KG-publicatie nr. 16 Q-sort. Een rangordening - Onderzoek ...

KG-publicatie nr. 16 

Q-sort. Een rangordening 

Arie van Peet 

KG-16

Kenniskring Gedragsproblemen in de Onderwijspraktijk 

KG-publicatie nr. 16. Q-sort. Een rangordening. 

A. van Peet 

Q-sort. Een rangordening. 

Correspondentie over deze KG-publicatie kunt u sturen naar: 

E-mail: avanpeet@solcon.nl 

-------------------------------------------------------------------------------------------------------------------------------- 

KG-publicaties bevatten interne notities, verslagen en prepublicaties bestemd voor spreiding in kleine kring. 

De verantwoordelijkheid voor de inhoud van een KG-publicatie berust bij de auteur(s).Uit KG-publicaties mag 

alleen geciteerd worden met toestemming van de auteurs. 

-------------------------------------------------------------------------------------------------------------------------------- 

© Hogeschool Utrecht, kenniskring Gedragsproblemen in de Onderwijspraktijk, april 2007 

2/26



-------------------------------------------------------------------------------------------------------------------------------- 

nr.1 Everaert, H.A. en J.C. van der Wolf (2005). 

Behaviorally Challenging Students and Teacher Stress. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.2 Wolf, J.C. van der & J.M.F. Touw (2005). 

Onderzoek naar zorg in het curriculum van de Theo Thijssen Academie. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.3 Doorn, E.C. van (2005). 

De Gedragingenlijst voor Leraren (Tweede onderzoeksrapport). 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.4 Wolf, J.C. van der (2005). 

Probleemouders en de school: een onderontwikkeld terrein. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.5 Enthoven, M. (2005). 

The contribution of the school environment to youths’ resilience: A Dutch middle-adolescent 

perspective. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.6 Enthoven, M.; A.C. Bouwer; J.C. Van der Wolf & A. van Peet (2005). 

Recognizing Resilience: Development and Validation of an Instrument to Recognize 

Resilience in Dutch Middle-Adolescents. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.7 Velderman, H & H.A. Everaert (2005). 

Time-out or switch? (Paper presented at the ECER conference On 9 September 2005, 

University College Dublin). 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.8 Touw, J.M.F., J.T.E. van Beukering & H.A. Everaert (2005). 

Teachers' Personal Constructs on Problem Behavior (Paper presented at the annual meeting 

of the European Educational Research Association (EERA), Dublin, Ireland, September 7-10). 

-------------------------------------------------------------------------------------------------------------------------------- 

nr.9 Doorn , E.C. van (2005). 

Levend leren: daar ga ik voor! 

---------------------------------------------------------------------------------------------------------------------------------- 

nr.10 J.T.E. van Beukering, J.M.F. Touw & H. Everaert (2005). 

Teachers’ personal constructs on problem behaviour: towards professional development 

& Kos, P. (2005). Personal constructs on (problem) pupils: a teacher’s view. 

2 Papers presented at the International Practitioner Research Conference & Collaborative 

Action Research Network Conference (PRAR 2005), Utrecht, The Netherlands, 

November 4-6, 2005. 

-------------------------------------------------------------------------------------------------------------------------------- 

nr. 11 Everaert, H. & A. van Peet (2006). Kwalitatief en kwantitatief onderzoek. 

-------------------------------------------------------------------------------------------------------------------------------- 

Nr. 12 Everaert, H.A. & J.C. van der Wolf (2006). 


3/26



A Comparison of Stress and Burnout between Dutch General and Special Education 

Teachers. Paper presented at the annual meeting of the American Educational Research 

Association (AERA), San Francisco, USA, April 7-11, 2006. 

---------------------------------------------------------------------------------------------------------------------------------- 

Nr. 13 Everaert, H.A. & J.C. van der Wolf (2006). Gender Perceptions of Challenging Student 

Behavior and Teacher Stress. 

---------------------------------------------------------------------------------------------------------------------------------- 

Nr. 14 Peet, A.A.J. van (2006). Schaalconstructie. 

---------------------------------------------------------------------------------------------------------------------------------- 

Nr. 15 Dellevoet, S. (2006). Evaluatie van de methode Under Construction op Instituut Theo 

Thijssen 

---------------------------------------------------------------------------------------------------------------------------------- 

Nr. 16 Peet, A.A.J. van (2006). Q-sort. Een rangordening. 

---------------------------------------------------------------------------------------------------------------------------------- 


4/26



Inhoudsopgave 

1 Inleiding Q-sort .......................................................................................................... 6 

2 Algemene beschrijving van de Q-sort ........................................................................ 9 

3 Gestructureerde en ongestructureerde Q-sort ......................................................... 12 

4 Analysemogelijkheden van Q-sort-resultaten .......................................................... 16 

4.1 Gedwongen verdeling............................................................................................ 16 

4.2 Onafhankelijkheidsaanname ................................................................................. 16 

4.3 Descriptieve methoden .......................................................................................... 16 

4.4 Toetsende methoden .............................................................................................. 17 

4.5 Enkele globale analyse-mogelijkheden ................................................................. 18 

5 Slotopmerkingen Q-sort ........................................................................................... 20 

Bijlage 1 Literatuur........................................................................................................... 21 

Bijlage 2 Verdeling van n objecten over X schaalwaarden .............................................. 22 

Bijlage 3 Voorbeeld Toepassing Q-sort ............................................................................ 24 


5/26



1 Inleiding Q-sort 

De Q-sort is een manier om objecten (bv. stimuli, uitspraken, attitudes, woorden, foto's, 

opstelkenmerken, persoonlijkheidstrekken, etc. etc.) door één of meer personen te laten 

rangordenen. De resultaten van één of meer Q-sorteringen kunnen objectief geanalyseerd worden. 

Een onderzoeker vraagt zich bijvoorbeeld af: 

a) op welke opstelkenmerken letten docenten vooral wanneer zij opstellen nakijken? 

b) welke typen opstelbeoordelaars kan men onderscheiden? 

Teneinde deze vragen te beantwoorden, verzamelt de onderzoeker (bv. via literatuurstudie, via 

interviews, etc.) een groot aantal opstelkenmerken. Een aantal voorbeelden van opstelkenmerken 

zijn: 

1) Ik let op "grammaticale fouten" 

2) Ik let op "foutieve samentrekkingen" 

3) Ik let er op "of zinnen voor tweeërlei uitleg vatbaar zijn 

4) Ik let op "de originaliteit van het opstel" 

5) Ik let op de "leesbaarheid van het opstel" 

6) Ik let op de "overredingskracht van het opstel" 

Aan een aantal docenten (bv. 4) wordt gevraagd om deze objecten (hier dus 6 opstelkenmerken) 

te rangordenen van 1 (= opstelkenmerk waar de docent het meest op let bij de beoordeling) tot en 

met 6 (= waar door de docent het minst op wordt gelet bij de beoordeling). De resultaten van deze 

rangordening zouden er als volgt uit kunnen zien. 

