Het Effect van een Genetisch Risico op Burn-out en Sekse op Stress die

Onderzoekers Ervaren bij het Uitoefenen van hun Baan 

Sari Segers 2612776

 Vrije Universiteit Amsterdam

Statistiek 3 voor de klinische leerlijn (P_BSTAT3KL)

Arents, V. (Groep 35)

13-3-2022

Woordaantal: 999
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

Uit recent onderzoek is gebleken dat onderzoekers deel uitmaken van een groep die
een hoge mate van stress ervaart bij het uitoefenen van hun baan (Bauwens et al., 2018).
Geleid door deze informatie is er onderzoek uitgevoerd om na te gaan welke kenmerken van
de onderzoekers samenhangen met werkstress. In dit onderzoek wordt er gepoogd antwoord te
krijgen op de vraag of onderzoekers met een genetisch risico op burn-out een hogere mate van
stress ervaren én of dit verband wordt bekrachtigd door sekse. Aanvullend wordt verwacht dat
een genetisch risico op burn-out een positief effect heeft op de ervaren werkstress van
onderzoekers. Daarnaast wordt er verwacht dat het effect van een genetisch risico op burn-out
op deze ervaren werkstress sterker is voor vrouwen dan voor mannen. 

Methode
Participanten

In dit onderzoek werd er een steekproef gehanteerd van n = 400 participanten waarvan
39.3% man (157) en 60.8% vrouw (243). De minimale leeftijd is twintig jaar en de maximale
leeftijd 59 jaar. Hier is de gemiddelde leeftijd 38.70 jaar (SD = 11.79). De participanten zijn
willekeurig geselecteerd. Van de vierhonderd participanten hebben er 332 (83.0%) een laag
genetisch risico op burn-out. De overige 68 participanten (17%), hebben een hoog genetisch
risico op een burn-out.

Materialen

De afhankelijke variabele stress werd gemeten aan de hand van een vragenlijst (stress
from job). Een hogere score [0, 100] op stress indiceert dat werk een hogere mate van ervaren
stress met zich meebrengt. Voor de onafhankelijke variabele, genetisch risico op burn-out
werden biomarkers in speeksel en bloed afgenomen. Hierbij impliceert een hogere score [0, 1]
respectievelijk een hoog risico op een burn-out, waarbij 0 staat voor een laag risico en 1 voor
een hoog risico. Voor de onafhankelijke variabele sekse [0, 1] wijst 0 op vrouw en 1 op man.
Voor sekse werd het geslacht van de participanten bevraagd middels zelfrapportage.

Statistische Analyse

Om de samenhang tussen deze factoren te onderzoeken, is er gebruik gemaakt van een

statistische analyse middels het programma Statistical Package For Social Sciences (SPSS,
versie 26). Hierbij is er een factoriële ANOVA gehanteerd. Sekse kan worden gezien als
moderator (interactiemodel) in de relatie tussen genetisch risico op burn-out en de ervaring
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

van werkstress. De sterkte van de interactie- en hoofdeffecten zijn bepaald aan de hand van de
F-waarden, p-waarden en Partial Eta Squareds. Hierbij is een significantieniveau van α = .05
gehanteerd. Indien er sprake zou zijn van een significante interactie, is er gebruik gemaakt
van een Bonferroni correctie om de simple main effects te kunnen waarnemen. Hierbij is een
significantieniveau van α = .025 gebruikt. Voorafgaand aan de ANOVA zijn er vier
assumpties getest: orthogonaliteit van factoren (Pearson’s Chi-squared test), homogeniteit
van varianties (Levene’s test of equality of error variances), uitbijters (aan de hand van
boxplots) en normaliteit (Kolmogorov-Smirnov).

Resultaten
Voor mogelijke uitschieters werd een boxplot geraadpleegd. Er werd één uitbijter
gevonden (participant 189). Deze uitbijter is significant maar verstoort de data niet; deze ligt
immers minder dan drie SD van het gemiddelde en is geen extreme waarde. Aan de
orthogonaliteit van de factoren werd ook voldaan, X2 (1, N = 400) = 1.63, p = .20. Dit
betekent dat sekse en risico op burn-out ongebonden zijn. De assumptie van normaliteit werd
volgens de Kolmogorov-Smirnov toets niet geschonden gezien ervaren werkstress significant
was: p = .142. Er was echter een schending van de normaliteit van de werkgerelateerde
stressscores bij vrouwen met een hoog genetisch risico op een burn-out, welke naar voren
kwam uit de histogrammen van de vier groepen. Bij de assumptie van homogeniteit (gelijke
varianties) was de Levene’s test niet significant F(3,396) = .82, p = .485. Er is dus aan de
assumptie van homogeniteit voldaan.
Vrouwen scoren gemiddeld hoger (M = 64.83, SD = 16.73) dan mannen (M = 62.19
SD = 14.63) op ervaren werkstress (zie Tabel 1). Uit de resultaten blijkt tevens dat er sprake is
van een significant interactie-effect tussen genetisch risico op burn-out en sekse (F(1,396) =
5.53, p = .02, η2= .014). Daarbij is er sprake van een hoofdeffect van genetisch risico op
burn-out op stress F(1, 396) = 12.27, p = .001, η2 = .030) en sekse op stress (F(1,396) = 6.84,
p =.01, η2 = .017). Bij een significant interactie-effect kunnen de hoofdeffecten echter niet
verder geïnterpreteerd worden.
Uit de Bonferroni correctie bleek dat er sprake was van een statistisch significant
verschil in werkstress tussen mannen en vrouwen met hoog genetisch risico op burn-out. F(1,
396) = 7.31, p = .007, η2 = .018. Het verschil tussen mannen en vrouwen met een laag
genetisch risico op burn-out was daartegenover niet significant.

Tabel 1
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

Ervaren Werkstress

Genetisch risico op burn-out Sekse M SD N

Laag Genetisch Risico op Man 61.84 14.75 135
Burn-out Vrouw 62.41 15.76 197
Hoog Genetisch Risico op Man 64.35 14.01 22
Burn-out Vrouw 75.20 16.96 46

Discussie
Verwacht werd in dit onderzoek dat onderzoekers met een genetisch risico op burn-out
een hogere mate van stress ervaren; mannen en vrouwen die hoog genetisch risico hebben op
een burn-out, ervaren ook meer stress tijdens het uitoefenen van hun baan. Daarbij werd er
verwacht dat deze samenhang versterkt zou worden door sekse; vrouwen met zowel een hoog,
als laag genetisch risico op een burn-out ervaren meer werkstress. De resultaten geven een
interactie-effect weer; het effect van genetische aanleg voor burn-out op stress, is mede-
afhankelijk van sekse. De interactie van deze twee onafhankelijke variabelen beïnvloeden de
afhankelijke variabele. Als gevolg hiervan was er geen aanvullende interpretatie van de
hoofdeffecten mogelijk.
Echter, dit onderzoek kent ook een aantal beperkingen. Ten eerste is de verdeling
tussen man en vrouw niet gelijk; er hebben aanzienlijk meer vrouwen geparticipeerd. Ten
tweede lijkt de verdeling van de vier groepen niet op elkaar. Zo is de groep met een laag
genetisch risico bijvoorbeeld groter, dan de groep met een laag genetisch risico op burn-out.
Als gevolg hiervan zal de kleinste groep de power grotendeels kunnen bepalen. Ten derde
werd de assumptie van normaliteit geschonden voor vrouwen, dit kan betekenen dat de
steekproef niet representatief is voor de populatie. Echter, wanneer een steekproef meer dan
dertig participanten heeft, wordt er volgens de Centrale Limietstelling aan de aanname van
normaliteit voldaan (Aarts & Wouters, 2018). Desalniettemin is vervolgonderzoek met
groepen van gelijke groottes van belang om de samenhang tussen genetisch risico op burn-
out, stress en sekse te kunnen generaliseren naar populatieniveau.
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

Referenties
Aarts, S., & Wouters, E. (2018). De t-toets en de analysis of variance, ANOVA.
Podosophia, 26(1), 28-33.
Bauwens, R., Audenaert, M., & Decramer, A. (2018). Wees vooral fair: hoe je burn-out onder
jonge academici tegengaat. TH&MA, (1), 48-51.
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

Bijlage
Bijlage 1: Syntax

* Encoding: UTF-8.
* Syntax Statistiek 3 Eindopdracht.
* Sari Segers 2612776.
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

DATASET ACTIVATE DataSet1.

DESCRIPTIVES VARIABLES=ppn risk coping gender control stressed age
/STATISTICS=MEAN STDDEV MIN MAX.

FREQUENCIES VARIABLES=ppn risk gender coping control stressed age

/ORDER=ANALYSIS.

FREQUENCIES gender.

