Item gefilterd op datum: december 2012

Definitie

De term ‘klinisch’

Klinische psychologie
-> subdiscipline
=> andere subdisciplines: - A&O

- SPP
-> grootste groep (45%)
-> term ‘klinisch’ wekt een verkeerde indruk: klinische psychologen vinden we in alle sectoren vd
gezondheidszorg

• Poging tot definiëring (begrijpen waar de definitie over gaat + evolutie zien)

≠ pogingen tot definiëring:

*Cassee, Höweler, Janssen (1981)
- houdt zich met ongewenst gedrag bezig
- mogelijkheid om verandering te brengen

*Reber (1991)
- houdt zich met afwijkend en slecht aangepast gedrag bezig (waar ligt hier de norm?)
-diagnostiek, classificatie, behandeling, preventie en onderzoek

*Winnubst, Schnabel, Van de Bout & Van Son
- wetenschap
- onderzoek naar gezondheid => kijken naar gezond gedrag = nieuw!
- diagnoses & interventies ontwikkelen / toepassen

*APA (American Psychological Association)
- toegepaste wetenschap
- diagnostiek en behandeling mentale problemen

*BFP (Belgische Federatie van Psychologen)
- psychologische kennis en praktijk
- diagnostiek, therapie en preventie

DUS:
- Klinische psychologie = studiegebied dat zich bezighoudt met psychische stoornissen
- Volgens vorige definities behoren problemen op somatisch vlak niet tot het terrein vd KLP

Maar: sommige zeggen dat gezondheidsproblemen wel tot de KLP behoren (bv. psychologische factoren kunnen een rol spelen bij pijn)

Anderen zeggen dat gezondheidsproblemen behoren tot de gezondheidspsychologie waarbij
het uitgangspunt normaal gedrag is.

Definitie

KLP = de toepassing van wetenschappelijke kennis ivm theorieën en methodes mbt:
- psychodiagnostiek
- indicatiestelling
- psychotherapie
- begeleiding
- preventie

Het terrein vd KLP is de laatste jaren sterk uitgebreid, maar psychische stoornissen blijven wel de kern! Probleem: met welk afwijkend gedrag houden we ons dan bezig?
-> met afwijkingen die ons functioneren beïnvloeden

Een inventarisatie moet gemaakt worden als voorbereiding op de behandelbaarheid van de problematiek. Het gaat hier om een cliënt van vijf jaar die door school is aangemeld vanwege passiviteit en een vertraagde cognitieve ontwikkeling. Hiermee wordt met name de woordenschat genoemd. De zorgen gaan ook over de sociaal emotionele ontwikkeling van het kind, waarbij de motivatie ook een rol speelt. Taken worden niet afgemaakt en er wordt geen initiatief getoond tot contact met anderen. Wel houdt het kind vast aan een speelmaatje van vroeger. Er wordt hulp geboden door de klassen assistent en door stimulering door de leerkracht, maar er wordt nauwelijks op gereageerd door het kind. Er worden geen bijzonderheden gerapporteerd over de vroege ontwikkeling. Wel wordt gezegd dat het kind ’s nachts angstig is en dan naar ouders toetrekt. De ouders worden vanuit school als weinig betrokken gezien, wat een risicofactor kan zijn. Een sociaal netwerk en een veilige basis worden als voorwaarden gezien voor het welzijn van het kind. Daarbij komt dat ouders onregelmatig en weinig thuis zijn, moeder neemt de meeste zorgtaken op zich. Thuis wordt geen Nederlands gesproken wat van invloed kan zijn op de cognitieve ontwikkeling van het kind. Er is meer risico op taalproblemen omdat het vanuit thuis geen stimulering plaats vindt. Het kind zelf is weinig spraakzaam maar geeft aan dat vermoeidheid een rol speelt en dat het moeite heeft met opletten in de klas.