Tabel 1: Voorbeeld rangordening door 4 docenten van 6 opstelkenmerken 

d o c e n t e 

n 

1 2 3 4 

Opstelkenmerken 

1 1 1 4 3 

2 2 3 1 2 

3 3 2 6 6 

4 6 5 3 4 

5 5 4 2 1 

6 4 6 5 5 

Antwoord vraag a 

We zien dat op opstelkenmerk 1 door docent 1 en door docent 2 het meest wordt gelet bij de 

beoordeling, terwijl dit kenmerk bij docent 3 en docent 4 op resp. de 4e en 3e plaats staat. We berekenen 

voor elk kenmerk de gemiddelde rangordening. We krijgen dan voor opstelkenmerk 1 als 

gemiddelde 2,25 (= (1+1+4+3)/4 ); opstelkenmerk 2: 2,00; opstelkenmerk 3: 4,25; opstelkenmerk 

4: 4,50; opstelkenmerk 5: 3,00 en opstelkenmerk 6: 5,00. Wanneer we deze waarden weer rangordenen, 

krijgen we: 


6/26



Tabel 2: Gerangordenende opstelkenmerken 

Gemiddelde 

rang - 

ordening 

1 2,00 

Opstel 

-kenmerk 

2 2,25 

3 3,00 

4 4,25 

5 4,50 

6 5,00 

Op opstelkenmerk 2 ("foutieve samentrekkingen") wordt het meest gelet, dan volgt opstelkenmerk 

1, enz. We zouden eventueel ook andere analysemethoden kunnen toepassen, zie § 4.5. 

Antwoord vraag b 

Inspectie van de tabel geeft de indruk dat de rangordeningen van docent 1 en docent 2 met 

elkaar overeenkomen; evenzo komen de rangordeningen van docent 3 en docent 4 met elkaar 

overeen. Het gaat nu om de vraag of er groepen (typen) van beoordelaars te onderscheiden zijn 

en dan wil men weten of de rangordeningen van de personen met elkaar overeenstemmen. Met 

andere woorden men berekent de correlaties tussen de personen (i.c. de docenten). 

Tabel 3: Correlatiematrix van 4 personen 

p e r s o n e n 

1 2 3 4 

perso 

nen 

1 1,00 0,77 -0,09 0,03 

2 0,77 1,00 -0,09 0,09 

3 -0,09 -0,09 1,00 0,89 

4 0,03 0,09 0,89 1,00 

Inderdaad vormen de docenten 1 en 2 samen een groepje en evenzo vormen de docenten 3 en 4 

samen een groepje. Welke naam (type beoordelaar) we aan elk groepje geven, hangt af van de 

inhoud van de opstelkenmerken waarop door een bepaald groepje het meest wordt gelet. 

Meestal is het aantal te rangordenen objecten veel groter en dan is een eenvoudige rangordening 

van 1 t/m n niet goed mogelijk. Er moet dan op een andere manier gerangordend worden: zie 

hiervoor § 2 waar enkele algemene kenmerken van de Q-sort worden besproken. De zes 

opstelkenmerken uit het voorbeeld kan men zien als een steekproef uit alle mogelijke opstelkenmerken 

(de populatie). Voorts zijn de opstelkenmerken niet nader onderverdeeld 

(ongestructureerd). Deze punten worden nader uitgewerkt in § 3 In het voorbeeld hebben we de 

correlaties tussen personen berekend. Dat is niet de enige analysemogelijkheid. In § 4 geven we 


7/26



in globale termen aan welke analysemogelijkheden de resultaten van een Q-sortering bieden. In 

§5 maken we enkele slotopmerkingen. 

Voor een grondige bespreking van de Q-sort en voor een uitgewerkte behandeling van concrete 

voorbeelden wordt verwezen naar de (oer-)bron namelijk het boek van W. Stephenson: The study 

of behavior (Chicago 1953). 


8/26



2 Algemene beschrijving van de Q-sort 

In het vorige voorbeeld hanteerden wij een eenvoudige rangordening. Wanneer het aantal te 

rangordenen objecten te groot wordt, is een eenvoudige rangordening te tijdrovend en - in 

bepaalde opzichten - te moeilijk. Wanneer er niet 6 maar 90 opstelkenmerken zouden zijn (elk 

opstelkenmerk staat bijv. op een kaartje genoteerd) dan zou aan een persoon gevraagd moeten 

worden om deze objecten te rangordenen van 1 t/m 90. Het is irreëel om te verwachten dat 

personen in staat zouden zijn om een dergelijk groot aantal objecten op een dergelijk fijne schaal 

te plaatsen. 

Een andere methode om te rangordenen is via de "paired comparison"-methode (de objecten 

worden dan 2 aan 2 vergeleken). Deze methode heeft echter weer het nadeel dat wanneer het 

aantal objecten groot wordt het aantal te maken vergelijkingen zeer groot wordt. In het geval van 

90 kenmerken, zouden er 4005 vergelijkingen gemaakt moeten worden. 

Wanneer het aantal te rangordenen objecten groot is (bv. meer dan 40) dan kunnen zij op een 

speciale manier worden gerangordend. Aan personen wordt gevraagd om het grote aantal 

objecten over een veel kleiner aantal schaalwaarden te verdelen volgens en bepaalde verdeling. 

In het geval van 90 kenmerken zou het aantal schaalwaarden en de bepaalde verdeling er als 

volgt uit kunnen zien. 

Tabel 4: Verdeling van 90 objecten over 11 schaalwaarden 

Schaalwaarde 

Aantal te plaatsen kenmerken 

10 2 10 = meest op gelet 

9 4 

8 7 

7 11 

6 13 

5 16 

4 13 

3 11 

2 7 

1 4 

0 2 0 = minst op gelet 

90 totaal 

De 90 objecten (in het voorbeeld: opstelkenmerken) moeten over 11 schaalwaarden verdeeld 

worden en aan elke schaalwaarde mag slechts een beperkt (vast) aantal objecten worden 

toegewezen. Zo mogen aan schaalwaarde 10 slechts 2 objecten worden toegewezen. Anders 

gezegd: er zijn slechts twee objecten met schaalwaarde 10, etc. 


9/26



Toelichting 

a) aantal objecten 

Er zijn 90 objecten (stimuli, uitspraken, kenmerken, attitudes, interessen, foto's, etc.). Het aantal 

objecten hangt af van het onderwerp en van statistische eisen t.a.v. betrouwbaarheid. Voor een 

redelijke betrouwbaarheid is een minimum aantal objecten nodig van 25 á 30. 

b) aantal schaalwaarden 

Het aantal schaalwaarden kan variëren. In het algemeen neemt de betrouwbaarheid toe 

naarmate het aantal schaalwaarden groter wordt. Nunnally formuleert het als volgt: "As the 

number of scale steps is increased from 2 up to 20, the increase in reliability is very rapid at first. 

It tends to level of at about 7, and after 11 steps there is little gain in reliability from increasing the 

number of steps." (Nunnally 1967, p.521). In het voorbeeld worden 11 schaalwaarden gebruikt. 

Indien het aantal objecten kleiner wordt (bv. de 30 nadert) dan verdient het aanbeveling om een 

kleiner aantal schaalwaarden te gebruiken. 

e) uiteinden van de schaal 

Het continuüm dat door de schaalwaarden wordt gerepresenteerd, kan verschillende 

betekenissen hebben. Meestal worden alleen de twee uiterste schaalwaarden omschreven: bv. 0 

is "kenmerken waar ik het minst op let" enz. tot en met 10 is "kenmerken waar ik het meest op 

let". Andere voorbeelden van uiterste schaalwaarden zijn: volledig mee eens - volledig mee 

oneens; meest van toepassing - minst van toepassing; sterkste voorkeur - minste voorkeur; meest 

aangenaam - minst aangenaam, enz. 

f) verdeling van het aantal objecten over de schaalwaarden 

De verdeling van het aantal objecten over de schaalwaarden is enigszins arbitrair. Men kàn zelfs 

een rechthoekige verdeling hanteren: dat wil zeggen aan elke schaalwaarde worden evenveel objecten 

toegewezen. Ook is het mogelijk om het aantal objecten per schaalwaarde vrij te laten. 

Kenmerkend voor de Q-sort-methode is om de objecten zo over de schaalwaarden te verdelen 

dat een normale verdeling benaderd wordt. Wanneer men 90 objecten over 11 schaalwaarden 

moet verdelen, dan wordt de normale verdeling benaderd wanneer men de objecten over de 

schaalwaarden verdeelt zoals in tabel 4 is aangegeven. Voor deze verdeling in het voorbeeld kan 

men berekenen dat het gemiddelde gelijk is aan 5 en dat de standaarddeviatie gelijk aan 2,28 is. 

Een verdeling in een Q-sort heeft dus een vast gemiddelde en een vaste standaardafwijking. 

Een bij benadering normale verdeling heeft een aantal voordelen die vooral bij de statistische 

bewerking van belang zijn. In bijlage 2 wordt voor verschillende aantallen kenmerken aangegeven 

hoe zij over schaalwaarden verdeeld kunnen worden zo dat een normale verdeling benaderd 

wordt. De daar gegeven verdelingen moet men zien als een globale richtlijn1. 

1 Veel statistische technieken zijn nogal robuust voor afwijkingen van de normale verdeling. 


10/26



g) instructie bij de Q-sort 

Vaak zullen de objecten bestaan uit geschreven beweringen (attitudes, etc.) en elke bewering 

wordt op een kaartje genoteerd. Teneinde volgorde-effecten te voorkomen, worden de kaartjes 

voor elke afname geschud. 

Het verdient aanbeveling om de persoon te instrueren om vanuit de uiterste schaalwaarden naar 

de middelste schaalwaarden toe te werken. De extremen (bv. voorkeur - afkeer; meest passend - 

minst passend) zijn door de personen meestal relatief gemakkelijk aan te geven. Vaak worden 

correlaties berekend en extreme waarden hebben op correlaties een grote invloed. Het is daarom 

belangrijk dat de persoon in zijn sorteertaak bijzondere aandacht besteed aan de objecten die hij 

aan de uiterste schaalwaarden toewijst. In het opstelkenmerkenvoorbeeld zou de persoon 

geïnstrueerd kunnen worden om die twee opstelkenmerken te kiezen waarop hij bij de beoordeling 

van een opstel het meest let (toewijzen aan schaalwaarde 10); vervolgens de vier kenmerken 

waar hij wat minder op let (schaalwaarde 9) en dan de 7 kenmerken waar hij nog weer wat minder 

op let (schaalwaarde 8). Vervolgens zou de persoon dan de twee kenmerken uitkiezen waar hij in 

het geheel niet op let (schaalwaarde 0), dan de 4 kenmerken waar hij bijna niet op let 

(schaalwaarde 1), etc. Tenslotte wordt de persoon verzocht om de gesorteerde kenmerken in hun 

geheel door te lopen om te zien of er geen verkeerde plaatsingen zijn. Eventueel worden 

veranderingen aangebracht. 

Tot slot van deze paragraaf zullen we nog iets zeggen over de aard van de Q-sorteertaak. De 

gedwongen verdeling van de Q-sorteertaak maakt dat elke persoon eenzelfde gemiddelde 

beoordeling geeft (en ook eenzelfde spreiding heeft). Een persoon zou bijvoorbeeld aan álle 

opstelkenmerken weinig (of juist veel) aandacht kunnen besteden, maar dat is uit zijn Q-sortering 

niet af te leiden. Door de Q-sort zijn de gemiddelden en standaarddeviaties immers gelijk: de Qsort 

houdt geen rekening met niveauverschillen tussen personen. Wanneer gemiddelden belangrijk 

zijn, moet men dus geen Q-sort-methode gebruiken. Maar wanneer het gaat om relaties 

tussen variabelen binnen personen, is de Q-sort wèl geschikt. soms verandert een gemiddelde 

niet, maar zijn er wel aanzienlijke structurele veranderingen. Of: een gemiddelde verandert wèl, 

maar men heeft geen idee van de aard van de verandering. Het is vaak belangrijker om 

vergelijkingen tussen de antwoorden binnen personen te maken dan tussen personen. Met 

andere woorden: de Q-sort concentreert zich op de analyse van vergelijkende gegevens 

("comparative data") binnen personen. 


11/26



3 Gestructureerde en ongestructureerde Q-sort 

In het algemeen kan men twee soorten steekproeven onderscheiden, nl. een steekproef van 

personen en een steekproef van objecten (stimuli, etc.). 

