Hoe stel je een onderzoeksvraag met hypothesen en variabelen op voor een HRM-scriptie? (2026)

Je hebt hypothesen nodig voor een HRM-scriptie zodra je onderzoek toetsend en kwantitatief van aard is — je hebt vooraf een verwachting die uit theorie of eerder onderzoek volgt, en je verzamelt data die deze verwachting kunnen weerleggen. Onderzoek je bijvoorbeeld of ervaren autonomie samenhangt met verloopintentie onder medewerkers, dan toets je een hypothese; onderzoek je hoe medewerkers een reorganisatie beleven, dan volstaan deelvragen.

Dit artikel loopt de typische HRM-variabelen langs, werkt drie soorten hypothesen uit (direct, mediatie, moderatie) en laat zien hoe je die variabelen vervolgens meetbaar maakt en welke fouten bij dit type onderzoek het vaakst terugkomen.

Welke variabelen typeren HRM-onderzoek?

HRM-scripties draaien vaak om een vaste kern van organisatievariabelen, meestal gemeten op individueel niveau (de medewerker) maar soms ook op team- of organisatieniveau. De meest voorkomende:

Een sterke HRM-hypothese combineert meestal één variabele uit de eerste rij (de uitkomst waar de organisatie iets aan wil doen) met één variabele uit de tweede of derde rij (iets waar de organisatie daadwerkelijk aan kan draaien). Een hypothese die twee individuele kenmerken aan elkaar koppelt (bijvoorbeeld leeftijd en anciënniteit) levert zelden een interessante scriptie op, omdat de organisatie daar weinig mee kan sturen.

Uitgeschreven hypothesen voor HRM

H1: Medewerkers die hun onboarding als grondig ervaren, rapporteren een hogere organisatiebetrokkenheid na zes maanden dan medewerkers die hun onboarding als oppervlakkig ervaren.

Dit is een directe hypothese: één onafhankelijke variabele (ervaren onboarding), één afhankelijke variabele (betrokkenheid), een vergelijking en een richting.

H2: Het verband tussen ervaren werkdruk en verloopintentie is sterker bij medewerkers met een kort dienstverband (<2 jaar) dan bij medewerkers met een lang dienstverband.

Dit is een moderatiehypothese: anciënniteit verandert niet het verloopcijfer zelf, maar de sterkte van het verband tussen werkdruk en verloopintentie. Herkenbaar aan “sterker” of “zwakker” in plaats van “hoger” of “lager”.

H3: Het verband tussen ervaren autonomie en werktevredenheid wordt gedeeltelijk verklaard door ervaren zelfeffectiviteit.

Dit is een mediatiehypothese: zelfeffectiviteit zit tussen autonomie en tevredenheid in en verklaart een deel van het verband. Dit type hypothese vraagt een specifieke analysetechniek (bijvoorbeeld met bootstrapping), niet een gewone correlatie — zet dat vast in je methodehoofdstuk vóór je aan de resultaten begint.

Illustratief voorbeeld: een gecombineerd mediatie-moderatiemodel

Om te laten zien hoe de losse hypothesen hierboven in één samenhangend onderzoeksmodel samenkomen, hieronder een fictief voorbeeld dat geen bestaand onderzoek beschrijft.

Stel: een student onderzoekt bij een fictieve organisatie of ervaren rolduidelijkheid samenhangt met verloopintentie, via ervaren stress als mediator, en of dat verband sterker is voor medewerkers met een tijdelijk contract dan voor medewerkers met een vast contract. Het conceptueel model bevat dan vier boxen (rolduidelijkheid, stress, verloopintentie, contracttype) en drie pijlen: rolduidelijkheid naar stress, stress naar verloopintentie, en contracttype als moderator op de eerste pijl.

De bijbehorende hypothesen worden dan als volgt uitgeschreven:

H4a: Ervaren rolduidelijkheid hangt negatief samen met ervaren stress.

H4b: Ervaren stress hangt positief samen met verloopintentie.

H4c: Het verband tussen rolduidelijkheid en stress is sterker voor medewerkers met een tijdelijk contract dan voor medewerkers met een vast contract.

Dit fictieve voorbeeld illustreert een gemodereerde mediatie: de mediatiepaden (H4a en H4b) worden getoetst als een keten, terwijl de moderator (contracttype) specifiek op één van de twee paden inwerkt, niet op het hele model. In het resultatenhoofdstuk rapporteer je daarom niet één toetsuitkomst, maar drie: het pad rolduidelijkheid-stress per contractgroep apart, het pad stress-verloopintentie, en het geconditioneerde indirecte effect als geheel.

