Chapter 2 WB nw

Question 1

Vraag

Answer 1

Antwoord

Question 2

[Chapter 2] Welk probleem wordt in dit artikel behandeld?,

Answer 2

Al eeuwen zijn mensen bezig met de definitie van welbevinden, en de ambiguiteit die er soms is over de definitie maakt het soms moelijk om meerdere onderzoeker over welbevinden te vergelijken omdat de definitie anders is.

Question 3

[Chapter 2] Waarom is dit probleem belangrijk?,

Answer 3

een duidelijke definitie en inzicht in de structuur en wat wel/niet ibjdraagt = beter vergelijken + helder in papers

Question 4

[Chapter 2] Wat is je hypothese en waarom?,

Question 5

[Chapter 2] What are the key studies that informed this work?,

Question 6

[Chapter 2] Heb je voortgebouwd op of een bestaande theorie uitgedaagd?,

Answer 6

Ons NW bouwt voor op 2 andere netwerken, en hebben wij dit uitgebreid met items die wij in eerdere literatuur hebben gevonden die danwel phenotypisch of genetische aan wellbeing gerelateerd zouden zijn. Eerste trimming analysis gedaan om te kijken of alles uberhoudt relevant was

Question 7

[Chapter 2] Waarom heb je deze methode of dit model gekozen?,

Answer 7

Bestaande manier van netwerkanalyse uit de psychologie om mentale aandoening structuur te bestuderen. Netwerk geeft an hoe de syptomen zich tot elkaar verhouden, gaat niet uit van een overkoepende construct maar is plat, en geef aan welke nodes meer centraal zijn in het netwerk. Theoretsiche zou zo’n centrale knoop dan eem effeicient doel zijn voor interventies, omdat je daarmee de andere sympotmen ook beinvloed. Limitaties van factor analyse zijn dat het uitgaat van een overkoepend construct, dat er misschien niet is, en dat je niet alle verbanden tussen alle items krijgt.

Question 8

[Chapter 2] Welke alternatieven heb je overwogen en waarom heb je die verworpen?,

Question 9

[Chapter 2] Hoe heb je de degelijkheid gewaarborgd (bv. validiteit, betrouwbaarheid, robuustheid)?,

Question 10

[Chapter 2] Zou deze methode gerepliceerd kunnen worden?,

Question 11

[Chapter 2] Wat zijn de belangrijkste bevindingen?,

Answer 11

2 kanten maar sterk verbonden, en 3 items die alles weerspiegelen

Question 12

[Chapter 2] Hoe interpreteer je deze resultaten?,

Question 13

[Chapter 2] Were the results expected?,

Answer 13

2 connected kanten was sterk verwacht.

Question 14

[Chapter 2] Heb je gevoeligheidsanalyses of robuustheidscontroles uitgevoerd?,

Question 15

[Chapter 2] Hoe zou iemand anders je bevindingen kunnen verifiëren?,

Question 16

[Chapter 2] Wat zijn de theoretische of praktische implicaties?,

Question 17

[Chapter 2] Wat zijn mogelijke alternatieve verklaringen?,

Question 18

[Chapter 2] Wat zijn de beperkingen van deze studie?,

Answer 18

1) instabiliteit 2) 4 items die weg meosten ivn te weinig spreiding in de antwoorde (eg health), wat niet beketend dat het niet belangirjk is, maar de NTR data liet het niet toe 3) zijn die 3 maten wel goed voor psycho-constructne ipv sociale constructen == discussie over. 4) nog weinig bekend over de effectiviteit van interventios op nw items voor behandeling

Question 19

[Chapter 2] Hoe kunnen deze beperkingen je conclusies beïnvloeden?,

Question 20

[Chapter 2] What would you do differently next time?,

Question 21

[Chapter 2] Wat zijn de belangrijkste conclusies?,

Question 22

[Chapter 2] Hoe draagt dit artikel bij aan het bredere vakgebied?,

Question 23

[Chapter 2] Wat zijn de volgende stappen of openstaande vragen?,

Answer 23

Kijken of interventies obv nw items helpt - helpt ook bij de vraag of nw alleen theoretische relevantie hebben of ook praktisch.

