Correlationele
Onderzoeksmethoden
Jaar 2 , blok 2
Side note: de hst. van M1,2,3 komen uit boek 1 , de andere hst. die ik noem komen uit
boek 2 😊!
,M1 – Voorkennis
Hoofdstuk 2 – Basic research concept
(alleen: 2.1-2.2.3 , 2.6-2.8 , 2.11-2.12)
Data (set) verwijst naar informatie (meestal numeriek) over meerdere variabelen. Analyse
betekent het toepassen van statistische technieken. Een variabele is een kenmerk dat kan
verschillen tussen personen of objecten. De onderzochte eenheden heten subjects/cases.
Er zijn twee hoofdsoorten variabelen:
Categorische variabelen / nominale variabelen: geven alleen aan tot welke groep
iemand behoort (bijv. geslacht). De nummers zijn labels en hebben geen wiskundige
betekenis.
Quantitatieve variabelen: geven hoeveelheden weer (bijv. lengte), waarmee rekenen
en gemiddelden nemen wel zinvol is. Ordinaal (ordening), Interval (ordening, maar
zonder nulpunt), Ratio (ordening met nulpunt, waardoor je ook bijv. kan zeggen dat iemand 2x zoveel
is dan de ander)
In een experimenteel onderzoeksdesign vergelijkt de onderzoeker groepen die verschillende
behandelingen krijgen. Vaak is er een controle groep (geen behandeling) en een of meer
experimentele groepen. Belangrijk hierbij is:
Random sampling van participanten van een populatie = willekeurig selecteren van
deelnemers uit de populatie, zodat de steekproef representatief is voor de populatie,
zodat je hiernaar kan generaliseren.
V Simple random sampling = iedereen in de populatie heeft dezelfde kans
om in de steekproef terecht te komen.
V Stratified sampling = de populatie wordt opgedeeld in strata (groepen zoals
geslacht, afkomst, leeftijd,..) en binnen elk stratum wordt een aselecte
steekproef getrokken
X Convenience sampling / accidental sample = de steekproef bestaat uit
degene die voorhanden zijn meestal is er hiervan sprake maar worden er
conclusies getrokken alsof de steekproef aselect was
Random assignment van participanten in condities = willekeurig toewijzen van
deelnemers aan groepen. Dit voorkomt dat bestaande kenmerken de uitkomst
vertekenen.
Standaardisatie / experimentele controle over andere situationele factoren / vreemde
(extraneous) variabelen = zoveel mogelijk andere invloeden gelijk houden.
Soms treedt unlucky randomization op: toevallig ongelijke groepen ondanks randomisatie.
Bij een nonexperimenteel onderzoeksdesign / correlationele studie worden variabelen
alleen gemeten, waardoor causaliteit moeilijk vast te stellen is.
Een quasi-experimenteel onderzoeksdesign ligt tussen experimenteel en niet-experimenteel
in. Er zijn groepen en een behandeling, maar de onderzoeker heeft geen volledige controle
,(bv. bestaande klassen vergelijken = nonequivalente controle groepen). Hierdoor blijft de
kans op een foute conclusie bestaan.
Proximal similarity model = onderzoekers mogen generaliseren zolang de kenmerken van
hun aselecte steekproef lijken op die van de bredere populatie. Dit wordt soms een
hypothetische / denkbeeldige (imaginary) populatie genoemd: een denkbeeldige populatie
waarvoor de resultaten waarschijnlijk ook gelden.
Als er wél sprake is van een random sample, dan gebruiken onderzoekers het sampling
model: methoden waarmee je resultaten van de steekproef kan doortrekken naar de populatie.
(Maar in beide gevallen moeten generalisaties voorzichtig gebeuren, omdat zelfs een
willekeurige steekproef niet altijd volledig representatief hoeft te zijn.)
Hoofdstuk 7 - Steekproeffout &
Betrouwbaarheidsinterval (alleen: 7.1 ,
7.2 , 7.5 , 7.13 , 7.14)
Bij het gebruik van statistiek onderscheiden we twee functies:
Descriptieve statistiek: hierbij beschrijven we alleen de gegevens van een steekproef.
