Begrippenlijst Field (5e ed.)
Hoofdstuk 3: NHST & effect sizes
Null hypothesis significance testing Test H0 tegen Ha om te zien of Ha mogelijk waar is. Hierbij
wordt p als index gebruikt van het gewicht van het bewijs
tegen H0. Probleem met NHST is dat je teveel waarde hecht
aan het verwerpen van H0 bij p<.05, en je dus niet naar
onderliggende betekenissen of patronen kijkt.
Researcher degrees of freedom Resultaten op de best mogelijke manier laten zien, zoals
het selectief rapporteren van p<.05 (p-hacking) of hypotheses
opstellen nadat de resultaten al bekend zijn (p-harking)
→ slecht voor je Type I error, is niet gecontroleerd op .05
Statistische significantie De mogelijkheid (probability) op het krijgen van een test-
statistiek minstens zo groot als de geobserveerde test
statistiek, relatief tot alle ‘mogelijke’ test-statistieken van
oneindig veel replicaties
(is NIET de mogelijke kans dat H0 klopt)
Effect size Objectieve en (vaak) gestandaardiseerde meting van de
‘magnitude’ (grootte) van het geobserveerde effect
Gestandaardiseerd Staat het toe om (effectgroottes) te vergelijken in
(door te delen door df) verschillende studies die met verschillende variablelen of
meetschalen werkten.
→ Cohen’s d is betrouwbaarder dan Pearson’s r
Pearson’s correlation coefficient r Meet de sterkte van de relatie tussen 2 variabelen
→ Is niet lineair! (dus 0.6 is niet 2x zo groot als 0.3)
Odds ratio Een vaakgebruikte effect size wanneer een uitkomst een
nummer is dat staat voor het aantal participanten die een
optie op de categorische variabele kiezen
→ pevent/pno event = pevent/total / pno event/total
→ uitkomst van 1 geeft aan dat de ‘kans’ (odds) van de ene
uitkomstvariabele hetzelfde is als die van een andere uitkomst
Hoofdstuk 6: Bias (outliers & assumptions)
Bias Beïnvloedt de parameters, effect sizes, standard error (SE),
confidence intervals (CI’s), test-statistieken en p-waarden. In
de vorm van outliers en schending van assumpties.
Outlier Een score die heel andesr is dan de rest van de data, waardoor
deze score de lijn van het model beïnvloedt en daarmee ook
de sample mean en SE
Schending van assumpties Houdt in dat je er niet zeker van kunt zijn dat wat je doet echt
werkt; beïnvloedt t en p heel erg
, Assumptie van lineairiteit en De scores op de uitkomstvariabele zijn lineair gerelateerd aan
additiviteit elke predictor, en bij meerdere predictoren is hun
gecombineerde effect het best beschreven door de effecten
op te tellen
Assumptie van normaliteit Residuen moeten normaal verdeeld zijn en bij N≥30 zijn CI’s
rondom een parameter en de ‘sampling’ verdeling normaal
Assumptie van homoscedasticiteit/ Variantie van de uitkomstvariabele is gelijk voor verschillende
homogeneïteit van variantie waardes van de predictor
→ mooi wolkje in zpred*zresid graph, Durbin-Watson 1-3
Assumptie van onafhankelijkheid Errors in het model zijn niet aan elkaar gerelateerd
→ dit moet je beargumenteren, kan niet met SPSS/output
Data trimmen Manier om bias te verminderen, door een bepaald aantal
scores van de extremen af te halen
Winsorizen Manier om bias te verminderen, waarbij je de outliers
vervangt door de hoogste waarde die geen outlier is
Data transformeren Problemen met bias/scores corrigeren m.b.v. een wiskundige
formule
Hoofdstuk 8: Correlaties
Covariatie Wanneer 1 variabele van het gemiddelde af gaat, verwacht je
dat de andere variabele dat ook doet, op een vergelijkbare/
tegenovergestelde manier
Correlatie Wanneer variabelen aan elkaar gerelateerd zijn, i.t.t. bij
regressie op een niet-causale manier
Partial correlatie Test de associatie tussen 2 variabelen na het controleren voor
het effect van de covariaat (dus de verklaarde variantie van de
covariaat C haal je weg uit de verklaarde variantie in B(Y)
veroorzaakt door A(P) → halve maan-vorm
Semi-partial (part) correlatie i.t.t. bij partial, beïnvloedt de covariaat C maar één van de
twee andere geteste variabelen (dus de verklaarde variantie in
B veroorzaakt door A, zonder dat C hierbij in de weg komt)
→ het hele rondje
Discrete dichotomie Optie A of B mogelijk (hierbij punt-biseriële correlatie, rpb)
Continue dichotomie Opties op niveau (hierbij biseriële correlatie, rb)
Hoofdstuk 3: NHST & effect sizes
Null hypothesis significance testing Test H0 tegen Ha om te zien of Ha mogelijk waar is. Hierbij
wordt p als index gebruikt van het gewicht van het bewijs
tegen H0. Probleem met NHST is dat je teveel waarde hecht
aan het verwerpen van H0 bij p<.05, en je dus niet naar
onderliggende betekenissen of patronen kijkt.
Researcher degrees of freedom Resultaten op de best mogelijke manier laten zien, zoals
het selectief rapporteren van p<.05 (p-hacking) of hypotheses
opstellen nadat de resultaten al bekend zijn (p-harking)
→ slecht voor je Type I error, is niet gecontroleerd op .05
Statistische significantie De mogelijkheid (probability) op het krijgen van een test-
statistiek minstens zo groot als de geobserveerde test
statistiek, relatief tot alle ‘mogelijke’ test-statistieken van
oneindig veel replicaties
(is NIET de mogelijke kans dat H0 klopt)
Effect size Objectieve en (vaak) gestandaardiseerde meting van de
‘magnitude’ (grootte) van het geobserveerde effect
Gestandaardiseerd Staat het toe om (effectgroottes) te vergelijken in
(door te delen door df) verschillende studies die met verschillende variablelen of
meetschalen werkten.
→ Cohen’s d is betrouwbaarder dan Pearson’s r
Pearson’s correlation coefficient r Meet de sterkte van de relatie tussen 2 variabelen
→ Is niet lineair! (dus 0.6 is niet 2x zo groot als 0.3)
Odds ratio Een vaakgebruikte effect size wanneer een uitkomst een
nummer is dat staat voor het aantal participanten die een
optie op de categorische variabele kiezen
→ pevent/pno event = pevent/total / pno event/total
→ uitkomst van 1 geeft aan dat de ‘kans’ (odds) van de ene
uitkomstvariabele hetzelfde is als die van een andere uitkomst
Hoofdstuk 6: Bias (outliers & assumptions)
Bias Beïnvloedt de parameters, effect sizes, standard error (SE),
confidence intervals (CI’s), test-statistieken en p-waarden. In
de vorm van outliers en schending van assumpties.
Outlier Een score die heel andesr is dan de rest van de data, waardoor
deze score de lijn van het model beïnvloedt en daarmee ook
de sample mean en SE
Schending van assumpties Houdt in dat je er niet zeker van kunt zijn dat wat je doet echt
werkt; beïnvloedt t en p heel erg
, Assumptie van lineairiteit en De scores op de uitkomstvariabele zijn lineair gerelateerd aan
additiviteit elke predictor, en bij meerdere predictoren is hun
gecombineerde effect het best beschreven door de effecten
op te tellen
Assumptie van normaliteit Residuen moeten normaal verdeeld zijn en bij N≥30 zijn CI’s
rondom een parameter en de ‘sampling’ verdeling normaal
Assumptie van homoscedasticiteit/ Variantie van de uitkomstvariabele is gelijk voor verschillende
homogeneïteit van variantie waardes van de predictor
→ mooi wolkje in zpred*zresid graph, Durbin-Watson 1-3
Assumptie van onafhankelijkheid Errors in het model zijn niet aan elkaar gerelateerd
→ dit moet je beargumenteren, kan niet met SPSS/output
Data trimmen Manier om bias te verminderen, door een bepaald aantal
scores van de extremen af te halen
Winsorizen Manier om bias te verminderen, waarbij je de outliers
vervangt door de hoogste waarde die geen outlier is
Data transformeren Problemen met bias/scores corrigeren m.b.v. een wiskundige
formule
Hoofdstuk 8: Correlaties
Covariatie Wanneer 1 variabele van het gemiddelde af gaat, verwacht je
dat de andere variabele dat ook doet, op een vergelijkbare/
tegenovergestelde manier
Correlatie Wanneer variabelen aan elkaar gerelateerd zijn, i.t.t. bij
regressie op een niet-causale manier
Partial correlatie Test de associatie tussen 2 variabelen na het controleren voor
het effect van de covariaat (dus de verklaarde variantie van de
covariaat C haal je weg uit de verklaarde variantie in B(Y)
veroorzaakt door A(P) → halve maan-vorm
Semi-partial (part) correlatie i.t.t. bij partial, beïnvloedt de covariaat C maar één van de
twee andere geteste variabelen (dus de verklaarde variantie in
B veroorzaakt door A, zonder dat C hierbij in de weg komt)
→ het hele rondje
Discrete dichotomie Optie A of B mogelijk (hierbij punt-biseriële correlatie, rpb)
Continue dichotomie Opties op niveau (hierbij biseriële correlatie, rb)
