aanPak Van de analyses .1 aanpak op hoofdlijn

5,9 79,6 20,4 84,5 8,1 7,4 100,0 Is er gevoegd? Nominaal ja

Had willen voegen maar mogelijkheid niet gekregen Nee Totaal 60,7 7,3 32,0 60,7 7,3 32,0 100,0 * In alle gevallen (n=44) betreft het ‘niet van toepassing’, omdat men geen schade had.

6.5 aanPak Van de analyses

De analyse vindt plaats in een aantal stappen. Stap 1 in de analyse is steeds de toets of er bivariaat een significante samenhang bestaat tussen relationele afstand (ordinaal) of slachtoffer-dader relatie (nominaal) en de afhankelijke variabele in kwestie. Indien een dergelijk verband er blijkt te zijn, zal later (in stap 3) multivariaat getoetst worden in hoeverre dat verband eventueel verklaard wordt door de invloed van andere variabelen.

Stap 2 dient om na te gaan welke controlevariabelen, naast type delict en sekse

van het slachtoffer (gezien hun relatie met de centrale onafhankelijke variabelen), als voorspellers in het multivariate model moeten worden opgenomen. Er wordt in deze stap per controlevariabele getoetst of deze ook samenhangt met de afhankelijke variabele in kwestie. Indien dat niet het geval is wordt de variabele, gezien de relatief beperkte omvang van de steekproef, niet in het multivariate model opgenomen. Zie figuur 6.3 voor een overzicht van de gebruikte statistische toetsen voor bivariate analyses.

In stap 3 worden multipele regressie analyses uitgevoerd, waarin getoetst wordt of het

in stap 1 gevonden verband eventueel verklaard (voorspeld) wordt door de invloed van type delict, sekse van het slachtoffer en andere controlevariabelen. Met andere woorden: is de slachtoffer-dader relatie een voorspeller van de betreffende afhankelijke variabele,

gegeven de bijdrage van de andere voorspellers? Per stap wordt nu de aanpak verder

beschreven.

Variabele naam Meetniveau Waarden (referentiegroep

gecursiveerd)

Gem./ SD/ range

fIguur 6.3 Gebruikte statistische toetsen voor bivariate analyses

6.5.2 stap 1: Bivariate toetsing samenhang centrale onafhankelijke en afhankelijke variabelen

Toetsing vindt altijd tweezijdig plaats bij een alpha van 0,05. Indien in het navolgende over ‘verschil’ of ‘samenhang’ wordt gesproken, wordt steeds een significant(e) verschil of samenhang bedoeld.

Ten eerste worden bivariate analyses uitgevoerd om na te gaan of er significante verschillen optreden in de afhankelijke variabelen naar relationele afstand (ordinaal). Bij de nominale afhankelijken (meldingsredenen, gebruik van een modaliteit) worden Chi kwadraat toetsen (notatie X2) of, bij twee bij twee tabellen, Fisher’s exact toetsen (notatie FET) uitgevoerd. Bij de ordinale afhankelijken (belangscores, oordeelscores), wordt de Kendall’s tau-c (notatie τ_c) berekend; dit is een associatiemaat die informatie geeft over zowel de richting als de sterkte van het verband tussen twee variabelen op ten minste ordinaal niveau (zie bijv. de Vocht, 2010). Bij de afhankelijke variabele ‘gewenst gebruik participatie modaliteiten’ (ratio niveau) wordt een variantieanalyse (ANOVA) gedaan voor de vergelijking van meer dan twee gemiddelden, met post hoc Bonferroni toets.

Verantwoording secundaire analyse

Hoof

dstuk 6

149

hangen met relationele afstand (ordinaal), nog bivariate analyses uitgevoerd om na te gaan of er verschillen optreden naar slachtoffer-dader relatie (nominaal). Eerst wordt in die gevallen de Kruskall Wallis toets gedaan voor vergelijking van meer dan twee groepen. De resultaten hiervan worden niet afzonderlijk gerapporteerd. Wanneer met de Kruskall Wallis toets is gesignaleerd dat er verschil is, worden Mann Whitney toetsen (notatie MW) voor paarsgewijze vergelijkingen gedaan. De Kruskall Wallis en Mann Whitney toets zijn de niet-parametrische alternatieven voor respectievelijk variantieanalyse en Student’s t-toets voor vergelijking van gemiddelden. Ze werken met de rangordening van cases (zie bijv. de Vocht, 2010). Waar met Mann Whitney toetsen een significant verschil wordt gevonden, wordt vervolgens de effectmaat r berekend (Field, 2013).

6.5.3 stap 2: Bivariate toetsing samenhang controlevariabelen en afhankelijke variabelen

Indien er samenhang is gebleken tussen relationele afstand of slachtoffer-dader relatie en een afhankelijke variabele, wordt per controlevariabele getoetst of deze ook samenhangt met die afhankelijke variabele. Bij de nominale afhankelijken worden Chi kwadraat toetsen of, bij twee bij twee tabellen, Fisher’s exact toetsen uitgevoerd. Bij ordinale afhankelijken (belangscores, oordeelscores) in combinatie met ordinale onafhankelijken (bijv. ernst delict, opleiding), wordt de Kendall’s tau-c berekend. Bij de ordinale afhankelijken (belangscores, oordeelscores) in combinatie met nominale onafhankelijken (bijv. type delict, sekse, werkzaam), worden Kruskall Wallis toetsen (voor vergelijking meer dan twee groepen) en Mann Whitney toetsen (voor vergelijking twee groepen) gedaan. Bij de afhankelijke variabele ‘gewenst gebruik participatie modaliteiten’ (ratio niveau) worden t-toetsen voor vergelijking van twee gemiddelden en ANOVA’s met post hoc Bonferroni toets voor de vergelijking van meer dan twee gemiddelden gedaan.

