Inhoudsopgave
Analyzing the Data (p. 49–51)........................................................................................................................ 1
Conducting Your Analyses (p. 332–336).......................................................................................................... 4
Drawing Conclusions and Reporting the Results (p. 52–53).............................................................................8
Interpreting the Results of a Factorial Experiment (p. 229–237)....................................................................10
Describing Single Variables (p. 297–308)....................................................................................................... 14
Expressing Your Results (p. 321–331)............................................................................................................ 18
Analyzing the Data (p. 49–51)
Inleiding: de rol van data-analyse in psychologisch onderzoek
,In dit gedeelte beschrijven de auteurs de laatste fase van de onderzoekscyclus: het
analyseren van verzamelde gegevens. Nadat een onderzoeksvraag is gesteld, een hypothese is
ontwikkeld en een studie is uitgevoerd, vormt data-analyse de brug tussen ruwe observaties en
wetenschappelijke conclusies.
Het doel van data-analyse in de psychologie is niet enkel het genereren van cijfers, maar
het samenvatten, interpreteren en evalueren van patronen in de gegevens om te bepalen
of deze overeenkomen met de voorspellingen uit de hypothese. De auteurs benadrukken dat
deze stap zowel statistische kennis als kritisch denkvermogen vereist: correcte analyses zijn
slechts waardevol als ze op een juiste manier worden geïnterpreteerd binnen de theoretische
context.
Twee hoofdcategorieën van data-analyse
De auteurs onderscheiden twee fundamentele vormen van statistische analyse die elkaar
aanvullen: beschrijvende statistiek en inferentiële statistiek.
1. Beschrijvende statistiek (descriptive statistics)
Deze analyses worden gebruikt om de gegevens te ordenen, samenvatten en
begrijpelijk weer te geven.
Ze helpen onderzoekers te zien wat er in de steekproef is gebeurd zonder
generalisaties te maken.
Typische beschrijvende statistieken zijn:
o Gemiddelde (mean), mediaan en modus – centrale tendens van de data.
o Standaarddeviatie (SD) of variantie – spreiding of variabiliteit van de scores.
o Frequenties en percentages – vooral gebruikt bij categorische variabelen.
Beschrijvende statistieken worden vaak visueel gepresenteerd via grafieken, tabellen
of histogrammen om patronen overzichtelijk te maken.
Ze vormen de eerste stap in de analyse, omdat ze fouten, uitschieters of onverwachte
patronen kunnen blootleggen nog vóór inferentiële toetsen worden uitgevoerd.
2. Inferentiële statistiek (inferential statistics)
Deze methoden worden gebruikt om uitspraken te doen over populaties op basis
van steekproefgegevens.
Omdat onderzoek meestal slechts een beperkte steekproef gebruikt, maken
psychologen gebruik van kansrekening om te bepalen of waargenomen effecten
waarschijnlijk ook in de populatie bestaan.
Inferentiële statistiek stelt onderzoekers in staat om hypothesen te toetsen, verbanden
tussen variabelen te onderzoeken en conclusies te trekken die verder reiken dan de
specifieke steekproef.
Enkele veelgebruikte inferentiële toetsen zijn:
o t-toetsen (voor verschil tussen twee gemiddelden),
o ANOVA (variantie-analyse) (voor verschil tussen drie of meer gemiddelden),
o correlatieanalyse (voor samenhang tussen variabelen),
o chi-kwadraattoets (voor categorische data).
, Elke toets levert een p-waarde op, die aangeeft hoe waarschijnlijk het is dat het
waargenomen resultaat zou optreden als er in werkelijkheid geen effect is (onder de
nulhypothese).
De rol van kans en onzekerheid
De auteurs benadrukken dat data-analyse in de psychologie altijd te maken heeft
met onzekerheid. Omdat onderzoekers met steekproeven werken, kunnen bevindingen
worden beïnvloed door toeval. Daarom is statistische inferentie bedoeld om te schatten hoe
betrouwbaar de resultaten zijn.
Een p-waarde kleiner dan 0,05 wordt traditioneel geïnterpreteerd als statistisch significant,
wat betekent dat het resultaat waarschijnlijk niet puur op toeval berust. De auteurs
waarschuwen echter dat een lage p-waarde geen garantie is voor praktische of theoretische
relevantie. Statistische significantie betekent niet altijd dat het effect groot of belangrijk is.
Daarom raden zij aan om ook effectgroottes (effect sizes) te rapporteren kwantitatieve
schattingen van de sterkte van het verband of verschil en betrouwbaarheidsintervallen om
de precisie van schattingen weer te geven. Dit geeft een vollediger beeld van de betekenis van
de resultaten dan alleen p-waarden.
Toetsing van hypothesen
In experimenteel en correlatief onderzoek wordt data-analyse meestal gebruikt
om hypothesen te toetsen. De procedure verloopt als volgt:
1. Formuleer de nulhypothese (H₀) en de alternatieve hypothese (H₁).
o H₀ stelt dat er geen effect of verschil is.
o H₁ stelt dat er wél een effect of verschil is.
2. Bereken een statistiek (zoals t, F of r) op basis van de data.
3. Vergelijk de uitkomst met de verwachte verdeling onder de nulhypothese.
4. Bepaal de p-waarde.
5. Trek een conclusie: verwerp H₀ (bij een significant resultaat) of behoud H₀ (bij niet-
significantie).
De auteurs benadrukken dat deze beslissingen altijd voorlopig zijn: een p-waarde zegt niets
over de waarheidswaarde van de hypothese, maar slechts over de mate waarin de gegevens
ermee in overeenstemming zijn.
