De verzamelde data worden onderworpen aan kwantitatieve, statistische data-analysemethoden. Aan de hand van deze methoden tracht de onderzoeker tot statistische correlaties en patronen te komen (Creswell, 2013). De data worden verwerkt door de volgende analysemethoden binnen de statistische computerprogramma’s SPSS (IBM SPSS Statistics for Macintosh, Version 23.0.) en AMOS (IBM SPSS Amos Version 22).
5.1 Factoranalyse
Factoranalyse is een geschikte methode om fenomenen of constructen te meten die niet rechtstreeks observeerbaar of meetbaar zijn. Deze latente variabelen worden onderzocht via het meten van observeerbare variabelen die hierdoor zouden beïnvloed worden. Factoranalyse is een reductietechniek om gecorreleerde variabelen te groeperen op basis van niet-observeerbare, onderliggende factoren. Hoge correlaties tussen variabelen veronderstellen een gedeelde onderliggende factor die de variantie in de meetresultaten verklaart. Aan de hand van deze analyse komt men tot een minimaal aantal factoren die zoveel mogelijk van de totale variantie verklaren.
26 Deze methode wordt onder andere toegepast om de structuur van een groep variabelen of een meetinstrument te onderzoeken, om nieuwe theoretische constructen te ontdekken en om vragenlijsten te ontwikkelen en/of te valideren die latente, niet rechtstreeks meetbare constructen nagaan (Cotteleer, Gardebroek, Vrolijk & Dol, 2003; Fields, 2009; Tinsley, H. E.
& Tinsley, D. J., 1987).
In een eerste analysefase worden de 52 geobserveerde variabelen onderworpen aan een exploratieve factoranalyse in SPSS. Gecorreleerde items worden samengebracht zodat de onderzoeker zicht krijgt op het aantal onderliggende factoren. In een tweede fase wordt vervolgens het vooropgestelde model getoetst aan de hand van de confirmatorische factoranalyse in het statistisch programma ‘Analysis of Moment Structure’ (AMOS) (Fields, 2009; Cornish, 2007; Carthy et al., 2014).
5.1.1 Exploratieve factoranalyse (EFA)
Door middel van de EFA worden het aantal en de aard van de onderliggende factoren verkend. Via het onderzoeken van correlaties tussen de 52 variabelen van de vragenlijst gaat de onderzoeker na hoeveel factoren de meeste variantie tussen de items verklaren (Cotteleer et al., 2003). Elke variabele wordt gedeeltelijk verklaard door een onderliggende factor (de
‘communaliteit’) en gedeeltelijk door een meetfout en/of een beïnvloedende onbekende of weggelaten variabele (‘e’). Via een principale factoranalyse worden latente variabelen verkend die de gemeenschappelijke variantie van de geobserveerde variabelen verklaren (Cotteleer et al., 2003; Rosseel, 2013-2014; Tinsley, H. E. & Tinsley, D. J., 1987; Osborne &
Costello, 2009).
Naar analogie met het Israëlisch onderzoek wordt een principale factoranalyse uitgevoerd om op zoek te gaan naar het kleinste aantal onderliggende factoren van de 52 variabelen (items van de PAQ-NL). Deze analyse gebeurt aan de hand van een aantal stappen:
- Het bestuderen van de correlatiematrix: welke items correleren significant met elkaar volgens de correlatiecoëfficiënt van Pearson (r)? Deze waarde kan variëren van -1 (perfect negatief verband) tot 1 (perfect positief verband). Een correlatie is significant bij een p-waarde kleiner dan 0,05.
- Het onderzoeken van de eigenwaarden van de factoren. De factoren met een eigenwaarde groter dan 1 worden beschouwd als betekenisvol en dragen substantieel bij tot de proportie verklaarde variantie van de items.
- Het bestuderen van de scree plot waarin de factoren grafisch in beeld worden gebracht op basis van hun eigenwaarden. Het aantal factoren boven de knik in de curve of ‘elleboog’
worden geselecteerd in de verdere analyse omdat deze het grootste deel van de variantie verklaren.
- Het uitvoeren van een promax rotatie (omdat deze onderlinge correlaties tussen de factoren toelaat) die de items ordent op basis van de factor waarmee ze correleren.
27 Aan de hand van de factorladingen krijgt de onderzoeker zicht op de correlaties tussen de variabelen en hun respectieve factor. Variabelen met een voldoende hoge factorlading (>
0,4) worden weerhouden.
Het resultaat van deze analyse vormt de factorstructuur die in een tweede fase wordt getoetst aan de hand van een confirmatorische factoranalyse (Fields, 2009; Carthy et al., 2014;
Tinsley, H. E. & Tinsley, D. J., 1987; Osborne & Costello, 2009).
