Hoofdstuk 1

De logica van statistische vergelijkingen en analyses

‘Statistical thinking will one day be as necessary for efficient citizenship as the ability to read
and write.’

-H. G. Wells

1. Inleiding: waarom data analyseren?

Ontdekking en vernieuwing zijn allicht de grote verschillen tussen de moderne bedrijvigheid en
die van onze voorvaderen. Sinds de Renaissance is er een nadruk komen te liggen op het leren en
verbeteren van de wijze waarop we dingen doen. Wetenschappers, uitvinders en anderen die
betrokken zijn in het proces van wetenschappelijk onderzoek, hebben in het verleden vaak
eerbied gekregen voor hun werk. Zo worden in talloze schoolboeken onder meer Galileo,
Einstein en Madam Curie nog steeds geprezen voor hun werk en uitvindingen. Zoals jullie zullen
leren in deze cursus, zou dit ook zo moeten zijn voor mensen zoals Pearson en Kendall.
Statistische analyse gaat over ontdekken. Het proces van wetenschappelijk onderzoek
voorziet in een methode om zaken die ons op een systematische manier interesseren, te
bestuderen. In het algemeen vereist dit proces bewijs om een argument te ondersteunen. Eén van
de duidelijkste methoden om bewijs te verkrijgen is door cijfers te bestuderen die geassocieerd
zijn met objecten die bestudeerd worden. Dit gebeurt door statistische analyse. Statistiek is de
spilfiguur van ontdekking, en het beheersen van statistische kennis leidt ons dichter bij Einstein
en Galileo.

2. Wat statistische geschiedenis

De vroegste vorm van wat nu gezien wordt als statistische analyse werd ontwikkeld door
Pythagoras in de 6de eeuw voor Christus (het gemiddelde). Dit was de voorloper van de
beschrijvende statistieken. Het andere type van statistische analyse (inferentiële statistiek)
werd –waarschijnlijk- voor het eerst ontwikkeld in het Oosten rond 200 voor Christus (Dudycha

1
& Dudycha, 1972). Dit was in de vorm van een waarschijnlijkheidsanalyse (probability analysis)
om na te gaan of een verwachte baby eerder een jongen of meisje zou zijn.
Waarschijnlijkheidstheorie/Kansberekening (Probability theory), zoals het later zou noemen,
evolueerde verder in de vorm van gokberekeningen (gambling mathematics) in het werk van
Blaise Pascal (1623-1662) en Christiaan Huygens (1629-1695) (David, 1962). In de late jaren
1800 en vroege jaren 1900 werden nog vele andere beschrijvende statistieken ontwikkeld door
mathematici en wetenschappers zoals Galton (1883) en Pearson (1895).
Statistiek ging verder dan gokken en pure mathematische concepten en werd later
‘political arithmetic’ genoemd. Een term dat te danken is aan de dichte associatie met diegenen
die politieke onderwerpen bestudeerden, inclusief economische. Men probeerde immers op basis
van gegevens met behulp van ‘political arithmetic’ antwoorden op problemen van de staat te
krijgen. (Hier ontstond waarschijnlijk de dichte associatie tussen politiek liegen en statistisch
liegen.) De eerste die hiervan gebruik maakte was John Graunt (1662). Hij gebruikte
beschrijvende statistieken, zoals we ze vandaag noemen, om het sterftecijfer in Londen te
bestuderen. Hoewel er een hevig debat gaande is aangaande het originele gebruik van de term
‘statistiek’ of ‘statistics’ (Yule, 1905), is het merendeel erover eens dat het uitgevonden is door
Eberhard August Wilhelm von Zimmerman in de inleiding van ‘A Political Survey of the Present
State of Europe’ (1787). Het moderne gebruik van de term statistiek (ten opzichte van wiskunde)
wordt vaak toegeschreven aan R. A. Fisher en zijn werk ‘Statistical Methods for Research
Workers’ (1925), waarin hij stelt dat “a statistic is a value calculated from an observed sample
with a view to characterizing the population from which it is drawn.” Sinds die tijd hebben vele
statistici bijgedragen tot de technieken die mogelijk zijn om data te analyseren. Veel procedures
hebben ook de naam gekregen van deze statistici. De bijdrage aan statistische technieken gebeurt
vandaag de dag nog steeds. Analysetechnieken zijn de laatste jaren enorm toegenomen en het
heeft onderzoekers in de sociologie, criminologie en andere wetenschappen mogelijk gemaakt
om de relatie tussen variabelen accurater te bestuderen.

3. Het gebruik van statistiek

De term ‘statistiek’ wordt vaak verkeerd begrepen omdat het eigenlijk twee praktische
toepassingen kent. De eerste, dat de historiek van de term reflecteert, is de verzameling en
bewaring van data, vaak uitgedrukt in een samenvattende vorm. Het beste voorbeeld hiervan is de

2
volkstelling of sterftestatistieken, die een voorstelling geven van respectievelijk de
karakteristieken van de levenden of de oorzaken van sterfte. De tweede toepassing is het
onderwerp van deze tekst: een methode om data te analyseren.
Statistiek, zoals jullie zullen leren kennen, is een methode om data die verzameld werden
in het proces van een wetenschappelijk onderzoek, te bestuderen. Deze methode stelt
onderzoekers in staat om logisch na te denken over data, en om één of twee dingen te doen: (1) te
komen tot beknopte en betekenisvolle conclusies over de data (beschrijvende statistiek), of (2)
karakteristieken van grote groepen bepalen -of afleiden-, gebaseerd op data afkomstig van
kleinere delen (steekproeven, ‘samples’) van de groep (inferentiële statistiek). We kunnen
bijvoorbeeld data verzamelen over alle inwoners van Gent voor een onderzoeksproject waarbij
we Gentenaars hun opinies over politie willen leren kennen. Dit zou kunnen gebruikt worden
voor een beschrijvende analyse om na te gaan wat de opinies over politie zijn bij de Gentse
bevolking. Maar, een alternatief is om een steekproef te trekken uit de Gentse bevolking. Data uit
deze steekproef worden dan gebruikt om beweringen te doen over alle inwoners van Gent. Dit
betekent dat er conclusies worden getrokken (inferenties), gebaseerd op informatie uit een
kleinere steekproef, getrokken uit deze groep.
Statistische analyse is het werkpaard van ontdekking en kennis. Het wetenschappelijk
proces, het gebruik van onderzoek om een theorie te toetsen, vereist dat empirisch bewijs (data)
dat gebaseerd is op onderzoekssubjecten, systematisch kan worden bestudeerd. Het gebruik van
wiskunde in het algemeen en statistische analyse in het bijzonder, maakt onderzoekers ertoe in
staat om deze vergelijkingen te maken en om nieuwe informatie te ontdekken dat ervoor zorgt
dat men zijn/haar onderzoekssubject beter begrijpt.
In het wetenschappelijk proces is het doel meestal om iets te ontdekken dat voordien niet
gekend was, of iets te bewijzen (waar of vals) waarvan voordien werd gedacht dat het waar was,
maar dat nooit gestaafd werd met hard bewijs. De wijze waarop bewijs kan verworven worden is
door informatie (data) te verzamelen en deze te onderwerpen aan statistische analyse.