Als gekeken wordt naar de toetsresultaten, is het duidelijk dat het kind ondermaats scoort. Voor taal is dit zwak-voldoende en voor rekenen onvoldoende. De non-verbale intelligentietest laat een gemiddelde score zien, waarbij de woordenschat laag-gemiddeld is in vergelijking met andere kinderen. De risicofactoren zijn te vinden in de thuissituatie waarin geen Nederlands wordt gesproken, waarbij het gedrag op school als niet passend bij de leeftijd kan worden gezien. Er wordt geen contact gezocht met andere kinderen wat het eigen functioneren beïnvloedt. Ook de weinige betrokkenheid van de ouders bij school is een risicofactor. Verder is er een stagnatie te zien in de ontwikkeling. Beschermende factoren hierbij zijn wel de extra hulp in de klas en de betrokkenheid van de leraar. Ook heeft het kind een gemiddelde intelligentie, waarmee kan worden verwacht dat de cognitieve prestaties gemiddeld zouden zijn. Verder zijn de ouders van het kind nog bij elkaar, en zijn het tweeverdieners. De onregelmatige werktijden zorgen echter voor een mogelijk onveilige hechtingssituatie voor het kind.

Wanneer gekeken wordt naar diagnoses kunnen enkele kenmerken worden gezien bij het kind. Selectief mutisme past in die zin, vanwege het in de weg staan van het bereiken van resultaten in de opleiding en sociale communicatie. Het houdt in dat er sprake is van een consequent falen te spreken in bepaalde sociale situaties. Het is niet van toepassing omdat het kind er wel in slaagt om te spreken, en het is ook niet consequent in wanneer dit wel of niet gebeurt. Een separatiestoornis is niet te herkennen bij dit kind omdat het geen symptomen laat zien die te maken hebben met (onveilige) hechting. De gegeneraliseerde angststoornis komt het meest overeen met symptomen van het kind.

Wanneer de totale N bij alle groepen gelijk is, hebben de voorspellingen maximale precisie en maximale statistische power. Hoe schever een verdeling is (bijvoorbeeld wanneer je spreekt over een zeldzame ziekte: er zijn veel meer mensen die niet ziek zijn dan mensen die wel ziek zijn), hoe groter het aantal valso positieven wordt (in verhouding tot het aantal ware positieven). De formule wordt dan:

Dit is de stelling van Bayes (in het geval dat er maar twee mogelijkheden zijn). Bekijk pagina 13 voor een rekenvoorbeeld.

Om de accuratesse van een voorspelling te bepalen, gebruik je een classificatietabel. In deze tabel staan de voorspelde waarden en de geobserveerde waarden tegen elkaar uitgezet.

De kwaliteit van de voorspelling kun je berekenen met de PAC:

In veel situaties is PAC een te grove schatting om te kunnen gebruiken. Om een betere kwaliteit van de voorspelling te krijgen, kun je de sensitiviteit en de specifiteit gebruiken. Deze geven de kwaliteit van het instrument weer. De algemene vraag hierbij is: hoe groot is de kans voor elk van de betrokken groepen dat een individu uit een bepaalde groep als lid van die groep wordt herkend? De sensitiviteit (de kans dat een lid van groep A inderdaad in groep A wordt geclassificeerd) kun je berekenen: Een hoge sensitiviteit is erg belangrijk, maar het is pas iets waard als ook de specificiteit hoog is:

Deze twee begripppen beschrijven de conditionele kans (de kans op gebeurtenis A wanneer gebeurtenis B heeft plaatsgevonden). Een conditionele kans geef je weer als: p(A|B). Voor de individuele diagnostiek is het niet zo van belang hoe groot de sensitiviteit en de specificiteit zijn. Je wilt weten hoe groot de kans is dat jij zelf een bepaalde diagnose hebt (wanneer die diagnose is gesteld) en hoe groot de kans is dat jij die diagnose niet hebt (wanneer de diagnose is gesteld dat je het niet hebt). De percentages die hierbij horen, zijn de positive en negative predicted value. Ook dit zijn conditionele kansen.

Je wilt op grond van een aantal intervalvariabelen (p≥2) voorspellen tot welke groep uit een set van k groepen iemand behoort. Je kunt onderscheid maken door te kijken vanuit de groepen (descriptieve DA) of vanuit de individuen binnen die groepen (predictieve DA).