Dit soort modellen wordt in een bachelorscriptie zelden volledig uitgewerkt vanwege de steekproefeisen die eraan vastzitten; het voorbeeld dient vooral om te laten zien hoe de bouwstenen (directe hypothese, mediatiehypothese, moderatiehypothese) zich tot elkaar verhouden als ze in hetzelfde model voorkomen. Vul de daadwerkelijke variabelen en contractvormen in op basis van je eigen organisatie en onderzoeksvraag, niet op basis van dit voorbeeld.

Van hypothese naar variabelen: het conceptueel model

Voordat je de hypothesen formuleert, is het gebruikelijk om eerst een conceptueel model te tekenen: boxen voor elke variabele, pijlen voor de verwachte verbanden. Voor het voorbeeld hierboven ziet dat er zo uit: werkdruk (onafhankelijk) → verloopintentie (afhankelijk), met anciënniteit als moderator op die pijl, en voor H3: autonomie → zelfeffectiviteit → werktevredenheid. Elke pijl in het model wordt vervolgens één hypothese in de tekst. Een model met pijlen die niet als hypothese terugkomen in de tekst — of andersom — is een van de eerste dingen die een tweede lezer opmerkt.

Teken het model bij voorkeur al tijdens het schrijven van je theoretisch kader, niet pas erna. Elke keer dat je een nieuwe variabele in de tekst introduceert, controleer je of hij al in het model staat; ontbreekt hij, dan mist er waarschijnlijk ook een hypothese.

Hoe operationaliseer je deze variabelen?

Elke variabele in je hypothesen moet vervolgens meetbaar gemaakt worden: welke vragenlijst of welk registratiegegeven meet “ervaren autonomie” precies? De generieke vierstappenmethode — van begrip naar dimensie, indicator en meetbaar item — staat uitgewerkt in de gids over operationaliseren van begrip naar meetbare variabele. Voor organisatiegebonden HRM-onderzoek, waarbij je vaak met bestaande personeelsdata werkt naast een eigen vragenlijst, is de aanpak in de gids over een HRM-casestudy bij een organisatie een bruikbaar naastliggend voorbeeld, al gaat dat artikel specifiek over de casestudy-opzet en niet over hypothesevorming.

Wanneer gebruik je bestaande personeelsdata in plaats van een eigen vragenlijst?

Sommige HRM-variabelen zijn al beschikbaar in de personeelsadministratie van een organisatie — verzuimcijfers, verloopdata, anciënniteit — en hoeven dus niet met een vragenlijst opnieuw gemeten te worden. Andere variabelen, zoals ervaren autonomie of zelfeffectiviteit, bestaan alleen als subjectieve beleving en vragen altijd om een vragenlijst. Een sterke HRM-scriptie combineert vaak beide bronnen: objectieve registratiedata voor de uitkomstvariabele, en een korte vragenlijst voor de beleefde werkkenmerken. Wees in je methodehoofdstuk expliciet over welke variabele uit welke bron komt, want dat bepaalt ook welke betrouwbaarheidscontrole (bijvoorbeeld Cronbachs alfa voor vragenlijstitems) van toepassing is.

Steekproefgrootte bij mediatie- en moderatieanalyses

Een veelgemaakte planningsfout is dezelfde steekproefomvang aanhouden voor een simpele directe hypothese als voor een mediatie- of moderatieanalyse. Mediatie- en moderatieanalyses hebben doorgaans een grotere steekproef nodig om een vergelijkbare statistische power te bereiken, omdat je in feite een interactie-effect of een indirect effect test, en die effecten zijn in de praktijk vaak kleiner dan een direct effect. Reken dit vooraf door met een poweranalyse specifiek voor het type toets dat je van plan bent te gebruiken, niet met een algemene vuistregel voor “genoeg respondenten”. Hoe je die a-priori-poweranalyse precies uitvoert en welke parameters je daarvoor nodig hebt, staat uitgewerkt in de gids over steekproefomvang en poweranalyse berekenen.

Hoe schrijf je de uitkomst in je resultatenhoofdstuk?

Net als bij elke andere toetsende scriptie hoort er per hypothese één neutrale zin in je resultatenhoofdstuk, zonder interpretatie: “H1 wordt ondersteund: medewerkers met een grondige onboarding-ervaring rapporteerden een significant hogere betrokkenheid.” Bij een moderatiehypothese voeg je de interactieterm en de bijbehorende toetsuitkomst toe; bij een mediatiehypothese het indirecte effect met het betrouwbaarheidsinterval. De interpretatie van wat dat voor de organisatie betekent — bijvoorbeeld een concreet advies over de onboardingprocedure — hoort in de discussie, niet in de resultaten zelf.

HRM-hypothesen in een bachelor- versus een masterscriptie

Op hbo/bachelorniveau volstaat vaak een directe hypothese met één of twee variabelen, uitgevoerd bij één organisatie. Op wo/masterniveau wordt vaker een mediatie- of moderatiemodel verwacht, met een explicietere theoretische onderbouwing van waarom precies die mediator of moderator relevant is, en soms een vergelijking tussen meerdere organisaties of sectoren om de bevindingen breder te kunnen plaatsen. Controleer welk niveau van complexiteit jouw opleiding verwacht, want een te simpel model op masterniveau en een te ambitieus model op bachelorniveau zijn allebei veelvoorkomende kritiekpunten van examinatoren.

Veelgemaakte fouten bij HRM-hypothesen

• Een hypothese over beleid in plaats van gedrag of beleving. “Het beoordelingssysteem is effectief” is geen toetsbare hypothese; “medewerkers die het beoordelingssysteem als eerlijk ervaren, rapporteren hogere werktevredenheid” wel.
• Causale taal bij cross-sectionele data. Meet je autonomie en tevredenheid op hetzelfde moment, dan toon je een samenhang, geen oorzaak-gevolg — schrijf “hangt samen met”, niet “leidt tot”.
• Variabelen op het verkeerde niveau mengen. Een teamkenmerk (zoals gemiddelde werkdruk per team) los toetsen tegen een individueel uitkomstmaat vraagt om multilevel-analyse, niet om een gewone regressie.
• Sociaal wenselijke antwoorden negeren. Vragen over verloopintentie of ervaren rechtvaardigheid van een beoordelingssysteem zijn gevoelig; benoem dit expliciet als mogelijke beperking.
• Objectieve en subjectieve data door elkaar behandelen. Verzuimcijfers uit de administratie en ervaren werkdruk uit een vragenlijst zijn methodologisch verschillende soorten data; behandel de betrouwbaarheid van elk apart.
• Dezelfde steekproefomvang voor elke hypothese aanhouden. Mediatie- en moderatieanalyses vragen doorgaans meer respondenten dan een directe hypothese; reken dit apart door.

Veelgestelde vragen

Heb ik altijd hypothesen nodig voor een HRM-scriptie?

Nee, alleen bij toetsend kwantitatief onderzoek. Een kwalitatieve HRM-scriptie (bijvoorbeeld interviews over hoe medewerkers een reorganisatie beleven) werkt met deelvragen, niet met hypothesen.

Hoeveel hypothesen zijn gebruikelijk in een HRM-scriptie?

Meestal twee tot vijf, afhankelijk van het aantal variabelen in je conceptueel model. Elke hypothese vraagt een eigen analyse en een eigen paragraaf in je resultatenhoofdstuk.

Mag ik bestaande personeelsdata van een organisatie gebruiken voor mijn hypothesen?

Ja, mits de organisatie toestemming geeft en de gegevens geanonimiseerd worden verwerkt. Bespreek vooraf met de organisatie welke variabelen beschikbaar zijn, zodat je hypothesen aansluiten op wat daadwerkelijk meetbaar is.

Wat is het verschil tussen een mediator en een moderator in HRM-onderzoek?

Een mediator (zoals zelfeffectiviteit) verklaart hoe een verband loopt; een moderator (zoals anciënniteit) bepaalt voor wie of wanneer een verband sterker of zwakker is. Beide vragen een andere statistische analyse, dus leg dat onderscheid vast vóór je gaat toetsen.

Kan ik een HRM-hypothese op teamniveau formuleren in plaats van individueel niveau?

Ja, maar dat vraagt om voldoende teams in je steekproef en vaak om multilevel-analyse in plaats van een gewone regressie. Bespreek deze keuze vroeg met je begeleider, want ze heeft gevolgen voor je steekproefomvang.

Wat doe ik als mijn hypothese niet wordt ondersteund?

Rapporteer dat net zo neutraal als een wel-ondersteunde hypothese, en zoek in de discussie naar verklaringen: een te kleine steekproef, een organisatiecontext die van de theorie afwijkt, of een meting die niet fijnmazig genoeg was.

Moet ik de nulhypothese expliciet uitschrijven?

Statistisch toets je hem altijd, ook als je hem niet letterlijk opschrijft. Of je dat wel of niet doet, verschilt per opleiding; controleer dit in je scriptiehandleiding.

Moet ik voor elke pijl in mijn conceptueel model een hypothese opschrijven, ook voor een controlevariabele?

Nee. Controlevariabelen (zoals leeftijd of geslacht) neem je meestal op in de analyse zonder dat je er een eigen hypothese over formuleert; je verwacht er geen specifiek effect van, maar sluit uit dat ze het hoofdverband vertekenen. Beschrijf in je methodehoofdstuk waarom je een variabele als controlevariabele opneemt in plaats van als hypothese, en niet als los eindje dat pas in de resultaten opduikt.