46 • <strong>F<strong>in</strong>ancieel</strong> <strong><strong>in</strong>zicht</strong> <strong>van</strong> <strong>Nederlanders</strong>
<strong>Resultaten</strong> <strong>van</strong> een publieksonderzoek • 474Onderscheiden <strong>van</strong>groepen naar f<strong>in</strong>ancieel<strong><strong>in</strong>zicht</strong>: kennis en motivatieIn dit hoofdstuk worden groepen respondenten onderscheidenop basis <strong>van</strong> kennis en motivatie. Meer <strong>in</strong> het bijzonder wordenclusters onderscheiden die onderl<strong>in</strong>g zo veel mogelijk verschillen<strong>in</strong> kennis en motivatie, terwijl de verschillen tussen respondentenb<strong>in</strong>nen de clusters zo kle<strong>in</strong> mogelijk zijn.4.1 Korte beschrijv<strong>in</strong>g <strong>van</strong> de clusteranalyseUitgangspunt bij deze clusteranalyse is dat er verschillendeniveaus zijn die <strong>in</strong> meer of m<strong>in</strong>dere mate <strong>van</strong> f<strong>in</strong>ancieel gedrag(rondkomen, sparen, overzicht) af staan (Zie Figuur 1.1 <strong>in</strong> Hoofdstuk1). Het niveau dat het dichtst bij f<strong>in</strong>ancieel gedrag staat is hetkennis- en motivatieniveau. Kennis en motivatie worden verondersteldbepalend te zijn voor iemands f<strong>in</strong>anciële gedrag. Bijvoorbeeld,een bepaald kennisniveau zal leiden tot bepaald f<strong>in</strong>ancieelgedrag. Hetzelfde geldt voor verschillende motivatieniveaus. Hetniveau dat het verste weg ligt <strong>van</strong> f<strong>in</strong>ancieel gedrag zijn sociodemografischekenmerken zoals sekse, leeftijd, opleid<strong>in</strong>g. Ditniveau wordt verondersteld bepalend te kunnen zijn voor hetkennis- en motivatieniveau. Kortom, sociodemografische kenmerkenbev<strong>in</strong>den zicht het verste verwijderd <strong>van</strong> f<strong>in</strong>ancieelgedrag, gevolgd door kennis en motivaties. Sociodemografischekenmerken hebben <strong>in</strong>vloed op f<strong>in</strong>ancieel gedrag, maar dit looptvia kennis en motivaties.Bij het vormen <strong>van</strong> de clusters is hier gekozen om de respondentente clusteren op basis <strong>van</strong> kennis en motivatie. Het voordeelhier<strong>van</strong> is dat er vervolgens uitspraken gedaan kunnen wordenover sociodemografische kenmerken én over f<strong>in</strong>ancieel gedrag.Het onderscheiden <strong>van</strong> onderl<strong>in</strong>g verschillende groepen isgedaan met behulp <strong>van</strong> K-means clusteranalyse, een statistischeprocedure <strong>in</strong> het software pakket SPSS (Statistical Package for theSocial Sciences). Deze techniek is vooral geschikt voor grotedatasets (n > 200). De uite<strong>in</strong>delijke clusteranalyse is <strong>in</strong> de volgendedrie stappen uitgevoerd. Deze worden hieronder kort beschreven.Stap 1: Berekenen <strong>van</strong> afstanden tussen respondentenIn de eerste stap worden afstanden tussen respondenten berekendop basis <strong>van</strong> kennis en motivatie scores. Hoe groter deafstand, des te meer de respondenten <strong>van</strong> elkaar verschillen. Bijdeze analyse is gekozen voor een gekwadrateerde euclidischeafstandsmaat. Hierdoor worden de verschillen uitvergroot. 7Stap 2: Bepalen <strong>van</strong> het aantal clustersIn de tweede stap is een hiërarchische clusteranalyse uitgevoerd(met gekwadrateerde euclidische afstanden, omdat deze afstandsmaatgekozen is <strong>in</strong> Stap 1) waarbij de berekende afstandenuit de eerste stap als startconfiguratie gebruikt zijn. Er wordtbegonnen met N clusters (elk <strong>van</strong> de N respondenten vormt eeneigen cluster). In achtereenvolgende stappen worden tweeclusters samengevoegd op basis <strong>van</strong> hun onderl<strong>in</strong>ge afstand zoalsgedef<strong>in</strong>ieerd <strong>in</strong> Stap 1. Bij deze