De analyse blijft beperkt tot de onderzochte groep, zonder uitspraken te doen over een
bredere populatie.
Centrummaten (Measures of central tendency) = Gemiddelde ( ),
Mediaan (score die laagste en hoogste helft vd scores scheidt),
Modus (meest geobserveerde score)
Spreidingsmaten (Measures of dispersion) = Variantie ( ), Standaarddeviatie
( )
Inferentieel gebruik van statistiek: hierbij willen onderzoekers uitspraken doen over
een populatie op basis van een steekproef.
Belief in de Law of Small Numbers = vaak wordt gedacht dat de steekproef
heel representatief is voor de populatie zeker bij kleine steekproeven is dit
niet het geval & kunnen de steekproeven erg van elkaar verschillen
(steekproef-fluctuaties).
(Grotere steekproeven lijken meer op de populatie en hebben meer power.)
2 populaire methoden zijn: Nul hypothese significantie testen (NHST), mbv.
een one-sample T-toets & Betrouwbaarheidsinterval schatting
NHST: Formuleer H0 en H1 bepaal de beslisregel (alpha) haal de t-waarde en p-waarde uit je
uitput verwerp op basis hiervan H0 wel of niet
Als je eenzijdig toetst, heb je eerder een significant resulaat (áls het effect ook die richting op is), je mag
dan de p-waarde die SPSS geeft voor je data door 2 delen.
Uitdagingen hierbij zijn:
1. Representativiteit van de steekproef.
2. Steekproeffout (sampling error): verschillende steekproeven uit dezelfde populatie
leveren vaak verschillende gemiddelden op.
, De steekproevenverdeling van M is de verdeling van gemiddelden over heel veel
steekproeven uit dezelfde populatie. Deze verdeling heeft een gemiddelde gelijk aan het
populatiegemiddelde (μ) en een spreiding die wordt weergegeven door de standaardfout
(σM of SEM).
De populatiekenmerken waarnaar we willen generaliseren worden parameters genoemd
(bijvoorbeeld het populatiegemiddelde μ of de populatievariantie). Bijv. het gemiddelde /
variantie van de steekproefgegevens zijn schattingen van die parameters.
Een belangrijk hulpmiddel bij inferentiële statistiek is het confidence interval
(betrouwbaarheidsinterval). Dit is een interval rond het steekproefgemiddelde dat een gekozen
betrouwbaarheidslevel (vaak 95%) heeft.
Dit betekent: Als je heel veel steekproeven van dezelfde populatie neemt, en voor elk daarvan
een 95%-CI berekent, dan zal ongeveer 95% van die intervallen het échte
populatiegemiddelde bevatten. (en 5% zal een CI hebben die het populatiegemiddelde niet
bevat).
Of: Wanneer we de studie heel vaak over zouden doen, dan zou de echte waarde (populatie
waarde) in 95% van de keren in het interval zitten. Daarom zijn de waarden die tussen het
interval zitten, waarschijnlijke waardes van de populatiecorrelatie.
Met een kleinere steekproef is het CI breder, waardoor er minder zekerheid is over de
populatie.
Hoofdstuk 9 (alleen: 9.1 , 9.4-9.16)
In onderzoek wordt vaak veel nadruk gelegd op p-waarden, dit is de kans op de gevonden
data (bijv. r of M) of nog extremer, áls de nul-hypothese waar zou zijn. (En je kan bijv. NIET
dat dat de kans is dat de nul-hypothese waar is!)
Wanneer p < .05, trekken onderzoekers soms te snel conclusies. Dit kan misleidend zijn,
omdat p-waarden afhankelijk zijn van steekproefgrootte én effectgrootte, en vaak verkeerd
geïnterpreteerd of gemanipuleerd worden (bijv. via p-hacking).
Het is daarom belangrijk om onderscheid te maken tussen statistische significantie en
klinische/praktische significantie. Een resultaat kan statistisch significant zijn (niet
waarschijnlijk dat het door toeval komt), maar in de praktijk te klein om betekenisvol te zijn.
Bijvoorbeeld: een onderzoek toont een verschil van 1 IQ-punt met p < .001; dit is statistisch
significant, maar praktisch verwaarloosbaar.