Question 24

[Chapter 2] Kan dit leiden tot een nieuwe onderzoekslijn of toepassing?,

Question 25

Waarom heb je de twee groepen zo gemaakt?

Answer 25

NTR heeft veel tweelngen of mesen ide op een adnere manier genetische regelateerd aan elkaar zijn. Dit kan mogelijk effect hebben op hoe gelijk hun antwoorden op elkaar lijken. Om hiervoor te corrigeren hebben we 2 groepeng emaakt waarbinnen de deelnemrs genetisch onafhankelijk waren. de eerste groep is de trimming sample en hierin hebben we de netwerk met alle items gerund en ''de goldbricker' functie gebruikt -> deze vindt items die sterk op dezelfde manier correleren met de andere items, en haalt er hier een vanweg om zo een spaarzaam netwerk te creeren ( In gereal i feel very happy, the cantril ladder, I feel tired without good reason). Ook 4 items verwijderd omdat ze te weinig spreiding in de antwoorden hadden (eg depressie: suicide vraag)

Question 26

Hoe is de power?

Answer 26

1342, estimation sample = 750. Grote sprongen in sensitiviteit tot 250 deelnemers, maar ordinale schalen hebben meer onzekerheid dan binaire schalen. Als het gaat om sensitiviteit en specificiteit, meer is beter, en niet te veel nodes. Maar Epskamp geeft ook adan het het ligt aan je type data.

Question 27

Resultaat uit vergelijking NW vs Factor (6 factoren en andere redundants verwijderd)

Answer 27

Comparison of the network model and the factor model. There are two comparisons we can make between our network and factor model. First, we used the trimming sample to exclude possibly redundant items based on item-item correlations in the network analysis, and to examine which items were badly captured by the factors in the EFA. Thus, for the former, we exclude items based on the fact that they are almost fully captured by other items (i.e., redundant) in the network. In contrast, the latter excludes items that do not seem to fit in with the rest of the items based on the common variance between items. Unsurprisingly, these two opposing strategies lead to very different outcomes: whereas the network trimming leads to the exclusion of mostly well-being items, the factor strategy leads to the exclusion of neuroticism and depression items. Since redundancy in network analysis is based on high correlations between different items, we find that items deemed redundant in the network analysis have relatively high communalities in the factor analysis (between .469 and .750). Second, we used the trimmed sample (with item exclusion based on the network trimming) to examine the structure of the WBS based on network estimation and CFA. The network analysis indicates that the different items are clustered within their own construct but were simultaneously highly interconnected across different constructs. Moreover, we found that the more items belonging to more positive phenotypes clustered on one side of the network, while the items belonging to more negative phenotypes clustered on the other side of the network. For the factor analysis, on the other hand, we found that six separate factors corresponding to the separate constructs were a better fit to the data than a factor model with one or two higher-order factors.

Question 28

Waarom zou je een netwerk doen ipv factor analyse?

Answer 28

Gaat niet uit van een overkoepelend construct, geen test dus goed voor exploratief gebruik, node reduncandy functie, centraliteit geeft targets aan voor interventies.

Question 29

3 nadelen van een netwerk

Answer 29

Instabiele centraliteits indicators - betweenness en connectedness, Bij veel nodes worden de edgeweights (correlaties) onbetrouwbaarder, dus niet genoeg. Geen directe statistische toest zoals bij factor, daarom meer geschikt voor exploratory, of toetsvrij overzicht.

Question 30

Wat zou je beleidsmakers adviseren?

Answer 30

Licht aan je vraag en je presmissen: als je een sterk idee hebt dat er een construct is en je wilt toetsen welke variabelen hier het stekrt aan hangen = factor analyse. Als je nog geen idee hebt van een onstruct en beniwued bent hoe alle verabelen zich tot elkaar verhouden = netwerk analsye. En als je al wel een idee hebt van de varaibelen maar je wilt, vanwege onderzoeksbudget of interventie budget onderzoek doen naar een aantal items, dan zou ik gaan voor het netwerk met de redundancy functie.