Module 1: Sportpsychologische testen
HC1: Inleiding
Verschillende meetschalen
Categoriale schalen:
Nominaal: classificaties
● de data kunnen alleen worden gecategoriseerd, ZONDER duidelijke rangorde (volgorde)
● Elk datapunt kan tot één categorie behoren
● VB: Geboorteplaats, Gender, Etniciteit, Automerken, Geloofsovertuiging
Ordinaal: rangorde
● de data kunnen worden gecategoriseerd MET duidelijke rangorde (volgorde) maar ZONDER gelijke
intervallen
● De intervallen zijn niet te bepalen of niet betekenisvol. VB: bijvoorbeeld een top vijf van Olympische
medaillewinnaars opstellen, maar dat zegt niet dat tussen iedere winnaar evenveel verschil zit in termen
van gewonnen wedstrijden.
● VB: top 10 bestsellers, ranglijst, goed-matig-slecht, 5 puntsschaal ontevreden-tevreden
○ onduidelijk wat er precies zit tussen nr. 1 en nr. 2 en nr. 3 en wat er tussen goed-matig-slecht
etc.
Continue schalen (in SPSS: scale):
Interval: gelijke eenheden
● Je kunt de data categoriseren en rangschikken (rangorde), en er zijn gelijke intervallen tussen de
categorieën. Maar geen absoluut nulpunt.
● Gelijk interval: verschil tussen twee opeenvolgende temperaturen is hetzelfde: 1 graad.
● Geen absoluut nulpunt: nul graden betekent meestal niet dat er geen temperatuur is. Als iemand een 0
haalt op een toets betekent dat niet dat diegene helemaal niet over de gemeten vaardigheid beschikt.
● VB: toetsscores, iq, jaartelling
Ratio met absoluut nulpunt (lengte, leeftijd, gewicht, snelheid, tijd) (hiermee kan je wel zeggen is 2x zo snel)
● Je kunt je data categoriseren en rangschikken, en er is sprake van gelijke intervallen tussen
opeenvolgende datapunten. Ook is er een betekenisvol of absoluut nulpunt. Een betekenisvol nulpunt
betekent dat de bestudeerde variabele bij 0 helemaal afwezig is. Bij ratioschalen staat 0 dus gelijk aan
die absolute afwezigheid van de eigenschap.
● Absoluut nulpunt: bij temperatuur in Kelvin betekent 0 dus daadwerkelijk dat er geen thermische energie
aanwezig is.
Bij een intervalschaal kun je verschillen wel vergelijken maar kun je niks zeggen over verhoudingen. Dus als het
20 graden is en het wordt 40 graden kun je niet zeggen dat het twee keer zo warm is, omdat 0 graden geen
absoluut nulpunt is (het betekent niet “geen temperatuur”). Verhoudingen kun je wel gebruiken bij de ratio schaal,
dan kan je dus wel zeggen ‘twee keer zo veel’. Bijvoorbeeld bij snelheid, omdat bij 0 km/h er echt geen
beweging/snelheid is. Dus bij een intervalschaal kun je niet zeggen dat iets "2x zoveel" is, omdat het nulpunt
arbitrair is. Bij een ratioschaal kan dat wel, omdat een waarde van 0 écht betekent dat er niets is.
Hoe lager het meetniveau, hoe minder complex en nauwkeurig de analyse is.
Als agressiviteit wordt aangegeven met een cijfer van 1 (= niet agressief) tot 10 (= zeer agressief) dan is dat een
meting op een ordinale schaal, want intervallen zijn niet gelijk.
Dit plaatje laat zien wanneer je wat mag berekenen per schaal
● Nominale schaal kan je alleen de modus gebruiken
● Ordinale schaal dan mogen heel veel deelbewerkingen niet
(gemiddelde, variantie, std)
● De (-) geven aan dat er twijfel is over het nut ervan
,De voetballers gaven te kennen dat de vragenlijst die bedoeld was om impulsiviteit te meten, heel goed was
Dit zegt niks over validiteit, betrouwbaarheid en objectiviteit van de schaal. Voetballers weten niet of het een
(wetenschappelijk) goede vragenlijst is.
6 kenmerken van een goede test
● betrouwbaarheid
● validiteit
● objectiviteit
● efficiëntie
● standaardisatie
● normering
Een gemiddelde score voor voetballers van 3,7 (op een schaal van 1 – 10, 1 = laag, 10 = hoog) betekent niet dat
de score vrij laag is. Er kan niets over gezegd worden want je weet niet wat normaal is, misschien scoort iedereen
wel zo (of misschien scoren de niet-voetballers wel even hoog).
