Middelengebruik en voortijdig schoolverlaten - Trimbos-instituut

dronkenschap en cannabisgebruik. In het tweede model werd de invloed vanmiddelengebruik gecontroleerd voor sekse, leeftijd en opleidingsniveau. Daarnaastwerden interactietermen tussen middelengebruik en deze achtergrondvariabelentoegevoegd. Zo zijn de differentiële effecten van middelengebruik op schooluitval voorjongens en meisjes, en voor respondenten van verschillende leeftijden enopleidingsniveaus in beeld gebracht. In het derde model werden de overigeachtergrondfactoren (stedelijkheidsgraad, gezinssamenstelling, sociaaleconomischestatus, etniciteit en aanraking met politie) en factoren uit de ouderlijke- (monitoring doorouders), peer- (aantal avonden met peers, alcohol- en cannabisgebruik van peers) enschoolcontext (klimaat met betrekking tot klasgenoten en leerkrachten, moeite metschool en de overige proximale voorspellers van schooluitval) aan het tweede modeltoegevoegd. Alle analyses werden uitgevoerd in SPSS 16.0 voor Windows.De data waarop deze studie gebaseerd zijn hebben een hiërarchische structuur:leerlingen in klassen in scholen. Leerlingen uit dezelfde klassen delen bepaaldekenmerken met elkaar, bijvoorbeeld omdat zij les krijgen op hetzelfde niveau. Dit kanleiden tot clustering van de data. Deze clustering beperkt zich niet tot de klassen, wantook deze klassen delen kenmerken met elkaar, bijvoorbeeld omdat zij tot dezelfde schoolbehoren en dus dezelfde stedelijkheidsgraad kennen. Om een antwoord te krijgen op devraag of bepaalde klas- of schoolfactoren een rol spelen in voortijdig schoolverlaten,worden deze kenmerken aan leerlingen toegekend. Door dit proces van disaggregatie(het toekennen van de waarde van een kenmerk op een hoger niveau aan elk individu)wordt echter niet voldaan aan de assumptie waarmee de betrouwbaarheid van eenstatistische test staat of valt, namelijk dat observaties onderling onafhankelijk moetenzijn. Dit gebrek aan onafhankelijke observaties heeft tot gevolg dat mogelijke verschillentussen leerlingen te snel als significant beoordeeld worden.Om te corrigeren voor de potentiële meervoudige clustereffecten, werd in eerste instantiebesloten om gebruik te maken van multilevel analyse. Deze statistische methode laat toedat metingen op verschillende niveaus (het schoolniveau, het klasniveau en hetindividuniveau) apart en gelijktijdig worden opgenomen in de analyses, wat deonafhankelijkheid van de observaties en zo de betrouwbaarheid van de statistische testten goede komt. Echter, wil multilevel analyse een zinvolle analysemethode zijn, danmoet aan tenminste twee voorwaarden voldaan worden. Allereerst dient zich voldoendevariantie op hogere niveaus voor te doen, dat wil zeggen dat de verschillen tussenklassen en scholen met betrekking tot een bepaalde uitkomst substantieel moeten zijn.Daarnaast moeten er factoren in de analyse opgenomen worden die deze verschillenkunnen verklaren. Aan deze voorwaarden werd niet voldaan in de data voor deze25