
- Toevoegen van uitzonderingen/speciale gevallen vermindert ‘leverage’ van theorie (ongeloofwaardig/onwerkbaar)
- Asymmetrie
- Maakt niet zoveel uit
- Evaluatie van theorieën pogingen tot verificatie & falsificatie levert wetenschappelijke kennis op
- Moeilijker verifieerbaar dan falsifieerbaar
- Mits naar juiste observeerbare implicaties wordt gezocht
- Falsificatie lastig vanwege onzekerheid die inferenties met zich meebrengt
- Falsificatie kan eeuwig doorgaan
2) Ontwikkel intern consistente theorieën
- Theorie die zichzelf tegenspreekt (inconsistent) kan niet waar zijn
- Theorie checken op (in)consistentie is moeilijk
- Lastig te bereiken, vooral bij veel hypothesen
- Hulpmiddel: hypothesen in formele (wiskundige) modellen te gieten
- Kan zorgen voor oversimplificatie
- Consistent, maar weinig waard
- Moet ‘key ingredients’ bevatten zodat ‘mathematische gedachtegang’ duidelijk wordt
- Verwar formele model niet met model om theorie te evalueren
§ Model theorie moet controlevariabelen bevatten
§ Niet evaluatie van theorie zelf
3) Selecteer afhankelijke variabelen zorgvuldig (3)
a. Zorg dat afhankelijke variabelen daadwerkelijk afhankelijk zijn
* Niet onafhankelijke variabele beïnvloeden
b. Zorg dat afhankelijke variabele een variabele is
* Voldoende variatie
* Geen constante
c. Zorg dat variatie in afhankelijke variabele maximaliseert
* Zoveel mogelijk verschil zichtbaar maken
* Variatie in uitkomstvariabele maximaal