Bij het doen van DA moet je jezelf afvragen of je voorspelling zin heeft. Da leidt altijd tot een optimale voorspelling van de nominale variabele vanuit de intervalvariabelen. Een voorspelling stelt iets voor als deze beter is dan wat je op basis van toeval mag verwachten. Dit kun je berekenen met behulp van Wilk’s lambda. Hierbij geldt H0: de groepen verschillen op geen enkele manier op de intervalvariabelen. Wanneer Wilk’s lambda niet significant is, kun je niets voorspellen. Wanneer deze wel significant is, kun je een voorspelling doen die beter is dan je toevalsverwachting. Het is geen garantie voor een goede voorspelling of voor een sterke samenhang tussen de groepsindeling en de intervalvariabelen.

Voor predictieve DA hoef je eigenlijk niet te weten hoe de groepen van elkaar verschillen. Toch wil je vaak graag weten hoe en waarom een voorspelling werkt. Dit kun je bekijken met behulp van de descriptieve DA (komt bij de cursus MVDA aan bod).

Wanneer je een p-dimensionale ruimte hebt waarin je de scores van de verschillende proefpersonen aftekent, die je vervolgens verbindt met de verschillende groepen, kun je achterhalen bij welke groep welke proefpersoon hoort. Dit is namelijk de groep waar de proefpersoon het dichtst bij in de buurt staat. Zie ook figuur 3 op pagina 5. Je kunt de afstand berekenen met de stelling van pythagoras:

Bekijk pagina 6 voor een rekenvoorbeeld. De algemene formule is als volgt:

Wanneer de variabelen verschillende standaarddeviaties hebben, moet je de variabelen standaardiseren (omzetten in z-scores). Als variabelen onderling gecorreleerd zijn, moet je werken in de ruimte van de discriminantfunctievariaten. Wanneer de groepen verschillen in spreiding rondom het gemiddelde moet je de groepspunten wegen naar de standaarddeviaties van de groepen (de afstand wordt kleiner bij een hoge standaarddeviatie).

Classificatiesystemen worden ook wel taxonomieën genoemd. Vaak zijn classificaties en diagnoses in de psychologie gebaseerd op één of meer dimensionele oordelen. Er is een algemene procedure om van dimensionele oordelen naar classificatie te komen:

1. Onderzoeksgroep: je hebt een steekproef nodig, waarbij de scores op de dimensionele oordelen en op de classificatie van ieder individu bekend zijn.
2. Voorspellingsregel: je probeert binnen die onderzoeksgroep op basis van de dimensionele oordelen te voorspellen wie welke classificatie krijgt. Hierdoor kun je nieuwe gevallen classificeren en je kunt checken hoe goed de voorspellingsregel binnen de steekproef werkt.
3. Classificatie van nieuwe gevallen: wanneer de gevonden voorspellingsregel goed is, kun je hiermee nieuwe gevallen classificeren.

In het eenvoudigste geval heb je scores op één dimensie die je binnen de steekproef op twee manieren kunt classificeren: wel of niet een stoornis. Wanneer je een t-toets uitvoert op de data en de gemiddelde scores van de stoornisgroep zijn sterk significant verschillend in vergelijking met de niet-stoornis groep, heb je aangetoond dat de dimensie samenhangt met de stoornis. Om te kunnen bepalen of je de stoornis ook uit de dimensie kunt voorspellen, maak je gebruik van de grenswaarde XC. Hierop is de voorspellingsregel van toepassing:

• als Xi < XC, dan behoort persoon i tot de niet-stoornis groep.
• als Xi ≥ XC, dan behoort persoon i tot de stoornis groep.

Deze regel werkt niet perfect, omdat er bij echte data altijd wel wat overlap is (mensen die hoog scoren op de dimensie hebben toch geen stoornis, of mensen die laag scoren op de dimensie hebben toch wel een stoornis). Je maakt dus altijd fouten in je voorspelling.

