1 of 12
Samenvatting TOE deeltentamen 2
Research methods (Morling)
• (p. 479- 495) + (p. 496-499)
Inferentiële statistieken zijn statistieken die we gebruiken voor kansberekeningen. Hiermee
kunnen onderzoekers beslissingen maken over hun data. Er wordt hierbij gebruik gemaakt van nul
hypothese significantie toetsing (NHST). Met NHST gaan we bepalen of de resultaten van een
studie statistisch significant zijn. Er zijn verschillende stappen waarmee we NHST uitvoeren:
1. We gaan ervan uit dat er geen effect is. We testen dan de nul hypothese, de hypothese is dat
er geen effect aanwezig is.
2. We gaan data verzamelen
3. We rekenen de kans uit dat we deze data hebben gekregen als de nul hypothese waar is. Als
er dan bijvoorbeeld een heel sterk verband tussen twee condities uit de data komt, dan testen
we de kans dat we dit verband krijgen als de nul hypothese klopt.
4. We beslissen of we de nul hypothese verwerpen of behouden. We verwerpen de nul
hypothese als de kans (p) kleiner is dan 0.05. We behouden de nul hypothese als de kans
groter is dan 0.05. We kunnen in plaats van 0.05 ook kiezen voor een alpha level (grens die je
legt) van 0.01, maar meestal moeten we van 0.05 uit gaan.
Wanneer we beslissen of we de nul hypothese gaan verwerpen kunnen we een fout maken. Zo
kunnen we stellen dat er een verband is (en dat de nul hypothese verworpen moet worden) terwijl
er in werkelijkheid helemaal geen verband is (en de nul hypothese klopt). Als dit gebeurt dan
spreken we van een type I fout. Ook kunnen we stellen dat er geen verband is (de nul hypothese
accepteren), terwijl er in werkelijkheid wel een verband is (en de nul hypothese verworpen moet
worden). Als dit gebeurt dan spreken we van een type II fout.
Wanneer we willen voorkomen dat we een type I fout maken kunnen we er voor kiezen om ons
alpha level lager te zetten. Dit doen we door onze grens te verlagen van 0.05 naar 0.01. Wanneer
we een type II fout willen voorkomen kunnen we de alpha juist verhogen. Hier zie je dus dat het
belangrijk is om voor je onderzoek te beslissen welke fout je het minst erg vindt om te maken. Een
type I fout hangt echter alleen af van het alpha level, terwijl een type II fout van meerdere factoren
afhangt.
De power is de kans dat je geen type II fout maakt als de nulhypothese verworpen moet worden.
Het is dus eigenlijk de kans dat de onderzoeker correct de nul hypothese verwerpt. Power wordt
door meerdere dingen beïnvloedt:
- Het alpha level: hoe lager het alpha level, hoe groter de kans op een type II fout en dus hoe
kleiner de power.
- Sample grootte: hoe groter de sample, hoe meer power. Je kan hierdoor namelijk beter
conclusies trekken en hebt minder kans op fouten.
- Effect grootte: als er een groot effect in de populatie is dan is de kans groter dat de nul
hypothese verworpen wordt. Hierdoor wordt de power dus groter, omdat dit ook de kans
vergroot dat je de nul hypothese correct verwerpt.
- Onsystematische variabiliteit: als een onderzoek veel onsystematische variabiliteit bevat dan is
er minder power om effecten te onderzoeken die er in werkelijkheid wel zijn. Onsystematische
variabiliteit zijn bijvoorbeeld meetfouten door een slordig instrument of door onzorgvuldig te
meten.
Met een t-toets onderzoeken we of er een significant verschil is tussen de twee onafhankelijke
groepen in ons onderzoek. We kunnen dit doen door de volgende stappen te volgen:
1. We gaan er vanuit dat de nul hypothese klopt.
2. We gaan een t-test uitvoeren. We krijgen hierbij een bepaalde t-waarde (bijv. 2.57).
3. We gaan onderzoeken of deze t-waarde significant is. We gaan de kans berekenen dat we
deze t-waarde krijgen als de nul hypothese klopt (en er geen effect is). Dit noemen we de
sample distributie. We kunnen een tabel opzoeken met welke t-waarde bij welk alpha level
hoort. We vinden hierin een kritische waarde: de waarde die t heeft als hij precies op het
alpha level zit. Bijv: bij een alpha level van 0.05 hebben we een t-waarde van 3.11.
4. Beslissen of we de nul hypothese accepteren of verwerpen.
, 2 of 12
Wanneer we kiezen voor een alpha van 0.05 dan kiezen we een betrouwbaarheidsinterval van
95%. We hebben hierbij 95% zekerheid dat ons interval de ware populatie waarde bevat.
Als we meer dan twee groepen met elkaar willen vergelijken dan moeten we geen t-test uitvoeren
maar een F-toets. Deze vinden we door middel van een ANOVA, een analyse van de variantie. De
F-toets helpt ons om te bepalen of er verschillen tussen de drie groepen zijn die statistisch
significant zijn. Hierbij wordt er rekening gehouden met de verschillen tussen de verschillende
groepen en met de verschillen binnen elke groep. Als de F-waarde groot is dan betekent dit dat er
een groter verschil is tussen de verschillende groepen, dan binnen de groepen. Als de F-waarde
klein is dan is er ongeveer hetzelfde verschil tussen de groepen als binnen de groepen en dan
overlappen de groepen meer. Zo voeren we een ANOVA uit:
1. We gaan er vanuit dat de nul hypothese klopt.
2. We gaan de F-waarde berekenen.
3. We gaan berekenen wat de kans is dat we deze F-waarde (of groter) krijgen als de nul
hypothese waar is. Als er geen significant verschil is dan betekent dit dat de variantie tussen
de groepen ongeveer hetzelfde is als de variantie binnen de groepen.
4. We gaan beslissen of we de nul hypothese verwerpen of behouden.
• (p. 273-277)
Een experiment is een onderzoek waarbij we op ten minst één variabele manipuleren en een
andere variabele meten. De gemanipuleerde variabele is een variabele waar we controle over
hebben. De gemeten variabele is de variabele waar we geen controle over hebben. Deze
variabele wordt mogelijk beïnvloedt door de gemanipuleerde variabele. Een experiment wordt
gebruikt om een causaal verband aan te tonen.
De gemanipuleerde variabele wordt ook wel de onafhankelijke variabele genoemd. Deze
onafhankelijke variabele heeft meerdere condities waarin participanten opgedeeld kunnen
worden. Bijvoorbeeld: de ene conditie mag wel zijn aantekeningen doorlezen voor de toets en de
andere conditie mag dit niet. De gemeten variabele is ook wel de afhankelijke variabele of
outcome variabele. Hoe de participant op deze variabele scoort hangt namelijk af van de conditie
waarin de participant zat.
• (p. 287- 289)
Bij een onafhankelijke-groep design worden verschillende groepen participanten in
verschillende condities van de onafhankelijke variabele geplaatst. Bij een within-groep design is
er maar één groep participanten en deze wordt in alle condities van de onafhankelijke variabele
geplaatst.
Een vorm van een onafhankelijke-groep design is
de posttest-only design. Hierbij worden
participanten random ingedeeld in condities en
dan worden ze daarna één keer op de afhankelijke
variabele getest. Hiernaast een voorbeeld. De
participanten worden hierbij random toegewezen
aan de condities. Dit soort onderzoeken voldoen
aan alle eisen voor causatie. We kunnen met dit
soort onderzoeken dus een causaal verband
aantonen. Covariantie kan aangetoond worden
door verschillen in de afhankelijke groepen.
Temporal precedence is aanwezig omdat de
onafhankelijke variabele duidelijk eerder komt dan
de afhankelijke variabele. De interne validiteit wordt gewaarborgd door het gebruik van een
controle groep en door gebruik te maken van random toewijzing.
We hebben daarnaast ook een pretest/posttest design. Hierbij gaan we twee keer een test bij de
participanten afnemen: één keer voordat ze blootgesteld zijn aan de onafhankelijke variabele en
één keer erna. Dit kan gedaan worden wanneer de onderzoeker wil bewijzen dat beide groepen
Samenvatting TOE deeltentamen 2
Research methods (Morling)
• (p. 479- 495) + (p. 496-499)
Inferentiële statistieken zijn statistieken die we gebruiken voor kansberekeningen. Hiermee
kunnen onderzoekers beslissingen maken over hun data. Er wordt hierbij gebruik gemaakt van nul
hypothese significantie toetsing (NHST). Met NHST gaan we bepalen of de resultaten van een
studie statistisch significant zijn. Er zijn verschillende stappen waarmee we NHST uitvoeren:
1. We gaan ervan uit dat er geen effect is. We testen dan de nul hypothese, de hypothese is dat
er geen effect aanwezig is.
2. We gaan data verzamelen
3. We rekenen de kans uit dat we deze data hebben gekregen als de nul hypothese waar is. Als
er dan bijvoorbeeld een heel sterk verband tussen twee condities uit de data komt, dan testen
we de kans dat we dit verband krijgen als de nul hypothese klopt.
4. We beslissen of we de nul hypothese verwerpen of behouden. We verwerpen de nul
hypothese als de kans (p) kleiner is dan 0.05. We behouden de nul hypothese als de kans
groter is dan 0.05. We kunnen in plaats van 0.05 ook kiezen voor een alpha level (grens die je
legt) van 0.01, maar meestal moeten we van 0.05 uit gaan.
Wanneer we beslissen of we de nul hypothese gaan verwerpen kunnen we een fout maken. Zo
kunnen we stellen dat er een verband is (en dat de nul hypothese verworpen moet worden) terwijl
er in werkelijkheid helemaal geen verband is (en de nul hypothese klopt). Als dit gebeurt dan
spreken we van een type I fout. Ook kunnen we stellen dat er geen verband is (de nul hypothese
accepteren), terwijl er in werkelijkheid wel een verband is (en de nul hypothese verworpen moet
worden). Als dit gebeurt dan spreken we van een type II fout.
Wanneer we willen voorkomen dat we een type I fout maken kunnen we er voor kiezen om ons
alpha level lager te zetten. Dit doen we door onze grens te verlagen van 0.05 naar 0.01. Wanneer
we een type II fout willen voorkomen kunnen we de alpha juist verhogen. Hier zie je dus dat het
belangrijk is om voor je onderzoek te beslissen welke fout je het minst erg vindt om te maken. Een
type I fout hangt echter alleen af van het alpha level, terwijl een type II fout van meerdere factoren
afhangt.
De power is de kans dat je geen type II fout maakt als de nulhypothese verworpen moet worden.
Het is dus eigenlijk de kans dat de onderzoeker correct de nul hypothese verwerpt. Power wordt
door meerdere dingen beïnvloedt:
- Het alpha level: hoe lager het alpha level, hoe groter de kans op een type II fout en dus hoe
kleiner de power.
- Sample grootte: hoe groter de sample, hoe meer power. Je kan hierdoor namelijk beter
conclusies trekken en hebt minder kans op fouten.
- Effect grootte: als er een groot effect in de populatie is dan is de kans groter dat de nul
hypothese verworpen wordt. Hierdoor wordt de power dus groter, omdat dit ook de kans
vergroot dat je de nul hypothese correct verwerpt.
- Onsystematische variabiliteit: als een onderzoek veel onsystematische variabiliteit bevat dan is
er minder power om effecten te onderzoeken die er in werkelijkheid wel zijn. Onsystematische
variabiliteit zijn bijvoorbeeld meetfouten door een slordig instrument of door onzorgvuldig te
meten.
Met een t-toets onderzoeken we of er een significant verschil is tussen de twee onafhankelijke
groepen in ons onderzoek. We kunnen dit doen door de volgende stappen te volgen:
1. We gaan er vanuit dat de nul hypothese klopt.
2. We gaan een t-test uitvoeren. We krijgen hierbij een bepaalde t-waarde (bijv. 2.57).
3. We gaan onderzoeken of deze t-waarde significant is. We gaan de kans berekenen dat we
deze t-waarde krijgen als de nul hypothese klopt (en er geen effect is). Dit noemen we de
sample distributie. We kunnen een tabel opzoeken met welke t-waarde bij welk alpha level
hoort. We vinden hierin een kritische waarde: de waarde die t heeft als hij precies op het
alpha level zit. Bijv: bij een alpha level van 0.05 hebben we een t-waarde van 3.11.
4. Beslissen of we de nul hypothese accepteren of verwerpen.
, 2 of 12
Wanneer we kiezen voor een alpha van 0.05 dan kiezen we een betrouwbaarheidsinterval van
95%. We hebben hierbij 95% zekerheid dat ons interval de ware populatie waarde bevat.
Als we meer dan twee groepen met elkaar willen vergelijken dan moeten we geen t-test uitvoeren
maar een F-toets. Deze vinden we door middel van een ANOVA, een analyse van de variantie. De
F-toets helpt ons om te bepalen of er verschillen tussen de drie groepen zijn die statistisch
significant zijn. Hierbij wordt er rekening gehouden met de verschillen tussen de verschillende
groepen en met de verschillen binnen elke groep. Als de F-waarde groot is dan betekent dit dat er
een groter verschil is tussen de verschillende groepen, dan binnen de groepen. Als de F-waarde
klein is dan is er ongeveer hetzelfde verschil tussen de groepen als binnen de groepen en dan
overlappen de groepen meer. Zo voeren we een ANOVA uit:
1. We gaan er vanuit dat de nul hypothese klopt.
2. We gaan de F-waarde berekenen.
3. We gaan berekenen wat de kans is dat we deze F-waarde (of groter) krijgen als de nul
hypothese waar is. Als er geen significant verschil is dan betekent dit dat de variantie tussen
de groepen ongeveer hetzelfde is als de variantie binnen de groepen.
4. We gaan beslissen of we de nul hypothese verwerpen of behouden.
• (p. 273-277)
Een experiment is een onderzoek waarbij we op ten minst één variabele manipuleren en een
andere variabele meten. De gemanipuleerde variabele is een variabele waar we controle over
hebben. De gemeten variabele is de variabele waar we geen controle over hebben. Deze
variabele wordt mogelijk beïnvloedt door de gemanipuleerde variabele. Een experiment wordt
gebruikt om een causaal verband aan te tonen.
De gemanipuleerde variabele wordt ook wel de onafhankelijke variabele genoemd. Deze
onafhankelijke variabele heeft meerdere condities waarin participanten opgedeeld kunnen
worden. Bijvoorbeeld: de ene conditie mag wel zijn aantekeningen doorlezen voor de toets en de
andere conditie mag dit niet. De gemeten variabele is ook wel de afhankelijke variabele of
outcome variabele. Hoe de participant op deze variabele scoort hangt namelijk af van de conditie
waarin de participant zat.
• (p. 287- 289)
Bij een onafhankelijke-groep design worden verschillende groepen participanten in
verschillende condities van de onafhankelijke variabele geplaatst. Bij een within-groep design is
er maar één groep participanten en deze wordt in alle condities van de onafhankelijke variabele
geplaatst.
Een vorm van een onafhankelijke-groep design is
de posttest-only design. Hierbij worden
participanten random ingedeeld in condities en
dan worden ze daarna één keer op de afhankelijke
variabele getest. Hiernaast een voorbeeld. De
participanten worden hierbij random toegewezen
aan de condities. Dit soort onderzoeken voldoen
aan alle eisen voor causatie. We kunnen met dit
soort onderzoeken dus een causaal verband
aantonen. Covariantie kan aangetoond worden
door verschillen in de afhankelijke groepen.
Temporal precedence is aanwezig omdat de
onafhankelijke variabele duidelijk eerder komt dan
de afhankelijke variabele. De interne validiteit wordt gewaarborgd door het gebruik van een
controle groep en door gebruik te maken van random toewijzing.
We hebben daarnaast ook een pretest/posttest design. Hierbij gaan we twee keer een test bij de
participanten afnemen: één keer voordat ze blootgesteld zijn aan de onafhankelijke variabele en
één keer erna. Dit kan gedaan worden wanneer de onderzoeker wil bewijzen dat beide groepen