techniek geldt dat clusters die <strong>in</strong>een later stadium worden samengevoegd ongelijker zijn danclusters die <strong>in</strong> een eerder stadium worden samengevoegd. Hetuite<strong>in</strong>delijke aantal clusters K wordt bepaald door <strong>in</strong> elke stap tekijken naar de afstand tussen de meest ongelijke respondenten uitde twee clusters die worden samengevoegd. Hoe groter dezeafstand, des te ongelijker de clusters zijn die worden samengevoegd.Als de afstand <strong>in</strong> opeenvolgende stappen te grootwordt, is dit vaak een aanduid<strong>in</strong>g dat clusters worden samengevoegddie (te) sterk <strong>van</strong> elkaar verschillen en het beter is omhet samenvoeg<strong>in</strong>gsproces te stoppen. Bijvoorbeeld, als er20 observaties zijn en de afstand tussen de 17e en 18e stap tegroot wordt, is het aantal overblijvende clusters 20–17=3.Stap 3: Uite<strong>in</strong>delijke clusteranalyse voor grote datasetsIn de derde stap wordt de feitelijke K-means clusteranalyseuitgevoerd. Het aantal clusters K dat bepaald is <strong>in</strong> de tweede stapdient hier als uitgangspunt. In deze derde stap is gekozen vooreen methode die voor elk <strong>van</strong> de K cluster een gemiddelde waardeberekent (centroïde). Vervolgens worden de gekwadrateerdeeuclidische afstanden berekend tussen elke respondent en decentroïdes. Nadat alle respondent-centroïde afstanden berekendzijn, worden de respondenten toegewezen aan het cluster waar<strong>van</strong>de centroïde het dichtstbij ligt. Nadat een respondent aan eencluster is toegewezen, wordt de clustercentroïde opnieuw berekendalvorens een volgende respondent wordt toegewezen. 8Uite<strong>in</strong>delijk resultaat is een overzicht <strong>van</strong> het <strong>in</strong> Stap 2 bepaaldaantal clusters, hun centroïdes voor de clustervariabelen en voorelke respondent het cluster waartoe deze behoort. Het clusterlidmaatschapwordt vervolgens gebruikt voor verdere analyses,bijvoorbeeld om de gemiddelde waarden <strong>van</strong> de sociodemografischevariabelen en gedragsvariabelen <strong>in</strong> de clusters te bepalen, ofom verschillen tussen clusters te v<strong>in</strong>den.4.2 <strong>Resultaten</strong> <strong>van</strong> de clusteranalyse4.2.1 Aantal clusters en centroïdesDe clusteranalyse is uitgevoerd met 3293 observaties (77 procent<strong>van</strong> de netto steekproef). Vanwege ontbrekende waarden voor dekennis- en motivatievragen zijn enkele respondenten <strong>in</strong> de eerstestap afgevallen. Het gehele proces heeft geleid tot zeven clusters.De centroïdes <strong>van</strong> de zeven clusters worden weergegeven <strong>in</strong>Tabel 4.1. De clusters zijn geordend <strong>van</strong> m<strong>in</strong>st (cluster 1) tot meestproblematisch (cluster 7) qua f<strong>in</strong>ancieel gedrag. Om deze orden<strong>in</strong>gte maken is gekeken naar de gemiddelde scores <strong>van</strong> Rondkomen,Overzicht en Sparen. Hiervoor gold dat de score opRondkomen het belangrijkst is voor het beleid, gevolgd door de7Bij een gekwadrateerde euclidische afstandsmaat en i kenmerken is de afstand d(X,Y) tussen de respondenten X en Y gedef<strong>in</strong>ieerd als: d(X,Y) = (X Σi i–Y i) 2met X ien Y ide waarden <strong>van</strong> de i-de variabele met betrekk<strong>in</strong>g tot respondenten X en Y. Met andere woorden, de afstand tussen twee observaties (hier respondenten,maar dat kunnen ook clusters zijn zoals <strong>in</strong> Stap 2) is de som <strong>van</strong> de gekwadrateerde verschillen tussen de waarden <strong>van</strong> de observaties.8Deze methode wordt ook wel centroid cluster<strong>in</strong>g with centroid updat<strong>in</strong>g genoemd (centroïde cluster<strong>in</strong>g met tussentijdse herzien<strong>in</strong>g <strong>van</strong> centroïdes).