WGR Werk, Geldzaken, Recht en de Beurs
Hier kun je alles kwijt over sollicitaties, werksituaties, belastingen, (handelen op) de beurs, hypotheken, beleggingen en salarissen, arbeidscontracten of geschillen met je (huis)baas. Alles over werk, geldzaken en recht dus.
Is dat zo? Wat ik lees:quote:Op dinsdag 1 juli 2014 13:23 schreef Hallmark het volgende:
[..]
Ik denk het niet. Er staat alleen dat er een verband is, maar ik vermoed dat ze een negatief verband bedoelen.
Versus:quote:mensen die zichzelf goed in staat voelen om met geldzaken om te gaan hebben een sterkere spaarintentie.
Ook financiële risico tolerantie bleek spaarintentie te beïnvloeden: mensen die weinig financiële risico's willen nemen hebben een sterkere neiging tot sparen, terwijl mensen die bereid zijn om meer financiële risico's te nemen minder spaarintentie hebben.
Op een rijtje:quote:Financiële risico tolerantie werd op zijn beurt vooral beïnvloed door subjectieve financiële kennis: het bleek dat mensen die van mening zijn dat ze veel verstand hebben van geldzaken bereid zijn om meer financiële risico's te nemen. Mensen die dachten minder verstand te hebben van financiële zaken hadden juist een lage tolerantie voor financiële risico's.
Goed instaat voelen met geldzaken omgaan = sterke spaarintentie.
Weinig risico's willen nemen = sterke spaarintentie
Weinig verstand denken te hebben van geld = weinig risico's willen nemen
Kan je daar dan niet uit concluderen dat mensen die zich goed instaat voelen met geldzaken om te gaan denken weinig verstand van geldzaken te hebben?
Hmm.. kan TS dat verder verklaren?
Geinspireerd door historische gebeurtenissen en karakters. Dit werk van fictie was ontworpen, ontwikkeld en geproduceerd door een multicultureel team van verschillende religies en geloven.
Dat klopt, maar daar moet dan wel bij worden gemeld dat er niet werd gevraagd naar hoeveel mensen hadden gespaard (doordat dat een vertekend beeld kan geven doordat mensen met een hoog inkomen een spaardoel van x euro's natuurlijk makkelijker kunnen bereiken dan bijvoorbeeld studenten).quote:
Wel interessant, dit.
Dus als ze écht willen, dan vinden mensen echt wel een manier om te sparen.
Als mensen werd gevraagd "Heeft u 10.000 euro gespaard voor financiële tegenslagen?", dan zouden veel mensen waarschijnlijk niet een manier hiervoor kunnen vinden, zelfs als ze het wel willen.
Dat klopt; mensen die zich competent voelden als het aankwam op geldzaken hadden een sterkere spaarintentie.quote:
Op een rijtje:
Goed instaat voelen met geldzaken omgaan = sterke spaarintentie.
Klopt ook; mensen die maar weinig financiële risico's willen tolereren hadden meer neiging om geld te sparen.quote:
Weinig risico's willen nemen = sterke spaarintentie
Dat klopt ook, met het tegengestelde voor mensen die dachten veel verstand te hebben van geld: die waren bereid om meer financiële risico's te nemen.quote:
Weinig verstand denken te hebben van geld = weinig risico's willen nemen
Ik zou niet durven zeggen dat dat daaruit kan worden geconcludeerd (omdat dat een andere analyse was), maar het was inderdaad zo dat 'goed instaat voelen om met geldzaken om te gaan' samenhing met (dus niet direct voorspellend van) 'de eigen mening over de financiële kennis'. Mensen die hun eigen financiële kennis hoog inschatten hadden ook een sterker idee dat ze goed met geldzaken konden omgaan. Maar er is in het onderzoek niet gekeken naar wat deze relatie veroorzaakt:quote:
Kan je daar dan niet uit concluderen dat mensen die zich goed instaat voelen met geldzaken om te gaan denken weinig verstand van geldzaken te hebben?
• Misschien dat mensen met het idee dat ze veel financiële kennis hebben zich daarom ook goed in staat voelen om met geldzaken om te gaan,
• Misschien dat mensen die vinden dat ze goed omgaan met geldzaken daarom ook het idee hebben dat ze veel financiële kennis hebben,
• Of misschien dat beide worden veroorzaakt door iets anders. Wellicht dat hoogopgeleiden of mensen met ervaring met financiële producten/beslissingen zowel het idee hebben dat ze goed kunnen omgaan met geldzaken en een hoge financiële kennis hebben.
Ik zie zelf geen tegenstrijdigheid hierin, maar daarvoor zit ik er misschien te dicht op. Heb ik goed begrepen wat je bedoelde en is het nu duidelijker?
Nee, je hebt het niet goed begrepen.quote:
• Misschien dat mensen met het idee dat ze veel financiële kennis hebben zich daarom ook goed in staat voelen om met geldzaken om te gaan,• Misschien dat mensen die vinden dat ze goed omgaan met geldzaken daarom ook het idee hebben dat ze veel financiële kennis hebben,• Of misschien dat beide worden veroorzaakt door iets anders. Wellicht dat hoogopgeleiden of mensen met ervaring met financiële producten/beslissingen zowel het idee hebben dat ze goed kunnen omgaan met geldzaken en een hoge financiële kennis hebben.Ik zie zelf geen tegenstrijdigheid hierin, maar daarvoor zit ik er misschien te dicht op. Heb ik goed begrepen wat je bedoelde en is het nu duidelijker?
Wat jou conclusies pretenderen is:
• Dat mensen die vinden dat ze goed met geld om kunnen gaan weinig risico's nemen en denken weinig verstand te hebben van geld.
De tegenstrijdigheid zit hem dus in:
• Mensen die vinden dat ze goed met geld om kunnen gaan denken weinig verstand te hebben van geld.
Blijkbaar heeft het dus wel met inkomen te maken alleen is het verband dus invers en tegen-intuïtief.quote:
Opvallend genoeg lijkt dit niet veel te maken te hebben met inkomen; mensen die 10 euro per maand overhouden kunnen veel consistenter en gedisciplineerder sparen dan mensen die elke maand 300 euro overhouden.
