Hoorcollege 1
Waarom (ook alweer) statistiek?
Algemene Statistische geletterdheid
Statistical literacy 'is the ability to understand and critically evaluate statistical results that
permeate our daily lives – coupled with the ability to appreciate the contributions that
statistical thinking can make in public and private, professional and personal decisions‘
(Wallman, 1993).
A lack of statistical literacy can easily lead to “misunderstandings, misperceptions, mistrusts
and misgivings about the value of statistics for guidance in public and private choices”
(Wallman, 1993)
Gegevens op basis van statistieken op waarden, kritischer wanneer je ook de krant leest,
data is namelijk nogal te manipuleren, je kunt veel stukken lezen waar veel verdraait is.
Belang voor het werkveld
Bv. het is belangrijk om een goede toets te kiezen, of interventie, dat je wel de goede kan
kiezen wat relevant is voor jou. Waarom je voor welke methode kiest.
Basis gelegd in Statistiek 1
● Steekproeven: hoe verzamelen we proefpersonen, wat is representatief.
● Beschrijvende Statistiek:
- Descriptive statistics summarize sample or population data with numbers, tables, and
graphs: getallen, tabellen en figuren om data over een persoon te beschrijven. Kan
gaan over een populatie, dus iedereen over wie je een uitspraak zou willen doen.
Maar vaak zijn het gegevens over eens steekproef (het liefst willekeurig). Kan je
beschrijven aan de hand van bv. gemiddeldes, histogrammen enz. Om vervolgens
inferentiele statistiek (toetsende statistiek) te gebruiken, om op basis van die
steekproefdata uitspraak te doen over de populatie die je dus niet zag. P-waarde,
z-toetsen, t-toetsen etc. Dus gegevens over de steekproef, maar je wil uitspraak
doen over de populatie waaruit die steekproef getrokken is.
● Inferentiële Statistiek:
- Inferential statistics make predictions about population parameters, based on
sample data.
Statistiek 1 ging over 1 of 2 variabelen, bv:
● Wijkt het gemiddelde IQ van statistiek studenten af van het landelijk gemiddelde?
● Halen studenten die meer uren studeren een hoger cijfer op het tentamen?
Maar de meeste vragen in de pedagogiek, psychologie en onderwijswetenschappen gaan
over complexere fenomenen.
Correlatie is nog niet causaliteit!
Spurieus verband [schijnverband]:
• Er is een verband tussen A en B
1
,• Maar, dit verband is te verklaren door andere variabelen die zowel A als B veroorzaken
• A veroorzaakt B niet
Voorbeeld: het verband tussen chocoladeconsumptie en nobelprijswinnaars, → maar je kunt
het verklaren door welvaart, hoge welvaart, meer chocolade consumptie meer investeringen
meer nobelprijs etc. Het is anders te verklaren.
Of: hoe meer je studeert, hoe ouder je wordt. Maar er is ws. een derde variabele die het
verband drijft.
Criteria om causaliteit vast te stellen:
Veel vragen in ons vakgebied gaan over causaliteit:
● Wat is het effect van een interventie (x) op …. (y)
● Is gamen/pesten (x) schadelijk voor… (y)
● Zorgen kleinere klassen (x) voor betere leerprestaties (y)
Leidende criteria voor een causaal verband: John Stuart Mill (1843): We kunnen alleen
beargumenteren dat B veroorzaakt wordt door A als:
1. Er een verband bestaat tussen A en B (associatie)
2. B moet plaatsvinden na A (volgordelijkheid)
3. Het verband tussen A en B niet wordt verklaard door andere factoren (alternatieve
verklaringen zijn uitgesloten). Dat is heel moeilijk. Hoe kunnen we alternatieve
verklaringen uitsluiten? → een experiment.
Alternatieve verklaringen uitsluiten
Twee manieren om alternatieve verklaringen uit te sluiten: experimentele controle.