Onderzoeksmethoden
Jaar 2 , blok 2
Side note: de hst. van M1,2,3 komen uit boek 1 , de andere hst. die ik noem komen uit
boek 2 😊!
,M1 – Voorkennis
Hoofdstuk 2 – Basic research concept
(alleen: 2.1-2.2.3 , 2.6-2.8 , 2.11-2.12)
Data (set) verwijst naar informatie (meestal numeriek) over meerdere variabelen. Analyse
betekent het toepassen van statistische technieken. Een variabele is een kenmerk dat kan
verschillen tussen personen of objecten. De onderzochte eenheden heten subjects/cases.
Er zijn twee hoofdsoorten variabelen:
Categorische variabelen / nominale variabelen: geven alleen aan tot welke groep
iemand behoort (bijv. geslacht). De nummers zijn labels en hebben geen wiskundige
betekenis.
Quantitatieve variabelen: geven hoeveelheden weer (bijv. lengte), waarmee rekenen
en gemiddelden nemen wel zinvol is. Ordinaal (ordening), Interval (ordening, maar
zonder nulpunt), Ratio (ordening met nulpunt, waardoor je ook bijv. kan zeggen dat iemand 2x zoveel
is dan de ander)
In een experimenteel onderzoeksdesign vergelijkt de onderzoeker groepen die verschillende
behandelingen krijgen. Vaak is er een controle groep (geen behandeling) en een of meer
experimentele groepen. Belangrijk hierbij is:
Random sampling van participanten van een populatie = willekeurig selecteren van
deelnemers uit de populatie, zodat de steekproef representatief is voor de populatie,
zodat je hiernaar kan generaliseren.
V Simple random sampling = iedereen in de populatie heeft dezelfde kans
om in de steekproef terecht te komen.
V Stratified sampling = de populatie wordt opgedeeld in strata (groepen zoals
geslacht, afkomst, leeftijd,..) en binnen elk stratum wordt een aselecte
steekproef getrokken
X Convenience sampling / accidental sample = de steekproef bestaat uit
degene die voorhanden zijn meestal is er hiervan sprake maar worden er
conclusies getrokken alsof de steekproef aselect was
Random assignment van participanten in condities = willekeurig toewijzen van
deelnemers aan groepen. Dit voorkomt dat bestaande kenmerken de uitkomst
vertekenen.
Standaardisatie / experimentele controle over andere situationele factoren / vreemde
(extraneous) variabelen = zoveel mogelijk andere invloeden gelijk houden.
Soms treedt unlucky randomization op: toevallig ongelijke groepen ondanks randomisatie.
Bij een nonexperimenteel onderzoeksdesign / correlationele studie worden variabelen
alleen gemeten, waardoor causaliteit moeilijk vast te stellen is.
Een quasi-experimenteel onderzoeksdesign ligt tussen experimenteel en niet-experimenteel
in. Er zijn groepen en een behandeling, maar de onderzoeker heeft geen volledige controle
,(bv. bestaande klassen vergelijken = nonequivalente controle groepen). Hierdoor blijft de
kans op een foute conclusie bestaan.
Proximal similarity model = onderzoekers mogen generaliseren zolang de kenmerken van
hun aselecte steekproef lijken op die van de bredere populatie. Dit wordt soms een
hypothetische / denkbeeldige (imaginary) populatie genoemd: een denkbeeldige populatie
waarvoor de resultaten waarschijnlijk ook gelden.
Als er wél sprake is van een random sample, dan gebruiken onderzoekers het sampling
model: methoden waarmee je resultaten van de steekproef kan doortrekken naar de populatie.
(Maar in beide gevallen moeten generalisaties voorzichtig gebeuren, omdat zelfs een
willekeurige steekproef niet altijd volledig representatief hoeft te zijn.)
Hoofdstuk 7 - Steekproeffout &
Betrouwbaarheidsinterval (alleen: 7.1 ,
7.2 , 7.5 , 7.13 , 7.14)
Bij het gebruik van statistiek onderscheiden we twee functies:
Descriptieve statistiek: hierbij beschrijven we alleen de gegevens van een steekproef.
