Effects of interviewers on response to income and wealth items

Dit onderzoek toont aan dat de verwachtingen van interviewers over de bereidheid van respondenten om financiële informatie te verstrekken, een significante voorspeller zijn voor daadwerkelijke non-respons op inkomens- en vermogensvragen in de SHARE-omgeving, wat implicaties heeft voor interviewertraining en veldwerkontwerp.

De kern

Titel: Waarom de sfeer van de interviewer telt bij het vragen om geld

Stel je voor dat je een enquête doet over hoe rijk mensen zijn. Je vraagt: "Hoeveel geld heb je op de bank?" en "Wat is je huis waard?" Dit zijn lastige vragen. Veel mensen vinden het gênant, denken dat ze te weinig verdienen, of hebben gewoon geen zin om hun bankafschriften te zoeken. In de wetenschap noemen we dit non-respons: mensen geven geen antwoord.

Deze paper van Moslem Rashidi onderzoekt iets heel interessants: Heeft het iets te maken met de persoon die de vragen stelt?

De Verwachting is de Sleutel

De auteur kijkt naar een grote enquête in Europa (SHARE) met bijna 42.000 mensen in 12 landen. Hij kijkt niet alleen naar de antwoorden van de burgers, maar ook naar de verwachtingen van de interviewers.

Vóórdat de interviewers aan de slag gaan, moesten ze een gok doen: "Hoeveel procent van de mensen die ik ga interviewen, denkt dat ik hun inkomensgegevens krijg?"

Het resultaat is verrassend simpel, maar krachtig:

• Als een interviewer denkt: "Oh, mensen zijn wel open en eerlijk, ik krijg wel antwoord," dan krijgen ze meer antwoorden.
• Als een interviewer denkt: "Oh, mensen zijn gesloten en zullen het niet zeggen," dan krijgen ze minder antwoorden.

De Metafoor:
Stel je voor dat de interviewer een gastheer is op een feestje en de respondent een gast.

• Als de gastheer denkt: "Mijn gasten zijn gezellig en vertellen graag verhalen," dan staat hij ontspannen, glimlachend en vol vertrouwen. De gast voelt zich welkom en vertelt zijn verhaal.
• Als de gastheer denkt: "Mijn gasten zijn verlegen en willen niets kwijt," dan staat hij onzeker, misschien zelfs een beetje wantrouwig. De gast voelt de spanning en zegt: "Nee, ik wil daar niet over praten."

De verwachting van de gastheer (de interviewer) wordt een zelfvervullende voorspelling. De sfeer die de interviewer uitstraalt, bepaalt of de gast (de respondent) openhartig is of niet.

De Drie Manieren om de "Gaten" te Vullen

In dit soort onderzoeken zijn er veel gaten in de data. Soms weigeren interviewers om mee te doen aan de enquête over hun eigen werk, en soms missen ze gegevens over hun leeftijd of ervaring. De auteur vergelijkt drie manieren om met deze gaten om te gaan:

1. De "Weggooi-methode" (Complete-Case): Je gooit alle vragen weg waar een gat in zit en kijkt alleen naar de perfecte lijsten.
   • Nadeel: Je gooit veel waardevolle informatie weg. Alsof je een puzzel weggooit omdat er één stukje mist, terwijl je de rest nog wel kunt oplossen.
2. De "Gok-methode" (Multiple Imputation): Je vult de gaten in met slimme schattingen op basis van wat je wel weet.
   • Nadeel: Je maakt een gok, en die gok kan onnauwkeurig zijn. Het is alsof je een ontbrekende puzzelstukje zelf tekent; het past misschien, maar misschien ook niet.
3. De "Alles-in-één-methode" (Model Averaging): Je probeert alle mogelijke combinaties van de bovenstaande methoden en neemt het gemiddelde.
   • Resultaat: De auteur ontdekt dat deze super-complexe methode niet veel beter werkt dan de simpele "Weggooi-methode" of de "Gok-methode". Soms is simpelheid de beste strategie.

Wat betekent dit voor de praktijk?

De belangrijkste conclusie is dat opleiding cruciaal is.

Als je mensen wilt vragen over hun geld, moet je ze niet alleen vragen stellen. Je moet de interviewers optimistisch maken. Als je interviewers leert om te denken: "Mensen zijn bereid om te praten," dan zullen ze dat ook krijgen.

Het is alsof je een team van verkopers hebt. Als je ze vertelt: "Niemand wil dit kopen," verkopen ze niets. Als je ze vertelt: "Iedereen wil dit product," verkopen ze meer.

Kortom:
De paper laat zien dat de menselijke factor in enquêtes enorm belangrijk is. De verwachtingen van de interviewer fungeren als een magneet: een positieve houding trekt antwoorden aan, terwijl een negatieve houding mensen wegjaagt. Voor organisaties die enquêtes houden, is de boodschap duidelijk: investeer in de mentaliteit van je interviewers, en je krijgt betere data.

Technische samenvatting

Titel: Effecten van interviewers op antwoorden op inkomens- en vermogensvragen

Auteur: Moslem Rashidi (Universiteit van Bologna)
Datum: 14 april 2026 (gepubliceerd op arXiv)
Data: Wave 6 van het Survey of Health, Ageing and Retirement in Europe (SHARE)

---

1. Probleemstelling en Achtergrond

Deze studie onderzoekt een persistente bron van steekproeffouten in enquêtes: item-nonrespons op financiële vragen (inkomen en vermogen). Vooral in interviews die door personen worden afgenomen (interviewer-administered surveys), spelen interviewers een cruciale rol bij het bepalen of respondenten bereid zijn om gevoelige informatie te verstrekken.

Hoewel eerder onderzoek zich vaak richtte op demografische kenmerken van interviewers (leeftijd, geslacht, opleiding), wijst empirisch bewijs erop dat niet-demografische kenmerken, zoals houdingen, persoonlijkheid en verwachtingen, eveneens een grote invloed hebben. De kernvraag van dit artikel is: Hoe beïnvloeden de verwachtingen van interviewers over de bereidheid van respondenten om inkomensinformatie te geven, de daadwerkelijke respons op deze vragen?

2. Data en Steekproef

• Bron: Wave 6 van SHARE (verzameld in 2015), een multidisciplinair panel van ouderen in Europa.
• Steekproef: 41.934 respondenten uit 12 landen (Oostenrijk, België, Estland, Duitsland, Griekenland, Italië, Luxemburg, Polen, Portugal, Slovenië, Spanje, Zweden).
• Datakoppeling: De hoofdenquête (respondentdata) is gekoppeld aan de Interviewer Survey (IWS) en de Interviewer Roster (IWR). De IWS bevat informatie over de houding en verwachtingen van de interviewer, terwijl de IWR aanvullende demografische data bevat.
• Variabelen: Er wordt geanalyseerd op vier financiële items met hoge nonrespons:
  1. Totaal huishoudelijk inkomen.
  2. Ouderdoms-, vroege pensioen- en nabestaandenuitkeringen.
  3. Geld op bankrekeningen.
  4. Waarde van de hoofdverblijfplaats.

3. Methodologie

De auteur vergelijkt drie benaderingen om om te gaan met ontbrekende covariaten (vooral in de interviewer-data), wat een veelvoorkomend probleem is in dit type onderzoek:

1. Complete-Case Analysis (CCA):

   • Alle observaties met ontbrekende waarden worden verwijderd.
   • Nadeel: Verlies van bijna de helft van de data (van 41.934 naar 22.609 observaties), wat de precisie verlaagt.

2. Fill-In (FI) via Meervoudige Imputatie (Multiple Imputation - MI):

   • Ontbrekende waarden worden vervangen door geschatte waarden.
   • Er wordt gebruikgemaakt van Fully Conditional Specification (FCS) met twee sequentiële Gibbs-samplers (één voor respondentvariabelen, één voor interviewervariabelen).
   • Er worden 100 imputaties gebruikt om de onzekerheid te minimaliseren.
   • Nadeel: De gepoolde standaardfouten kunnen groter zijn door de variatie tussen de imputaties.

3. Generalized Missing-Indicator (GMI) met Model Averaging (MA):

   • Een geavanceerde aanpak die de modelruimte uitbreidt door zowel de volledige modellen als submodellen te overwegen waarbij bepaalde parameters tot nul worden beperkt.
   • Model Averaging: De schattingen worden gewogen op basis van de waarschijnlijkheid van het model, berekend via Bayesian Model Averaging (BMA) met gewichten gebaseerd op informatiecriteria (AIC en BIC).
   • Dit methode probeert de onzekerheid rondom imputatie en modelselectie expliciet te modelleren.

Het belang van de onafhankelijke variabele:
De belangrijkste verklarende variabele is een binaire indicator voor de verwachte responsrate van de interviewer (hoog vs. laag), gebaseerd op de vraag: "Hoeveel procent van uw respondenten verwacht u dat inkomensinformatie zal verstrekken?"

4. Belangrijkste Resultaten

• Positief Effect van Optimisme: Respondenten die worden geïnterviewd door interviewers met een hoge verwachte responsrate (meer dan 50% van de respondenten), geven significant vaker financiële informatie.
• Grootte van het Effect: In sommige landen leidt een optimistische interviewer tot een reductie in item-nonrespons van:
  • Tot 14% voor inkomensvragen.
  • Tot 26% voor vermogensvragen.
  • Dit is substantieel gezien de gemiddelde responsrates (80% voor inkomen, 64% voor vermogen).
• Methodologische Vergelijking:
  • De resultaten zijn robuust over de verschillende methoden (CCA, MI, GMA).
  • Geen winst door complexiteit: Het gebruik van modelaveraging (GMA) leverde geen duidelijke verbeteringen op ten opzichte van de eenvoudigere methoden (CCA of MI). De BMA-schattingen met BIC- en AIC-gewichten bleken zeer dicht bij de extreme gevallen (respectievelijk CCA en FI_MI) te liggen.
  • De standaardfouten bij MI waren vaak groter dan bij CCA vanwege de variatie tussen imputaties.

5. Bijdragen en Significantie

• Empirisch Bewijs: De studie levert sterk bewijs dat de verwachtingen van interviewers een belangrijke predictor zijn voor item-nonrespons op gevoelige financiële vragen. Dit bevestigt eerdere theorieën dat interviewers niet neutrale verzamelaars zijn, maar actieve deelnemers die de datakwaliteit beïnvloeden.
• Implicaties voor Veldwerk:
  • Selectie en Training: De resultaten suggereren dat het selecteren van interviewers met een optimistische houding en het geven van gerichte training om deze houding te versterken, de nonrespons op financiële vragen aanzienlijk kan verlagen.
  • Datacorrectie: Interviewerkenmerken kunnen worden gebruikt in ex-post correctiemethoden (zoals weging en imputatie) om steekproeffouten te verminderen.
• Methodologische Inzicht: Hoewel geavanceerde methoden zoals modelaveraging theoretisch aantrekkelijk zijn voor het omgaan met ontbrekende data, tonen de resultaten aan dat in deze specifieke context de meer complexe modellen geen extra voorspellende kracht bieden ten opzichte van standaardbenaderingen.

Conclusie

De paper concludeert dat de psychologische factor van de interviewer (hun verwachtingen) een cruciale rol speelt in de kwaliteit van surveydata over inkomens en vermogen. Het optimaliseren van de interviewer-selectie en -training is een effectieve strategie om de datakwaliteit in enquêtes onder ouderen te verbeteren.