Kunnen we (deels) doen door te controleren voor andere variabelen → Effect wegnemen
Experimentele controle: In je onderzoeksdesign. Een onderzoeksmethodologie onderwerp,
gaat over het design van een onderzoek.
● RCT vaak als gouden standaard gezien: want dan manipuleer je de volgordelijkheid,
je laat iets gebeuren en je sluit alternatieve verklaringen uit als je willekeurig
proefpersonen aan een controle en experimentele conditie toewijst. Dus gouden
standaard want:
- Volgordelijkheid gemanipuleerd (Crit. 2)
- Alternatieve verklaringen (deels) uitsluiten door randomisatie (Crit. 3)
● Zowel observeerbare als niet-observeerbare kenmerken moeten gelijk zijn.
→ Haalbaar en realistisch? Het is heel ingewikkeld en vaak kun je dat niet
grootschalig realiseren. Dus gebruik je vaak statistische controle. In onze analyses
controleren we voor andere variabelen.
Statistische controle: In je data-analyse strategie
Optie 1: Onderzoek x-y verband binnen subgroepen (op basis van andere variabelen). Dus
landen met een vergelijkbaar bnp, kijk je hoe zit het moet jullie chocoladeconsumptie.
→ Vaak niet realistisch.
Optie 2: Neem alternatieve verklaringen op in je statistische model. Dus de derde, vierde,
vijfde variabele neem je op in je statistische model.
→ Deze cursus!
2
,Multivariate relaties
Daarvoor zijn twee dingen belangrijk:
1. Belangrijk om relevante alternatieve verklaringen te herkennen.
→ Ken je theorie.
2. En je statistische analyses en interpretatie hierop aan te passen.
→ Ken je statistiek.
Met als doel, dat je vertekende resultaten door lurking [sluimerende] variabelen kunt
vermijden:
Variabelen die niet zijn meegenomen in een studie, maar wel de onderzochtte relatie
verklaren of beïnvloeden.
Wees hierbij beducht voor verschillende soorten multivariate relaties
Het eerste verband is een spurieus verband. Wanneer 2 variabelen samenhangen, maar
ook met een derde variabele, bv. een x en y. Als je een derde variabele opneemt, verdwijnt
het verband tussen x en y. Voorbeeld: x staat lengte en y wiskunde scores. Er lijkt een
positieve samenhang. Langere kinderen scoren beter op wiskunde. Maar het zijn geen
puntjes, maar getallen. Het zijn klassen. Als we binnen die klassen kijken, dan is er geen
verband meer. Dus binnen de subgroep verdwijnt dat verband: dat is een spurieus verband.
Het verband wordt volledig verklaard door het schooljaar. Klas positief met lengte en met
rekenvaardigheid (logisch), maar niet lengte en rekenen.
Ander voorbeeld: kinderen die slapen met een nachtlampje zijn vaker nachtblind. Wat bleek:
ouders die zelf nachtblind zijn hebben behoefte aan een nachtlampje, kinderen die
nachtblinde ouders hebben zijn ook vaker zelf nachtblind (erfelijk).
Dus wees bewust van de lurkende variabelen.
3
, In al die vorige dingen zagen we een verband. Maar het tegenovergestelde kan ook. Soms
vind je bijna geen (significant verband) totdat je gaat controleren voor de derde variabelen.
Voorbeeld: praten over boeken. De een kreeg wel de interventie de ander niet. Doet die met
interventie het beter met woorden? Nee, er is geen verband.
Maar: in de interventiegroep scoren kinderen op de pre-test lager dan de controle groep. En
die voorspelt waarschijnlijk ook taalvaardigheid. Dus ze willen eerst de interventie geven aan
kinderen die moeite hebben met de woordenschat.
Dus de controlegroep en interventiegroep waren al scheef verdeelt.
Het verband was positief, maar wordt negatief na controle.
Bijvoorbeeld: typesnelheid.