6.5.4 stap 3: multivariate analyses

Er worden vervolgens multipele regressie analyses uitgevoerd, waarin getoetst wordt of de gevonden verbanden tussen relationele afstand (ordinaal) of slachtoffer-dader relatie (nominaal) en de afhankelijke variabelen eventueel verklaard worden door de invloed van type delict, sekse van het slachtoffer en andere controlevariabelen. Hiertoe worden logistische, ordinale en lineaire regressies uitgevoerd.

In logistische regressies wordt uit bepaalde kenmerken de odds geschat dat men behoort tot een bepaalde categorie van een dichotome afhankelijke variabele eerder dan tot een andere (in dit geval bijvoorbeeld: dat men een bepaalde meldingsreden heeft genoemd, dat men een slachtoffer-dader gesprek heeft willen voeren). De odds is de

kans verhouding, of de kans te behoren tot een bepaalde categorie van een variabele eerder dan tot een andere (Mortelmans, 2010). Ordinale regressies worden uitgevoerd bij de afhankelijke variabelen op ordinaal meetniveau (bijv. het belang dat men hecht aan bescherming).

De ordinale regressie analyses zijn gedaan volgens het proportional odds/PLUM model (Mortelmans, 2010). In dit model wordt voor elke categorie de odds geschat dat men hoogstens in die categorie zit, vergeleken met de categorieën erboven. De assumptie in het model is dat de effecten van de onafhankelijke variabelen op deze kansen gelijk zijn. Dat wil zeggen dat het model één set van β-parameters produceert met daarbij verschillende intercepten. Grafisch is dit dus een model met evenwijdige regressielijnen; enkel de hoogte van het snijpunt met de Y-as verschilt (Mortelmans, 2010; Lammers, Pelzer, Hendrickx & Eisinga, 2007). Aan deze voorwaarde is bij alle modellen in deze secundaire analyse voldaan. In de lineaire regressie tot slot wordt uit bepaalde kenmerken een afhankelijke variabele op rationiveau geschat (hier: het aantal participatiemodaliteiten dat men heeft gebruikt of had willen gebruiken).

Ten behoeve van de ordinale regressies met betrekking tot belangscores zijn de opgetelde indicatorscores per concept telkens in drie klassen ingedeeld: hoog belang, gemiddeld belang en laag belang. Vermeld werd al dat de data over het belang dat de respondenten hechten aan de indicatoren scheef zijn verdeeld. Dit weerspiegelt het gegeven dat de gebruikte vragenlijst is ontwikkeld op basis van kennis over door slachtoffers belangrijk gevonden aspecten. Zaken waar slachtoffers nauwelijks belang aan hechten, maken geen deel uit van de vragenlijst. Bij ‘laag belang’ gaat het derhalve inhoudelijk over een relatief laag belang en niet over een absoluut laag belang.

De klassengrenzen zijn als volgt bepaald. Het streven was de bovengrens van de laagste klasse niet hoger te leggen dan noodzakelijk. Tegelijkertijd moeten er niet te weinig waarnemingen in de laagste klasse zitten, omdat daarover anders moeilijk uitspraken mogelijk zijn. Analoog aan de vuistregel van zo’n 10-15 waarnemingen per factor in de kleinste klasse bij logistische regressieanalyse, is als ondergrens een absoluut minimum van 6 waarnemingen per factor in de kleinste klasse aangehouden, omdat er nog twee referentieklassen tegenover staan. Dit uitgangspunt is leidend geweest bij het per afhankelijke variabele bepalen van de bovengrens van de laagste klasse. De overige waarnemingen zijn steeds in twee gelijke klassen ingedeeld. Een voorbeeld: bij een maximaal mogelijke score van 30 op een variabele en de score 24 als bovengrens van de laagste klasse (gezien de minimaal vereiste n), worden scores 25 t/m 27 samengevoegd tot de ‘gemiddeld belang’ klasse en scores 28 t/m 30 tot de ‘hoog belang’ klasse (zie bijlage 6.5 voor de resulterende klassengrenzen per variabele). Tot slot is met een

Verantwoording secundaire analyse

Hoof

dstuk 6

151

sensitiviteitsanalyse nagegaan of een kleine wijziging in deze grenzen van invloed was op de uitkomsten van de modellen; dit was niet het geval.

Ten behoeve van de ordinale regressies met betrekking tot oordeelscores van slachtoffers over de reactie van justitie zijn de opgetelde indicatorscores per concept eveneens in drie klassen ingedeeld: positief oordeel (score 4 en 5 of een veelvoud daarvan bij meer indicatoren), neutraal oordeel (score 3 of een veelvoud daarvan) en negatief oordeel (score 1 en 2 of een veelvoud daarvan). Zie bijlage 6.6 voor de resulterende klassengrenzen per variabele. Het kwam niet voor dat er te weinig waarnemingen per factor in de kleinste klasse waren als een ondergrens van 6 waarnemingen per factor werd aangehouden.

De onafhankelijke nominale en ordinale variabelen zijn ten behoeve van de regressie analyses als indicator contrast (standaard) gecodeerd. Leeftijd wordt als ratio variabele in de modellen opgenomen. Alle variabelen worden steeds ineens in het multivariate model opgenomen. Als gevolg van een aantal missende waarden op controlevariabelen (zie tabel 6.7), varieert de n bij de multivariate analyses. Alle regressiemodellen zijn gecontroleerd op multicollineariteit.