Health In Harmony is een non-profitorganisatie die regenwoudgemeenschappen helpt met gezondheidszorg en duurzame inkomens in ruil voor bosbescherming, en zo tegelijk klimaatverandering en armoede aanpakt. - https://www.healthinharmony.org/
Omdat deze TS niet (zoals heel veel mensen) alleen zijn enquête plaatst en dan vertrekt heb ik besloten het maar in te vullen.
Ah zodoende. Wat volgens jou de conclusies beweren is niet onderzocht in dit onderzoek, dus ik zou niet kunnen zeggen of je beide aannames op basis van de conclusies kloppen of niet.quote:
[..]
Nee, je hebt het niet goed begrepen.
Wat jou conclusies pretenderen is:
• Dat mensen die vinden dat ze goed met geld om kunnen gaan weinig risico's nemen en denken weinig verstand te hebben van geld.
De tegenstrijdigheid zit hem dus in:
• Mensen die vinden dat ze goed met geld om kunnen gaan denken weinig verstand te hebben van geld.
Gedeeltelijk; tegen-intuïtief wel maar een verband niet: als gerapporteerd spaargedrag wordt voorspeld met spaarintentie en financiële zelfeffectiviteit (de mate waarin iemand het idee heeft om goed te kunnen omgaan met geldzaken) dan hadden demografische variabelen als inkomen geen voorspellende waarde.quote:Op woensdag 2 juli 2014 17:09 schreef SpecialK het volgende:
[..]
Blijkbaar heeft het dus wel met inkomen te maken alleen is het verband dus invers en tegen-intuïtief.
Kort gezegd maakt het dus eigenlijk niet uit hoeveel iemand verdient (of het nu veel of weinig is), want als we spaarintentie en financiële zelfeffectiviteit meenemen hebben demografische variabelen geen invloed meer.
1. Dit lijkt me gewoon een Theory of Planned Behavior-toepassing? Wat is er precies vernieuwend aan?
Hoe heb je spaargedrag gemeten? Ook als zelfrapportage? Hoe scherp is de scheidslijn tussen intentie en gedrag dan?
2. Je trekt causale conclusies uit een surveyonderzoek? Ik zie meerdere keren "van invloed op" staan. Ik mag toch hopen dat je dat in je thesis niet als zodanig verwoord hebt, want meer dan voorspellen kun je niet met zo'n vragenlijstonderzoek (voor zover ik je resultaten kan zien en het topic heb gelezen).
3. Welke opleiding heb je gedaan?
Hoe heb je spaargedrag gemeten? Ook als zelfrapportage? Hoe scherp is de scheidslijn tussen intentie en gedrag dan?
2. Je trekt causale conclusies uit een surveyonderzoek? Ik zie meerdere keren "van invloed op" staan. Ik mag toch hopen dat je dat in je thesis niet als zodanig verwoord hebt, want meer dan voorspellen kun je niet met zo'n vragenlijstonderzoek (voor zover ik je resultaten kan zien en het topic heb gelezen).
3. Welke opleiding heb je gedaan?
wow, iemand die terugkomt met de resultaten na op FOK! een enquete geplempt te hebben.
Zouden veel meer moeten doen, dan word ik wel bereidwillig enquetes in te vullen.
goed werk
Zouden veel meer moeten doen, dan word ik wel bereidwillig enquetes in te vullen.
goed werk
Dat klopt, die theorie is als uitgangspunt genomen.quote:
1. Dit lijkt me gewoon een Theory of Planned Behavior-toepassing?
In termen van TPB:quote:
• Attitude vervangen door financiële risico tolerantie.
• Behavioural beliefs vervangen door economisch vertrouwen, subjectieve financiële kennis, preventie/promotie focus.
• Preventie/promotie focus toegevoegd als voorspeller van spaarintentie.
• Perceived behavioural control vervangen door financiële zelfeffectiviteit.
• Waargenomen spaarobstakels als moderator en mediator van de relatie spaarintentie - spaargedrag toegevoegd.
Gemeten als zelfgerapporteerd spaargedrag, wat eigenlijk niet anders kan bij een privacy gevoelig onderwerp.quote:
Hoe heb je spaargedrag gemeten? Ook als zelfrapportage? Hoe scherp is de scheidslijn tussen intentie en gedrag dan?
Ik zie niet een wezenlijk verschil in betekenis tussen "van invloed op" en "voorspellen", behalve dat die eerste waarschijnlijk voor veel mensen begrijpelijker is.quote:
2. Je trekt causale conclusies uit een surveyonderzoek? Ik zie meerdere keren "van invloed op" staan. Ik mag toch hopen dat je dat in je thesis niet als zodanig verwoord hebt, want meer dan voorspellen kun je niet met zo'n vragenlijstonderzoek (voor zover ik je resultaten kan zien en het topic heb gelezen).
Psychologie van Conflict, Risico en Veiligheid.quote:
Ooit van confounding gehoord?quote:
Ik zie niet een wezenlijk verschil in betekenis tussen "van invloed op" en "voorspellen", behalve dat die eerste waarschijnlijk voor veel mensen begrijpelijker is.
Voorbeeld: hoe groter het aantal ijsjes is dat op een dag wordt verkocht, hoe groter de kans is dat er een kind kwijtraakt in het zwembad. (dit voorbeeld is oorspronkelijk met verdrinkingen, maar laten we het gezellig houden)
De conclusie dat ijsjes van invloed zijn op het kwijtraken van kinderen is echter onjuist! Zowel de verkoop van ijsjes als de drukte in zwembaden staan namelijk onder invloed van een derde factor, namelijk de buitentemperatuur.
Als je de term "van invloed op" gebruikt, moet je wel héél zeker weten dat jouw resultaten niet vertekend zijn door factoren die buiten beeld zijn gebleven.
Amen!quote:
[..]
Ooit van confounding gehoord?
Voorbeeld: hoe groter het aantal ijsjes is dat op een dag wordt verkocht, hoe groter de kans is dat er een kind kwijtraakt in het zwembad. (dit voorbeeld is oorspronkelijk met verdrinkingen, maar laten we het gezellig houden)
De conclusie dat ijsjes van invloed zijn op het kwijtraken van kinderen is echter onjuist! Zowel de verkoop van ijsjes als de drukte in zwembaden staan namelijk onder invloed van een derde factor, namelijk de buitentemperatuur.
Als je de term "van invloed op" gebruikt, moet je wel héél zeker weten dat jouw resultaten niet vertekend zijn door factoren die buiten beeld zijn gebleven.
Of dat het verband omgekeerd is. Misschien zijn kinderen wel van invloed op het aantal verkochte ijsjes.
Correlatie is geen causatie.
Ik herhaal:
Correlatie is geen causatie.
(Google daar maar eens op, krijg je nog veel betere uitleg.)
Of reverse causation.
Het verkoop van paraplu's is gerelateerd aan hoeveel regen er komt vallen. Echter hoeveel paraplu's verkocht worden heeft absoluut geen invloed op hoeveel regen er komt vallen. Het is andersom.
Zoals babybanaan schreef is correlatie is geen causatie.
Wat een grove fout zeg...
[ Bericht 0% gewijzigd door miro86 op 07-07-2014 20:34:46 ]
Het verkoop van paraplu's is gerelateerd aan hoeveel regen er komt vallen. Echter hoeveel paraplu's verkocht worden heeft absoluut geen invloed op hoeveel regen er komt vallen. Het is andersom.
Zoals babybanaan schreef is correlatie is geen causatie.
Wat een grove fout zeg...
[ Bericht 0% gewijzigd door miro86 op 07-07-2014 20:34:46 ]
2017: RGN BKK FCO LHR NRT LHR TLL LHR MIA BOG MIA JFK LHR LHR
2018: BCN SOF MLA IST ZAG DBV SPU ZAG SOF BOJ IST CGK JOG LOP DPS LBJ DPS SIN IST KBP BKK LPQ UTH KBP
2019: BCN LCY AGP SBZ KBP LPP SVL DOH JNB CPT DOH TFS
2020: ALC BIO LCY
2018: BCN SOF MLA IST ZAG DBV SPU ZAG SOF BOJ IST CGK JOG LOP DPS LBJ DPS SIN IST KBP BKK LPQ UTH KBP
2019: BCN LCY AGP SBZ KBP LPP SVL DOH JNB CPT DOH TFS
2020: ALC BIO LCY
Ik hoop vooral dat het in de thesis niet zo verwoord is, want dat zou echt wel heel zonde zijn. Maar gezien de opmerkingen over het niet-wezenlijke verschil, vrees ik het ergste...quote:
Of reverse causation.
Het verkoop van paraplu's is gerelateerd aan hoeveel regen er komt vallen. Echter hoeveel paraplu's verkocht worden heeft absoluut geen invloed op hoeveel regen er komt vallen. Het is andersom.
Zoals banaan schreef is correlatie is geen causatie.
Wat een grove fout zeg...
Ik had het over de statistische uitkomsten. In jouw voorbeeld zal ijsjes zowel van invloed zijn op als voorspellend van het kwijtraken van kinderen, tenzij gecorrigeerd voor de buitentemperatuur.quote:
Voorbeeld: hoe groter het aantal ijsjes is dat op een dag wordt verkocht, hoe groter de kans is dat er een kind kwijtraakt in het zwembad. (dit voorbeeld is oorspronkelijk met verdrinkingen, maar laten we het gezellig houden)
De conclusie dat ijsjes van invloed zijn op het kwijtraken van kinderen is echter onjuist! Zowel de verkoop van ijsjes als de drukte in zwembaden staan namelijk onder invloed van een derde factor, namelijk de buitentemperatuur.
En als de verkoop van ijsjes van invloed is op het kwijtraken van kinderen, dan voorspelt het ook een deel van de variantie in het kwijtraken van kinderen. En andersom, als de ijsjesverkoop het kwijtraken van kinderen voorspeld, dan is het ook van invloed hierop. Ik zie daar dus per saldo geen verschil in als het gaat om het communiceren van de resultaten.
Als je het hebt over het discussie deel van het onderzoek, of de beperkingen en aanbevelingen voor verder onderzoek, en hoeverre statistisch significante resultaten ook praktisch significante resultaten zijn, dan ligt het natuurlijk anders. Maar voor het samenvattend weergeven van de resultaten voor het grote publiek?
* * *
Wel grappig dat er al snel wordt aangenomen dat er 'grove' fouten zitten in het onderzoek en dat er moet worden gevreesd voor het ergste, alsof er geen twee begeleiders waren die alles hebben overzien.
In de these staat natuurlijk niet dat correlatie causatie is, bijvoorbeeld:quote:
Of reverse causation.
Het verkoop van paraplu's is gerelateerd aan hoeveel regen er komt vallen. Echter hoeveel paraplu's verkocht worden heeft absoluut geen invloed op hoeveel regen er komt vallen. Het is andersom.
Zoals babybanaan schreef is correlatie is geen causatie.
Wat een grove fout zeg...
* * *quote:Financial risk tolerance displayed a positive relationship with saving intention (r = .46, p < .001), highlighting that a higher financial risk intolerance was accompanied with a greater intention to save money. Furthermore, financial knowledge was negatively related to financial risk tolerance (r = -.46, p < .001): more financial knowledge is associated with more tolerance for financial risks.
In het onderzoek wordt gesproken over 'voorspellend van':quote:
[..]
Ik hoop vooral dat het in de thesis niet zo verwoord is, want dat zou echt wel heel zonde zijn. Maar gezien de opmerkingen over het niet-wezenlijke verschil, vrees ik het ergste...
Gezien de gebruikte statistische analyse is het gebruik van 'voorspellend van' hier correct (zie bijvoorbeeld het standaardwerk van Field et al., 2012) en in de context van dit onderzoek ook correct. Het doel van het onderzoek was immers het toetsen van relaties tussen variabelen in een verondersteld model.quote:Predicting saving intention. As depicted in the theoretical model, saving intention (DV) was assumed to be predicted by financial risk tolerance, regulatory focus, subjective saving norms, and perceived financial self-efficacy (IVs). A hierarchical regression analysis was performed to see if these assumptions were validated by the data. Based on the a priori formulated theoretical expectations and the found correlations, the first model included financial risk tolerance, followed by adding financial self-efficacy, subjective saving norms, and regulatory focus in the second till fourth model, respectively.
The final model succeeded in explaining 44% of the variance in saving intention. The strongest predictors were financial risk tolerance (β = .55, p < .001) and financial self-efficacy (β = .49, p < .001), while regulatory focus had a minor influence (β = -.11, p < .05) and the impact of subjective saving norms was absent (β = .08, n.s.). These results showed the following: an intolerance of financial risks leads to a stronger intention to save money, a stronger financial self-efficacy leads to a greater intention to save money, and a prevention focus predicts more saving intention. Given that the impact of subjective saving norms was insignificant, individuals formulated their saving intentions independent from others’ perceived opinions.
De data van participanten kan dan worden gebruikt om veronderstelde voorspellende relaties te toetsen van het model, wat door meerdere aangehaalde gepubliceerde onderzoeken in de these wordt gedaan. Het is redelijk standaard om zo survey data te onderzoeken.
Of dat nu wel of niet de beste analyse methode is en of er geen groot 'spaarexperiment' had moet worden opgezet om 'echt' oorzaak-gevolg relaties te kunnen vaststellen en alle confounding variabelen mee te nemen, dat is een geheel andere discussie die losstaat van dit onderzoek. Gegeven de beschikbare tijd, privacy en ethische aspecten, en het budget (geen) was dat sowieso niet mogelijk geweest.
Field, A., Miles, J., & Field, Z. (2012). Discovering Statistics Using R. London: SAGE Publications.
Oké, tipje van mij: google toch maar eens op correlatie is geen causatie. Die onderstreepte opmerking kan echt niet. En daardoor vrees ik nog steeds voor het ergste. Misschien wel in je thesis, maar het feit dat je dit zo stelt, doet bij mij een vermoeden rijzen dat je echt niet begrepen hebt wat correlatie en wat causatie is - en vooral hoe die twee zich tot elkaar verhouden.quote:
Ik had het over de statistische uitkomsten. In jouw voorbeeld zal ijsjes zowel van invloed zijn op als voorspellend van het kwijtraken van kinderen, tenzij gecorrigeerd voor de buitentemperatuur.
En als de verkoop van ijsjes van invloed is op het kwijtraken van kinderen, dan voorspelt het ook een deel van de variantie in het kwijtraken van kinderen. En andersom, als de ijsjesverkoop het kwijtraken van kinderen voorspeldt, dan is het ook van invloed hierop. Ik zie daar dus per saldo geen verschil in als het gaat om het communiceren van de resultaten.
Voorspellen is niet beïnvloeden.
Invloed hebben op = veroorzaken van verandering.
Voorspellen = twee verschijnselen komen samen voor - en veranderen dus samen.
Dus jij zegt dat de ijsjesverkoop veroorzaakt dat kinderen kwijtraken. Niet dat wanneer de ijsjesverkoop stijgt, meer kinderen kwijtraken, maar doordat er meer ijsjes verkocht worden, er ook meer kinderen kwijtraken.
Hoe je het aan je grote publiek ook wilt verkopen, ik hou van correcte formuleringen. Kijk eens wat je publiek hier (ten onrechte uit zou kunnen concluderen). Neem het voorbeeld van de ijsjes: "misschien moet de ijsverkoop dan maar niet stijgen, want dan raken er tenminste minder kinderen kwijt". En dan maakt het echt geen verschil of het puur praktisch of statistisch is: die twee zijn nauw met elkaar verbonden wat mogelijke conclusies betreft. Je methodologische en statistische praktijken kaderen je praktische implicaties.quote:Als je het hebt over het discussie deel van het onderzoek, of de beperkingen en aanbevelingen voor verder onderzoek, en hoeverre statistisch significante resultaten ook praktisch significante resultaten zijn, dan ligt het natuurlijk anders. Maar voor het samenvattend weergeven van de resultaten voor het grote publiek?
Gelukkig maar. Ik hoop vanuit de grond van mijn hart dat je het zelf ook overziet. En ik meen het oprecht.quote:Wel grappig dat er al snel wordt aangenomen dat er 'grove' fouten zitten in het onderzoek en dat er moet worden gevreesd voor het ergste, alsof er geen twee begeleiders waren die alles hebben overzien.
quote:In de these staat natuurlijk niet dat correlatie causatie is
Gelukkig maar, want dat is de enige correcte formulering voor een regressieanalyse met een dergelijk design (in termen van causatie dan).quote:In het onderzoek wordt gesproken over 'voorspellend van':
Klopt, daar ben ik het ook mee eens.quote:Gezien de gebruikte statistische analyse is het gebruik van 'voorspellend van' hier correct (zie bijvoorbeeld het standaardwerk van Field et al., 2012) en in de context van dit onderzoek ook correct. Het doel van het onderzoek was immers het toetsen van relaties tussen variabelen in een verondersteld model.
De data van participanten kan dan worden gebruikt om veronderstelde voorspellende relaties te toetsen van het model, wat door meerdere aangehaalde gepubliceerde onderzoeken in de these wordt gedaan. Het is redelijk standaard om zo survey data te onderzoeken.
Maar dat is ook geen issue. Vele onderzoekers zullen erkennen dat een dergelijk surveyonderzoek soms de beste balans tussen voor- en nadelen geeft. Gezien het onderwerp en jouw middelen is een survey waarschijnlijk ook het meest haalbare - en dat is begrijpelijk. Een spaarexperiment had ook gekund, maar dan was het waarschijnlijk een taakje geweest, dat misschien wel weinig extern valide was geweest. Hoeft niet, maar kan wel. Soms is het echt gewoon prima om mensen gewoon te vragen.quote:Of dat nu wel of niet de beste analyse methode is en of er geen groot 'spaarexperiment' had moet worden opgezet om 'echt' oorzaak-gevolg relaties te kunnen vaststellen en alle confounding variabelen mee te nemen, dat is een geheel andere discussie die losstaat van dit onderzoek. Gegeven de beschikbare tijd, privacy en ethische aspecten, en het budget (geen) was dat sowieso niet mogelijk geweest.
Het gaat er wel om hoe je die antwoorden vervolgens interpreteert. Ken de beperkingen van surveyonderzoek en weet dat je niet over oorzaken kunt spreken. Niet getoetst, dus alleen in je discussie kun je daar voorstellen voor doen.
Psychologie van het sparen: misschien dat ik er overheen heb gelezen maar geen enkel woord over het doel van sparen? Ik denk nogal invloed heeft op de intentie en er derhalve geen stellige opmerkingen gemaakt kunnen worden over verstand van zaken, risico willen nemen, etc.
Your life is your life: go all the way
https://youtu.be/2lK4LrD8Ii4
https://youtu.be/2lK4LrD8Ii4
Hiermee is het me duidelijk waarom we langs elkaar praten: wat jij verstaat onder "voorspellen" bedoel je een causaal verband mee, als ik het heb over voorspellen bedoel ik verklaarde variantie (als in: een variabele die 'predictive of' een andere is, oftewel lineaire correlatie, wat niet een real-life causaal verband hoeft te betekenen). Het doel van mijn onderzoek was ook niet real-life causale verbanden te ontdekken, maar zoals gezegd het model te toetsen om te zien of variabele A een deel van de variantie in variabele B "voorspelde" (lees: verklaarde).quote:
Voorspellen is niet beïnvloeden.
Invloed hebben op = veroorzaken van verandering.
Voorspellen = twee verschijnselen komen samen voor - en veranderen dus samen.
Ik denk dat je het nu wat te zwaar aanzet. In de samenvatting van het onderzoek zie ik zelf geen causale claims, ik heb het over 'van invloed op', wat ruimte openlaat voor een confounding variabele die ook een rol speelt of misschien wel de hele relatie teniet doet.quote:
Kijk eens wat je publiek hier (ten onrechte uit zou kunnen concluderen). Neem het voorbeeld van de ijsjes: "misschien moet de ijsverkoop dan maar niet stijgen, want dan raken er tenminste minder kinderen kwijt".
Maar misschien dat er ook een verschil van betekenis is tussen wat ik probeer over te brengen met de woorden 'van invloed op' en wat de lezer daaruit haalt.
Sparen voor een financiële buffer om om te gaan met tegenslagen:quote:
Psychologie van het sparen: misschien dat ik er overheen heb gelezen maar geen enkel woord over het doel van sparen? Ik denk nogal invloed heeft op de intentie en er derhalve geen stellige opmerkingen gemaakt kunnen worden over verstand van zaken, risico willen nemen, etc.
Het doel van sparen is hierop waarschijnlijk inderdaad sterk van invloed. Daarnaast werden mensen in het onderzoek ook niet gevraagd naar specifieke spaarhoeveelheden. Misschien dat de spaarintentie wel een stuk hoger ligt als het gaat om sparen voor een vakantie of het maandelijks 10 euro sparen, terwijl spaarintentie misschien erg laag ligt als het gaat om sparen voor het pensioen (als dat nog ver weg is) of 1000 euro elke maand als spaardoel hebben.quote:Met een financiële buffer zijn mensen beter in staat om hun eigen boontjes te doppen als ze worden getroffen door een financiële tegenslag. Maar uit NIBUD onderzoek blijkt dat 40% van de Nederlandse huishoudens minder dan 3,550 euro aan spaargeld heeft en 15% heeft zelfs geen spaargeld. Hoe kunnen we nu mensen motiveren om meer te sparen?
In dit onderzoek werd een psychologisch model ontwikkeld om die vraag te beantwoorden.
Voorspellen gaat over correlaties en dat is precies wat baybanaan zegt.quote:
[..]
Hiermee is het me duidelijk waarom we langs elkaar praten: wat jij verstaat onder "voorspellen" bedoel je een causaal verband mee
Je hebt het een paar keer over 'predicts' wat bij een correlatie vrij logisch is. Je hebt het ook over 'leads to' en dan lijk je het over een causaal effect te hebben, terwijl je daar met jouw onderzoeksopzet niets over kunt zeggen.quote:Ik denk dat je het nu wat te zwaar aanzet. In de samenvatting van het onderzoek zie ik zelf geen causale claims
Overigens: Top dat je terugkoppelt wat je gevonden hebt.
Met voorspellen bedoel ik precies hetzelfde als jij. Het verklaren van variantie geeft alleen maar weer dat wanneer ik A weet, ik kan zeggen hoe hoog B zal zijn. Zonder te pretenderen dat A B veroorzaakt (dus van invloed is op). Maar nu klink ik als een vastgelopen langspeelplaat: google maar een op correlatie is geen causatie. Ik denk echt dat het je gaat helpen, want ik krijg je niet aan je verstand gepeuterd wat het verschil tussen correlatie en causatie is. Sorry, mijn didactische capaciteiten houden hier echt op. Voorbeelden, uitleg over oorzaken: ik weet niet meer hoe ik het anders moet verwoorden. Als zelfs die ijsjes en kwijtgeraakte kinderen niet meer helpen, dan kun je beter iemand zoeken die het je beter kan uitleggen.quote:
[..]
Hiermee is het me duidelijk waarom we langs elkaar praten: wat jij verstaat onder "voorspellen" bedoel je een causaal verband mee, als ik het heb over voorspellen bedoel ik verklaarde variantie (als in: een variabele die 'predictive of' een andere is, oftewel lineaire correlatie, wat niet een real-life causaal verband hoeft te betekenen). Het doel van mijn onderzoek was ook niet real-life causale verbanden te ontdekken, maar zoals gezegd het model te toetsen om te zien of variabele A een deel van de variantie in variabele B "voorspelde" (lees: verklaarde).
Eerlijk gezegd heb ik niet meer heel goed voor de geest hoe je het verwoord hebt in je onderzoek. Ik weet alleen dat ik ergens "van invloed op" heb zien staan - en dat kun je met jouw opzet niet zeggen over verklaarde variantie. Om het even ingewikkelder te maken: bij een experimentele opzet kan dat weer wel. Discussie of niet, een lezer zit nooit zo diep in het onderzoek als jijzelf en dus is het van het grootste belang geen verwarring te zaaien.quote:Ik denk dat je het nu wat te zwaar aanzet. In de samenvatting van het onderzoek zie ik zelf geen causale claims, ik heb het over 'van invloed op', wat ruimte openlaat voor een confounding variabele die ook een rol speelt of misschien wel de hele relatie teniet doet.
Maar misschien dat er ook een verschil van betekenis is tussen wat ik probeer over te brengen met de woorden 'van invloed op' en wat de lezer daaruit haalt.
Maar nogmaals: mijn advies om even te googlen op correlatie is geen causatie is het beste advies dat ik je hier kan geven.
Daar is een zeer wezenlijk verschil tussen.quote:
Ik zie niet een wezenlijk verschil in betekenis tussen "van invloed op" en "voorspellen"
Ik zal nog even reageren omdat de forum policy ook verwacht dat de topic starter blijft reageren, ondanks dat we langs elkaar heen blijven praten.
Het type data analyse dat in dit onderzoek werd gedaan was een statistische prediction analysis en niet een causal analysis [1]. Die nuance lijkt niet goed over te komen in dit topic.
Zoals al herhaaldelijk gezegd, was het doel van dit onderzoek het toetsen van het model aan de hand van de data. Hiervoor is er gekeken of variabele A van invloed is op (i.e., voorspellend van) variabele B (prediction analysis). Dat wil zeggen dat, als de score op variabele A één punt hoger uitvalt, we kunnen voorspellen wat de score op variabele B zal zijn mits de overige variabelen in het model constant blijven. Dat vereist natuurlijk ook dat variabele A ook een statistische invloed heeft op variabele B, anders zou zo'n voorspelling niet kunnen worden gemaakt.
Dat wil echter niet zeggen dat variabele A ook in real-life voorspellend is van variabele B (causal analysis, zoals jullie mijn opmerkingen lezen). Een verschil wat me niet lukt om over te brengen in dit topic is dat een statistische voorspellende variabele niet direct een real-life causaal verband betekent.
Een mooi voorbeeld van het verschil tussen beide is deze, waarin wordt gerapporteerd over een regressie analyse die de onderzoeksvariabele sterk voorspelt zonder dat er ook maar een kleine suggestie van een real-life causaal verband is. In termen van onderzoeksresultaten is daar dus een sterke voorspellende variabele gevonden. Maar in termen van praktische (real-life) causale verbanden is dat een resultaat wat de plank misslaat.
Om dat te vertalen naar de context van dit onderzoek: uit de onderzoeksresultaten bleek dat de gemeten financiële zelfeffectiviteit voorspellend was van de gemeten hoeveelheid spaargedrag. Het bleek dat als mensen hoger scoorden op de financiële zelfeffectiviteit variabele, ze ook een hogere score op de spaargedrag variabele te hebben.
Als je de formule voor regressie analyse erbij pakt, dan valt te zien dat we daarmee de afhankelijke variabele kunnen voorspellen met de van invloed zijnde onafhankelijke variabelen. Maar betekent dit dan ook dat er een real-life causaal verband is? Nee natuurlijk niet. Deze variabelen waren wel van invloed op elkaar als er werd gecontroleerd voor de invloed van de andere variabelen, maar niet alle mogelijke variabelen zijn meegenomen en het zijn ook nog eens metingen van bepaald gedrag. En dan zijn er nog tig andere zaken die maken dat een statistische voorspeller geen real-life causaal verband is.
Het model kan dus wel aangeven dat een bepaalde variabele voorspellend van een andere variabele is in de context van het model en de onderzoeksgegevens, maar dat betekent niet dat er een causale relatie in real-life is. En misschien dat als variabele X werd meegenomen in het onderzoek, financiële zelfeffectiviteit niet meer voorspellend van de hoeveelheid spaargedrag is.
Maar dat is allemaal niet meegenomen in dit onderzoek, dus ik kan hoogstens zeggen dat financiële zelfeffectiviteit spaargedrag beïnvloedt (hogere scores op financiële zelfeffectiviteit gaven hogere scores op de spaargedrag variabele). En dat is dan puur op basis van de context van het model en de variabelen daarin en de gebruikte regressie analyse.
Als jullie nog steeds denken dat ik het verschil tussen causatie en correlatie niet ken, of dat ik denk dat het model real-life causale verbanden heeft aangetoond, dan spijt me dat. Ik weet niet hoe ik het anders kan verwoorden en uitleggen dan ik in dit kritische topic heb geprobeerd te doen.
[1]: Voor meer voor het verschil hiertussen, zie dit, dit, en dit. Dit geeft tenslotte een uitgebreide discussie van welke dingen nodig zijn voor causal interference m.b.v. regressie analyse, wat ook meteen laat zien dat dat een heel andere insteek is dan in dit onderzoek.
Het type data analyse dat in dit onderzoek werd gedaan was een statistische prediction analysis en niet een causal analysis [1]. Die nuance lijkt niet goed over te komen in dit topic.
Zoals al herhaaldelijk gezegd, was het doel van dit onderzoek het toetsen van het model aan de hand van de data. Hiervoor is er gekeken of variabele A van invloed is op (i.e., voorspellend van) variabele B (prediction analysis). Dat wil zeggen dat, als de score op variabele A één punt hoger uitvalt, we kunnen voorspellen wat de score op variabele B zal zijn mits de overige variabelen in het model constant blijven. Dat vereist natuurlijk ook dat variabele A ook een statistische invloed heeft op variabele B, anders zou zo'n voorspelling niet kunnen worden gemaakt.
Dat wil echter niet zeggen dat variabele A ook in real-life voorspellend is van variabele B (causal analysis, zoals jullie mijn opmerkingen lezen). Een verschil wat me niet lukt om over te brengen in dit topic is dat een statistische voorspellende variabele niet direct een real-life causaal verband betekent.
Een mooi voorbeeld van het verschil tussen beide is deze, waarin wordt gerapporteerd over een regressie analyse die de onderzoeksvariabele sterk voorspelt zonder dat er ook maar een kleine suggestie van een real-life causaal verband is. In termen van onderzoeksresultaten is daar dus een sterke voorspellende variabele gevonden. Maar in termen van praktische (real-life) causale verbanden is dat een resultaat wat de plank misslaat.
Om dat te vertalen naar de context van dit onderzoek: uit de onderzoeksresultaten bleek dat de gemeten financiële zelfeffectiviteit voorspellend was van de gemeten hoeveelheid spaargedrag. Het bleek dat als mensen hoger scoorden op de financiële zelfeffectiviteit variabele, ze ook een hogere score op de spaargedrag variabele te hebben.
Als je de formule voor regressie analyse erbij pakt, dan valt te zien dat we daarmee de afhankelijke variabele kunnen voorspellen met de van invloed zijnde onafhankelijke variabelen. Maar betekent dit dan ook dat er een real-life causaal verband is? Nee natuurlijk niet. Deze variabelen waren wel van invloed op elkaar als er werd gecontroleerd voor de invloed van de andere variabelen, maar niet alle mogelijke variabelen zijn meegenomen en het zijn ook nog eens metingen van bepaald gedrag. En dan zijn er nog tig andere zaken die maken dat een statistische voorspeller geen real-life causaal verband is.
Het model kan dus wel aangeven dat een bepaalde variabele voorspellend van een andere variabele is in de context van het model en de onderzoeksgegevens, maar dat betekent niet dat er een causale relatie in real-life is. En misschien dat als variabele X werd meegenomen in het onderzoek, financiële zelfeffectiviteit niet meer voorspellend van de hoeveelheid spaargedrag is.
Maar dat is allemaal niet meegenomen in dit onderzoek, dus ik kan hoogstens zeggen dat financiële zelfeffectiviteit spaargedrag beïnvloedt (hogere scores op financiële zelfeffectiviteit gaven hogere scores op de spaargedrag variabele). En dat is dan puur op basis van de context van het model en de variabelen daarin en de gebruikte regressie analyse.
Als jullie nog steeds denken dat ik het verschil tussen causatie en correlatie niet ken, of dat ik denk dat het model real-life causale verbanden heeft aangetoond, dan spijt me dat. Ik weet niet hoe ik het anders kan verwoorden en uitleggen dan ik in dit kritische topic heb geprobeerd te doen.
[1]: Voor meer voor het verschil hiertussen, zie dit, dit, en dit. Dit geeft tenslotte een uitgebreide discussie van welke dingen nodig zijn voor causal interference m.b.v. regressie analyse, wat ook meteen laat zien dat dat een heel andere insteek is dan in dit onderzoek.
Jij gebruikt gewoon constant de verkeerde woorden
Invloed = causaal niet voorspellend.
Beter zo...quote:
Ik zal nog even reageren omdat de forum policy ook verwacht dat de topic starter blijft reageren, ondanks dat we langs elkaar heen blijven praten.
Het type data analyse dat in dit onderzoek werd gedaan was een statistische prediction analysis en niet een causal analysis [1]. Die nuance lijkt niet goed over te komen in dit topic.
Zoals al herhaaldelijk gezegd, was het doel van dit onderzoek het toetsen van het model aan de hand van de data. Hiervoor is er gekeken of variabele A van invloed is op (i.e., voorspellend van) variabele B voorspelt (prediction analysis). Dat wil zeggen dat, als de score op variabele A één punt hoger uitvalt, we kunnen voorspellen wat de score op variabele B zal zijn mits de overige variabelen in het model constant blijven. Dat vereist natuurlijk ook dat variabele A ook een statistische invloed link/relatie heeft op met variabele B, anders zou zo'n voorspelling niet kunnen worden gemaakt.
Dat wil echter niet zeggen dat variabele A ook in real-life voorspellend is van variabele B (causal analysis, zoals jullie mijn opmerkingen lezen). Een verschil wat me niet lukt om over te brengen in dit topic is dat een statistische voorspellende variabele niet direct een real-life causaal verband betekent.
Een mooi voorbeeld van het verschil tussen beide is deze, waarin wordt gerapporteerd over een regressie analyse die de onderzoeksvariabele sterk voorspelt zonder dat er ook maar een kleine suggestie van een real-life causaal verband is. In termen van onderzoeksresultaten is daar dus een sterke voorspellende variabele gevonden. Maar in termen van praktische (real-life) causale verbanden is dat een resultaat wat de plank misslaat.
Om dat te vertalen naar de context van dit onderzoek: uit de onderzoeksresultaten bleek dat de gemeten financiële zelfeffectiviteit voorspellend was van de gemeten hoeveelheid spaargedrag. Het bleek dat als mensen hoger scoorden op de financiële zelfeffectiviteit variabele, ze ook een hogere score op de spaargedrag variabele te hebben.
Als je de formule voor regressie analyse erbij pakt, dan valt te zien dat we daarmee de afhankelijke variabele kunnen voorspellen met de van invloed zijnde onafhankelijke variabelen. Maar betekent dit dan ook dat er een real-life causaal verband is? Nee natuurlijk niet. Deze variabelen waren wel van invloed op elkaar als er werd gecontroleerd voor de invloed van de andere variabelen, maar niet alle mogelijke variabelen zijn meegenomen en het zijn ook nog eens metingen van bepaald gedrag. En dan zijn er nog tig andere zaken die maken dat een statistische voorspeller geen real-life causaal verband is.
Het model kan dus wel aangeven dat een bepaalde variabele voorspellend van een andere variabele is in de context van het model en de onderzoeksgegevens, maar dat betekent niet dat er een causale relatie in real-life is. En misschien dat als variabele X werd meegenomen in het onderzoek, financiële zelfeffectiviteit niet meer voorspellend van de hoeveelheid spaargedrag is.
Maar dat is allemaal niet meegenomen in dit onderzoek, dus ik kan hoogstens zeggen dat financiële zelfeffectiviteit gepaard gaat met spaargedrag beïnvloedt (hogere scores op financiële zelfeffectiviteit gaven gingen gepaard met hogere scores op de spaargedrag variabele). En dat is dan puur op basis van de context van het model en de variabelen daarin en de gebruikte regressie analyse.
Als jullie nog steeds denken dat ik het verschil tussen causatie en correlatie niet ken, of dat ik denk dat het model real-life causale verbanden heeft aangetoond, dan spijt me dat. Ik weet niet hoe ik het anders kan verwoorden en uitleggen dan ik in dit kritische topic heb geprobeerd te doen.
[1]: Voor meer voor het verschil hiertussen, zie dit, dit, en dit. Dit geeft tenslotte een uitgebreide discussie van welke dingen nodig zijn voor causal interference m.b.v. regressie analyse, wat ook meteen laat zien dat dat een heel andere insteek is dan in dit onderzoek.
Invloed = causaal niet voorspellend.
2017: RGN BKK FCO LHR NRT LHR TLL LHR MIA BOG MIA JFK LHR LHR
2018: BCN SOF MLA IST ZAG DBV SPU ZAG SOF BOJ IST CGK JOG LOP DPS LBJ DPS SIN IST KBP BKK LPQ UTH KBP
2019: BCN LCY AGP SBZ KBP LPP SVL DOH JNB CPT DOH TFS
2020: ALC BIO LCY
2018: BCN SOF MLA IST ZAG DBV SPU ZAG SOF BOJ IST CGK JOG LOP DPS LBJ DPS SIN IST KBP BKK LPQ UTH KBP
2019: BCN LCY AGP SBZ KBP LPP SVL DOH JNB CPT DOH TFS
2020: ALC BIO LCY
Agree met de post boven mij. Maar ik geef het op. Prediction analysis zonder het juiste design geeft NOOIT een invloed weer. Nooit, nooit, nooit. Niet in real-life en OOK NIET statistisch (en die twee dingen verschillen ook gewoon niet van elkaar als het de resultaten van je onderzoek betreft). Prediction is gewoon gepaard gaan met. Geen invloed. Echt niet.
Maar nogmaals, ik geef het op. Doe jezelf wel een lol: voor je een volgend onderzoek gaat doen, praat alsjeblieft nog eens met een statisticus over het verschil tussen voorspellen en beinvloeden. Het behoedt je voor een hoop ellende.
En twee, eigenwijsheid is oke (en soms bijzonder functioneel!), maar hier in dit topic ben je wel erg koppig en vasthoudend. Als zo veel mensen hier proberen je te helpen (En in wiens belang? Niet dat van ons!), terwijl je zo in je eigen gelijk blijft geloven... Echt, dat zou zomaar nog eens heel lastig kunnen zijn irl.
Wat mij betreft hoef je echt niet meer te reageren als je dat niet wilt. Ik geef het ook op. Ik wilde jou graag behoeden voor een kapitale fout, maar het lukt niet. Denk alsjeblieft nog eens aan Fok! als je het verschil tussen voorspellen en beïnvloeden kent.
Ik wens je oprecht succes met je verdere carriere (maar ik hoop ook oprecht dat je geen onderzoekscarrière ambieert voor je het verschil tussen beïnvloeden en voorspellen begrijpt, want dat gaat mis).
Maar nogmaals, ik geef het op. Doe jezelf wel een lol: voor je een volgend onderzoek gaat doen, praat alsjeblieft nog eens met een statisticus over het verschil tussen voorspellen en beinvloeden. Het behoedt je voor een hoop ellende.
En twee, eigenwijsheid is oke (en soms bijzonder functioneel!), maar hier in dit topic ben je wel erg koppig en vasthoudend. Als zo veel mensen hier proberen je te helpen (En in wiens belang? Niet dat van ons!), terwijl je zo in je eigen gelijk blijft geloven... Echt, dat zou zomaar nog eens heel lastig kunnen zijn irl.
Wat mij betreft hoef je echt niet meer te reageren als je dat niet wilt. Ik geef het ook op. Ik wilde jou graag behoeden voor een kapitale fout, maar het lukt niet. Denk alsjeblieft nog eens aan Fok! als je het verschil tussen voorspellen en beïnvloeden kent.
Ik wens je oprecht succes met je verdere carriere (maar ik hoop ook oprecht dat je geen onderzoekscarrière ambieert voor je het verschil tussen beïnvloeden en voorspellen begrijpt, want dat gaat mis).
Ik denk dat wel duidelijk is wat voor type analyse je gedaan hebt, alleen gebruik je zelf woorden die daarmee in contrast staan.quote:
Het type data analyse dat in dit onderzoek werd gedaan was een statistische prediction analysis en niet een causal analysis [1]. Die nuance lijkt niet goed over te komen in dit topic.
En hier gaat het dus fout. 'van invloed op' en 'voorspellend van' zijn twee totaal verschillende zaken. Van invloed op wil zeggen dat een variatie in een variable de oorzaak is van een variatie in een andere variable en voorspellend geeft alleen een samenhang aan (en dat is wat jij bedoelt).quote:Zoals al herhaaldelijk gezegd, was het doel van dit onderzoek het toetsen van het model aan de hand van de data. Hiervoor is er gekeken of variabele A van invloed is op (i.e., voorspellend van) variabele B.
Het klassieke correlatievoorbeeld: Er is een positieve correlatie tussen het aantal ijsjes dat er op een dag gegeten wordt en het aantal mensen dat verdrinkt. Dit betekent niet dat mensen verdrinken in ijsjes of een ijsje gaan eten nadat iemand is verdronken. De twee zaken hebben dus geen invloed op elkaar, maar ze voorspellen elkaar wel. De gemeenschappelijke factor in dit voorbeeld is het weer, hoe warmer, hoe meer mensen ijsjes eten en hoe meer mensen gaan zwemmen (en dus ook hoe meer mensen verdrinken.) Je kunt het dus niet hebben over 'van invloed op' maar enkel 'hangt samen met.' Als ik heel eerlijk ben zou je dat verschil al in het eerste jaar van je studie moeten hebben geleerd en nooit meer vergeten.
Wat bedoel je met statistische invloed? Als je daarmee bedoelt dat er een stiekem causaal verband is tussen A en B, dat hoeft dus niet. (Zie voorbeeld hierboven.) Misschien heb je het sterke vermoeden dat dit in jouw onderzoek wel het geval is, maar dat kun je niet concluderen op basis van jouw data.quote:Dat vereist natuurlijk ook dat variabele A ook een statistische invloed heeft op variabele B, anders zou zo'n voorspelling niet kunnen worden gemaakt.
Deze enquête was toch anoniem? Waarom wordt mijn LinkedIn profiel dan bezocht door mensen van die enquête?quote:
Dit was dus de laatste keer dat ik aan zo'n enquête mee heb gedaan.
|
|