Verkennen versus toetsen
Niet alle data-analyses hebben hetzelfde doel. De auteurs onderscheiden twee
onderzoeksbenaderingen:
Analyzing the Data (p. 49–51)........................................................................................................................ 1
Conducting Your Analyses (p. 332–336).......................................................................................................... 4
Drawing Conclusions and Reporting the Results (p. 52–53).............................................................................8
Interpreting the Results of a Factorial Experiment (p. 229–237)....................................................................10
Describing Single Variables (p. 297–308)....................................................................................................... 14
Expressing Your Results (p. 321–331)............................................................................................................ 18
Analyzing the Data (p. 49–51)
Inleiding: de rol van data-analyse in psychologisch onderzoek
,In dit gedeelte beschrijven de auteurs de laatste fase van de onderzoekscyclus: het
analyseren van verzamelde gegevens. Nadat een onderzoeksvraag is gesteld, een hypothese is
ontwikkeld en een studie is uitgevoerd, vormt data-analyse de brug tussen ruwe observaties en
wetenschappelijke conclusies.
Het doel van data-analyse in de psychologie is niet enkel het genereren van cijfers, maar
het samenvatten, interpreteren en evalueren van patronen in de gegevens om te bepalen
of deze overeenkomen met de voorspellingen uit de hypothese. De auteurs benadrukken dat
deze stap zowel statistische kennis als kritisch denkvermogen vereist: correcte analyses zijn
slechts waardevol als ze op een juiste manier worden geïnterpreteerd binnen de theoretische
context.
Twee hoofdcategorieën van data-analyse
De auteurs onderscheiden twee fundamentele vormen van statistische analyse die elkaar
aanvullen: beschrijvende statistiek en inferentiële statistiek.
1. Beschrijvende statistiek (descriptive statistics)
Deze analyses worden gebruikt om de gegevens te ordenen, samenvatten en
begrijpelijk weer te geven.
Ze helpen onderzoekers te zien wat er in de steekproef is gebeurd zonder
generalisaties te maken.
Typische beschrijvende statistieken zijn:
o Gemiddelde (mean), mediaan en modus – centrale tendens van de data.
o Standaarddeviatie (SD) of variantie – spreiding of variabiliteit van de scores.
o Frequenties en percentages – vooral gebruikt bij categorische variabelen.
Beschrijvende statistieken worden vaak visueel gepresenteerd via grafieken, tabellen
of histogrammen om patronen overzichtelijk te maken.
Ze vormen de eerste stap in de analyse, omdat ze fouten, uitschieters of onverwachte
patronen kunnen blootleggen nog vóór inferentiële toetsen worden uitgevoerd.
2. Inferentiële statistiek (inferential statistics)
Deze methoden worden gebruikt om uitspraken te doen over populaties op basis
van steekproefgegevens.
Omdat onderzoek meestal slechts een beperkte steekproef gebruikt, maken
psychologen gebruik van kansrekening om te bepalen of waargenomen effecten
waarschijnlijk ook in de populatie bestaan.
Inferentiële statistiek stelt onderzoekers in staat om hypothesen te toetsen, verbanden
tussen variabelen te onderzoeken en conclusies te trekken die verder reiken dan de
specifieke steekproef.
Enkele veelgebruikte inferentiële toetsen zijn:
o t-toetsen (voor verschil tussen twee gemiddelden),
o ANOVA (variantie-analyse) (voor verschil tussen drie of meer gemiddelden),
o correlatieanalyse (voor samenhang tussen variabelen),
o chi-kwadraattoets (voor categorische data).
, Elke toets levert een p-waarde op, die aangeeft hoe waarschijnlijk het is dat het
waargenomen resultaat zou optreden als er in werkelijkheid geen effect is (onder de
nulhypothese).
De rol van kans en onzekerheid
De auteurs benadrukken dat data-analyse in de psychologie altijd te maken heeft
met onzekerheid. Omdat onderzoekers met steekproeven werken, kunnen bevindingen
worden beïnvloed door toeval. Daarom is statistische inferentie bedoeld om te schatten hoe
betrouwbaar de resultaten zijn.
Een p-waarde kleiner dan 0,05 wordt traditioneel geïnterpreteerd als statistisch significant,
wat betekent dat het resultaat waarschijnlijk niet puur op toeval berust. De auteurs
waarschuwen echter dat een lage p-waarde geen garantie is voor praktische of theoretische
relevantie. Statistische significantie betekent niet altijd dat het effect groot of belangrijk is.
Daarom raden zij aan om ook effectgroottes (effect sizes) te rapporteren kwantitatieve
schattingen van de sterkte van het verband of verschil en betrouwbaarheidsintervallen om
de precisie van schattingen weer te geven. Dit geeft een vollediger beeld van de betekenis van
de resultaten dan alleen p-waarden.
Toetsing van hypothesen
In experimenteel en correlatief onderzoek wordt data-analyse meestal gebruikt
om hypothesen te toetsen. De procedure verloopt als volgt:
1. Formuleer de nulhypothese (H₀) en de alternatieve hypothese (H₁).
o H₀ stelt dat er geen effect of verschil is.
o H₁ stelt dat er wél een effect of verschil is.
2. Bereken een statistiek (zoals t, F of r) op basis van de data.
3. Vergelijk de uitkomst met de verwachte verdeling onder de nulhypothese.
4. Bepaal de p-waarde.
5. Trek een conclusie: verwerp H₀ (bij een significant resultaat) of behoud H₀ (bij niet-
significantie).
De auteurs benadrukken dat deze beslissingen altijd voorlopig zijn: een p-waarde zegt niets
over de waarheidswaarde van de hypothese, maar slechts over de mate waarin de gegevens
ermee in overeenstemming zijn.
Verkennen versus toetsen
Niet alle data-analyses hebben hetzelfde doel. De auteurs onderscheiden twee
onderzoeksbenaderingen:
