Toetsen als de variablen normaal zijn Enkelvoudige lineaire regressie: Chi-kwadraat toets op
verdeeld: Hierbij beïnvloedt 1 verklarende aanpassing:
Maak van de ordinaal/nominaal variablen variabelen(ratio) de 1 respons(ratio) Ei getallen>5 voor
altijd eerst een factor <-factor(var.) Vb: een regressiemodel waarbij betrouwbaarheid.
gewicht afhangt van lengte, oorzaak- 1 var. nominaal/ordinaal (respons).
gevolg Vergelijken met een theoretische
verdeling.
=𝜷𝟎+𝜷𝟏⋅𝒙, B0= snijpunt lijn met y- toetsen of de geobserveerde
as(intercept), B1= de rc, ook de aantallen kloppen met de
regressiecoëfficiënt genoemd. Doel bij theoretische aantallen (uit
Onafhankelijke t-toets: regressie is om B0 en 1 zo te bepalen eerder onderzoek), rekent per
1 respons (ratio), 1 verklarende(nom of ord) =, dat de lijn goed past bij de gegevens categorie uit
2 groepen Determinatiecoëfficiënt: R2, (Af te H0: de theoretische verdeling
Eerst toetsen of varianties gelijk zijn: bartlett lezen van R in het kwadraat in de (van x jaar geleden) klopt nog
toets: bartlett.test(respons,verkl) output) steeds H1: ‘’ klopt niet meer.
H0: er is geen verschil in varianties R2: hoe hoger, hoe positievere
tussen..en.., H1: wel lineaire samenhang = betere
R->t.test (respons~verkl, var.equal=TRUE, voorspelling. = % van spreiding in
alternative = ‘’two.sided”) als er sprake is van respons dat wordt verklaard door
een eenzijdige toets vul je bij alternative a > b regressie model/vergelijking
= ‘’greater’’, of a < b = ‘’less’’ R-> summary(lm(y~x)) waarbij y =
Vb: verschil in melkafgifte tussen melksoort A respons en x = verklarende. Onder Chi-kwadraat toets op
en B ‘estimate’ begingetal en rc aflezen. Als onafhankelijk
One-Way ANOVA: rc positief is = positief verband. 2 of meer var.nom of ordi
1 respons(ratio), 1 verklarende (nom of ord) in H0: rc = 0 = geen verband (geen sign is er een verband tussen de
3 of meer groepen effect) H1: verband tussen x en y, wel variabelen? H0: geen verband,
Vb: melksnelheid bij ras (HF,MRY en RHF) sign ze zijn onafhankelijk H1: wel
H0= er is geen verschil in gem. melksnelheid Meervoudige regressie: meerdere verband, ze zijn afhankelijk
tussen:..,..,.. verkl var.
H1= minstens 2 gem. verschillen van elkaar R ->summary(lm(y~x1+x2+x3). Per
Eerst f.test voor verschil in gem. tussen meer verklarende variabele krijg je rc en p
dan 2 groepen. Vb: f waarde 8, spreiding waarde. Meer verklarende variabelen
tussen de groepen 8 keer zo groot als der vertroebelen het model Df= (aantal rijen-1)
binnen (links)*(aantal kolommen-1)
Als de aov een sign verschil geeft tussen de 3 (rechts). Vaak eerst van de
of meer groepen, dan een Tuckey Toets tabel een kruistabel maken:
uitvoeren. Table(naambest.
R->TuckeyHSD(aov(respons~verkl)), $var1,naam$var2)
which=”verkl” Output hiervan geeft of er sig. Als hier de Ei en Oi <5 kan je
Verschil is tussen de groepen. bv categorie weghalen of
Meervoudige ANOVA: samenvoegen
1 respons (ratio), meerdere verklarende Toetsen als de variabelen
variablen (nom of ord), kunnen elkaar (ratio of ordinaal) niet
beïnvloeden (interactie) Correlatie: normaal verdeeld zijn:
Vb: kijken of voersoort en vloersoort invloed als er geen sprake is van oorzaak en (nodig:volgorderangnummer
op de gem. groei gevolg. Kijken of er een samenhang is s)
Zonder interactie: Vb: cor. tussen lengte en versgewicht Werken allen met 1 verkl. Var
R-> summary(aov(respons~verkl1+verkl2)) R-> cor(x1,x2) of cor(bestandnaam). of 1 samenhangende variablen
Output dicht bij 1? Positief verband, - Mann-Whitney:
Met interactie:
getal is negatief verband. Toetsen of 2 groepen en ongepaard,
Als er meerdere waarnemingen per combinatie
een correlatiecoëfficiënt af van 0? ordinaal meetniveau. Vb:
van de verklarende variablen zijn kan je
(geen correlatie) dan: R-> rangnummers
interactie meenemen tussen de verkl.
cor.test(var1,var2). dressuurwedstrijd met merries
Variablen
R:-aov(respons ~ verkl1 + verkl2 + ANCOVA-covariantie-analyse: en hengsten.
verkl1:verkl2) Je toetst van meerdere verklarende
DFrest= >5 zijn voor betrouwbaarheid. variabelen, waarvan er ten minste 1
Bereken door DF waarnemingen-DF van nominaal/ordinaal is en ten minste 1
beiden verkl. Variablen. ratio of een van de variabelen sign
Bij interactie: DFverkl1*DFverkl2 er ook extra invloed heeft op de respons. Kruskal Wallis:
vanaf halen, als de Dfrest>5 dan is 3 of meer groepen en
interactie ook nuttig ongepaard, ordinaal
Je krijgt dan per verklarende variabele een p meetniveau. H0=geen
waarde Hierna kan nog een Tuckey toets verschil, H1=we; verschil.Vb: 7
uitgevoerd worden om tussen de groepen in de groepen wat ze verdienen (in
significante variabele verschillen te zien. Logistische regressie: rangn)
Gepaarde t-toets: Vb: dagelijks kijken of stieren wel of R->kruskal.test(resp~verkl)
1 respons (ratio), metingen per niet aanwezig. Significant? Dan per 2-tal
onderzoekselement, hetzelfde onder.el in 2 mann-whitney toets uitvoeren.
verschillende situaties.Verkl=nom of ord. Vb: Wilcoxon:
bedrijven 1tm9 wordt gekeken naar gem Dezelfde onderzoeksel in 2
dieselverbruik bij proefopzet en normale opzet. situaties, gepaard. Ordinaal of
Dus 2 metingen op hetzelfde object. ratio (niet nor).
R_> t.test(On.el1,On.el2, paired = TRUE, Vb: 9 honden die last hebben
Poisson regressie: Vb: verschil hartfreq
alternative = ‘’less”), kan ook greater of van de huid getest of een
bij versch.snelheden
two.sided zijn. shampo werkt, kijken naar
Repeated measures: krabgedrag voor en na de
1 respons (ratio), 1 ond. El met 3 of meer metingen,
waarbij hetzelfde kenmerk wordt gemeten. Gaat
shampoo.
vaak over de tijd heen(longitudinale studies), vb:
verdeeld: Hierbij beïnvloedt 1 verklarende aanpassing:
Maak van de ordinaal/nominaal variablen variabelen(ratio) de 1 respons(ratio) Ei getallen>5 voor
altijd eerst een factor <-factor(var.) Vb: een regressiemodel waarbij betrouwbaarheid.
gewicht afhangt van lengte, oorzaak- 1 var. nominaal/ordinaal (respons).
gevolg Vergelijken met een theoretische
verdeling.
=𝜷𝟎+𝜷𝟏⋅𝒙, B0= snijpunt lijn met y- toetsen of de geobserveerde
as(intercept), B1= de rc, ook de aantallen kloppen met de
regressiecoëfficiënt genoemd. Doel bij theoretische aantallen (uit
Onafhankelijke t-toets: regressie is om B0 en 1 zo te bepalen eerder onderzoek), rekent per
1 respons (ratio), 1 verklarende(nom of ord) =, dat de lijn goed past bij de gegevens categorie uit
2 groepen Determinatiecoëfficiënt: R2, (Af te H0: de theoretische verdeling
Eerst toetsen of varianties gelijk zijn: bartlett lezen van R in het kwadraat in de (van x jaar geleden) klopt nog
toets: bartlett.test(respons,verkl) output) steeds H1: ‘’ klopt niet meer.
H0: er is geen verschil in varianties R2: hoe hoger, hoe positievere
tussen..en.., H1: wel lineaire samenhang = betere
R->t.test (respons~verkl, var.equal=TRUE, voorspelling. = % van spreiding in
alternative = ‘’two.sided”) als er sprake is van respons dat wordt verklaard door
een eenzijdige toets vul je bij alternative a > b regressie model/vergelijking
= ‘’greater’’, of a < b = ‘’less’’ R-> summary(lm(y~x)) waarbij y =
Vb: verschil in melkafgifte tussen melksoort A respons en x = verklarende. Onder Chi-kwadraat toets op
en B ‘estimate’ begingetal en rc aflezen. Als onafhankelijk
One-Way ANOVA: rc positief is = positief verband. 2 of meer var.nom of ordi
1 respons(ratio), 1 verklarende (nom of ord) in H0: rc = 0 = geen verband (geen sign is er een verband tussen de
3 of meer groepen effect) H1: verband tussen x en y, wel variabelen? H0: geen verband,
Vb: melksnelheid bij ras (HF,MRY en RHF) sign ze zijn onafhankelijk H1: wel
H0= er is geen verschil in gem. melksnelheid Meervoudige regressie: meerdere verband, ze zijn afhankelijk
tussen:..,..,.. verkl var.
H1= minstens 2 gem. verschillen van elkaar R ->summary(lm(y~x1+x2+x3). Per
Eerst f.test voor verschil in gem. tussen meer verklarende variabele krijg je rc en p
dan 2 groepen. Vb: f waarde 8, spreiding waarde. Meer verklarende variabelen
tussen de groepen 8 keer zo groot als der vertroebelen het model Df= (aantal rijen-1)
binnen (links)*(aantal kolommen-1)
Als de aov een sign verschil geeft tussen de 3 (rechts). Vaak eerst van de
of meer groepen, dan een Tuckey Toets tabel een kruistabel maken:
uitvoeren. Table(naambest.
R->TuckeyHSD(aov(respons~verkl)), $var1,naam$var2)
which=”verkl” Output hiervan geeft of er sig. Als hier de Ei en Oi <5 kan je
Verschil is tussen de groepen. bv categorie weghalen of
Meervoudige ANOVA: samenvoegen
1 respons (ratio), meerdere verklarende Toetsen als de variabelen
variablen (nom of ord), kunnen elkaar (ratio of ordinaal) niet
beïnvloeden (interactie) Correlatie: normaal verdeeld zijn:
Vb: kijken of voersoort en vloersoort invloed als er geen sprake is van oorzaak en (nodig:volgorderangnummer
op de gem. groei gevolg. Kijken of er een samenhang is s)
Zonder interactie: Vb: cor. tussen lengte en versgewicht Werken allen met 1 verkl. Var
R-> summary(aov(respons~verkl1+verkl2)) R-> cor(x1,x2) of cor(bestandnaam). of 1 samenhangende variablen
Output dicht bij 1? Positief verband, - Mann-Whitney:
Met interactie:
getal is negatief verband. Toetsen of 2 groepen en ongepaard,
Als er meerdere waarnemingen per combinatie
een correlatiecoëfficiënt af van 0? ordinaal meetniveau. Vb:
van de verklarende variablen zijn kan je
(geen correlatie) dan: R-> rangnummers
interactie meenemen tussen de verkl.
cor.test(var1,var2). dressuurwedstrijd met merries
Variablen
R:-aov(respons ~ verkl1 + verkl2 + ANCOVA-covariantie-analyse: en hengsten.
verkl1:verkl2) Je toetst van meerdere verklarende
DFrest= >5 zijn voor betrouwbaarheid. variabelen, waarvan er ten minste 1
Bereken door DF waarnemingen-DF van nominaal/ordinaal is en ten minste 1
beiden verkl. Variablen. ratio of een van de variabelen sign
Bij interactie: DFverkl1*DFverkl2 er ook extra invloed heeft op de respons. Kruskal Wallis:
vanaf halen, als de Dfrest>5 dan is 3 of meer groepen en
interactie ook nuttig ongepaard, ordinaal
Je krijgt dan per verklarende variabele een p meetniveau. H0=geen
waarde Hierna kan nog een Tuckey toets verschil, H1=we; verschil.Vb: 7
uitgevoerd worden om tussen de groepen in de groepen wat ze verdienen (in
significante variabele verschillen te zien. Logistische regressie: rangn)
Gepaarde t-toets: Vb: dagelijks kijken of stieren wel of R->kruskal.test(resp~verkl)
1 respons (ratio), metingen per niet aanwezig. Significant? Dan per 2-tal
onderzoekselement, hetzelfde onder.el in 2 mann-whitney toets uitvoeren.
verschillende situaties.Verkl=nom of ord. Vb: Wilcoxon:
bedrijven 1tm9 wordt gekeken naar gem Dezelfde onderzoeksel in 2
dieselverbruik bij proefopzet en normale opzet. situaties, gepaard. Ordinaal of
Dus 2 metingen op hetzelfde object. ratio (niet nor).
R_> t.test(On.el1,On.el2, paired = TRUE, Vb: 9 honden die last hebben
Poisson regressie: Vb: verschil hartfreq
alternative = ‘’less”), kan ook greater of van de huid getest of een
bij versch.snelheden
two.sided zijn. shampo werkt, kijken naar
Repeated measures: krabgedrag voor en na de
1 respons (ratio), 1 ond. El met 3 of meer metingen,
waarbij hetzelfde kenmerk wordt gemeten. Gaat
shampoo.
vaak over de tijd heen(longitudinale studies), vb:
