De aanmeldingsdeadline is verstreken, aanmelden is niet meer mogelijk
Ingewikkelde zaken zoals inschatten en testen worden intuïtief uitgelegd met duidelijke instructies. Het interpreteren van resultaten in SVM krijgt uitgebreide aandacht.
De cursus begint met een intuïtieve benadering van structurele vergelijking modellering (SVM) waarbij je leert wat SVM inhoudt. Je leert over schattingsprocedures & aannames, modelevaluatie & -toetsing, op een intuïtieve manier, met zo weinig mogelijk statistiek.
Daarna leer je over meten en factoranalyse. Meting is de basis van elk empirisch onderzoek, maar hoe weet je of je meetschalen goed (genoeg) zijn? Je leert hoe je meetschalen kunt evalueren (en ontwikkelen) met behulp van factoranalyse. Het belangrijkste voordeel van SVM is dat relaties tussen latente variabelen kunnen worden geanalyseerd, waardoor de invloed van allerlei meetproblemen wordt verminderd. Modellen die latente variabelen bevatten verdienen de voorkeur, maar zijn niet altijd haalbaar. Je zult leren hoe je een "ideaal" model kunt vereenvoudigen en begrijpen wat de gevolgen van de vereenvoudiging zijn voor de conclusies die je kunt trekken. Vervolgens leer je over causale modellering. Het onderwerp causaliteit wordt vaak vermeden in cursussen over SVM, wij niet. Je leert causale modellen ontwikkelen en testen in een (niet-)experimentele context. Zodra je ziet hoe causale modellering werkt, zul je het belang van het ontwerp van een studie begrijpen. In deze context leer je hoe je kunt testen op bemiddeling en moderatie (onder andere met behulp van multigroepsanalyse).
Tot slot bespreken we kort een aantal geavanceerde technieken, zoals meetinvariantie, cross-lagged panelmodellen, post-hoc poweranalyse en het omgaan met niet-normale gegevens (bijvoorbeeld ordinale gegevens of dichotome gegevens).
In deze cursus gebruiken we R-Studio en het pakket lavaan (beide gratis).