5.1.2 Confirmatorische factoranalyse (CFA)
In deze fase heeft de onderzoeker een beeld van de factorstructuur, meer bepaald het aantal factoren die de variabelen (items) het best vertegenwoordigen. Deze vooropgestelde factorstructuur wordt nu in AMOS getoetst aan de hand van de ‘goodness of fit’ toetsen: Chi Kwadraattoets (χ2-toets), CMIN/DF, de Root Mean square error of approximation (RMSEA), de Tucker-Lewis Index (TLI), de Comparative Fit Index (CFI) en de Akaike Information Criterion (AIC). Deze testen bieden aan de hand van de cut-off scores een aanduiding van de
‘goodness of fit’ van het getoetste model (Carthy et al., 2014; Hu & Bentler, 1999; Arbuckle, 2013). De ‘goodness of fit’ toont de mate waarin het veronderstelde model past bij de geobserveerde variabelen, meer bepaald de mate waarin de variantie in de gegevens verklaard en voorspeld wordt door de veronderstelde factoren en niet door toevalligheden of niet opgenomen latente variabelen (Hu & Bentler, 1999; Arbuckle, 2013).
Zoals in het Israëlisch onderzoek wordt verwacht dat de vier factoren (zelfcontrole, sociale steun, aanwezigheid en structuur) op hun beurt laden op een factor van hogere orde: de ouderlijke ankerfunctie (zie bijlage 10). Dit hiërarchisch CFA model maakt een onderscheid tussen vier factoren van eerste orde (zelfcontrole, sociale steun, aanwezigheid en structuur) en één factor van tweede orde (ankerfunctie). Dit model wordt vergeleken met alternatieve modellen, op zoek naar het model met de beste ‘goodness of fit’ (Carthy et al., 2014).
Daarnaast worden de gestandaardiseerde regressiecoëfficiënten (of bèta’s) opgevraagd in SPSS die aangeven in welke mate de vier onderliggende factoren bijdragen tot de overkoepelende ankerfunctie (Field, 2009; Rosseel, 2013-2014).
5.2 Beschrijvende statistieken
De beschrijvende statistieken bieden informatie over de frequenties, gemiddelden, minima en maxima en standaardafwijkingen van de ontwikkelde subschalen en de globale PAQ-NL.
Daarnaast biedt de correlatiematrix zicht op aanwezige verbanden tussen de subschalen onderling en tussen de subschalen en de totale schaalscore (Field, 2009; Carthy et al., 2014).
28 5.3 Betrouwbaarheid
De betrouwbaarheid van een test verwijst naar de mate waarin de geobserveerde metingen en correlaties vrij zijn van meetfouten en toevalligheden en in dit geval of de PAQ-NL consistent geïnterpreteerd kan worden over verschillende situaties en steekproeven heen. De test-hertest methode is een veelgebruikte methode om de betrouwbaarheid te bepalen waarbij de correlatie wordt berekend tussen scores van twee of meer testafnames. Indien er slechts één testafname gebeurt, wordt de betrouwbaarheid gemeten door Cronbach alpha (α), een maat van de interne consistentie van een meetinstrument. Cronbach’s alpha kan waarden aannemen van min oneindig tot één. Als vuistregel wordt gehanteerd dat de vragenlijst betrouwbaar is bij een α van 0,70 of hoger (Tavakol & Dennick, 2011; Field, 2009). In dit onderzoek wordt de interne consistentie van de bekomen PAQ-NL en de afzonderlijke subschalen nagegaan aan de hand van de Cronbach’s alpha.
5.4 Constructvaliditeit
De validiteit of geldigheid van een test onderzoekt of de test meet wat hij beoogt te meten. De ontwikkeling van een meetinstrument gaat steeds gepaard met een onderzoek naar de construct- of begripsvaliditeit binnen een populatie (van der Ploeg & Scholte, 2008; Rosseel, 2013-2014). De constructvaliditeit wordt nagegaan op basis van de samenhang met andere instrumenten die hetzelfde concept beogen te meten. De convergente validiteit verwijst naar de mate waarin schalen van het ontwikkelde meetinstrument en reeds bestaande, valide vragenlijsten die dezelfde variabele(n) meten, met mekaar correleren. Hier tegenover toont de divergente validiteit het gebrek aan samenhang aan tussen instrumenten die verschillende constructen nagaan (van der Ploeg & Scholte, 2008; Rosseel, 2013-2014)
Dit onderzoek betekent een aanzet in de adaptatie en validatie van de PAQ-NL als meetinstrument van de ouderlijke ankerfunctie binnen een Vlaamse populatie. Naar analogie met het Israëlisch onderzoek wordt de PAQ-NL getoetst aan bestaande vragenlijsten. De onderzoeker verwacht dat de vier veronderstelde subschalen van de PAQ-NL significant correleren met de geselecteerde vragenlijsten en schalen die dezelfde of gelijkaardige variabelen meten om de convergente validiteit van de PAQ-NL te bevestigen.
Deze correlaties worden nagegaan aan de hand van de Pearson’s correlatiecoëfficiënt (r), een gestandaardiseerde maat die de sterkte van de correlatie tussen twee variabelen in beeld brengt. Deze correlatiecoëfficiënt bevat waarden tussen -1 (perfect negatief verband) en +1 (perfect positief verband), waarbij een waarde van 0 geen verband tussen variabelen aanduidt.
De cut-off score die gehanteerd wordt bij het bepalen van significante correlaties tussen de subschalen van de PAQ-NL en de geselecteerde vragenlijsten en schalen bevat een p-waarde van 0,05 (van der Ploeg & Scholte, 2008; Rosseel, 2013-2014).
29 Hoofdstuk 3 Resultaten
In dit hoofdstuk worden de onderzoeksresultaten van de uitgevoerde analyses en statistische toetsen beschreven.