4
Waarom (ook alweer) statistiek?
Algemene Statistische geletterdheid
Statistical literacy 'is the ability to understand and critically evaluate statistical results that
permeate our daily lives – coupled with the ability to appreciate the contributions that
statistical thinking can make in public and private, professional and personal decisions‘
(Wallman, 1993).
A lack of statistical literacy can easily lead to “misunderstandings, misperceptions, mistrusts
and misgivings about the value of statistics for guidance in public and private choices”
(Wallman, 1993)
Gegevens op basis van statistieken op waarden, kritischer wanneer je ook de krant leest,
data is namelijk nogal te manipuleren, je kunt veel stukken lezen waar veel verdraait is.
Belang voor het werkveld
Bv. het is belangrijk om een goede toets te kiezen, of interventie, dat je wel de goede kan
kiezen wat relevant is voor jou. Waarom je voor welke methode kiest.
Basis gelegd in Statistiek 1
● Steekproeven: hoe verzamelen we proefpersonen, wat is representatief.
● Beschrijvende Statistiek:
- Descriptive statistics summarize sample or population data with numbers, tables, and
graphs: getallen, tabellen en figuren om data over een persoon te beschrijven. Kan
gaan over een populatie, dus iedereen over wie je een uitspraak zou willen doen.
Maar vaak zijn het gegevens over eens steekproef (het liefst willekeurig). Kan je
beschrijven aan de hand van bv. gemiddeldes, histogrammen enz. Om vervolgens
inferentiele statistiek (toetsende statistiek) te gebruiken, om op basis van die
steekproefdata uitspraak te doen over de populatie die je dus niet zag. P-waarde,
z-toetsen, t-toetsen etc. Dus gegevens over de steekproef, maar je wil uitspraak
doen over de populatie waaruit die steekproef getrokken is.
● Inferentiële Statistiek:
- Inferential statistics make predictions about population parameters, based on
sample data.
Statistiek 1 ging over 1 of 2 variabelen, bv:
● Wijkt het gemiddelde IQ van statistiek studenten af van het landelijk gemiddelde?
● Halen studenten die meer uren studeren een hoger cijfer op het tentamen?
Maar de meeste vragen in de pedagogiek, psychologie en onderwijswetenschappen gaan
over complexere fenomenen.
Correlatie is nog niet causaliteit!
Spurieus verband [schijnverband]:
• Er is een verband tussen A en B
1
,• Maar, dit verband is te verklaren door andere variabelen die zowel A als B veroorzaken
• A veroorzaakt B niet
Voorbeeld: het verband tussen chocoladeconsumptie en nobelprijswinnaars, → maar je kunt
het verklaren door welvaart, hoge welvaart, meer chocolade consumptie meer investeringen
meer nobelprijs etc. Het is anders te verklaren.
Of: hoe meer je studeert, hoe ouder je wordt. Maar er is ws. een derde variabele die het
verband drijft.
Criteria om causaliteit vast te stellen:
Veel vragen in ons vakgebied gaan over causaliteit:
● Wat is het effect van een interventie (x) op …. (y)
● Is gamen/pesten (x) schadelijk voor… (y)
● Zorgen kleinere klassen (x) voor betere leerprestaties (y)
Leidende criteria voor een causaal verband: John Stuart Mill (1843): We kunnen alleen
beargumenteren dat B veroorzaakt wordt door A als:
1. Er een verband bestaat tussen A en B (associatie)
2. B moet plaatsvinden na A (volgordelijkheid)
3. Het verband tussen A en B niet wordt verklaard door andere factoren (alternatieve
verklaringen zijn uitgesloten). Dat is heel moeilijk. Hoe kunnen we alternatieve
verklaringen uitsluiten? → een experiment.
Alternatieve verklaringen uitsluiten
Twee manieren om alternatieve verklaringen uit te sluiten: experimentele controle.