Aan de vraag of een steekproef van personen representatief is, wordt in onderzoek vaak veel 

aandacht besteed. Veel minder aandacht wordt in het algemeen besteed aan de representativiteit 

van objecten. Men zal bv. weinig over voedselvoorkeuren te weten komen wanneer er geen 

representatieve steekproef met voedselnamen gebruikt zou worden. De steekproef objecten (hier: 

voedselnamen) zou volstrekt inadequaat zijn wanneer er bv. geen vlees in voor zou komen. 

Biased steekproeven ("biased samples") leiden tot slechte metingen: bv. een vocabulaire test 

voor de algemene bevolking waarin te veel technische termen in voorkomen. 

De sorteertaak (de rangordening) in de Q-sort zelf heeft alleen zin wanneer alle objecten (stimuli, 

beweringen, etc.) uit eenzelfde, gespecificeerd inhoudsuniversum afkomstig zijn. Stel dat personen 

de esthetische kwaliteit van 100 foto's zouden moeten beoordelen waarvan 50 foto's van 

auto's en 50 foto's van beeldhouwwerken. De personen moeten dan niet alleen aangeven welke 

auto's zij 'mooier' vinden en welke beeldhouwwerken zij 'mooier' vinden, maar in feite moeten zij 

ook aangeven of zij auto's als groep 'mooier' vinden dan beeldhouwwerken als groep. Dit onderzoek 

zou zinvoller zijn wanneer auto's en beeldhouwwerken elk apart via een Q-sort bestudeerd 

zouden worden. 

Het gebruik van een Q-sort-methode wordt bemoeilijkt door deze noodzaak dat alle objecten 

(stimuli, etc) uit eenzelfde inhoudsuniversum afkomstig moeten zijn omdat dat inhoudsuniversum 

vaak lastig is te definiëren. Stel de objecten zijn beweringen die betrekking hebben op de 

persoonlijkheid 

1) Ik heb veel vriendjes 

2) De meeste mensen zijn op mij gesteld 

3) Ik ben een zenuwachtig persoon 

4) Ik had een ongelukkige jeugd 

5) Ik zie op tegen de toekomst 

6) Ik hou van lichamelijke inspanning 

Het is moeilijk in te zien hoe een vergelijkende methode als de Q-sort zinvol gebruikt kan worden 

wanneer de verzameling objecten zoals hierboven betrekking heeft op zulke uiteenlopende 

objecten/aspecten. Steekproeven van beweringen over de persoonlijkheid die in een Q-sort zijn 

opgenomen hebben soms geen gemeenschappelijk referentiekader (zijn niet uit hetzelfde inhoudsuniversum 

afkomstig) omdat zij beweringen bevatten die betrekking hebben op zowel 

a) motieven, sociale kenmerken als aanpassingssymptomen 

b) heden, verleden als toekomst 

c) zelfbeschrijvingen als op wat andere mensen denken 

d) algemene trekken (bv. neiging om angstig te zijn) 


12/26



als op specifieke gewoonten (bv. te veel eten). 

Het is met andere woorden vaak zeer moeilijk om aan te geven welk inhoudsuniversum men wil 

bestrijken, en evenzo is het vaak moeilijk om de gebruikte steekproeftrekkingsmethode (het 

bijeenvergaren van de objecten) te beargumenteren. 

Het 'trekken van een steekproef objecten' die in een Q-sort opgenomen zullen worden, betekent 

in het algemeen dat men het materiaal (i.c. de objecten, de stimuli, de beweringen, etc.) zelf 

construeert of dat men het materiaal ontleent aan beschikbare bronnen (bv. een boek dat veel 

foto's bevat van beeldhouwwerken). 

We kunnen twee soorten steekproeven van objecten onderscheiden: 

a) ongestructureerde steekproeven 

b) gestructureerde steekproeven. 

ad a Ongestructureerde steekproeven 

Een ongestructureerde Q-sort is een verzameling objecten (stimuli, beweringen, etc.) die allen uit 

hetzelfde inhoudsuniversum afkomstig zijn en die niet nader onderverdeeld zijn. In principe kan 

men elke verzameling homogene objecten in een ongestructureerde Q-sort gebruikt worden: bv. 

een groot aantal uitspraken over een bepaald onderwerp wordt uit verschillende bronnen 

bijeengebracht en opgenomen in een Q-sort. De objecten (bv. items) van een ongestructureerde 

Q-sort lijken op de items van bv. een attitudeschaal: zij worden geselecteerd en gebruikt omdat zij 

verondersteld worden één brede, onderliggende variabele te meten. Er is vaak een oneindige verzameling 

mogelijke objecten (bv. items) en de hoop/verwachting is dat de gebruikte verzameling 

een representatieve steekproef is uit de objectenpopulatie (het inhoudsuniversum). 

Een verzameling items in een ongestructureerde Q-sort kan bv. gebruikt worden om de 

effectiviteit van een trainingsprogramma mee na te gaan. De deelnemers aan dat programma Qsorteren 

de items vòòr en nà de training. Als er door de 'trainers' een ideaal Q-sortering (= 

criterium Q-sort) is geconstrueerd, dan verwacht men dat nà de training de correlatie tussen de 

criterium Q-sort en de Q-sort van de personen hoger is dan vòòr de training. 

ad b Gestructureerde Q-sort 

De objecten worden nu wèl nader onderverdeeld. Een kinderpsycholoog bestudeert bv. morele 

groei en een aspect uit zijn theorie is dat als kinderen ouder worden, hun gedrag meer intern dan 

extern beheerst wordt. De Q-sort kan dan intern-extern gestructureerd worden door de helft van 

de objecten (hier: items) op externe beheersing en de andere helft op interne beheersing 

betrekking te laten hebben. Uit de theorie volgt dan dat oudere kinderen vaker de interne items 

aan de hogere schaalwaarden zullen toewijzen. 

Het volgende, wat ingewikkelder voorbeeld ontlenen wij aan Kerlinger (1973, p.589). Op grond 

van een theorie worden bv. 6 typen mensen onderscheiden: theoretisch (T), economisch (E), 

sociaal (S), politiek (P), esthetisch (A) en religieus (R). Er wordt een Q-sort geconstrueerd met 90 

items. Elk item bestaat uit één woord en elk woord is van te voren door experts beoordeeld bij 


13/26



welk van de 6 typen mensen het woord behoort. Er zijn 15 theoretische woorden (bv. 

wetenschap, kennis, redenering, etc.), 15 religieuze woorden (bv. God, kerk, preek, etc.) enz. tot 

een totaal van 90 woorden gelijkelijk verdeeld over de 6 typen. Aan personen wordt nu gevraagd 

om de woorden te Q-sorteren. Als illustratie van de mogelijke resultaten volgen hieronder de 

gemiddelde schaalwaarden van elk type toegekend door één persoon, nl. een musicus: 

Tabel 5: Gemiddelde schaalwaarden van één persoon 

A S T P E R 

7,1 6,3 6,1 4,7 4,3 1,4 

Deze musicus heeft aan de woorden die betrekking 

hebben op het esthetische type gemiddeld hogere schaalwaarden toegekend dan aan de 

woorden die betrekking hebben op het sociale type, etc. Op bovenstaande zes gemiddelden kan 

een eenweg-variantie-analyse uitgevoerd worden. De resultaten daarvan zouden te zien geven 

dat de musicus een duidelijke voorkeur heeft voor A, S en T-woorden en een afkeer heeft van Rwoorden. 

