Stap vijf: De Q-analyse

In de laatste stap worden de Q-sorts geanalyseerd door middel het programma PQ Method (versie 2.35).28 Dit programma berekent door middel van een factoranalyse correlaties tussen de verschillende Q-sorts. Met andere woorden, een factoranalyse berekent de correlatiecoëfficiënten tussen de Q-sorts door gemeenschappelijke standpunten van de respondenten te identificeren (Danesh et al, 2008: 766). Het programma vormt vervolgens de verschillende Q-sorts van respondenten tot een factor (ook wel profiel genoemd). Dit is een groep van respondenten die de uitspraken op min of meer eenzelfde manier hebben gesorteerd (Webler, Danielson en Tyler 2009: 26).

Voordat de factoranalyse uitgevoerd kan worden moeten er een aantal stappen doorlopen worden. Zo dient de onderzoeker in de eerste stap zijn stellingen (Q-sets) in PQ

27_{www.qsortware.net (Software ontwikkeld door A. Pruneddu)}

method op te slaan. Vervolgens dienen te Q-sorts per respondent ingevoerd te worden. Als deze twee stappen doorlopen zijn kan gestart worden met de factoranalyse.

Er zijn verschillende vormen van factoranalyse. Het programma PQ methods biedt twee mogelijkheden. De eerste methode is een ‘Centroid analyse’ en de tweede methode is ‘Principal Component analyse’. Geen van beide methoden is wiskundig superieur. Binnen de Q-methodologische studies is de Centroid analyse de oudste techniek en heeft daarom de voorkeur in Q-methodologische studies (Watts & Stenner, 2005: 80). Ook deze studie maakt gebruik van de Centroid analyse. Er kan hier gekozen worden hoeveel factoren het programma moet berekenen (er kunnen tussen de twee en acht factoren geladen worden). Brown’s methode gebruikt berekend zeven factoren: ‘the magic number seven is generally suitable’ (Brown, 1980: 223). Uiteindelijk wordt hier vervolgens zelf bepaald hoeveel factoren geroteerd gaan worden (hierover straks meer). Deze factoren zijn de groepen met respondenten die dicht bij elkaar liggen qua mening (dus respondenten die stellingen ongeveer hetzelfde plaatsten).

Na het berekenen van de verschillende factoren met de Centroid analyse door PQ Methods, worden eigenwaarden gegeven. Als de eigenwaarde van een factor laag is, dan draagt de factor weinig bij aan de verklaring van verschillende gegeven profielen (Webler, Danielson en Tyler, 2009: 30). Meestal worden factoren met een eigenwaarde die hoger is dan 1,0 gebruikt. Eigenwaarden, die lager zijn dan 1,0, kunnen worden beschouwd als onbelangrijk (Brown, 1980: 40). De eigenwaarden, die hoger zijn dan 1,0 zijn kunnen worden gezien als verschillende profielen of standpunten van respondenten.

De volgende stap is het roteren van de factoren (profielen). Er moet gekozen worden hoeveel van de eerder gekozen zeven factoren geroteerd gaan worden. Als een regel in de Q- methodologie worden slechts drie tot vier factoren als waardevol gezien (Du Plessis, 2005: 162). Er zijn een aantal regels die helpen bij het kiezen van de juiste hoeveelheid factoren. De eerste regel is dat het gebruik van minder factoren beter is. Het maakt de verschillende standpunten beter te begrijpen. Ten tweede moet het aantal ‘confounders’ (respondenten die op meerdere factoren worden geladen29) en ‘non-loaders’ (respondenten die niet op een factor worden geladen30) beperkt worden. Ten derde is een lage correlatie tussen factoren gewenst. Hoe hoger de correlatie, hoe meer de factoren overeenkomen met elkaar. Ten vierde moet er gezocht worden naar zogenaamde clusters (meerdere respondenten die binnen eenzelfde

factor worden geladen) (Webler, Danielson & Tuler 2009: 32). Volgens Brown (1980) kan een factor pas als waardevol worden gezien als een factor lading minimaal uit vier personen bestaan. Het programma PQ Methods biedt twee opties voor het roteren van de factoren. De eerste methode is een handmatige rotatie en de tweede methode is ‘Varimax rotatie’. Varimax is een algoritme dat probeert de factoren te roteren zodat respondenten worden geassocieerd met de factorlading waar zij het best bij passen (Webler, Danielson & Tuler 2009: 30). Een handmatige methode kan worden gekozen vanuit een theoretische redenering. Zo kunnen de respondenten bijvoorbeeld worden geclusterd op demografische variabelen, zoals geslacht en onderwijs (Danesh et al, 2008: 766-767). Omdat het doel van de Q-methodologie het verkrijgen van groepen standpunten die bestaan tussen respondenten is, is de Varimax methode wiskundig superieur vergeleken met de handmatige methode. Ook volgens Watts & Stenner (2005:81) is de Varimax rotatie de beste methode.

Na de Centroid analyse en de Varimax rotatie worden de factorladingen gegeven. Factorladingen geven de mate aan waarin de Q-sort van een individu correleert met een bepaalde factor (profiel). De ladingen kunnen theoretisch variëren van volledige overeenstemming (1) tot volledige onenigheid (-1). Als een factorlading 0 is, dan is er geen overeenkomst. Als een respondent hoger scoort dan een minimale score, dan kan de respondent worden toegeschreven aan een bepaalde factor. Om de minimale score te berekenen wanneer een respondent kan worden toegeschreven aan een factor, wordt de volgende formule gebruikt: 2.58 ÷ √N. N is het totale aantal uitspraken (Webler, Danielson & Tuler 2009: 31). Het toewijzen van een respondent aan een bepaalde factor wordt ‘flagging’ genoemd.

De laatste stap voordat de factoren geïnterpreteerd kunnen worden, is het berekenen van de factorscores en het bekijken van zowel de kenmerkende als onderscheidende stellingen Een factorscore is de genormaliseerde gemiddelde Z-score, van de respondenten, die de factor definiëren. Door het hanteren van Z-scores kan er een ideale Q-sort voor elke factor bepaald worden. Deze geïdealiseerde Q-sort geeft aan hoe een respondent, met een 100% lading op een bepaalde factor, de 37 stellingen geordend zou hebben (Van Exel & De Graaf, 2005: 67). (Van Exel & De Graaf, 2005: 67).

Voordat de uitkomsten besproken worden dient er nog ingegaan te worden op de geïdealiseerde Q-sorts. De geïdealiseerde Q-sort geeft aan hoe een respondent, met een 100% lading op een bepaalde factor (profiel), de 37 stellingen geordend zou hebben (Van Exel & De Graaf, 2005: 67). De geïdealiseerde Q-sorts geven ook aan in hoeverre elke stelling van het middelpunt van de Q-sort verwijderd ligt. Stellingen met een hoge en dus positieve Z-score

representeren de rechterkant van de geïdealiseerde Q-sort (+3). De stellingen met een lage en dus negatieve Z-score geven de linkerkant aan (-3). Deze stellingen worden ook wel karakteristieke stellingen genoemd. Daarnaast zijn er onderscheidende stellingen. Dit zijn stellingen die significant verschillen van positie ten opzichte van de positie van de geïdealiseerde Q sortering van de andere profielen.