4. Theorieconstructie in een oogopslag

Drie elementen in sociaal wetenschappelijk onderzoek, of zelfs in elk onderzoeksgebied, zijn
essentieel in gedegen onderzoek: theorie, onderzoeksmethoden en statistische analyse. Hoewel
deze elementen strikt gelinkt zijn met elkaar, is er een debat gaande -zelfs bij diegenen die het

3
meeste achter het onderzoeksproces staan- over hun volgorde, belangrijkheid en wat precies van
elk element in een boek moet opgenomen worden. Het is niet mogelijk om in een cursus op alle
elementen van wetenschappelijk kwantitatief onderzoek in te gaan. In deze cursus beperken we
ons tot de univariate, bivariate beschrijvende statistiek, de principes van de infereniële statistiek
en een korte introductie tot de multivariate statistiek aan de hand van de partiële correlatieanalyse
en de meervoudige regressieanalyse met twee onafhankelijke variabelen.

Wat is theorie?
Op het basisniveau bestaat theorie uit beweringen aangaande de relatie of associatie tussen
sociale fenomenen zoals gebeurtenissen en karakteristieken van mensen of dingen. In de
criminologie bijvoorbeeld, zijn er theorieën die stellen hoe criminaliteit wordt aangeleerd. In deze
theorieën zijn beweringen geconstrueerd zoals de rol van peers in het aanleren van crimineel
gedrag, hoe beloningen van criminaliteit van invloed kunnen zijn op gedrag en welke invloed
bestraffing kan hebben op de beslissing om criminaliteit te plegen.
Het doel van deze beweringen is om verklaringen te ontwikkelen waarom dingen zijn
zoals ze zich voordoen en om de betekenis ervan te verklaren. Reeds lange tijd, hebben mensen
ideeën over de gevolgen van gebeurtenissen en waarom dingen werken op de wijze waarop ze
werken. Het probleem met deze verklaringen echter, is dat ze vaak te simplistisch zijn om van
enige waarde te zijn. Theorie poogt een sterkere fundering te bieden voor deze ideeën door er
vragen over te stellen, zoals:

- Wat is de essentie van dit alles?

- Wat betekent het?
- Waarom zijn dingen zoals ze zijn?

Zonder theorie bestaan er vaak alleen vermoedens en oorlogsverhalen. Met theorie, kunnen we
beweringen of ideeën ontwikkelen die gebaseerd zijn op gedegen observatie en gedachten.

Theorie en onderzoek
Een theorie kan op verschillende wijzen ontwikkeld worden. Ten eerste kunnen onderzoekers
naar de wereld rondom hen kijken, een sociaal fenomeen nemen dat hun interesse wekt, en

4
beweringen formuleren over waarom fenomenen op een bepaalde wijze werken. Dit wordt
inductie genoemd. Bijvoorbeeld, een onderzoeker die criminaliteitstrends voor een aantal jaar in
een stad volgt. Hij/zij kan misschien zien dat criminaliteit een patroon volgt van bewegingen in
de stad, bewegend van oost naar west over de stad. Op basis hiervan kan de onderzoeker
beginnen te bepalen wat deze verplaatsing zou kunnen veroorzaken, met uiteindelijk het
ontwikkelen van een theorie over criminaliteitsverschuiving in urbane buurten. Dit proces gaat
van data naar theorie en er wordt gepoogd om op basis van de data een theorie te ontwikkelen.
Ten tweede kan het zijn dat onderzoekers nieuwsgierig zijn over iets en een set van
beweringen ontwikkelen om deze te toetsen. Dit wordt deductie genoemd. Het proces van
deductie begint met een idee en een poging om dit idee te toetsen met data en analyse.
Bijvoorbeeld, een onderzoeker kan geloven dat een verhoogde supervisie van veroordeelden met
probatievoorwaarden preventief werkt voor het plegen van criminaliteit in de toekomst. Deze
onderzoeker zou een experiment kunnen creëren waarin een toevalsgewijze getrokken steekproef
van veroordeelden met probatievoorwaarden onder intensieve supervisie wordt gehouden, terwijl
een andere toevalsgewijze getrokken steekproef een normale hoeveelheid aan supervisie krijgt.
De resultaten van dit experiment kunnen ofwel de onderzoeker zijn/haar oorspronkelijke
veronderstellingen ondersteunen of juist weerleggen. Dit proces gaat van theorie naar data,
waarbij de data de theorie toetst. Het moet gezegd worden dat Sherlock Holmes niet correct was
in het begrijpen van inductie en deductie. Toen Holmes zijn bekende stelling maakte “brilliant
deduction, Watson!”, zou hij eigenlijk Watson gecomplimenteerd moeten hebben met Watson’s
inductieve redenering. Watson nam namelijk conclusies op basis van wat hij geobserveerd had,
zonder op voorhand ontwikkelde stellingen te toetsen.
Als laatste, en wat meestal het geval is, kan een onderzoeker starten met ofwel inductie of
deductie, maar wanneer het project wordt beëindigd, blijkt dat de onderzoeker zowel inductief als
deductief tewerk is gegaan. Dit wordt retroductie genoemd. Als voorbeeld: een onderzoeker die
de supervisie van personen onder probatievoorwaarden bestudeert, kan een intensief supervisie-
experiment als deductief proces opzetten. Na het bestuderen van de data kan het zijn dat het
experiment beter kon of dat er iets gevonden werd in de data dat meer uitleg nodig heeft.
Bijvoorbeeld, de personen die onder probatievoorwaarden zijn gesteld die het meest
gesuperviseerd werden, waren succesvol en diegenen die intensief gesuperviseerd werden, maar
toch minder dan de groep die het meest intensief gesuperviseerd werd, waren niet succesvol. De

5
onderzoeker zal in dit geval een deel van de theorie heroverwegen en een hertest uiteenzetten. Dit
proces kan herhaald worden tot de theorie ondersteund of weerlegd wordt. Dit is een proces dat
gaat van theorie naar de data en dan terug naar theorie en zo verder; of van data naar theorie naar
data en zo verder. Het gaat hier om een afwisselend proces tussen inductie en deductie.

