TBS-behandeling geprofileerd; een gestructureerde ... - WODC

x2-toetsen. Het eerste deel van het onderzoek had als doel een beschrijving
te geven van de tenuitvoerlegging van de tbs-maatregel. Dit gedeelte van
het onderzoek was kwalitatief en beschrijvend van aard. De verschillen in
de tenuitvoerlegging van de tbs-maatregel zijn beoordeeld op face-value en
niet getoetst.
Voor het tweede deel van het onderzoek zijn geselecteerde gegevens
uit de dossiers en interviews gebruikt om klassen te onderscheiden. Met
behulp van latente klasse analyse (LCA) (McCutcheon, 1987) is onderzocht
of er groepen patiënten zijn die een onderscheidbaar profiel laten zien op
de geselecteerde kenmerken. 12 Het LCA model identificeert profielen die
optimaal van elkaar te onderscheiden zijn op basis van de scorepatronen op
de kenmerken. LCA is een data-analysemethode waarbij er vanuit gegaan
wordt dat het mogelijk is de patronen van kenmerken van patiënten onder te
verdelen in een aantal klassen (M) die onderling onderscheidbaar zijn. Elke
klasse heeft een kans op een bepaald kenmerk dat voor de verschillende
klassen verschilt. LCA gaat ervan uit dat er discrete latente klassen bestaan,
dat wil zeggen dat patiënten ingedeeld worden in één van de latente klassen.
Dit onderscheidt de LCA van de factoranalyse, die ervan uit gaat dat er
continue latente variabelen aanwezig zijn, dat wil zeggen dat respondenten
voor elke latente variabele een score (posterior probability) krijgt, die laag
of hoog kan zijn. De tbs-gestelden zijn ingedeeld in de klasse met de hoogste
posterior probability. Met behulp van deze posterior probabilities kan de
gemiddelde classificatie, waarmee de tbs-gestelden ingedeeld zijn in een
klasse, uitgerekend worden. Deze gemiddelde classificatie wordt entropy
genoemd en dit getal geeft de mate aan waarin het model in staat is tbsgestelden
in te delen in de verschillende klassen. De klassen zijn vastgesteld
op verschillende geobserveerde kenmerken die een significante bijdrage
leveren aan het onderscheidbare vermogen van de klasse. Om het beste
latente klasse model 13 te bepalen, is de volgende procedure toegepast:
12
Het latente klasse model wordt geschat met behulp van M-plus (Muthén & Muthén,
1998-2008).
13
Bij de bepaling van het model wordt gebruik gemaakt van herhaalde schatting van het
model zodat de uiteindelijke oplossing van het model niet op een lokaal maximum of
minimum gevonden wordt. Hiervoor wordt elk latente klasse model 2000 keer geschat
met nieuwe startwaarden. De beste oplossing wordt daarna nog 100 keer geschat om er
zeker van te zijn dat het beste model repliceerbaar is.
45