Het bijzondere hier is dat het mogelijk is om variantie-analyse toe te passen op de 

resultaten van één persoon. 

In het voorgaande was er sprake van één dimensie (bv. liberalisme - conservatisme). Het is 

mogelijk om een tweede dimensie in de Q-sort aan te brengen. Men krijgt dan een tweeweg-Qsort. 

De twee dimensies zouden bv. kunnen zijn: 

- abstractie: Abstract (A) - Specifiek (S) 

- attitudes: Liberaal (L) - Conservatief (C) 

Wanneer er 80 items zijn in de Q-sort, moeten er voor elke cel 20 items geconstrueerd worden: 

Tabel 6: Verdeling van 80 items over 2 dimensies 

L C 

A 20 20 

S 20 20 

Er moeten dus 20 items (uitspraken bv.) geconstrueerd worden die abstract zijn èn die betrekking 

hebben op liberalisme, enz. Men kan bv. experts de uitspraken in de cellen laten onderbrengen. 

Stel we laten nu de 80 items Q-sorteren door een persoon waarvan bekend is dat hij zeer 

conservatief is en het resultaat is als volgt: 

Tabel 7: Resultaten van een Q-sortering door één persoon 

Liberaal Conservatief Gemiddelde 

abstract 3,15 4,70 3,93 

specifiek 2,45 5,70 4,07 

gemiddelde 2,80 5,20 4,00 


14/26



In de cellen staan de gemiddelde schaalwaarden die door de persoon zijn toegekend aan de 20 

abstracte, liberale items, etc. Op de resultaten in de tabel kan men een tweeweg-variantieanalyse 

uitvoeren zodat men niet alleen de hoofdeffecten maar ook de interactie-effecten kan 

toetsen. 

Gestructureerde Q-sorts zijn theorie-georiënteerd en dat wordt vooral duidelijk in gestructureerde 

tweeweg-Q-sorts. Wil men twee (of meer) dimensies in de Q-sort inbouwen dan is het gewenst 

dat er een zinvolle (theoretische) relatie bestaat tussen die dimensies en dat is reeds (hoe 

rudimentair ook) het begin van een theorie. 

In het algemeen verdient een gestructureerde Q-sort dus de voorkeur. De cellen van de structuur 

bevorderen de communicatie over de inhoud van de Q-sort. Bovendien trachten ongestructureerde 

Q-sorts vaak een te breed terrein te bestrijken en dat komt doordat het gemeenschappelijk 

referentiekader dan onvoldoende duidelijk is omschreven. 


15/26



4 Analysemogelijkheden van Q-sort-resultaten 

In deze paragraaf zullen we enige problemen bespreken m.b.t. de analyse van Q-sort-resultaten. 

4.1 Gedwongen verdeling 

Op het feit dat de Q-sort impliceert dat personen eenzelfde gemiddelde en standaardafwijking 

hebben, is nogal een kritiek uitgeoefend. Wanneer echter de bedoeling is vergelijkende oordelen 

("comparative ratings") te verkrijgen dan is het juist gewenst om de verdeling, het gemiddelde en 

de standaardafwijking van te voren vast te leggen. Wanneer men het aantal toe te wijzen objecten 

aan een bepaalde schaalwaarde vrij zou laten, dan gaat de Q-sort over in een methode voor het 

bestuderen van absolute antwoorden (= elk object wordt dan apart beoordeeld op een schaaltje 

dat loopt van 1 - 10. 

4.2 Onafhankelijkheidsaanname 

De meeste statistische toetsen veronderstellen onafhankelijkheid, d.w.z. de plaatsing van het ene 

object beïnvloedt niet de plaatsing van het andere object. De Q-sort is echter een "forced choice"methode 

en die doet dus inbreuk op de onafhankelijkheidsaanname: hier beïnvloedt plaatsing van 

het ene object wèl de plaatsing van het andere object. Hoe ernstig is deze inbreuk? 

In een Q-sort met 80 objecten zijn er dus gen 79 vrijheidsgraden en dus worden o.a. de 

aannamen die ten grondslag liggen aan variantie-analyse enigszins geweld aangedaan. Als de Qsort 

bestaat uit een redelijk groot aantal objecten (meer dan 40), dan valt het te betwijfelen of die 

inbreuk groot is. 

In voorgaande paragrafen is hier en daar als gezinspeeld op de mogelijke analyses van de Qsort-resultaten. 

Bij de diverse analyse-methoden die gebruikt worden, is het zinvol om 

onderscheid te maken tussen beschrijvende en toetsende methoden. 

4.3 Descriptieve methoden 

Eenvoudige, maar ook complexe correlationele analyses kunnen gebruikt worden om als louter 

descriptieve indicaties te dienen voor de sterkte van bepaalde relaties. De meest gebruikte 

analysemethoden hebben betrekking op correlaties, bv. de correlatie tussen 

- twee Q-sorteringen van hetzelfde materiaal door dezelfde persoon (bv. onder 

verschillende instructies of op verschillende tijdstippen). 

- Q-sorteringen van hetzelfde materiaal door verschillende personen. Op de resulterende 

correlatiematrix van personen kan men dan bv. clusteranalyse toepassen wanneer men 

groepen van personen wil onderscheiden; of: op de resulterende correlatiematrix van 

objecten (bv. items) kan men dan principale componentenanalyse toepassen wanneer 

men groepen van objecten (items) wil onderscheiden. 