Percentielscores vormen een ordinale schaal. Het is daarom niet mogelijk het gemiddelde en de
standaardafwijking van percentielscores te berekenen (zie afbeelding hierboven) (deelbewerkingen strikt niet
mogelijk)
Gestandaardiseerde scores worden verkregen door een lineaire transformatie uit te voeren op de ruwe scores
(wordt verderop nog op ingegaan)
Bij het werken met vragenlijsten is het nuttig om kennis te hebben van: percentielscores en standaardscores.
Omschrijving van een test/vragenlijst: een systematische procedure om het gedrag van twee of meer personen
te meten en vergelijken.
Voor het interpreteren/vergelijken met anderen van ruwe data, dus om een uitspraak te kunnen doen over een
bepaalde score (bijv ZBV-score = 47) heb je normen nodig. Wat ruwe data betekent is dus afhankelijk van de
normen.
Normen
= een referentiekader voor de evaluatie van de ruwe scores, gebaseerd op de kenmerken van de verdeling van de
ruwe scores in een populatie.
● normen zijn niet absoluut (vb. normen voor lichaamslengte is in de loop van de tijd gestegen)
● vergelijk met de ‘goede’ groep
○ VB: Als je een intelligentietest aflegt, wordt jouw ruwe score pas betekenisvol door te
vergelijken met de verdeling van scores in een normgroep
Maar de vraag blijft: Hoe kun je dan vergelijken? –> rangschikken = Gegevens in oplopende of afnemende
volgorde plaatsen.
● Voordeel: snelle aanduiding van iemands prestatie
● Nadeel: gebonden aan groep en groepsgrootte:
○ VB groep: Als jij een 7 haalt als iedereen een 6 haalt, sta je bovenaan. Maar als iedereen een 8
haalt en jij een 7, sta je onderaan. Je rang zegt niets absoluut over jouw prestatie, maar wel hoe
je scoort ten opzichte van de anderen in die groep.
○ VB groepsgrootte: rang 1 bij een groep van 10 heeft een andere (mindere) betekenis dan bij een
groep van 1000.
○ Kortom rangschikken moet je altijd in de context van groep en groepsgrootte bekijken.
➔ Vanwege dit nadeel maak je vaak niet gebruik van ‘rangschikken’ maar van ‘percentielen’
Je gaat dus vergelijken met percentielen: want dan heb je geen last van groepsgrootte
● Percentielen zijn die 99 punten/waarden die een frequentieverdeling/dataset verdelen in 100
oppervlaktes van gelijke grootte
, ● Bepaald percentiel (bijv. 27e, 75e) is dat punt op de schaal waaronder evenveel procent (27, 75) van de
verdeling ligt (bij interpretatie toegelicht hoe dat precies werkt). Het percentiel geeft aan hoe goed
iemand scoort in vergelijking met de hele groep. Het is het percentage van de groep die jouw score heeft
of lager.
Percentielen: interpretatie score
Ruwe totaalscore van 47 met een percentielscore van 32 (= percentielrang van de score)
Betekent:
➢ 31% van de referentiegroep heeft een score van 47 of lager, 68% heeft een score hoger dan 47
Conclusie: op basis van deze normgroep is een ZBV-SCORE van 47 wat lager dan gemiddeld
want de percentielscore zit onder de mediaan (onder de 50 dus)
(inzicht dat je aan hand hiervan wel een oordeel kan doen over of een score laag/hoog is, in vergelijking wat
op pagina 1 bij een voorbeeld staat)
Percentielen: opmerkingen
Sommige percentielen hebben een eigen naam
P25 - percentielscore 25 =1e kwartiel - Je zit bij de beste 75% van de groep.
P50 - percentielscore 50 = 2e kwartiel = mediaan - De helft van de groep scoort beter en de helft slechter: je zit
precies in het midden
P75 - percentielscore 75 = 3e kwartiel - Je zit bij de beste 25% van de groep.
● Decielen: punten/waarden die de dataset in 10 gelijke delen verdelen. Deze heb je nodig voor het
interpreteren. Elke 10% van de data komt in een aparte deciel.
○ Het 1e deciel (D1): de waarde waaronder 10% van de scores ligt
○ Het 2e deciel (D2): de waarde waaronder 20% van de scores ligt
■ Iemand zit in het 5e deciel → dan is dat hetzelfde als de mediaan (50% scoort beter
en 50% slechter).