5. Het proces van wetenschappelijk onderzoek

Het proces van wetenschappelijk onderzoek (met gebruik van deductie) wordt getoond in Figuur
1-1. Zoals te zien is in dit diagram, is de theorie het startpunt van het proces. Theorie wordt
gedreven door observaties en leidt onderzoekers tot het initiëren van het onderzoeksproces door
het formuleren van een centrale onderzoeksvraag en onderzoeksdeelvragen. Het is uit dit proces
van theorievorming dat onderzoekers komen tot het proces gaande van de ontwikkeling van een
nulhypothese tot het communiceren van resultaten.

6
Figuur 1-1 Onderzoeksproces: Theorie, onderzoeksmethoden en statistische analyse

7
Observatie en nieuwsgierigheid
De eerste stappen in het proces van wetenschappelijk onderzoek worden vaak over het hoofd
gezien, terwijl ze wel belangrijk zijn, nl. observatie en nieuwsgierigheid. Zo zijn vele
onderzoeksprojecten nooit gestart omdat onderzoekers het onderwerp onvoldoende interessant
vonden, of omdat ze er zich niet bewust van zijn.
Het is vaak de theorie dat observatie en wetenschappelijk onderzoek stimuleert. Als je
onderzoek en materiaal doorneemt waarin je geïnteresseerd bent, kan het zijn dat je misschien
denkt een betere manier te kennen om iets te doen. Wat je leest kan jou ook stimuleren in andere
domeinen. Door het gebruik van een gestructureerd wetenschappelijk proces om jouw observaties
te evalueren en verklaringen te formuleren waarom fenomenen zich gedragen zoals ze zijn,
ontwikkel je een theorie.
Een voorbeeld van inductieve theorievorming kan getoond worden in Robert Burgess zijn
zonale theorie. Studenten aan de universiteit van Chicago maakten kaarten van Chicago waarop
de verschillende karakteristieken van buurten werden vermeld zoals welzijn, kindersterfte en
huisvesting. Burgess observeerde deze kaarten en zag dat deze een zeer gelijkaardig patroon
volgden doorheen de stad. Zijn observaties leidden tot de ontwikkeling van een theorie over hoe
steden groeien en veranderen. Deze theorie stelt dat steden groeien in ringen zoals de ringen die
ontstaan wanneer je een steen in het water gooit. In deze configuratie zal de ring het dichtste tot
het centrum van de stad gekenmerkt worden door de meeste verloedering, het hoogste level van
kindersterfte en andere sociale ziektes in vergelijking met de ringen erbuiten. Dit alles is
ontwikkeld door simpelweg het bestuderen van kaarten die gemaakt werden door studenten en
door het gebruik van inductieve theorievorming.

Centrale onderzoeksvragen
De centrale onderzoeksvraag is de drijvende gedachte achter een onderzoeksproject. Ze moet
de reden voor de studie weergeven. Centrale onderzoeksvragen zijn belangrijk omdat onderzoek
vaak geëvalueerd wordt op basis van hoe goed de onderzoeker erin is geslaagd de centrale
onderzoeksvraag te beantwoorden. De centrale onderzoeksvraag moet voorzichtig worden
geformuleerd zodat deze exact de focus van de studie weergeeft. Bijvoorbeeld in onderzoek naar
het gebruik van dodelijk geweld door politie zou een mogelijke centrale onderzoeksvraag de
volgende kunnen zijn; Welke factoren zijn het meest van invloed op het gebruik van dodelijk

8
politiegeweld? Deze vraag is zeer breed en ietwat vaag, maar het kan perfect het doel van het
onderzoeksproject weergeven.

Onderzoeksdeelvragen
Vaak is het zo dat de centrale onderzoeksvraag theoretisch, vaag en bijna onmogelijk direct te
beantwoorden is. Onderzoeksdeelvragen delen de centrale onderzoeksvraag in subproblemen
die gemakkelijker te behandelen zijn en zorgen ervoor dat de centrale onderzoeksvraag toetsbaar
wordt met behulp van onderzoek. Als de centrale onderzoeksvraag het doel van het onderzoek
omvat, dan suggereren de onderzoeksdeelvragen hoe dit doel kan verwezenlijkt worden.
In ons eerder voorbeeld betreffende het gebruik van dodelijk geweld door politie, zouden
volgende onderzoeksdeelvragen kunnen worden geformuleerd:

Wat is de relatie tussen een shift van een politieman of –vrouw en de waarschijnlijkheid
dat hij/zij dodelijk geweld zal gebruiken?
Wat is de relatie tussen de geweldsgraad in een bepaald gebied en de waarschijnlijkheid
dat een politieman of -vrouw dodelijk geweld zal gebruiken?
Wat is de relatie tussen de opleidingsgraad van een politieman of –vrouw en de
waarschijnlijkheid dat hij/zij dodelijk geweld zal gebruiken?

Deze onderzoeksdeelvragen delen de centrale onderzoeksvraag in kleinere delen die makkelijker

kunnen onderzocht worden. De antwoorden op deze onderzoeksdeelvragen zijn afgeleid van het
onderzoeksproces en statistische analyse en stellen de onderzoeker in staat om de centrale
onderzoeksvraag te beantwoorden.

‘Doing research is like defusing a bomb. When you begin, you are all excited and focused on the
end result. If you have a good plan, know the layout, and work the plan, you will typically get the
results you sought. If you run in and start cutting without a plan, it is likely to blow up in your
face.’