Kunnen we (deels) doen door te controleren voor andere variabelen → Effect wegnemen
Experimentele controle: In je onderzoeksdesign. Een onderzoeksmethodologie onderwerp,
gaat over het design van een onderzoek.
● RCT vaak als gouden standaard gezien: want dan manipuleer je de volgordelijkheid,
je laat iets gebeuren en je sluit alternatieve verklaringen uit als je willekeurig
proefpersonen aan een controle en experimentele conditie toewijst. Dus gouden
standaard want:
- Volgordelijkheid gemanipuleerd (Crit. 2)
- Alternatieve verklaringen (deels) uitsluiten door randomisatie (Crit. 3)
● Zowel observeerbare als niet-observeerbare kenmerken moeten gelijk zijn.
→ Haalbaar en realistisch? Het is heel ingewikkeld en vaak kun je dat niet
grootschalig realiseren. Dus gebruik je vaak statistische controle. In onze analyses
controleren we voor andere variabelen.
Statistische controle: In je data-analyse strategie
Optie 1: Onderzoek x-y verband binnen subgroepen (op basis van andere variabelen). Dus
landen met een vergelijkbaar bnp, kijk je hoe zit het moet jullie chocoladeconsumptie.
→ Vaak niet realistisch.
Optie 2: Neem alternatieve verklaringen op in je statistische model. Dus de derde, vierde,
vijfde variabele neem je op in je statistische model.
→ Deze cursus!
2
,Multivariate relaties
Daarvoor zijn twee dingen belangrijk:
1. Belangrijk om relevante alternatieve verklaringen te herkennen.
→ Ken je theorie.
2. En je statistische analyses en interpretatie hierop aan te passen.
→ Ken je statistiek.
Met als doel, dat je vertekende resultaten door lurking [sluimerende] variabelen kunt
vermijden:
Variabelen die niet zijn meegenomen in een studie, maar wel de onderzochtte relatie
verklaren of beïnvloeden.
Wees hierbij beducht voor verschillende soorten multivariate relaties
Het eerste verband is een spurieus verband. Wanneer 2 variabelen samenhangen, maar
ook met een derde variabele, bv. een x en y. Als je een derde variabele opneemt, verdwijnt
het verband tussen x en y. Voorbeeld: x staat lengte en y wiskunde scores. Er lijkt een
positieve samenhang. Langere kinderen scoren beter op wiskunde. Maar het zijn geen
puntjes, maar getallen. Het zijn klassen. Als we binnen die klassen kijken, dan is er geen
verband meer. Dus binnen de subgroep verdwijnt dat verband: dat is een spurieus verband.
Het verband wordt volledig verklaard door het schooljaar. Klas positief met lengte en met
rekenvaardigheid (logisch), maar niet lengte en rekenen.
Ander voorbeeld: kinderen die slapen met een nachtlampje zijn vaker nachtblind. Wat bleek:
ouders die zelf nachtblind zijn hebben behoefte aan een nachtlampje, kinderen die
nachtblinde ouders hebben zijn ook vaker zelf nachtblind (erfelijk).
Dus wees bewust van de lurkende variabelen.
3
, In al die vorige dingen zagen we een verband. Maar het tegenovergestelde kan ook. Soms
vind je bijna geen (significant verband) totdat je gaat controleren voor de derde variabelen.
Voorbeeld: praten over boeken. De een kreeg wel de interventie de ander niet. Doet die met
interventie het beter met woorden? Nee, er is geen verband.
Maar: in de interventiegroep scoren kinderen op de pre-test lager dan de controle groep. En
die voorspelt waarschijnlijk ook taalvaardigheid. Dus ze willen eerst de interventie geven aan
kinderen die moeite hebben met de woordenschat.
Dus de controlegroep en interventiegroep waren al scheef verdeelt.
Het verband was positief, maar wordt negatief na controle.
Bijvoorbeeld: typesnelheid.
4