De analyse blijft beperkt tot de onderzochte groep, zonder uitspraken te doen over een
bredere populatie.
Centrummaten (Measures of central tendency) = Gemiddelde ( ),
Mediaan (score die laagste en hoogste helft vd scores scheidt),
Modus (meest geobserveerde score)
Spreidingsmaten (Measures of dispersion) = Variantie ( ), Standaarddeviatie
( )
Inferentieel gebruik van statistiek: hierbij willen onderzoekers uitspraken doen over
een populatie op basis van een steekproef.
Belief in de Law of Small Numbers = vaak wordt gedacht dat de steekproef
heel representatief is voor de populatie zeker bij kleine steekproeven is dit
niet het geval & kunnen de steekproeven erg van elkaar verschillen
(steekproef-fluctuaties).
(Grotere steekproeven lijken meer op de populatie en hebben meer power.)
2 populaire methoden zijn: Nul hypothese significantie testen (NHST), mbv.
een one-sample T-toets & Betrouwbaarheidsinterval schatting
NHST: Formuleer H0 en H1 bepaal de beslisregel (alpha) haal de t-waarde en p-waarde uit je
uitput verwerp op basis hiervan H0 wel of niet
Als je eenzijdig toetst, heb je eerder een significant resulaat (áls het effect ook die richting op is), je mag
dan de p-waarde die SPSS geeft voor je data door 2 delen.
Uitdagingen hierbij zijn:
1. Representativiteit van de steekproef.
2. Steekproeffout (sampling error): verschillende steekproeven uit dezelfde populatie
leveren vaak verschillende gemiddelden op.
, De steekproevenverdeling van M is de verdeling van gemiddelden over heel veel
steekproeven uit dezelfde populatie. Deze verdeling heeft een gemiddelde gelijk aan het
populatiegemiddelde (μ) en een spreiding die wordt weergegeven door de standaardfout
(σM of SEM).
De populatiekenmerken waarnaar we willen generaliseren worden parameters genoemd
(bijvoorbeeld het populatiegemiddelde μ of de populatievariantie). Bijv. het gemiddelde /
variantie van de steekproefgegevens zijn schattingen van die parameters.
Een belangrijk hulpmiddel bij inferentiële statistiek is het confidence interval
(betrouwbaarheidsinterval). Dit is een interval rond het steekproefgemiddelde dat een gekozen
betrouwbaarheidslevel (vaak 95%) heeft.
Dit betekent: Als je heel veel steekproeven van dezelfde populatie neemt, en voor elk daarvan
een 95%-CI berekent, dan zal ongeveer 95% van die intervallen het échte
populatiegemiddelde bevatten. (en 5% zal een CI hebben die het populatiegemiddelde niet
bevat).
Of: Wanneer we de studie heel vaak over zouden doen, dan zou de echte waarde (populatie
waarde) in 95% van de keren in het interval zitten. Daarom zijn de waarden die tussen het
interval zitten, waarschijnlijke waardes van de populatiecorrelatie.
Met een kleinere steekproef is het CI breder, waardoor er minder zekerheid is over de
populatie.
Hoofdstuk 9 (alleen: 9.1 , 9.4-9.16)
In onderzoek wordt vaak veel nadruk gelegd op p-waarden, dit is de kans op de gevonden
data (bijv. r of M) of nog extremer, áls de nul-hypothese waar zou zijn. (En je kan bijv. NIET
dat dat de kans is dat de nul-hypothese waar is!)
Wanneer p < .05, trekken onderzoekers soms te snel conclusies. Dit kan misleidend zijn,
omdat p-waarden afhankelijk zijn van steekproefgrootte én effectgrootte, en vaak verkeerd
geïnterpreteerd of gemanipuleerd worden (bijv. via p-hacking).
Het is daarom belangrijk om onderscheid te maken tussen statistische significantie en
klinische/praktische significantie. Een resultaat kan statistisch significant zijn (niet
waarschijnlijk dat het door toeval komt), maar in de praktijk te klein om betekenisvol te zijn.
Bijvoorbeeld: een onderzoek toont een verschil van 1 IQ-punt met p < .001; dit is statistisch
significant, maar praktisch verwaarloosbaar.