16/26



4.4 Toetsende methoden 

De steekproefeenheid is hier het object (de stimulus, de bewering, etc.) in plaats van de persoon 

en het aantal vrijheidsgraden wordt dus bepaald door het aantal objecten (bv. het aantal opstelkenmerken) 

en niet door het aantal personen. Wanneer men vindt dat de correlatie tussen twee 

Q-sorteringen van één persoon gelijk is aan 0,50 en de steekproef bevat 100 objecten dan kan 

men bv. de standaardfout voor de correlatie vinden door het aantal 100 als steekproefgrootte in 

de betreffende formule in te voeren. Dit veronderstelt wèl dat het legitiem is om de 

steekproefgrootte te definiëren als het aantal objecten in de Q-sort. Het is duidelijk dat - 

aangezien de resultaten gebaseerd zijn op één persoon - er geen enkele basis is om naar andere 

personen te generaliseren. Als de correlatie van 0,50 significant van 0 verschilt dan betekent dit 

dat de populatiecorrelatie van 0 verschilt. De populatiecorrelatie is de correlatie die men verkrijgt 

wanneer de Q-sort elk object zou bevatten van een begrensde populatie. Of, wanneer het gaat 

(zoals meestal) om een onbegrensde populatie, dan gaat het om de correlatie tussen 

hypothetische Q-sorts gebaseerd op een oneindig groot aantal objecten. De generaliseerbaarheid 

betreft hier vooral de repliceerbaarheid. 

Het voorgaande wil duidelijk maken dat in al het gebruik van toetsende statistiek waar de 

steekproefgrootte gelijk is aan het aantal objecten, kansuitspraken alleen betrekking hebben op 

steekproeven van objecten en niet op steekproeven van personen. Dat geldt uiteraard ook voor 

de resultaten van de variantie-analyse: als bv. één van de hoofdeffecten significant is dan kan de 

onderzoeker concluderen dat de celgemiddelden waarschijnlijk verschillend zouden zijn, ook al 

zou de Q-sort alle objecten uit het betreffende inhoudsuniversum bevatten. 

Wanneer men in een Q-sort toetsende statistiek toepast op steekproeven van objecten dan dient 

men zich te realiseren dat het moeilijker is te voldoen aan de aannamen die ten grondslag liggen 

aan toetsende statistiek dan wanneer men werkt met steekproeven van personen (zie Nunnally 

1967, p.551 e.v.) omdat: 

ten eerste er een te definiëren domein (inhoudsuniversum) moet zijn en dat is voor de Q-sort 

lastig om aan te geven. 

ten tweede de steekproefeenheid gedefinieerd moet worden. Voor een steekproef personen is dat 

de individuele persoon, maar in het geval van objecten (inhouden, stimuli, etc.) is de 

steekproefeenheid lang niet altijd duidelijk. 

ten derde moeten de objecten aselect getrokken worden uit de gehele bedoelde populatie (het 

inhoudsuniversum) of zij moeten aselect getrokken worden uit gespecificeerde categorieën (zoals 

in het geval van een gestructureerde Q-sort). Het is soms onduidelijk of men überhaupt aan het 

steekproeftrekken is wanneer men materiaal (objecten, stimuli,etc.) aan het verzamelen of het 

construeren is en het is vaak nog onduidelijker of men dan aselect aan het trekken is. Men kan 

dan ook de kansen die men vindt het beste zien als globale indicaties. 


17/26



4.5 Enkele globale analyse-mogelijkheden 

Uit het voorgaande is wellicht al duidelijk geworden dat wanneer men de Q-sort-methode gebruikt 

men dan niet noodzakelijkerwijs gebonden is aan bepaalde analysetechnieken. dat wil zeggen dat 

de te gebruiken analysetechniek in de eerste plaats bepaald wordt door de vraagstelling en niet 

door het feit dat men de Q-sortmethode gebruikt. we zullen in deze subparagraaf dan ook slechts 

heel globaal, om de lezer een idee te geven van de mogelijkheden, enige analyses noemen. voor 

een deel zijn die analyses reeds in de vorige paragrafen ter sprake gekomen. 

- Wanneer men verschillende personen eenzelfde verzameling objecten laat Q-sorteren, 

dan kan men tussen de personen de correlaties berekenen. Eventueel kan men dan op 

de resulterende correlatiematrix een clusteranalyse (of factoranalyse) uitvoeren en alzo 

kan men groepen van personen vormen. Wanneer clusteranalyse dan bv. 4 clusters zou 

opleveren en men heterogene teams van beoordelaars samen te stellen, dan zou men 

teams kunnen vormen door uit elk cluster één persoon te nemen en die in een team te 

plaatsen. 

- Wanneer men de beschikking heeft over een gestructureerde eenweg-Q-sort (de 

dimensie is bv. introvert - extravert) dan kan men van één persoon berekenen wat de 

gemiddelde toegekende schaalwaarde is van de introversie-items en van de extraversieitems. 

Met de t-toets kan men dan toetsen of het verschil significant is. Men kan ook een 

t-toets uit voeren op het verschil tussen twee gemiddelde schaalwaarden van twee 

willekeurige groepen van objecten (stimuli, etc.) los van de vraag of deze groepen nu wel 

of geen deel uitmaken van een gestructureerde Q-sort. 

- Wanneer men eenzelfde Q-sort op verschillende tijdstippen (bv. na bepaalde fasen in een 

therapie) heeft afgenomen aan één persoon, kan men van bepaalde items per afname de 

gemiddelde schaalwaarde berekenen. Op deze gemiddelden kan men bv. een tijdserieanalyse 

uitvoeren. 

- Hiervoor werd het voorbeeld gegeven van het onderzoek waarin 6 typen mensen werden 

onderscheiden. Op de aldaar vermelde zes gemiddelden kan men een eenweg-variantieanalyse 

uitvoeren. De A, S en T-woorden verschillen bij deze persoon significant van de 

P en E-woorden die weer significant van de R-woorden verschillen. Zo is op een 

tweeweg-Q-sort een tweeweg-variantie-analyse mogelijk zodat men niet alleen 

hoofdeffecten maar ook interactie-effecten kan toetsen. 

- Men kan patiënten die aan een therapie beginnen, vragen om met behulp van een Q-sort 

een beschrijving te geven van hoe zij nu zijn en hoe zij zouden willen zijn. Per patiënt 

berekend men de correlatie. Na de therapie stelt men deze vraag weer en wederom 

berekent men de correlatie. Men heeft dan per patiënt de beschikking over twee 

correlaties: vòòr en nà de therapie. Wanneer men van meerdere patiënten over twee correlaties 

beschikt, kan men de veronderstelling dat deze correlaties na de therapie hoger 

zijn dan voor de therapie, toetsen m.b.v. de tekentoets. 


18/26



- Wanneer men de beschikking heeft over een gestructureerde Q-sort dan mag men 

verwachten dat de schaalwaarden van de objecten in een bepaalde cel 'samengaan', 

d.w.z. dat per persoon de variantie van de schaalwaarden van de objecten in een 

bepaalde cel kleiner is dan de vaste variantie van de gehele Q-sort-verdeling. Als dat niet 

het geval is dan wil dat zeggen dat de objecten die in een bepaalde cel 'horen' over het 

gehele Q-sort-continuüm verspreid worden in de Q-sorteringsresultaten van een persoon. 