6. Onderzoek: bewegen van theorie naar data en terug

Theorie kan niet op zich bestaan, net zoals onderzoek of statistiek. Theorie zonder onderzoek en
statistische analyse is niet meer dan een fabel. Onderzoek zonder theorie is zoals het bouwen van
een huis zonder plannen, en onderzoek zonder statistische analyse is zoals het bouwen van een

9
huis zonder nagels: het is mogelijk en het is al gebeurd, maar het zou effectiever zijn met.
Statistische analyse zonder theorie en onderzoeksmethodologie als gids voor onderzoek is dan
weer zoals het hebben van intercontinentale ballistische raketten: leuk om te hebben en het zou je
buren kunnen imponeren, maar niet echt bruikbaar.
Wat de techniek ook is voor het ontwikkelen van theorie, onderzoek is de methode om
een theorie te toetsen en valideren. In zijn puurste vorm is onderzoek een wetenschappelijke,
systematische studie om nieuwe informatie te ontdekken of om de validiteit van theorieën die
eerder werden ontwikkeld, te toetsen. Het voornaamste doel van onderzoek is ontdekken.
Afhankelijk van het gebruik van een inductief of deductief proces, is onderzoek een
systematische manier om observatie en statistische analyse om te zetten in theorie (inductie) of
het toetsen van theorie met behulp van statistische analyse (deductie). Hoewel er geen exacte
stappen bestaan die moeten gevolgd worden bij het doen van onderzoek, zijn er wel een aantal
algemene richtlijnen die zouden gevolgd moeten worden om zeker te zijn dat er niks ontbreekt in
de studie. Deze stappen worden in dit hoofdstuk besproken en geven weer waar onderzoek en
statistiek in het volledige proces van wetenschappelijk onderzoek passen.

Hypothesen formuleren
Eens de onderzoeksdeelvragen werden ontwikkeld, moet er beslist worden wat het onderzoek
probeert te bepalen. Hypothesen zijn vragen of verklaringen waarvan de antwoorden de
theoretische proposities van het onderzoek ondersteunen of weerleggen. Hypothesen zijn in het
algemeen onder te verdelen in onderzoekshypothesen en nulhypothesen.
Een onderzoekshypothese is een verklaring, gelijkaardig aan een onderzoeksdeelvraag,
dat de verwachte uitkomst van een deel van het onderzoeksproject weergeeft. Als een
onderzoeksdeelvraag in een project als volgt luidt: ‘Wat is de relatie tussen een shift van een
politieman of –vrouw en de waarschijnlijkheid dat hij/zij dodelijk geweld zal gebruiken?’, dan
zou de onderzoekshypothese de volgende kunnen zijn: ‘Er is een statistisch significante correlatie
tussen de shift van een politieman of –vrouw en de waarschijnlijkheid dat hij of zij dodelijk
geweld zal gebruiken.’ Bij het gebruik van onderzoekshypothesen wordt de relatief abstracte
bewoording van theorieontwikkeling omgezet in een meer concrete en toetsbare vorm, geschikt
voor statistische analyse.

10
Eén van de vaak moeilijk begrijpbare, maar essentiële elementen van statistische analyse en
hypothesetoetsing is dat onderzoek alleen niets kan bewijzen. Ook als onderzoekers een groot
stuk van bevestiging vinden voor een associatie tussen twee variabelen, kan het zijn dat deze
resultaten worden gevonden omdat er informatie ontbreekt of omdat het model wat gebrekkig is.
Mogelijks kunnen andere onderzoekers de bevindingen weerleggen door bijkomstig onderzoek te
doen. Als onderzoek niets kan bewijzen, wat kan het dan wel? Het kan gebruikt worden om iets
te weerleggen of om alternatieven te elimineren. Bijvoorbeeld, ook al kan onderzoek niet
bewijzen dat politiemannen en –vrouwen gedurende nachtshifts meer dodelijk geweld gebruiken
dan tijdens vroege shifts, kan het wel weerleggen dat er geen relatie bestaat tussen shifts en het
gebruik van dodelijk geweld. Dit werd gevonden met behulp van een nulhypothese, dat in het
algemeen de vorm van één van de volgende voorbeelden aanneemt:

Er is geen statistisch significant verschil tussen de groepen die vergeleken worden.

Er is geen statistisch significant verschil tussen de groep die wordt bestudeerd en de
algemene populatie.
De verschillen tussen de groepen bestaan door toevallige fouten.

Een voorbeeld van een nulhypothese luidt: “Er is geen statistisch significant verschil tussen een
politieman of –vrouw zijn/haar shift en de waarschijnlijkheid dat hij of zij dodelijk geweld zal
gebruiken.” Deze nulhypothese bevat verschillende belangrijke componenten. De eerste is de
formulering statistisch significant. Dit is een specifiek type van relatie tussen de werkshift en
dodelijk geweld. De nulhypothese is niet stellen dat er totaal geen verschil is, enkel dat er geen
statistisch significant verschil is. Hoe kom je nu te weten of er geen statistisch significant verschil
is? Een toets van de nulhypothese (significantietoets) bepaalt de statistische significantie. De
bewoording hier is zorgvuldig gekozen en moet zorgvuldig worden gevolgd. Stellen dat ‘er geen
verschil is tussen shiften’ is totaal verschillend van stellen dat ‘er geen statistisch significant
verschil is.’ Er is mogelijks een verschil in het gebruik van dodelijk geweld tussen shifts, maar dit
verschil is mogelijks niet voldoende om statistisch of theoretisch stand te houden. Er is ook een
klein, maar tastbaar verschil tussen de stellingen ‘er is geen statistisch verschil’ en ‘er is geen
statistisch significant verschil.’ Het is mogelijk dat er een statistisch verschil bestaat (een verschil
in gemiddelde, een verschil in standaardafwijking, …) en toch geen statistisch significant verschil

11
te hebben (een verschil tussen de variabelen op een bepaald betrouwbaarheidsniveau gebaseerd
op Chi-kwadraat, de t-test, of een andere parameter van statistische significantie).
Een ander belangrijk deel van de nulhypothese betreft de variabelen of items die
vergeleken worden. De meeste nulhypothesen houden twee groepen in die bestudeerd worden (in
ons voorbeeld: nachtshift, vroege shift, late shift) en ze houden in wat er gemeten wordt (dodelijk
geweld). Als deze items ontbreken in de nulhypothese, wordt het moeilijk om exact te bepalen
wat er vergeleken wordt.
Deze voorbeelden tonen aan dat een goede verwoording belangrijk is in de nulhypothese.
Hoewel deze verwoording niet letterlijk moet gevolgd worden, is het wel een goed voorbeeld van
de gebruikelijke taal voor een nulhypothese, en elke hypothese zou in het algemeen deze format
moeten volgen.

Het doel van een nulhypothese is om deze te weerleggen. Weerleggen dat er geen relatie
is (het weerleggen van de nulhypothese), helpt het ondersteunen van een conclusie dat er een
relatie is tussen de bestudeerde fenomenen.

Constructie van het onderzoeksdesign

Eens een beslissing is gemaakt van wat precies bestudeerd zal worden, kan het plannen van het
actuele onderzoek beginnen. Als onderzoeker dien je voorzichtig te zijn en niet te snel te springen
van deze stap naar andere stappen in het onderzoeksproces. Zo start je niet aan het bouwen van
een huis zonder eerst andere huizen te bekijken en te bedenken hoe jouw huis er uit moet zien.
Dus, waarom zou je een onderzoeksproject starten zonder een degelijke overweging van wat je
wilt doen en vinden?
Activiteiten in deze stap zijn het bepalen van onder andere de onderzoeksmethode
(experiment, survey of een andere methode) en hoe het onderzoek in het algemeen moet benaderd
worden. Als de onderzoeker data moet verzamelen, moeten beslissingen gemaakt worden
aangaande hoe deze data dienen verzameld te worden, van welke groep deze data moeten komen
en andere parameters. De beslissingen die hier worden gemaakt sturen de rest van het project, dus
ze moeten zeer zorgvuldig worden gemaakt. Deze stap in het onderzoeksproces is ook opgelegd
door het type van verzamelde data, dat op zich ook de statistische analyses bepaalt die gebruikt
zullen worden.

12
Conceptualisering
Eens de onderzoeksdeelvragen en hypothesen zijn geformuleerd, moeten ze onderverdeeld
worden in meer handelbare delen. Dit wordt gedaan door concepten uit de vragen en hypothesen
te halen. Concepten zijn termen waarover in het algemeen een consensus bestaat en kan
betrekking hebben op een kenmerk, fenomeen of een groep van intergerelateerde fenomenen.
Concepten kunnen heel abstract zijn of net concreet. In het abstracte, kunnen concepten labels
zijn, die gebruikt worden om eigendommen te identificeren of ze kunnen een symbolische
representatie van de realiteit zijn die moeilijk te omschrijven valt. Voorbeelden van abstracte
concepten zijn armoede en vooroordelen. Je weet onmiddellijk wat deze betekenen, maar het is
moeilijk om een korte en bondige beschrijving te geven van wat ze betekenen. Het is zelfs nog
moeilijker om een consensus te krijgen over de betekenis ervan. Het gebruik van concepten stelt
onderzoekers wel in staat om onderzoeksdeelvragen en hypothesen verder uiteen te rafelen, maar
het behoudt wel de flexibiliteit op dit ogenblik in het onderzoeksproces om niet specifiek te
beschrijven wat bestudeerd wordt. In het gebruikte voorbeeld van het gebruik van geweld bij
politie zijn de concepten nogal eenvoudig: politieman/-vrouw, werkshift, geweldsgraad,
opleidingsgraad, dodelijk geweld. Hoewel deze concepten wel een definitie vergen, is het min of
meer eenvoudig om een consensus te verkrijgen over de betekenis ervan. In het algemeen geldt
dat hoe meer theoretisch het onderzoek is, hoe abstracter de concepten zijn. Hoe meer
beleidsgericht een onderzoek is, hoe meer concreet de concepten zijn.

Operationalisering
Om concepten te gebruiken in statistische analyse, moeten ze zo geformuleerd worden dat ze
mathematisch kunnen worden geanalyseerd. Dit gebeurt door middel van operationalisering. Dit
is het proces van het vertalen van een concept, dat abstract en woordelijk is, in een variabele die
kan gezien en getoetst worden, door het omschrijven hoe het concept kan gemeten worden.
Operationalisering werd geïntroduceerd door de fysicus Percy Bridgman in 1927.
Het proces van het convergeren van het abstracte naar het concrete kan het best getoond
worden aan de hand van een voorbeeld, bijvoorbeeld met betrekking tot het concept armoede.
Zoals in een vorige paragraaf reeds werd uiteengezet, is armoede een abstract begrip; het is
moeilijk om te komen tot een consensus over de betekenis zonder het verder te definiëren. Dit
proces van operationalisering is een specifieke vorm van het definiëren van concepten zodat ze

13
geconverteerd worden tot de data. Bijvoorbeeld, armoede kan geoperationaliseerd worden door
de beslissing dat het inkomen wordt gebruikt om een persoon zijn/haar relatief niveau van
armoede te bepalen. Inkomensgroepen kunnen dan gebruikt worden om het inkomensniveau dat
gezien wordt als ‘arm’ te bepalen. In dit geval is armoede een concept; het moet
geoperationaliseerd worden om een punt te bereiken waarop data kunnen verzameld worden.
Inkomen, daarentegen, betreft data en heeft geen verdere operationalisering nodig.
In het voorbeeld van dodelijk politiegeweld, is het onderscheid tussen concepten en
variabelen minder duidelijk. In zulke situaties, kan het verschil tussen een concept en variabele
bepaald worden door zich af te vragen of het woord specifiek genoeg is om er data over te
vinden. Politieman/-vrouw is een nogal duidelijke term, maar voor het doel van het onderzoek is
het een concept dat toch geoperationaliseerd dient te worden. Vragen die hier moeten beantwoord
worden zijn:

Zullen alle politiemannen/-vrouwen worden gebruikt, of enkel lokale politie?

Zal het onderzoek enkel betrekking hebben op politie-inspecteurs of ook op agenten en
officieren?
En enkel bij diegenen die belast zijn met interventie, of ook met andere functies?

De antwoorden op deze vragen zullen het ietwat vaag concept van politieman/-vrouw
operationaliseren in iemand die kan geclassificeerd worden als een onderzoeksobject.
Het proces van transformeren van concepten in variabelen demonstreert een kritiek punt
in operationalisering: de geoperationaliseerde definities die gebruikt worden in onderzoek, zijn de
onderzoeker zijn/haar definities en deze hoeven niet overeen te stemmen met de definities die
anderen gebruiken of definities die dezelfde onderzoeker gebruikt in ander onderzoek.
Bijvoorbeeld, in dit onderzoeksproject is het mogelijk dat een politieman/-vrouw
geoperationaliseerd werd als een inspecteur van politie binnen de lokale politie die belast is met
interventie. Anderen zouden politieman/-vrouw anders kunnen definiëren en er bijvoorbeeld ook
rechercheurs aan toevoegen en/of anderen met een politiefunctie.

14
Data verzamelen
Dataverzameling is de stap in het onderzoeksproces waar de meeste mensen eigenlijk willen
starten en eigenlijk de laatste is waarmee zou moeten begonnen worden. Wanneer we terugkeren
naar het voorbeeld van het bouwen van een huis, zou het starten met het verzamelen van data te
vergelijken zijn met het beslissen om een huis te bouwen, 5 zakken cement en een ton nagels te
bestellen en aan de slag gaan, zonder te werk te gaan met een degelijk ontwikkeld plan. Het kan
zijn dat je effectief tot een huis komt, zeker wanneer je een expert bent, maar het zou beter zijn
wanneer je begint met het zorgvuldig opmaken van een plan.
Op dit punt zouden alle beslissingen betreffende het onderzoek moeten gemaakt zijn. De
onderzoeker zou een weloverwogen theoretisch model moeten hebben evenals een duidelijk en
compleet onderzoeksdesign waarin staat hoe de data zullen verzameld en geanalyseerd worden.
De concepten zouden al geoperationaliseerd moeten zijn in variabelen die accuraat gemeten
kunnen worden. Het enige wat nog moet gedaan worden is data verzamelen volgens het
onderzoeksdesign. Deze analyseren volgens het design en de resultaten rapporteren.

Het onderzoeksproces betreffende het gebruik van dodelijk geweld door politie wordt
weergegeven in figuur 1-2. Het toont elke stap in een deductief proces. De onderzoeker heeft een
onderzoeksplan opgesteld volgens de stappen in het onderzoeksproces gaande van theorie naar
data en van analyse naar de publicatie van conclusies. Dit wetenschappelijk proces is zowel
bruikbaar in academisch als praktisch onderzoek. Let wel dat tussen de stappen ‘concepten’ en
‘het trekken van conclusies’ deze stappen liggen die direct van invloed zijn op de statistische
analyse. Het is dus van het grootste belang dat deze stappen zorgvuldig doorlopen zijn aangezien
ze bepalend zijn voor de statistische analyses.

15
Observatie
- Wat zorgt ervoor dat politiemannen/-vrouwen dodelijk geweld gebruiken?
Centrale onderzoeksvraag
- Welke factoren zijn het meest van invloed op het gebruik van dodelijk geweld door
politie?
Nulhypothese
- Er is geen statistisch significant verschil tussen politiemannen/-vrouwen die
dodelijk geweld gebruiken en diegenen die geen dodelijk geweld gebruiken.
Onderzoeksdeelvragen
- Wat is de relatie tussen een politieman/-vrouw zijn/haar shift en de
waarschijnlijkheid dat hij/zij dodelijk geweld zal gebruiken?
- Wat is de relatie tussen de geweldsgraad binnen een bepaald gebied en de
waarschijnlijkheid dat een politieman/-vrouw dodelijk geweld zal gebruiken?
- Wat is de relatie tussen een politieman/-vrouw zijn/haar opleidingsgraad en de
waarschijnlijkheid dat hij/zij dodelijk geweld zal gebruiken?
Onderzoekshypothesen
- Politiemannen/-vrouwen met een nachtshift kennen een grotere waarschijnlijkheid
om dodelijk geweld te gebruiken dan diegenen met een dag of late shift.
- Politiemannen/-vrouwen zijn meer geneigd dodelijk geweld te gebruiken in
gebieden met een grote geweldsgraad in vergelijking met gebieden met een lage
geweldsgraad.
- Politiemannen/-vrouwen met een hoge opleidingsgraad zijn minder geneigd
dodelijk geweld te gebruiken in vergelijking met politiemannen/-vrouwen met een
lage opleidingsgraad.
Concepten
- Politieman/-vrouw, dodelijk geweld, werkshift, geweldsgraad, opleidingsgraad
Variabelen
- Aantal politiemannen/-vrouwen binnen een lokale politiezone, incidenten met
dodelijk geweld, aantal politiemannen/-vrouwen per shift, geweldsgraad,
opleidingsgraad van de politiemannen/-vrouwen.
Data
- Voor elk van de variabelen dient data verzameld te worden bij de geselecteerde
politiezone.
Statistische analyse
- Omdat de variabelen hier op het intervalniveau zijn gemeten, of gecodeerd kunnen
worden als dummy (0-1), zijn correlatie en/of regressieanalyse geschikt als
analysemethode.
Het trekken van conclusies
- Gebaseerd op de analyses, werden er geen verschillen gevonden tussen
politiemannen/-vrouwen die dodelijk geweld gebruiken en diegenen die geen
dodelijk geweld gebruiken.
Het communiceren van de resultaten
- Een formeel rapport met de resultaten van de studie kan aan de korpschef en/of de
burgemeester overgemaakt worden.
Figuur 1-2 Onderzoeksproces: Het gebruik van dodelijk geweld

16
Figuur 1-3 Wetenschappelijk onderzoeksproces: voorbeeld van theorie naar data

Figuur 1-3, wat een voorbeeld is van de strain theorie, geeft een andere illustratie van het proces
van wetenschappelijk onderzoek. Dit is wat verwacht kan worden in een academisch
onderzoeksproces. Hoewel niet alle stappen zijn weergegeven, toont de figuur wel de
verschillende stappen dat men moet doornemen en het verschil tussen theorie en onderzoek. In de
figuur kunnen ook de types van werkproducten afgelezen worden die na elke stap worden
bekomen.
In dit voorbeeld wordt vertrokken vanuit de vraag of armoede criminaliteit veroorzaakt.
De centrale onderzoeksvraag of nulhypothese is het doel dat het onderzoek drijft: de relatie
tussen armoede en criminaliteit. De onderzoeksdeelvragen en hypothesen zetten de abstracte
centrale onderzoeksvraag om in toetsbare stellingen. De concepten delen de
onderzoeksdeelvragen en hypothesen verder op in sleutelelementen die gemeten moeten worden.
De variabelen die de operationalisering van de concepten betreffen, zijn die elementen waarover
data verzameld moeten worden. Tenslotte kunnen de verzamelde data (de aantallen en andere
informatie) worden bestudeerd door middel van statistische analyse. Het is deze statistische
analyse waarover de volgende discussie gaat.

17
Een klein, maar belangrijk punt, moet hier worden vermeld. De meeste boeken over statistiek en
onderzoeksmethoden bespreken de discussie van het onderzoeksproces alsof originele data
moeten verzameld worden (jij hebt een vragenlijst ontwikkeld en jij hebt de mensen bevraagd). In
vele gevallen, en zeker door studenten, wordt er gebruik gemaakt van bestaande data (secundaire
data). Denk maar aan onderzoek gebaseerd op parketstatistieken, politiestatistieken of
internationale surveys waarvan de dataset online beschikbaar is (vb. European Social Survey).
Wanneer aan origineel onderzoek wordt gedaan, is de typische methode om te starten met een
centrale onderzoeksvraag en in een latere stap te komen tot de data. Dit werd reeds beschreven in
dit hoofdstuk. Wanneer er gebruik gemaakt wordt van secundaire data, is het vaak zo dat eerst de
centrale onderzoeksvraag wordt bepaald en een draft van de onderzoeksdeelvragen, en dat er dan
gekeken wordt naar de data of deze de concepten wel ondersteunen die de onderzoeker wenst te
gebruiken. Als de data de vereiste concepten inhouden, kan de onderzoeker de
onderzoeksdeelvragen verder vastleggen, de concepten uitschrijven en deze operationaliseren in
variabelen die in de data terug te vinden zijn. Als de data één of meer concepten niet
ondersteunen, kan het zijn dat de onderzoeker verplicht is om delen van de onderzoeksdeelvragen
te herconceptualiseren of zelfs bepaalde delen uit het onderzoek weg te laten.

7. Statistische analyse: de kunst van vergelijkingen maken

Een sleutelelement van onderzoek is statistische analyse. Statistische analyse geeft onderzoekers
de nodige informatie die het succes of falen van het onderzoek bepalen en de validiteit of
falsificatie van een theorie. Statistische analyse behandelt voornamelijk het maken van bruikbare
vergelijkingen.

Fundering van geldige vergelijkingen

De kunst van het maken van geldige vergelijkingen start bij de assumptie dat er een relatie
bestaat tussen de variabelen die worden bestudeerd. Deze assumptie is noodzakelijk want als er
geen relatie is tussen twee variabelen dan kan het ene het andere niet veroorzaken.
Verschillende types van vergelijkingen worden in statistische analyse gemaakt. Deze
types hangen af van het doel van het onderzoek. Variabelen kunnen vergeleken worden met
zichzelf en wat de onderzoeker van deze variabelen verwacht (univariate statistiek), twee

18
variabelen kunnen met elkaar worden vergeleken (bivariate statistiek), of verschillende
variabelen kunnen met elkaar vergeleken worden (multivariate statistiek).

Om bruikbare vergelijkingen te maken, zijn er enkele vereisten die begrepen en gevolgd

moeten worden. Deze zijn algemene vereisten om bruikbare vergelijkingen te maken en ze zijn
aanvullend aan de vereisten die individuele analysemethoden zouden opleggen.

Vergelijken van geschikte fenomenen

Het is eenvoudig om de presentatie van bevindingen te vertekenen, hetzij bewust, hetzij
onbewust, wanneer er vergelijkingen worden gemaakt. Neem bijvoorbeeld de volgende
krantenkop: ‘Moordgraad stijgt met 100 % in Lokeren’. Dit lijkt heel dramatisch, tot je te weten
komt dat het aantal moorden eigenlijk is gestegen van twee naar vier. Technisch gezien is het een
toename van 100 %, maar een toename met twee moorden kan een afwijking zijn dat slechts één
jaar voorvalt. Een meer accurate vergelijking zou bijvoorbeeld deze kunnen zijn van het aantal
moorden in Lokeren met het aantal moorden in gelijkaardige steden, of van het aantal moorden in
Lokeren over een 10-tal jaren.
Hoewel deze kop niet noodzakelijk het resultaat is van een verdwaald onderzoeksproject,
is het veel te vaak zo dat onderzoek resultaten produceert die zo kunnen gemanipuleerd worden
zodat ze de gewenste uitkomsten weergeven. Een streng overdachte theorieopbouw en een
voorzichtige onderzoeksdesignplanning zullen in de meeste gevallen elke onbewuste vertekening
van vergelijkingen voorkomen. Als een onderzoeker werkelijk het proces volgt van het
ontwikkelen van kwaliteitsvolle centrale onderzoeksvragen en deelvragen, kan het al vroeg in het
onderzoeksproces duidelijk worden dat vergelijkingen die gemaakt moeten worden, vertekend
zijn. Ook als het niet duidelijk wordt tijdens het theorieopbouwproces, zal het werk dat men
steekt in het ontwikkelen van concepten en de operationalisering, op vertekeningen kunnen
wijzen.

Het gebruik van vergelijkbare metingen

• Er bestaan twee niveaus van data: data op het individuele niveau en op het geaggregeerd
niveau. Data op het individuele niveau bestaan uit één registratie die alle gebruikte
informatie bevat over elke persoon of elk element. Voor elk individu, kan de onderzoeker
uit één dataset of uit verschillende datasets in dewelke elk individu kan geïdentificeerd

19
 worden, informatie halen zoals iemand zijn/haar leeftijd, inkomen, het aantal keer dat
hij/zij gearresteerd werd.
• Data verzameld op het geaggregeerd niveau daarentegen, bestaan uit één of meer
datasets waarvan de data betrekking hebben op meerdere individuen. Informatie over de
bevolking bijvoorbeeld, is een voorbeeld van geaggregeerde informatie. Zo kennen we de
bevolkingsgraad, het gemiddelde inkomen, leeftijd,… binnen bepaalde gebieden. Een
onderzoeker kan op basis van deze geaggregeerde dataset geen informatie bekomen op
het individueel niveau (vb. leeftijd van de persoon).

Vergelijkingen moeten gebaseerd zijn op het niveau waarop de data beschikbaar zijn.
Bijvoorbeeld, op het individueel niveau kan een onderzoeker vergelijkingen maken gebaseerd op
analyses van het individuele niveau en hetzelfde geldt voor analyses op het geaggregeerde
niveau. Als een dataset data bevat op het individuele en geaggregeerde niveau, zouden de data
van het individuele niveau niet gebruikt mogen worden op het individuele niveau. De data op het
individuele niveau zou dan gecombineerd moeten worden tot hetzelfde niveau als de
geaggregeerde data. Bijvoorbeeld, als er data verzameld werden van individuele inwoners en van
buurten, dan zou de data van de individuele inwoners geaggregeerd moeten worden tot data van
de buurt zodat de data te vergelijken worden. Hoewel het mogelijk is om data van het individuele
niveau te aggregeren, zou je de karakteristieken van het geaggregeerd niveau niet mogen nemen
en pogen om deze toe te passen op het individu. Dat wordt een ecologische fout genoemd en dit
moet in elk onderzoek worden vermeden.

Het kiezen van een analysemethode die het best de data samenvat
Probeer er altijd voor te zorgen dat je grafieken, tabellen en statistische analyses gebruikt die zo
helder mogelijk de bevindingen van de analyse weergeven. Je hebt allicht al artikels gelezen in
dewelke je de statistische analyse niet begreep. Dit hoeft niet alleen als oorzaak te hebben dat je
de procedure niet begrijpt. Vaak is het zo dat resultaten zo worden gepresenteerd zodat ze bijna
niet te interpreteren zijn – niet noodzakelijk door hun complexiteit, maar mogelijks omdat de
auteur geen gebruik maakte van de statistische analyse die de data het best samenvat. De
bedoeling van statistische analyse is om methodes te gebruiken die inzicht geven in complexe
data en die een heldere ondersteuning bieden voor de getrokken conclusies.

20
De algemene regel van statistische analyse is dat je het best gebruik maakt van de
analysetechnieken op het hoogste meetniveau die mogelijk zijn. Als de data deze ondersteunen,
leveren de analyseprocedures die gemaakt zijn voor data van het interval- of rationiveau de
grootste verklarende kracht. Het gebruik van analysetechnieken van een hoog meetniveau op data
van lagere meetniveaus kan een gebrekkige analyse tot gevolg hebben; daarnaast is het ook zo dat
wanneer er analysetechnieken van een laag meetniveau worden gebruikt op data van een hoog
meetniveau, er geen optimaal gebruik wordt gemaakt van de data en informatie die de data
kunnen inhouden.
Dit is moeilijker dan het klinkt. Het is echt belangrijk dat er gebruik wordt gemaakt van
de meest geschikte analysemethode voor de variabele(n) met het laagste meetniveau.
Bijvoorbeeld, om de leeftijd van jeugddelinquenten te bestuderen, met jeugddelinquentie
gecodeerd als ja/nee/mogelijks delinquent, is een analyseprocedure nodig die geschikt is voor
data op het nominaal meetniveau. Ook als leeftijd geanalyseerd zou kunnen worden door gebruik
te maken van analysetechnieken op een hoger meetniveau! Jeugddelinquentie is gemeten op het
nominale meetniveau, daarom moeten statistische analysetechnieken van het nominale
meetniveau worden toegepast. Er zijn natuurlijk uitzonderingen op deze regel, maar daar wordt
dieper op ingegaan in het opleidingsonderdeel kwantitatieve criminologische methoden en
technieken, gedoceerd in de 2de BAC criminologische wetenschappen.

Conclusies trekken
Velen denken dat het proces van statistische analyse, en zelfs wetenschappelijk onderzoek, stopt
aan het einde van de analyse. Niets is minder waar. Statistici en onderzoekers onderscheiden zich
in de interpretatie van analyses en de conclusies die getrokken kunnen worden. Dit is over het
algemeen ook het moeilijkste deel van statistische analyse. Deze stap houdt in of de resultaten
van de statistische analyse de hypothesen die bij de start van het onderzoeksproces zijn
ontwikkeld, worden ondersteund.
In deze stap van het onderzoeksproces stoppen we met de statistische analyse en
methodologische kwesties en wordt er teruggekeerd naar theorie. Als de onderzoeker gebruik
maakt van een deductief proces, is dit het punt waarop de theorie die in de eerste stappen werd
uitgelijnd, vergeleken wordt met de resultaten. Nu valt het verdict of de theorie ondersteund of

21
weerlegd wordt. In een inductief proces is dit het punt waarop de onderzoeker de eerste
conclusies trekt over wat hij of zij heeft gezien. Kennelijk verlaat de theorie nooit echt het
onderzoeksproces, net zoals methodologische en statistische kwesties belangrijk zijn in elke stap,
van het opzetten van een theorie tot het trekken van conclusies.
Een student veranderen in een statistisch geschoold sociaal wetenschapper vereist het
verscherpen van vaardigheden met betrekking tot het interpreteren van analyses. In staat zijn om
problemen uit te werken of de computer ertoe te brengen om een antwoord te bieden op een
specifieke analyse is één ding; het uitvoeren van die analyse, het terugkoppelen in het proces van
wetenschappelijk onderzoek en het interpreteren van wat je hebt gevonden op zo een manier dat
het nieuwe inzichten brengt in het topic dat wordt bestudeerd, is een andere zaak.

Communiceren van resultaten

De laatste stap in het proces van wetenschappelijk onderzoek is het communiceren van de
resultaten van het onderzoek. Deze stap wordt ook vaak over het hoofd gezien. Velen geloven dat
de bevindingen van het onderzoek niet gecommuniceerd moeten worden omdat ze het niet waard
zijn, tenzij de bevindingen de hypotheses ondersteunen of een gigantische ontdekking inhouden.
Hoewel het inderdaad zo is dat veel van de meest prestigieuze tijdschriften terugschrikken van
het publiceren van negatieve resultaten, betekent het niet dat deze niet gecommuniceerd moeten
worden. Het is belangrijk voor de praktiserende criminoloog in het werkveld dat zelfs negatieve
resultaten worden gecommuniceerd. Dit moet mensen behoeden dezelfde fouten opnieuw te
maken en zou moeten vermijden dat geld verspild wordt door iets te onderzoeken dat al eens
eerder is onderzocht. Het kan ook een hulp zijn in het proces van wetenschappelijk onderzoek,
zoals reeds vermeld in het begin van het hoofdstuk, door anderen te stimuleren om onderzoek te
doen. Deze finale en essentiële stap van het onderzoeksproces kan op verschillende manieren
worden verwezenlijkt. Het meest wenselijke is om de resultaten van een statistische studie te
publiceren in een academisch tijdschrift of boek. De resultaten kunnen ook gecommuniceerd
worden in meer praktisch gerichte publicaties (vb. laagdrempelige publicaties voor politie), in
paper presentaties op professionele conferenties. Echter, ook een masterproef kan gezien worden
als een eerste stap in deze richting. Daartoe zijn de vaardigheden die hier getraind zullen worden
essentieel. Het komt er immers op neer wanneer de resultaten van een statistische analyse

22
uitgerekend zijn, om deze ook nog helder neer te schrijven zodat de informatie een didactische
waarde verkrijgt. Alleen oefening baart kunst.

23