■ Iemand zit in het 9e deciel → hij scoort beter dan 90% van de groep, zit dus bij de
beste 10%
Inzicht: deze notatie van decielen is makkelijker dan puur een ruwe score van 72/100.
Verschil met percentielen: deze delen dataset op in 100 gelijke delen. Elke percentielstap is 1% van de
groep, terwijl elke decielstap 10% is.
Percentielen berekenen
● Met N = aantal deelnemers/aantal scores
● De formule zegt: ‘Percentielscore P voor ruwe score’
Percentielen: voordelen
1. Geen kennis van groepsgrootte nodig (bij rangschikken is dit wel nodig)
Je weet gewoon dat je in een bepaald percentage scoort van de groep, maakt niet uit hoe groot de groep is.
2. Met percentielscores zijn de uitkomsten van tests met elkaar te vergelijken –> hierdoor snel inzicht
Daarom veel gebruikt bij consultatiebureaus
Percentielen: nadelen
1. Het komt vaak voor dat relatief veel respondenten dezelfde ruwe score hebben –> differentiëren tussen
deze respondenten is dan onmogelijk omdat ze dan binnen hetzelfde percentiel vallen.
, Met percentielen is het dan niet mogelijk om echt onderscheid te maken tussen alle individuen.
2. Percentielen hebben een ordinaal karakter
○ –> deelbewerkingen mogen strikt genomen niet (zie afbeelding bovenaan, dus ook niet
percentielen van elkaar aftrekken)
○ maar… fouten die je maakt met deelbewerkingen zijn waarschijnlijk kleiner dan de
waarnemingsfouten zelf.
Demonstratie ordinale karakter percentielscores:
Ordinaal want percentielen zeggen alleen iets over volgorde (“hoger” of “lager” dan de rest). Ze zeggen niet
hoeveel beter of slechter iemand is (dus geen interval). Het kan bijvoorbeeld best zijn dat tussen het ene en het
andere percentiel veel meer ruwe scores zitten dan bij de andere. Onderstaand plaatje laat dat ook zien: tussen
het 50e en 60e percentiel zitten minder ruwe scores dan tussen het 88e en 98e percentiel. Opzich logisch want er
zullen meer mensen ongeveer in het gemiddelde score (bij percentiel 50) dan aan de uiteindes (veel meer
mensen halen een 6 voor een tentamen dan een 10). De bandbreedte voor het 80/90e percentiel is dus veel
groter dan voor het 50/60e.
Kortom het verschil tussen percentiel 40 en 50 is niet per se even groot als dat tussen percentiel 70 en
80 en daarom spreek je NIET van een intervalschaal.
Deze afbeelding laat zien dat de intervallen niet gelijk zijn.
3. Percentielscore-eenheden ≠ ruwe score-eenheden
● Een ruwe score die iets groter is dan de andere kan opeens in een heel ander percentiel terechtkomen.
Onderstaand plaatje laat bijvoorbeeld zien dat een ruwe score van 0 t/m 2 in hetzelfde percentiel komt
terwijl bij 5 t/m 7 allemaal in een ander percentiel terechtkomen. Dit komt overeen met wat hierboven
wordt gezegd dat er bij hele lage en hoge percentielscores (de staarten) meer ruwe scores horen omdat
minder respondenten die scores halen.
Voorbeeld tentamen: Veel mensen halen rond de 6 en minder mensen halen een 4 of een 2. Hierdoor zal de slechtste
10% (10e percentiel) uit een grotere range ruwe scores bestaan (bijv van cijfer 0-4) dan de mensen die rond de 50e
percentiel halen. Aangezien er veel mensen rond de 6 zitten, zal dit percentiel uit een kleinere set ruwe data bestaan.
Conclusies (nadelen) m.b.t. gebruik percentielen
➔ Verschillen in de buurt van het gemiddelde van de ruwe scores worden vergroot, overdreven (rode pijlen
hierboven)
➔ Verschillen in de beide staarten/uiteinden van de verdeling worden verkleind, onderschat (groene pijlen)
● Verschillen hebben geen betekenis als je op ordinale schaal meet, ongeschikt voor veel statistische
analyses → je moet daarom non-parametrisch gaan toetsen.
Vandaar dat je standaardscores gaat gebruiken (waaronder Z-score)
➢ Je zet hierbij ruwe scores om naar standaardscores door middel van een lineaire transformatie.