Het indelingsprincipe verklaart dan niet de Q-sortresultaten van een persoon. Iets 

dergelijks is ook mogelijk wanneer meerdere personen de Q-sort uitvoeren. Men kan dan 

per cel en per persoon de gemiddelde schaalwaarde berekenen van de in die cel behorende 

items. Van deze gemiddelden berekent men dan de variantie en deze kan men 

delen door de vaste variantie van de gehele Q-sort. Deze ratio geeft een directe index 

voor de mate waarin die cel een verklaring geeft voor de variantie van de schaalwaarden. 

- Ook al beschikt men over een gestructureerde Q-sort dan blijft het mogelijk om een 

correlatie-analyse uit te voeren. Men correleert de Q-sorteringen van verschillende 

personen of men correleert de Q-sorteringen van dezelfde persoon op verschillende 

momenten afgenomen en men negeert dan de in de Q-sort ingebouwde structuur. Men 

behandelt dan de gestructureerde Q-sort als een ongestructureerde Q-sort. 

- Wanneer men niet de beschikking heeft over een gestructureerde Q-sort en men dus 

moet beginnen met een ongestructureerde Q-sort dan is het soms mogelijk om later 

alsnog daaruit een gestructureerde Q-sort te construeren. De resultaten van de 

statistische analyse kunnen duiden op homogene groepen van objecten (bv. een groep 

stimuli waaraan overeenkomstige schaalwaarden zijn toegekend). Dergelijke resultaten 

kunnen aanwijzingen geven over hoe alsnog een structuur in de Q-sort aan te brengen is. 

- Men kan eventueel de resultaten van een Q-sort gebruiken voor schaalconstructie. De 

objecten (stimuli, items, etc.) die aan hogere schaalwaarden worden toegewezen, zijn 

potentieel goede items (bv. voor een Likertschaal). 

Voorgaande punten wilden slechts globale analysemogelijkheden aangeven. Benadrukt zij 

nogmaals dat de vraagstelling de analyse-techniek bepaalt en niet het feit dat men een Q-sort 

heeft gebruikt. 


19/26



5 Slotopmerkingen Q-sort 

Men de Q-sort heeft men een methode in handen die geschikt is voor de intensieve studie van 

één persoon. Eén persoon kan bv. twee of meer Q-sorteringen uitvoeren doen en één persoon 

kan dezelfde Q-sort meerdere malen uitvoeren. Een nadeel van de Q-sortmethode is dat het 

lastig is om een Q-sort af te nemen aan een grote groep mensen. Lastig, maar niet onmogelijk. 

Een groot voordeel van de Q-sort methode is dat men op deze manier tamelijk nauwkeurige 

vergelijkingen kan laten maken tussen een groot aantal objecten. 

Welke voordelen heeft een Q-sort boven een absolute beoordeling van objecten zoals bijvoor 

bijvoorbeeld eeen Likertschaal? 

a) de Q-sort vereist expliciet dat de persoon vergelijkingen maakt tussen objecten; 

b) de antwoordtendenties die vaak met absolute beoordelingen samengaan (bv. neiging om 

extreme antwoorden te geven) komen bij een Q-sort veel minder vaak voor; 

c) hetzelfde geldt voor de neiging van personen om tijdens de beoordeling van "set" te 

veranderen (bv. latere objecten worden gunstiger beoordeeld). 

Men zal dan ook voor Q-sorteringen doorgaans een hogere betrouwbaarheid (test-hertest) vinden 

dan voor absolute beoordelingen zoals een Likertschaal. De conclusie is dat wanneer men vergelijkende 

beoordelingen wil hebben binnen één of meerdere personen, de Q-sort dan een zeer 

bruikbare methode is. Wèl moet men zich er van vergewissen dat zinvolle vergelijkende 

beoordelingen gemaakt kunnen worden, er moet dus sprake zijn van een gemeenschappelijk 

referentiekader van de objecten die in de Q-sort zijn opgenomen (het inhoudsuniversum dient zo 

goed mogelijk omschreven te zijn). 

NB: Zie bijlage 3 voor een uitgewerkt voorbeeld van de toepassing van de Q-sort. 


20/26



Bijlage 1 Literatuur 

Bercken, J.H.L. van den & M.J.Voeten 

Variantie-analyse, de GLM-benadering. Groningen, Stenfert Kroese, 2002 

Block, J. (1961). 

The Q-sort in personality assesment and psychiatric research. Illinois, Springfield. 

Boon, A.K. den (1987). 

De perceptie van anderen. Amsterdam, UvA, diss. 25-5-1987. 

Heiser, W.J. (1990). 

Heterogeniteitsanalyse van Q-sorts (Betere kansen voor N=1 onderzoek). Psychologie en 

Maatschappij, 53, 1990, 367 - 376. 

Kerlinger, F.N. (1986). 

Foundations of behavioral research. London: Holt, Rinehart, 3rd edition (1964). 

Leik, Robert K. (1997) 

Experimental Design and The Analysis of Variance. Pine Forge Press, Thousand Oaks, 

California. 

McKeown, B. & Thomas, D. (1988). 

Q-methodology. London: Sage University Paper nr.66, 1988. 

Nunnally,J.C. (1978). 

Psychometric theory. New York: McGraw-Hill. 

Peet, A.A.J.v. (1989). 

Intensief Meten. In: B.Swaans, J.J.Hox (red) Praktijkgericht Onderzoek. Amersfoort/Leuven,Acco. 

Rutherford, A. (2001) 

Introducing ANOVA and Ancova, A GLM approach. Sage Publications, London. 

Noordhof. 

Stephenson, W. (1953). 

The study of behavior. (Q-technique and its methodology). London: University of Chicago Press. 


21/26



Bijlage 2 Verdeling van n objecten over X schaalwaarden 

Hoe kunnen n objecten over X schaalwaarden verdeeld worden wanneer die verdeling een 

normale verdeling moet benaderen? 

Wanneer van een normale verdeling het gemiddelde en de standaarddeviatie bekend zijn, kunnen 

bij elke waarde van X de bijbehorende frequenties berekend worden. Nu is het gemiddelde in het 

geval van een normale verdeling gelijk aan de middelste waarde, dus voor X= 0, 1, ..., 10 is het 

gemiddelde gelijk aan 5. Het bepalen van de standaardkwestie is een enigszins arbitraire kwestie. 