CROSSTABS
/TABLES=risk BY gender
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ
/CELLS=COUNT
/COUNT ROUND CELL
/METHOD=EXACT TIMER(5).

DESCRIPTIVES VARIABLES=stressed age

/STATISTICS=MEAN STDDEV MIN MAX.

GRAPH
/SCATTERPLOT(MATRIX)=stressed gender risk
/MISSING=LISTWISE.

* Chart Builder.
GGRAPH
/GRAPHDATASET NAME="graphdataset" VARIABLES=risk stressed gender
MISSING=LISTWISE REPORTMISSING=NO
/GRAPHSPEC SOURCE=INLINE.
BEGIN GPL
SOURCE: s=userSource(id("graphdataset"))
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

DATA: risk=col(source(s), name("risk"), unit.category())

DATA: stressed=col(source(s), name("stressed"))
DATA: gender=col(source(s), name("gender"), unit.category())
DATA: id=col(source(s), name("$CASENUM"), unit.category())
COORD: rect(dim(1,2), cluster(3,0))
GUIDE: axis(dim(3), label("Genetic risk for burnout"))
GUIDE: axis(dim(2), label("Perceived stress from job"))
GUIDE: legend(aesthetic(aesthetic.color), label("Gender"))
GUIDE: text.title(label("Clustered Boxplot of Perceived stress from job by Genetic risk for
",
"burnout by Gender"))
SCALE: cat(dim(3), include("0", "1"))
SCALE: linear(dim(2), include(0))
SCALE: cat(aesthetic(aesthetic.color), include(
"0.00", "1.00"))
SCALE: cat(dim(1), include(
"0.00", "1.00"))
ELEMENT: schema(position(bin.quantile.letter(gender*stressed*risk)), color(gender),
label(id))
END GPL.

FREQUENCIES VARIABLES=stressed
/HISTOGRAM NORMAL
/FORMAT=LIMIT(10)
/ORDER=ANALYSIS.

UNIANOVA stressed BY gender risk

/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PLOT=PROFILE(gender*risk) TYPE=LINE ERRORBAR=NO MEANREFERENCE=NO
YAXIS=AUTO
/EMMEANS=TABLES(gender)
/EMMEANS=TABLES(risk)
/EMMEANS=TABLES(gender*risk)
Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

/PRINT ETASQ DESCRIPTIVE HOMOGENEITY

/PLOT=RESIDUALS
/CRITERIA=ALPHA(.05)
/DESIGN=gender risk gender*risk.

EXAMINE VARIABLES=risk ppn gender age control stressed coping

/PLOT BOXPLOT HISTOGRAM NPPLOT
/COMPARE GROUPS
/STATISTICS DESCRIPTIVES
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.

EXAMINE VARIABLES= stressed

/PLOT BOXPLOT HISTOGRAM NPPLOT
/COMPARE GROUPS
/STATISTICS DESCRIPTIVES
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.

UNIANOVA stressed BY risk gender

/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PLOT=PROFILE(risk*gender) TYPE=LINE ERRORBAR=NO MEANREFERENCE=NO
YAXIS=AUTO

/EMMEANS=TABLES(risk) COMPARE ADJ(LSD) /EMMEANS=TABLES(gender)

COMPARE ADJ(LSD) /EMMEANS=TABLES(risk*gender)
/PRINT ETASQ DESCRIPTIVE HOMOGENEITY /CRITERIA=ALPHA(.05)
/DESIGN=risk gender risk*gender.

UNIANOVA stressed BY risk gender

Effecten van Risico op Burn-out en Sekse op Stress van Onderzoekers

/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PLOT=PROFILE(risk*gender) TYPE=LINE ERRORBAR=NO MEANREFERENCE=NO
YAXIS=AUTO
/EMMEANS=TABLES(risk) COMPARE ADJ(LSD) /EMMEANS=TABLES(gender)
COMPARE ADJ(LSD) /EMMEANS=TABLES(risk*gender) COMPARE(risk)
ADJ(BONFERRONI) /EMMEANS=TABLES(risk*gender) COMPARE(gender)
ADJ(BONFERRONI) /PRINT ETASQ DESCRIPTIVE HOMOGENEITY
/CRITERIA=ALPHA(.05) /DESIGN=risk gender risk*gender.

 In welke tijd schrijf ik dit nou allemaal?

 Kijk even naar de rubrics, dan zie je ook de correcte volgordes
 Syntax moet er ook nog in en die moet ook even worden aangepast
 Rapporteer exacte p-waardes tenzij p<.001