Voordat we beginnen met de tips moet je weten wat SPSS eigenlijk is. SPSS (Statistical Package for the Social Sciences) is het meest gebruikte statistische computerprogramma op het HBO en het WO. Het is de ‘praktische’ uitvoering van de statistiek. Je kunt met dit programma dus statistische analyses uitvoeren. De software van het computerprogramma SPSS bestaat uit drie delen die samen een duidelijk en overzichtelijk geheel vormen: de Dataset, de Syntax en de Output. Je hebt ze alledrie nodig om zo efficiënt mogelijk met het programma te kunnen werken. Als je eenmaal door hebt hoe het programma werkt, dan haal je zo de benodigde informatie uit de drie onderdelen en blijkt SPSS helemaal niet zo’n lastig programma is als je altijd gedacht hebt.

Voordat je toetsen uit mag voeren, moet je vaak de assumpties controleren. SPSS heeft verschillende toetsen die (bijna) allemaal andere assumpties hebben. Deze assumpties zorgen voor veel verwarring bij studenten en dat is begrijpelijk. Geen paniek! We bieden individuele SPSS begeleiding aan zodat je meer overzicht krijgt in het geheel.

Onder descriptive statistics oftewel omschrijvende statistiek, vallen de SPSS functies frequencies (aantallen), descriptives (beschrijven) en explore (onderzoeken). Deze gebruik je om je data te beschrijven. Als je wilt weten hoeveel mannen en hoeveel vrouwen in je onderzoek voorkomen gebruik je de functie frequencies. De gemiddelde leeftijd kun je achterhalen met de functie descriptives. De functie explore wordt gebruikt om naar de vorm van je data te kijken, bijvoorbeeld of deze wel normaal verdeeld is; normale verdeling is een belangrijke assumptie in de statistiek.

Factor analyse wordt gebruikt om te kijken of meerdere variabelen samen te voegen zijn tot één of enkele factor. De factor analyse kijkt naar onderliggende patronen en correlaties tussen de verschillende items. Items die vergelijkbare patronen hebben worden bij elkaar geplaatst. Op deze manier ontstaat er mogelijk één factor of enkele factoren.

Als je de onderliggende structuur van een groep items wilt onderzoeken. Deze toets is dus niet bedoeld om een hypothese te toetsen maar om je data te reduceren tot (enkele) factoren.

Voorbeeld: Je hebt 8 vragen (V1 t/m V8). Met behulp van de factor analyse worden de vragen die onderling een hoge correlatie hebben (dus veel op elkaar lijken) geclusterd. V1 t/m V4 (motivatie gerelateerd) en V5 t/m V8 (intelligentie gerelateerd) worden samen geclusterd en vormen dus 2 aparte factoren. Door vervolgens V1 t/m V4 samen te nemen meet je de factor “motivatie” en V5 t/m V8 de factor “intelligentie”.

Cronbach’s alpha is een manier om vast te stellen of meerdere items samen één schaal mogen vormen. Dit wordt getoetst op basis van de onderlinge correlatie van de verschillende items.

Voorbeeld: Mogen item 1 (hoe gelukkig ben jij in de ochtend), item 2 (hoe gelukkig ben jij in de middag) en item 3 (hoe gelukkig ben jij in de avond) samengenomen worden tot de schaal “geluk”?

Op basis van een gemiddelde wordt getoetst of er een verschil is met een gegeven gemiddelde (One Sample t-test), het gemiddelde van een andere groep (Independent Samples t-test) of dezelfde groep op een ander moment (Paired Samples t-test)

Wanneer gebruik je het? Als je een hypothese wilt toetsen op basis van gemiddelden. De t-test is alleen geschikt voor één of twee groepen.

Voorbeeld van de Independent samples t-test: Je wilt de volgende hypothese toetsen: zijn mannen gemiddeld intelligenter vrouwen? Je vergelijkt dan de gemiddelde intelligentie van de mannen met dat van de vrouwen.

Voorbeeld van de Paired samples t-test: Je wilt de hypothese toetsen: zijn mannen in januari intelligenter dan in juni? Je vergelijkt dan het gemiddelde van januari met het gemiddelde in juni van dezelfde groep mannen.

Voorbeeld van de One Sample t-test: Je wilt de hypothese toetsen: zijn mannen intelligenter dan het landelijk gemiddelde (100)? Je vergelijkt dan het gemiddelde van de mannen in jouw steekproef met het landelijk gemiddelde (100).

De ANOVA staat voor ANalysis Of VAriance en toetst hypotheses door groepgemiddeldes met elkaar te vergelijken. De ANOVA analyseert de verschillen (in variantie) binnen de groepen met de verschillen (in variantie) tussen de groepen. Dit wordt getoetst met de F-toets. De onafhankelijke variabele die de groepen onderscheidt wordt ook wel de factor genoemd.

Wanneer gebruik je deze toets? Als je een hypothese wilt toetsen op basis van groepsgemiddelden van één onafhankelijke variabele of factor. Je toetst of er überhaupt een verschil aanwezig is tussen de gemiddelden en vervolgens hoe de verschillende gemiddelden van elkaar verschillen door gebruik te maken van de Post Hoc test. De ANOVA is geschikt om hypothesen te toetsen met twee of meer groepsgemiddelden.

Voorbeeld: Je wilt de hypothese toetsen: zijn er verschillen in intelligentie tussen Nederlanders, Belgen en Duitsers? Je toetst dan of de gemiddelden van de Nederlanders, Belgen en Duitsers van elkaar verschillen en met de Post Hoc test welke van de groepen dan significant van elkaar verschillen.

De Two-way ANOVA toetst hypotheses op basis van groepsgemiddelden en maakt gebruik van twee (of meer) factoren of onafhankelijke variabelen. Door subgroepen te creëren en de variantie binnen de subgroepen te vergelijken met de variantie tussen de subgroepen, wordt getoetst of er een interactie-effect aanwezig is.

Wanneer gebruik je deze toets? Als je meerdere hypothesen wilt toetsen op basis van groepsgemiddelden met twee of meer factoren of onafhankelijke variabelen. Hierdoor kunnen, naast de effecten van de factoren op zich (hoofdeffecten), de gecombineerde effecten van de factoren worden getoetst (interactie-effecten).

Voorbeeld: Je wilt de volgende hypothese toetsen: is er naast de hoofdeffecten van intelligentie en studie-uren op het tentamencijfer ook een interactie-effect aanwezig? Je toetst dan of, naast dat je een hoger cijfer hebt omdat je intelligenter (hoofdeffect) bent en omdat je meer studeert (hoofdeffect), er nog een extra gecombineerd effect van de hoogte van intelligentie en aantal studie-uren bestaat (interactie-effect).

Het staat voor Multivariate ANalysis Of VAriance. Het verschilt met de (Two-way) ANOVA in de zin dat je naast meerdere onafhankelijke variabelen de groepen kan toetsen op meerdere afhankelijke variabelen (dezen moeten wel aan elkaar gerelateerd zijn).

Wanneer gebruik je het? Je gebruikt de MANOVA als je 2 of meer groepen met elkaar wilt vergelijken in combinatie met één of meer onafhankelijke variabelen op basis van gemiddelden van meerdere afhankelijke variabelen. Op deze manier worden de hoofdeffecten voor elkaar en op de interactie-effecten gecontroleerd. De meerwaarde van de MANOVA is dat de scores van de afhankelijke variabelen worden gecombineerd, zodat er een beter beeld gevormd kan worden van wat de invloed van de onafhankelijke variabelen is.

Voorbeeld: Je wilt onderzoeken of mensen met een hoge intelligentie een hoger cijfer halen op het wiskundetentamen en het tentamen Nederlands (of het wiskundetentamen in periode 1 en in periode 2) dan mensen met een lage intelligentie. Net als bij de ANOVA vergelijk je verschillende groepen met elkaar. In dit geval: intelligentie hoog/laag (er kunnen ook nog meer intelligentiegroepen zijn, maar voor het voorbeeld gebruiken we deze twee). De MANOVA stelt ons in staat te onderzoeken of de groep ‘intelligentie hoog’ een hoger gecombineerd cijfer heeft dan de groep ‘intelligentie laag’. In dit voorbeeld is gebruik gemaakt van een enkelvoudige MANOVA om de meerwaarde van de MANOVA duidelijk te maken.

De regressieanalyse toetst of er een lineair verband is tussen één of meerdere onafhankelijke variabelen en één afhankelijke variabele. De regressie schat een rechte lijn die het best past bij een puntenwolk of scatterplot. Dit wordt berekend door na te gaan welke (geschatte) lijn de minste error variantie heeft met de individuele punten (linear least-square method).

Wanneer gebruik je het? Je wilt onderzoeken of één of meerdere onafhankelijke variabelen invloed hebben op één afhankelijke variabele. Tevens vertelt de regressieanalyse of dit een positieve of negatieve invloed is.

Voorbeeld: Je wilt de volgende hypothese toetsen: heeft de lengte in centimeters van een persoon (onafhankelijke variabele) een positieve invloed heeft op het gewicht in kilogrammen (afhankelijke variabelen). Dit is een enkelvoudige regressieanalyse omdat er gebruikt gemaakt wordt van één onafhankelijke variabele. Wordt er gebruik gemaakt van meer dan één onafhankelijke variabele, dan spreek je van een multiple regressieanalyse.

De multiple regressieanalyse kijkt of er, op basis van de correlatie van meerdere onafhankelijke variabelen met de afhankelijke variabelen, een (voorspellend) verband is dat gebruikt kan worden om een hypothese te toetsen. De multiple regressieanalyse maakt gebruik van continue of interval data, maar kan daarnaast ook één of meerdere categorische variabelen meenemen als onafhankelijke variabele (als zogeheten dummies).

Wanneer gebruik je het? Je gebruikt de multiple regressieanalyse om te toetsen of meerdere onafhankelijke variabelen invloed hebben op een afhankelijke variabele en of dit een positief of negatief effect is. Tevens is het mogelijk om interactie-effecten te toetsen.

Voorbeeld: Je wilt onderzoeken of intelligentie (onafhankelijke variabele) en het aantal studie-uren (onafhankelijk variabele) invloed hebben op het tentamencijfer (afhankelijk variabele). Je toetst dan bijvoorbeeld de hypothese: hoe hoger de intelligentie en hoe meer studie uren, hoe hoger het tentamencijfer (of intelligentie en studie uren hebben een positieve invloed op het tentamencijfer). Daarnaast kun je nog het interactie-effect tussen intelligentie en studie uren toetsen door beiden te standaardiseren (!), met elkaar te vermenigvuldigen en te gebruiken als nieuwe variabele.