We hebben de redenering gevolgd dat het uit de aard van de Q-sort volgt dat ook aan de uiterste 

schaalwaarden objecten worden toegewezen. We hebben de regel aangehouden dat aan de 

uiterste schaalwaarden 5% van het aantal objecten moet worden toegekend. Het is dan mogelijk 

om de proporties te berekenen die bij elke schaalwaarde van X behoren. De resultaten van een 

aantal van dit soort berekeningen worden hieronder vermeld. 

Aantalobjecten 

Verdeling van n objecten over 7 schaalwaarden 

S c h a a l w a a r d e n 

7 6 5 4 3 2 1 

100 

2 

10 23 30 23 10 2 

90 

2 

9 20 28 20 9 2 

80 

2 

8 18 24 18 8 2 

70 

2 

7 16 20 16 7 2 

60 

2 

6 14 16 14 6 2 

50 

1 

5 11 14 11 5 1 

40 

1 

4 9 12 9 4 1 

30 1 3 7 8 7 3 1 

Verdeling van n objecten over 9 schaalwaarden 

S c h a a l w a a r d e n 

9 8 7 6 5 4 3 2 1 

Aan- 100 2 6 12 19 22 19 12 6 2 

tal 90 2 5 11 17 20 17 11 5 2 


22/26



objecten 

80 2 4 10 15 18 15 10 4 2 

70 2 4 8 13 16 13 8 4 2 

60 2 3 7 11 14 11 7 3 2 

50 1 3 6 9 12 9 6 3 1 

40 1 2 5 8 8 8 5 2 1 

30 1 2 3 6 6 6 3 2 1 


23/26



Bijlage 3 Voorbeeld Toepassing Q-sort 

Vragenlijst m.b.t. persoonlijkheidsaspecten 

De vragenlijst in dit voorbeeld is bedoeld om de Q-sort-techniek te demonstreren. Het gaat dus 

niet zozeer om de inhoud van deze vragenlijst. Met de Q-sort-techniek kunnen ook de resultaten 

van één persoon geanalyseerd worden. 

Gewoonlijk worden de items van een Q-sort-verzameling elk op een kaartje getypt en wordt aan 

de persoon gevraagd om deze kaartjes op een bepaalde manier te sorteren. Maar ook een iets 

andere manier, zoals hieronder zal worden uiteengezet, is mogelijk. 

Instructie bij de vragenlijst 

De vragenlijst bevat 24 uitspraken (Items) die betrekking hebben op Uw persoonlijkheid. 

Sommige van deze items zijn wellicht zeer kenmerkend voor Uw persoonlijkheid en andere items 

zijn dat veel minder. Aan U wordt gevraagd om deze items op een speciale manier te rangordenen 

(Q-sorteren). De dimensie waarlangs de items gerangordend moeten worden, loopt van "zeer 

kenmerkend" tot "minst kenmerkend". Naast de items (uitspraken) staan 5 kolommen en boven 

elke kolom staat aangegeven hoeveel items in die kolom 'geplaatst' mogen worden. Zo mogen er 

in kolom 5 slechts 2 items geplaatst worden. Bent U van mening dat een bepaald item zeer kenmerkend 

is voor Uw persoonlijkheid, dan plaatst U in deze kolom achter dat item een kruisje. U 

kunt dan nog één ander item in deze kolom plaatsen. In kolom 4 plaatst U 5 items die wat minder 

kenmerkend zijn voor Uw persoonlijkheid. 

Resultaten 

In onderstaande tabel zijn de resultaten weergegeven van de Q-sortering door één persoon. 

De 24 items zijn onderverdeeld in drie persoonlijkheidstrekken: 

E = Extraversie: items 1, 4, 7, 10, 13, 16, 19, 22; 

N = Neuroticisme: items 2, 5, 8, 11, 14, 17, 20, 23; 

O = Ontwikkeling: items 3, 6, 9, 12, 15, 18, 21, 24 


24/26




kenmerkend 

meest........................... minst 

5 4 3 2 1 

1 Ik ben spraakzaam en praat veel tegen anderen x 

2 Ik ben vaak hevig geëmotioneerd x 

3 Ik ben tamelijk vindingrijk en creatief X 

4 Ik ben altijd bij veel activiteiten betrokken X 

5 Ik voel me altijd enigszins gejaagd x 

6 Ik heb een brede intellectuele belangstelling x 

7 Ik houd van veel mensen om mij heen x 

8 Ik vertoon allerlei tekenen van nervositeit x 

9 Ik heb gevoel en belangstelling voor de kunst x 

10 Ik ben openhartig en ongereserveerd X 

11 Ik ben in moeilijke situaties erg gespannen x 

12 Ik ben beschouwend van aard x 

13 Ik maak gemakkelijk kennis met onbekenden X 

14 Ik doe te gemakkelijk impulsieve uitspraken x 

15 Ik heb een zeer behoorlijk verstand x 

16 Ik sta graag in de schijnwwerpers x 

17 Mijn sociale relaties lopen vaak niet naar wens x 

18 Ik heb altijd een goed beredeneerd oordeel x 

19 Ik ben energiek, levendig, snel en alert x 

20 Ik voel me vaak wat neerslachtig x 

21 Ik vorm mijn mening op eigen kracht x 

22 Ik ga er van uit dat ik anderen kan overtuigen x 

23 Ik denk regelmatig dat mij iets mankeert x 

24 Ik onderzoek graag nieuwe dingen x 

Aantal te plaatsen items 

2 5 10 

De Q-sortering van onze proefpersoon verzamelen we in onderstaande tabel. 

E N O 

2 1 3 

3 2 5 

2 3 1 

2 3 4 

2 3 4 

5 2 

25/26



3 3 4 

3 3 5 

4 3 4 

We kunnen op deze resultaten een eenweg-variantie-analyse uitvoeren ( = 0,05). 

Resultaten eenweg-variantie-analyse 

Sum of 

Squares 

df Mean Square F Sig. 

Between 

Groups 

6,750 2 3,375 3,682 ,043 

Within Groups 19,250 21 ,917 

Total 26,000 23 

Conclusie: voor = 0,05 zijn de gemiddelden verschillend: 

Ogem = 3,75; Ngem = 2,63; Egem = 2,63 

Wanneer we post hoc paarsgewijs de verschillen tussen deze gemiddelden onderzoeken, dan 

blijkt dat Ngem en Egem significant verschillen van Ogem (overschrijdingskans is 0,029). 


26/26

KG-publicatie nr. 16 Q-sort. Een rangordening - Onderzoek ...

Create successful ePaper yourself

Delete template?

Save as template?