Het bepalen van de grenswaarde XC is niet eenvoudig. Je kunt twee soorten fouten maken, de vals negatieven en de vals positieven. Bij het bepalen van de grenswaarde moet je bedenken welke fouten je erger vindt. Daarnaast hangt de grenswaarde af van de vergelijkbaarheid van beide verdelingen

Wanneer je in meer dan twee groepen gaat classificeren op basis van één dimensie, kun je het best gebruik maken van discriminantanalyse.

In de psychometrie wil je twee soorten uitspraken kunnen doen:

• Dimensionele uitspraken: wat is iemands plaats op een bepaalde dimensie (bijvoorbeeld extraversie)? Wanneer je het hebt over betrouwbaarheid en validiteit, gaat het meestal om deze benadering.
• Classificatie: tot welke categorie behoren we (bijvoorbeeld depressief)? Je wijst hier mensen toe aan categorieën.

Je kunt uit residuen afleiden welke parameters er voor een goede fit moeten worden vrijgemaakt:

• Gecorreleerde factoren: wanneer twee factoren in werkelijkheid positief gecorreleerd zijn, maar deze in het model op nul staat, dan zullen de terugvoorspelde correlaties stelselmatig lager dan de werkelijke correlaties. Wanneer je in een blok residuen van variabelen uit twee verschillende factoren bijna alleen hoog positieve waarden vindt, moet je de factoren correleren waardoor je waarschijnlijk een betere fit krijgt.
• Extra factorlading: wanneer een variabele zowel op de eigen factor als op een andere factor in de werkelijkheid goed laadt, maar de lading op de andere factor in het model op nul is gezet, ontstaat dezelfde situatie als bij de gecorreleerde factoren.
• Gecorreleerde errors: wanneer je een duidelijk van nul afwijkend residu hebt dat geen onderdeel is van een breder patroon, zou je de correlatie tussen de errors van de betrokken variabelen schatten. Gecorreleerde errors zijn echter meestal niet heel bevorderlijk voor de begrijpelijkheid van een model.

Om te bepalen welke parameters je moet vrijmaken voor een betere fit, kun je gebruik maken van modificatie-indices en van residuen. Een modificatie-index geeft aan in hoeverre het trimmen leidt tot een slechtere fit en in hoeverre het verhogen van de fit leidt tot een verbetering van de fit.

Een residu is het verschil tussen de werkelijke en de teruggeschatte waarde van een element uit de variantie-covariantie matrix. Wanneer een model een perfecte fit heeft, zijn alle errors gelijk aan nul. Bij echte data komt dit nagenoeg nooit voor. In dit geval geldt: hoe dichter het residu de nul nadert, hoe beter het model erin slaagt om de betreffende covariantie of correlatie te verklaren. Om een model bij te stellen, gebruik je de volgende formule:

Dit is het gestandaardiseerde residu. Bij een standaardmodel met een goede fit zijn de residuen klein (tussen de -.10 en .10). Er zijn dan ook ongeveer evenveel positieve als negatieve residuen.

Je kunt een model bij stap (5.) op twee manieren verbeteren: trimmen of de fit verhogen. Bij het trimmen zet je de vrije parameters vast. Zelfs wanneer je een model hebt met een goede fit, kun je het model nog verbeteren vanwege de spaarzaamheid (wanneer een eenvoudige en ingewikkelde versie beiden even goed werken, heeft de eenvoudige versie de voorkeur). Bij CFA moet je dus bij twee even goede modellen, het model kiezen dat de minste vrije parameters heeft. Je kunt het aantal vrije parameters verminderen door de factorladingen op nul te zetten of door de correlaties tussen de factoren op nul te zetten. Dit is trimmen. De fit kan hiervan nooit verbeteren, maar wel verslechteren of gelijk blijven.

Bij het verhogen van de fit maak je vaste parameters vrij. Dit betekent dat je pijlen in het paddiagram toevoegt:

• Factorladingen: je laat een manifeste variabele ook op een andere factor laden.
• Correlaties tussen factoren: je staat toe dat er twee factoren gecorreleerd zijn.
• Correlaties tussen errors: je staat toe dat twee variabelen iets gemeenschappelijk hebben dat je niet kunt herleiden tot de factoren.
• Meer factoren: hierdoor wordt het model minder spaarzaam, maar wordt de fit wel groter.