Overzicht statistische modellen
Modellen Variabelen Wat is het? Assumpties Hypotheses en opstellen
regressielijn
t-toets voor x1= DUM - Onafhankelijke groepen 1) De scores zijn onafhankelijk, H0: p = s (populatie gemiddelden
onafhankelijke y= INT -> De twee groepen bestaan uit verschillende personen (= 2 losse 2) De scores van iedere groep zijn gelijk)
groepen steekproeven die niets met elkaar te maken hebben). komen uit een normale verdeling Ha: p s
*DUM= – Het is lastig om te zeggen of er (populatie gemiddelen zijn ongelijk)
Dummy, - Dit statistische model gebruik je bij groepsverschillen. een normale verdeling is bij een
variabele kleine n
met precies - “Geen duidelijke reden om aan te
twee nemen dat het niet normaal
categorieën. verdeeld is, maar ben er ook niet
Aantal zeker van dat ze wel normaal
Dummies= K- verdeeld zijn”,
1 3) Standaarddeviaties van beide
groepen zijn gelijk.
- Vuistregel: de grootste SD mag
niet een factor 2 groter zijn dan de
kleinste SD.
Eenwegvarianti X1= NOM - Dit statistische model gebruik je bij groepsverschillen -> het 1) Scores zijn onafhankelijk, H0: 1 = 2 = … = k vs.
eanalyse y=INT vergelijken van gemiddelden van meer dan twee groepen 2) Scores zijn normaal verdeeld Ha: tenminste één gemiddelde
(ANOVA) - checken d.m.v. histogram, QQ- verschilt in de populatie van een
- Waarom geen t-toets? plots ander gemiddelde
ANOVA= *INT= 1) Complex, omdat je veel groepen hebt en veel toetsen moet doen, - Bij kleine n niet genoeg informatie
ANalysis Of Interval, 2) Gevaar voor kanskapitalisme. De totale a wordt te groot. Als a=0,05 om dit te checken -> Je toetst het effect van die ene
VAriance intervallen voor 1 toets, dan is voor alle 6 de toetsen samen de totale a=1- 3) Gelijke standaarddeviaties onafhankelijke categorische
zijn (0,95)6=26 -> te veel fouten -> te vaak ten onrechte H 0 verwerpen -> (homoscedasticiteit) variabele
betekenisvol correctie noodzakelijk om fouten te voorkomen Vuistregel: grootste is niet 2 keer -> Gebruik F-toets om verhouding
*Nom=Nomi zo grootste als kleinste varianties te onderzoeken.
naal, - Om iets te kunnen zeggen over verschillen tussen groepen, -> F= verhouding tussen/ binnen.
categorisch, vergelijken we de tussengroepsverschillen (tussengroepsvariantie) -> Als de assumpties niet opgaan:
onderscheid met de verschillen binnen de groepen (binnengroepsvariantie). De beïnvloed p-waardes (en eventueel -> Hoe groter F wordt, hoe groter de
groepen/con verhouding tussen de tussengroepsvariantie en de conclusies) verschillen tussen de tussengroeps-
, Overzicht statistische modellen
dities binnengroepsvariantie is van belang om te meten hoe duidelijk er een en de binnengroepsvarianties.
effect is. -> Als de tussengroepsvariantie
groter is, dan kan er een verschil in
- Hoe smaller de verdeling, hoe minder binnengroepsvariantie. Hoe gemiddelden tussen de groepen zijn
breder de verdeling, hoe meer binnengroepsvariantie. Des te
moeilijker is het om eventuele verschillen te ontdekken.
- Als tenminste een populatiegemiddelde waarschijnlijk verschillend is
(H0 is verworpen)
welke groepen zijn dit dan?
- Meervoudige vergelijkingen: t-toetsen op verschillen tussen alle
paren van gemiddelden (post-hoc, gevaar: kanspapitalisme)
- Correcties LSD en Bonferroni
1) Least-significant differences (LSD)
-> Geen correctie voor meerdere vergelijkingen
2) Bonferroni
-> Aanpassing van a (met m= aantal toetsen)
-> Gebruik a/m i.p.v. a per t-toets,
-> In SPSS vermenigvuldig alle p-waarden met m
*Aantal toetsen (m)= het aantal groepen x alle andere groepen –
zichzelf/ 2.
Tweewegvarian X1= NOM - In hoeverre zijn er verschillen tussen 1 continue afhankelijke 1) Scores zijn onafhankelijk, - Drie sets van hypotheses:
tieanalyse X2= NOM variabele en twee groepsvariabelen. 2) Scores zijn normaal verdeeld Voor hoofdeffecten (2x):
(ANOVA) y= INT - Dit statistische model gebruik je bij groepsverschillen - checken d.m.v. histogram, QQ- H0: 1 = 2 = … = k ofwel alle
- De twee factoren (categorisch) X1 en X2 bepalen de groepsindeling plots populatiegemiddelden van de
- Toets de effecten van de twee factoren: - Bij kleine n niet genoeg informatie groepen zijn aan elkaar gelijk
-> Hoofdeffect x1 (i groepen), om dit te checken Ha: minstens twee
-> Hoofdeffect x2 (j groepen), 3) Gelijke standaarddeviaties populatiegemiddelden zijn
-> Interactie effect x1 * x2 (i x j groepen) (homoscedasticiteit) verschillend
Vuistregel: grootste is niet 2 keer
Interactie effect: de invloed die de ene variabele heeft, op de invloed zo grootste als kleinste Interactie-effect (als A en B beide 2
die de andere variabele heeft op de afhankelijke variabele (y) categorieën; totaal 4 gemiddelden)
Modellen Variabelen Wat is het? Assumpties Hypotheses en opstellen
regressielijn
t-toets voor x1= DUM - Onafhankelijke groepen 1) De scores zijn onafhankelijk, H0: p = s (populatie gemiddelden
onafhankelijke y= INT -> De twee groepen bestaan uit verschillende personen (= 2 losse 2) De scores van iedere groep zijn gelijk)
groepen steekproeven die niets met elkaar te maken hebben). komen uit een normale verdeling Ha: p s
*DUM= – Het is lastig om te zeggen of er (populatie gemiddelen zijn ongelijk)
Dummy, - Dit statistische model gebruik je bij groepsverschillen. een normale verdeling is bij een
variabele kleine n
met precies - “Geen duidelijke reden om aan te
twee nemen dat het niet normaal
categorieën. verdeeld is, maar ben er ook niet
Aantal zeker van dat ze wel normaal
Dummies= K- verdeeld zijn”,
1 3) Standaarddeviaties van beide
groepen zijn gelijk.
- Vuistregel: de grootste SD mag
niet een factor 2 groter zijn dan de
kleinste SD.
Eenwegvarianti X1= NOM - Dit statistische model gebruik je bij groepsverschillen -> het 1) Scores zijn onafhankelijk, H0: 1 = 2 = … = k vs.
eanalyse y=INT vergelijken van gemiddelden van meer dan twee groepen 2) Scores zijn normaal verdeeld Ha: tenminste één gemiddelde
(ANOVA) - checken d.m.v. histogram, QQ- verschilt in de populatie van een
- Waarom geen t-toets? plots ander gemiddelde
ANOVA= *INT= 1) Complex, omdat je veel groepen hebt en veel toetsen moet doen, - Bij kleine n niet genoeg informatie
ANalysis Of Interval, 2) Gevaar voor kanskapitalisme. De totale a wordt te groot. Als a=0,05 om dit te checken -> Je toetst het effect van die ene
VAriance intervallen voor 1 toets, dan is voor alle 6 de toetsen samen de totale a=1- 3) Gelijke standaarddeviaties onafhankelijke categorische
zijn (0,95)6=26 -> te veel fouten -> te vaak ten onrechte H 0 verwerpen -> (homoscedasticiteit) variabele
betekenisvol correctie noodzakelijk om fouten te voorkomen Vuistregel: grootste is niet 2 keer -> Gebruik F-toets om verhouding
*Nom=Nomi zo grootste als kleinste varianties te onderzoeken.
naal, - Om iets te kunnen zeggen over verschillen tussen groepen, -> F= verhouding tussen/ binnen.
categorisch, vergelijken we de tussengroepsverschillen (tussengroepsvariantie) -> Als de assumpties niet opgaan:
onderscheid met de verschillen binnen de groepen (binnengroepsvariantie). De beïnvloed p-waardes (en eventueel -> Hoe groter F wordt, hoe groter de
groepen/con verhouding tussen de tussengroepsvariantie en de conclusies) verschillen tussen de tussengroeps-
, Overzicht statistische modellen
dities binnengroepsvariantie is van belang om te meten hoe duidelijk er een en de binnengroepsvarianties.
effect is. -> Als de tussengroepsvariantie
groter is, dan kan er een verschil in
- Hoe smaller de verdeling, hoe minder binnengroepsvariantie. Hoe gemiddelden tussen de groepen zijn
breder de verdeling, hoe meer binnengroepsvariantie. Des te
moeilijker is het om eventuele verschillen te ontdekken.
- Als tenminste een populatiegemiddelde waarschijnlijk verschillend is
(H0 is verworpen)
welke groepen zijn dit dan?
- Meervoudige vergelijkingen: t-toetsen op verschillen tussen alle
paren van gemiddelden (post-hoc, gevaar: kanspapitalisme)
- Correcties LSD en Bonferroni
1) Least-significant differences (LSD)
-> Geen correctie voor meerdere vergelijkingen
2) Bonferroni
-> Aanpassing van a (met m= aantal toetsen)
-> Gebruik a/m i.p.v. a per t-toets,
-> In SPSS vermenigvuldig alle p-waarden met m
*Aantal toetsen (m)= het aantal groepen x alle andere groepen –
zichzelf/ 2.
Tweewegvarian X1= NOM - In hoeverre zijn er verschillen tussen 1 continue afhankelijke 1) Scores zijn onafhankelijk, - Drie sets van hypotheses:
tieanalyse X2= NOM variabele en twee groepsvariabelen. 2) Scores zijn normaal verdeeld Voor hoofdeffecten (2x):
(ANOVA) y= INT - Dit statistische model gebruik je bij groepsverschillen - checken d.m.v. histogram, QQ- H0: 1 = 2 = … = k ofwel alle
- De twee factoren (categorisch) X1 en X2 bepalen de groepsindeling plots populatiegemiddelden van de
- Toets de effecten van de twee factoren: - Bij kleine n niet genoeg informatie groepen zijn aan elkaar gelijk
-> Hoofdeffect x1 (i groepen), om dit te checken Ha: minstens twee
-> Hoofdeffect x2 (j groepen), 3) Gelijke standaarddeviaties populatiegemiddelden zijn
-> Interactie effect x1 * x2 (i x j groepen) (homoscedasticiteit) verschillend
Vuistregel: grootste is niet 2 keer
Interactie effect: de invloed die de ene variabele heeft, op de invloed zo grootste als kleinste Interactie-effect (als A en B beide 2
die de andere variabele heeft op de afhankelijke variabele (y) categorieën; totaal 4 gemiddelden)