Lineaire transformatie van ruwe scores:
HC1: Inleiding
Verschillende meetschalen
Categoriale schalen:
Nominaal: classificaties
● de data kunnen alleen worden gecategoriseerd, ZONDER duidelijke rangorde (volgorde)
● Elk datapunt kan tot één categorie behoren
● VB: Geboorteplaats, Gender, Etniciteit, Automerken, Geloofsovertuiging
Ordinaal: rangorde
● de data kunnen worden gecategoriseerd MET duidelijke rangorde (volgorde) maar ZONDER gelijke
intervallen
● De intervallen zijn niet te bepalen of niet betekenisvol. VB: bijvoorbeeld een top vijf van Olympische
medaillewinnaars opstellen, maar dat zegt niet dat tussen iedere winnaar evenveel verschil zit in termen
van gewonnen wedstrijden.
● VB: top 10 bestsellers, ranglijst, goed-matig-slecht, 5 puntsschaal ontevreden-tevreden
○ onduidelijk wat er precies zit tussen nr. 1 en nr. 2 en nr. 3 en wat er tussen goed-matig-slecht
etc.
Continue schalen (in SPSS: scale):
Interval: gelijke eenheden
● Je kunt de data categoriseren en rangschikken (rangorde), en er zijn gelijke intervallen tussen de
categorieën. Maar geen absoluut nulpunt.
● Gelijk interval: verschil tussen twee opeenvolgende temperaturen is hetzelfde: 1 graad.
● Geen absoluut nulpunt: nul graden betekent meestal niet dat er geen temperatuur is. Als iemand een 0
haalt op een toets betekent dat niet dat diegene helemaal niet over de gemeten vaardigheid beschikt.
● VB: toetsscores, iq, jaartelling
Ratio met absoluut nulpunt (lengte, leeftijd, gewicht, snelheid, tijd) (hiermee kan je wel zeggen is 2x zo snel)
● Je kunt je data categoriseren en rangschikken, en er is sprake van gelijke intervallen tussen
opeenvolgende datapunten. Ook is er een betekenisvol of absoluut nulpunt. Een betekenisvol nulpunt
betekent dat de bestudeerde variabele bij 0 helemaal afwezig is. Bij ratioschalen staat 0 dus gelijk aan
die absolute afwezigheid van de eigenschap.
● Absoluut nulpunt: bij temperatuur in Kelvin betekent 0 dus daadwerkelijk dat er geen thermische energie
aanwezig is.
Bij een intervalschaal kun je verschillen wel vergelijken maar kun je niks zeggen over verhoudingen. Dus als het
20 graden is en het wordt 40 graden kun je niet zeggen dat het twee keer zo warm is, omdat 0 graden geen
absoluut nulpunt is (het betekent niet “geen temperatuur”). Verhoudingen kun je wel gebruiken bij de ratio schaal,
dan kan je dus wel zeggen ‘twee keer zo veel’. Bijvoorbeeld bij snelheid, omdat bij 0 km/h er echt geen
beweging/snelheid is. Dus bij een intervalschaal kun je niet zeggen dat iets "2x zoveel" is, omdat het nulpunt
arbitrair is. Bij een ratioschaal kan dat wel, omdat een waarde van 0 écht betekent dat er niets is.
Hoe lager het meetniveau, hoe minder complex en nauwkeurig de analyse is.
Als agressiviteit wordt aangegeven met een cijfer van 1 (= niet agressief) tot 10 (= zeer agressief) dan is dat een
meting op een ordinale schaal, want intervallen zijn niet gelijk.
Dit plaatje laat zien wanneer je wat mag berekenen per schaal
● Nominale schaal kan je alleen de modus gebruiken
● Ordinale schaal dan mogen heel veel deelbewerkingen niet
(gemiddelde, variantie, std)
● De (-) geven aan dat er twijfel is over het nut ervan
,De voetballers gaven te kennen dat de vragenlijst die bedoeld was om impulsiviteit te meten, heel goed was
Dit zegt niks over validiteit, betrouwbaarheid en objectiviteit van de schaal. Voetballers weten niet of het een
(wetenschappelijk) goede vragenlijst is.
6 kenmerken van een goede test
● betrouwbaarheid
● validiteit
● objectiviteit
● efficiëntie
● standaardisatie
● normering
Een gemiddelde score voor voetballers van 3,7 (op een schaal van 1 – 10, 1 = laag, 10 = hoog) betekent niet dat
de score vrij laag is. Er kan niets over gezegd worden want je weet niet wat normaal is, misschien scoort iedereen
wel zo (of misschien scoren de niet-voetballers wel even hoog).
Percentielscores vormen een ordinale schaal. Het is daarom niet mogelijk het gemiddelde en de
standaardafwijking van percentielscores te berekenen (zie afbeelding hierboven) (deelbewerkingen strikt niet
mogelijk)
Gestandaardiseerde scores worden verkregen door een lineaire transformatie uit te voeren op de ruwe scores
(wordt verderop nog op ingegaan)
Bij het werken met vragenlijsten is het nuttig om kennis te hebben van: percentielscores en standaardscores.
Omschrijving van een test/vragenlijst: een systematische procedure om het gedrag van twee of meer personen
te meten en vergelijken.
Voor het interpreteren/vergelijken met anderen van ruwe data, dus om een uitspraak te kunnen doen over een
bepaalde score (bijv ZBV-score = 47) heb je normen nodig. Wat ruwe data betekent is dus afhankelijk van de
normen.
Normen
= een referentiekader voor de evaluatie van de ruwe scores, gebaseerd op de kenmerken van de verdeling van de
ruwe scores in een populatie.
● normen zijn niet absoluut (vb. normen voor lichaamslengte is in de loop van de tijd gestegen)
● vergelijk met de ‘goede’ groep
○ VB: Als je een intelligentietest aflegt, wordt jouw ruwe score pas betekenisvol door te
vergelijken met de verdeling van scores in een normgroep
Maar de vraag blijft: Hoe kun je dan vergelijken? –> rangschikken = Gegevens in oplopende of afnemende
volgorde plaatsen.
● Voordeel: snelle aanduiding van iemands prestatie
● Nadeel: gebonden aan groep en groepsgrootte:
○ VB groep: Als jij een 7 haalt als iedereen een 6 haalt, sta je bovenaan. Maar als iedereen een 8
haalt en jij een 7, sta je onderaan. Je rang zegt niets absoluut over jouw prestatie, maar wel hoe
je scoort ten opzichte van de anderen in die groep.
○ VB groepsgrootte: rang 1 bij een groep van 10 heeft een andere (mindere) betekenis dan bij een
groep van 1000.
○ Kortom rangschikken moet je altijd in de context van groep en groepsgrootte bekijken.
➔ Vanwege dit nadeel maak je vaak niet gebruik van ‘rangschikken’ maar van ‘percentielen’
Je gaat dus vergelijken met percentielen: want dan heb je geen last van groepsgrootte
● Percentielen zijn die 99 punten/waarden die een frequentieverdeling/dataset verdelen in 100
oppervlaktes van gelijke grootte
, ● Bepaald percentiel (bijv. 27e, 75e) is dat punt op de schaal waaronder evenveel procent (27, 75) van de
verdeling ligt (bij interpretatie toegelicht hoe dat precies werkt). Het percentiel geeft aan hoe goed
iemand scoort in vergelijking met de hele groep. Het is het percentage van de groep die jouw score heeft
of lager.
Percentielen: interpretatie score
Ruwe totaalscore van 47 met een percentielscore van 32 (= percentielrang van de score)
Betekent:
➢ 31% van de referentiegroep heeft een score van 47 of lager, 68% heeft een score hoger dan 47
Conclusie: op basis van deze normgroep is een ZBV-SCORE van 47 wat lager dan gemiddeld
want de percentielscore zit onder de mediaan (onder de 50 dus)
(inzicht dat je aan hand hiervan wel een oordeel kan doen over of een score laag/hoog is, in vergelijking wat
op pagina 1 bij een voorbeeld staat)
Percentielen: opmerkingen
Sommige percentielen hebben een eigen naam
P25 - percentielscore 25 =1e kwartiel - Je zit bij de beste 75% van de groep.
P50 - percentielscore 50 = 2e kwartiel = mediaan - De helft van de groep scoort beter en de helft slechter: je zit
precies in het midden
P75 - percentielscore 75 = 3e kwartiel - Je zit bij de beste 25% van de groep.
● Decielen: punten/waarden die de dataset in 10 gelijke delen verdelen. Deze heb je nodig voor het
interpreteren. Elke 10% van de data komt in een aparte deciel.
○ Het 1e deciel (D1): de waarde waaronder 10% van de scores ligt
○ Het 2e deciel (D2): de waarde waaronder 20% van de scores ligt
■ Iemand zit in het 5e deciel → dan is dat hetzelfde als de mediaan (50% scoort beter
en 50% slechter).
■ Iemand zit in het 9e deciel → hij scoort beter dan 90% van de groep, zit dus bij de
beste 10%
Inzicht: deze notatie van decielen is makkelijker dan puur een ruwe score van 72/100.
Verschil met percentielen: deze delen dataset op in 100 gelijke delen. Elke percentielstap is 1% van de
groep, terwijl elke decielstap 10% is.
Percentielen berekenen
● Met N = aantal deelnemers/aantal scores
● De formule zegt: ‘Percentielscore P voor ruwe score’
Percentielen: voordelen
1. Geen kennis van groepsgrootte nodig (bij rangschikken is dit wel nodig)
Je weet gewoon dat je in een bepaald percentage scoort van de groep, maakt niet uit hoe groot de groep is.
2. Met percentielscores zijn de uitkomsten van tests met elkaar te vergelijken –> hierdoor snel inzicht
Daarom veel gebruikt bij consultatiebureaus
Percentielen: nadelen
1. Het komt vaak voor dat relatief veel respondenten dezelfde ruwe score hebben –> differentiëren tussen
deze respondenten is dan onmogelijk omdat ze dan binnen hetzelfde percentiel vallen.
, Met percentielen is het dan niet mogelijk om echt onderscheid te maken tussen alle individuen.
2. Percentielen hebben een ordinaal karakter
○ –> deelbewerkingen mogen strikt genomen niet (zie afbeelding bovenaan, dus ook niet
percentielen van elkaar aftrekken)
○ maar… fouten die je maakt met deelbewerkingen zijn waarschijnlijk kleiner dan de
waarnemingsfouten zelf.
Demonstratie ordinale karakter percentielscores:
Ordinaal want percentielen zeggen alleen iets over volgorde (“hoger” of “lager” dan de rest). Ze zeggen niet
hoeveel beter of slechter iemand is (dus geen interval). Het kan bijvoorbeeld best zijn dat tussen het ene en het
andere percentiel veel meer ruwe scores zitten dan bij de andere. Onderstaand plaatje laat dat ook zien: tussen
het 50e en 60e percentiel zitten minder ruwe scores dan tussen het 88e en 98e percentiel. Opzich logisch want er
zullen meer mensen ongeveer in het gemiddelde score (bij percentiel 50) dan aan de uiteindes (veel meer
mensen halen een 6 voor een tentamen dan een 10). De bandbreedte voor het 80/90e percentiel is dus veel
groter dan voor het 50/60e.
Kortom het verschil tussen percentiel 40 en 50 is niet per se even groot als dat tussen percentiel 70 en
80 en daarom spreek je NIET van een intervalschaal.
Deze afbeelding laat zien dat de intervallen niet gelijk zijn.
3. Percentielscore-eenheden ≠ ruwe score-eenheden
● Een ruwe score die iets groter is dan de andere kan opeens in een heel ander percentiel terechtkomen.
Onderstaand plaatje laat bijvoorbeeld zien dat een ruwe score van 0 t/m 2 in hetzelfde percentiel komt
terwijl bij 5 t/m 7 allemaal in een ander percentiel terechtkomen. Dit komt overeen met wat hierboven
wordt gezegd dat er bij hele lage en hoge percentielscores (de staarten) meer ruwe scores horen omdat
minder respondenten die scores halen.
Voorbeeld tentamen: Veel mensen halen rond de 6 en minder mensen halen een 4 of een 2. Hierdoor zal de slechtste
10% (10e percentiel) uit een grotere range ruwe scores bestaan (bijv van cijfer 0-4) dan de mensen die rond de 50e
percentiel halen. Aangezien er veel mensen rond de 6 zitten, zal dit percentiel uit een kleinere set ruwe data bestaan.
Conclusies (nadelen) m.b.t. gebruik percentielen
➔ Verschillen in de buurt van het gemiddelde van de ruwe scores worden vergroot, overdreven (rode pijlen
hierboven)
➔ Verschillen in de beide staarten/uiteinden van de verdeling worden verkleind, onderschat (groene pijlen)
● Verschillen hebben geen betekenis als je op ordinale schaal meet, ongeschikt voor veel statistische
analyses → je moet daarom non-parametrisch gaan toetsen.
Vandaar dat je standaardscores gaat gebruiken (waaronder Z-score)
➢ Je zet hierbij ruwe scores om naar standaardscores door middel van een lineaire transformatie.
Lineaire transformatie van ruwe scores:
