Experimenteel onderzoek
Veel onderzoekers zijn geïnteresseerd in causale verbanden. Op deze manier willen ze beter
begrijpen hoe de (sociale) werkelijkheid in elkaar zit. Voorbeelden van deze situaties zijn 1) het effect
van motivatie op je leerprestaties en 2) het effect van SES op toegang tot gezondheidszorg. We zijn
dus benieuwd naar wat de werkelijkheid beïnvloedt en op welke manier.
De voorwaarden voor die causale verbanden, causaliteit, zijn:
1. Covariance: Er moet een relatie zijn tussen de twee variabelen
2. Temporal precedence: De oorzaak moet in de tijd voorafgaan aan het gevolg
3. Internal validity: Alternatieve verklaringen voor de gevonden relatie moeten zijn uitgesloten
De beste manier om te kunnen voldoen aan deze drie voorwaarden is middels een gerandomiseerd
experiment: dit is een onderzoeksopzet, waarbij 1) door randomisatie de groepen worden ingedeeld,
2) de onderzoeker één variabele manipuleert ( = varieert) en 3) de onderzoeker het effect daarvan op
een andere variabele meet. We gaan het effect meten van de gemanipuleerde variabele op de andere
variabelen. Door gebruik te maken van randomisatie ( = willekeurige toewijzing, volledig door toeval)
hebben we de grootste kans dat in de groepen bij aanvang vergelijkbaar zijn én alle variabelen
worden betrokken (zowel gemeten als ongemeten).
Bij experimenteel onderzoek is altijd sprake van een experimentele groep en een controle groep.
De afhankelijke variabele (de uitkomstvariabele) is de variabele die gemeten wordt. De onafhankelijke
variabele is de gemanipuleerde variabele, waarvan we het effect op iets anders gaan meten. In
experimenteel onderzoek wordt altijd een strak onderscheid gemaakt tussen deze twee variabelen.
Een onderzoeksvraag van een experimenteel onderzoek kun je herkennen aan de volgende
elementen (PICO):
Population: De groep mensen die de onderzoeker wil onderzoeken.
Intervention: De variabele die je manipuleert (de onafhankelijke variabele)
Comparison: De niveaus van de gemanipuleerde variabele ( = de groepen die vergeleken
worden)
Outcome: De gemeten variabele (de afhankelijke variabele)
We kunnen binnen experimenteel onderzoek gebruik maken van de Null Hypotheses Significance
Testing:
1. Toetskeuze, hypotheses bepalen en significantieniveau kiezen:
Om het verschil tussen een experimentele en controlegroep te analyseren, gebruiken we de t-
toets voor onafhankelijke groepen. De hypothesen die we toetsen zijn:
H0: DI = c
H0: DI - c = 0
, H1: DI > c H1: DI - c > 0
α = .05
2. Assumties controleren:
a. Is er gebruik gemaakt van een aselecte steekproef? (Lees het methode deel, hoe
hebben onderzoekers de participanten geselecteerd?). Soms wordt er ook gebruik
gemaakt van een selecte steekproef, maar daarbij moet je meer waakzaam zijn!
b. Afhankelijke variabele van interval/ratio meetniveau (De onafhankelijke variabele
mogen ook van een ander meetniveau zijn)
c. Onafhankelijke waarnemingen (Twee groepen zijn onafhankelijk)
d. Geen uitschieters: Binnen een boxplot worden milde uitschieters aangegeven met een
rondje, extremere uitschieters worden weergegeven met een ster. Milde uitschieters
hebben meestal geen/weinig invloed op het resultaat van de t-toets. Echter hebben
extreme uitschieters wel invloed en zul je dus moeten overwegen of je deze uit de
analyse laat.
e. Scores moeten in beide groepen normaal verdeeld zijn: Dit checken we door te kijken
of het histogram een klokvorm heeft (bouwt op en daarna weer af over het algemeen).
Schending van deze voorwaarde beïnvloedt de resultaten niet ernstig wanneer bij alle
groepen n > 30.
f. Scores moeten in beide groepen gelijke spreiding hebben: Dit kan je checken door te
kijken naar de Levene’s test: dit is een extra hypothese toets, bij de t-toets. Deze test
toetst of de spreiding van beide groepen gelijk is. Als je hier vindt dat je de H0 niet
moet verwerpen, dan heb je voldaan aan de assumptie en kan je door met de t-toets.
3. Toetingsgrootheid en p-waarde bepalen:
In SPSS kan het verschil in het gemiddelde tussen de directe groep en de controle groep
worden gevonden. We kunnen nu checken of onze hypothese overeenkomt met de
werkelijkheid.
Is er dan ook een significant verschil? Dat bekijken we via de steekproevenverdeling van t.
Deze verdeling is gebaseerd op de nulhypothese. Bij t hebben we verschillende
steekproevenverdelingen, die bij correlationeel werd bepaald door n, maar die binnen
experimenteel onderzoek worden bepaald door het aantal vrijheidsgraden (degrees of
freedom, df). De formule hiervoor is: df = (n1 – 1) + (n2 – 1).
Hoe groter n, hoe groter df, hoe minder spreiding in de steekproevenverdeling!
Om t uit te rekenen, is er de volgende formule:
M1 en M2 staat voor het verschil tussen de
steekproefgemiddelde. SE staat voor standard error (standaardfout). Wanneer we de waarden
van t dichtbij 0, dan vinden we de H0 het meest waarschijnlijk. Wanneer we de waarden van t
ver weg vinden van 0, vinden we H1 het meest waarschijnlijk.
Om te bepalen wat ‘dicht bij 0’ en ‘ver van 0’ is, gebruiken we weer de p-waarde en het
significantieniveau. (Bij SPSS wordt de p-waarde altijd tweezijdig aangegeven, bij JASP wordt
de p-waarde altijd eenzijdig aangegeven. We moeten dus goed opletten of de t-toets en dus
de p-waarde zijn uitgevoerd in JASP of SPSS).
4. Beslissing over H0:
Is het significantieniveau groter dan de p-waarde? Dan verwerpen we de H0 en H1 is het
meest waarschijnlijk.
Als we H0 verwerpen, betekent dit dan gelijk dat H1 waar is? H0 verwerpen betekent dat we
de alternatieve hypothese (H1) het meest waarschijnlijk vinden. We hebben vertrouwen in
Veel onderzoekers zijn geïnteresseerd in causale verbanden. Op deze manier willen ze beter
begrijpen hoe de (sociale) werkelijkheid in elkaar zit. Voorbeelden van deze situaties zijn 1) het effect
van motivatie op je leerprestaties en 2) het effect van SES op toegang tot gezondheidszorg. We zijn
dus benieuwd naar wat de werkelijkheid beïnvloedt en op welke manier.
De voorwaarden voor die causale verbanden, causaliteit, zijn:
1. Covariance: Er moet een relatie zijn tussen de twee variabelen
2. Temporal precedence: De oorzaak moet in de tijd voorafgaan aan het gevolg
3. Internal validity: Alternatieve verklaringen voor de gevonden relatie moeten zijn uitgesloten
De beste manier om te kunnen voldoen aan deze drie voorwaarden is middels een gerandomiseerd
experiment: dit is een onderzoeksopzet, waarbij 1) door randomisatie de groepen worden ingedeeld,
2) de onderzoeker één variabele manipuleert ( = varieert) en 3) de onderzoeker het effect daarvan op
een andere variabele meet. We gaan het effect meten van de gemanipuleerde variabele op de andere
variabelen. Door gebruik te maken van randomisatie ( = willekeurige toewijzing, volledig door toeval)
hebben we de grootste kans dat in de groepen bij aanvang vergelijkbaar zijn én alle variabelen
worden betrokken (zowel gemeten als ongemeten).
Bij experimenteel onderzoek is altijd sprake van een experimentele groep en een controle groep.
De afhankelijke variabele (de uitkomstvariabele) is de variabele die gemeten wordt. De onafhankelijke
variabele is de gemanipuleerde variabele, waarvan we het effect op iets anders gaan meten. In
experimenteel onderzoek wordt altijd een strak onderscheid gemaakt tussen deze twee variabelen.
Een onderzoeksvraag van een experimenteel onderzoek kun je herkennen aan de volgende
elementen (PICO):
Population: De groep mensen die de onderzoeker wil onderzoeken.
Intervention: De variabele die je manipuleert (de onafhankelijke variabele)
Comparison: De niveaus van de gemanipuleerde variabele ( = de groepen die vergeleken
worden)
Outcome: De gemeten variabele (de afhankelijke variabele)
We kunnen binnen experimenteel onderzoek gebruik maken van de Null Hypotheses Significance
Testing:
1. Toetskeuze, hypotheses bepalen en significantieniveau kiezen:
Om het verschil tussen een experimentele en controlegroep te analyseren, gebruiken we de t-
toets voor onafhankelijke groepen. De hypothesen die we toetsen zijn:
H0: DI = c
H0: DI - c = 0
, H1: DI > c H1: DI - c > 0
α = .05
2. Assumties controleren:
a. Is er gebruik gemaakt van een aselecte steekproef? (Lees het methode deel, hoe
hebben onderzoekers de participanten geselecteerd?). Soms wordt er ook gebruik
gemaakt van een selecte steekproef, maar daarbij moet je meer waakzaam zijn!
b. Afhankelijke variabele van interval/ratio meetniveau (De onafhankelijke variabele
mogen ook van een ander meetniveau zijn)
c. Onafhankelijke waarnemingen (Twee groepen zijn onafhankelijk)
d. Geen uitschieters: Binnen een boxplot worden milde uitschieters aangegeven met een
rondje, extremere uitschieters worden weergegeven met een ster. Milde uitschieters
hebben meestal geen/weinig invloed op het resultaat van de t-toets. Echter hebben
extreme uitschieters wel invloed en zul je dus moeten overwegen of je deze uit de
analyse laat.
e. Scores moeten in beide groepen normaal verdeeld zijn: Dit checken we door te kijken
of het histogram een klokvorm heeft (bouwt op en daarna weer af over het algemeen).
Schending van deze voorwaarde beïnvloedt de resultaten niet ernstig wanneer bij alle
groepen n > 30.
f. Scores moeten in beide groepen gelijke spreiding hebben: Dit kan je checken door te
kijken naar de Levene’s test: dit is een extra hypothese toets, bij de t-toets. Deze test
toetst of de spreiding van beide groepen gelijk is. Als je hier vindt dat je de H0 niet
moet verwerpen, dan heb je voldaan aan de assumptie en kan je door met de t-toets.
3. Toetingsgrootheid en p-waarde bepalen:
In SPSS kan het verschil in het gemiddelde tussen de directe groep en de controle groep
worden gevonden. We kunnen nu checken of onze hypothese overeenkomt met de
werkelijkheid.
Is er dan ook een significant verschil? Dat bekijken we via de steekproevenverdeling van t.
Deze verdeling is gebaseerd op de nulhypothese. Bij t hebben we verschillende
steekproevenverdelingen, die bij correlationeel werd bepaald door n, maar die binnen
experimenteel onderzoek worden bepaald door het aantal vrijheidsgraden (degrees of
freedom, df). De formule hiervoor is: df = (n1 – 1) + (n2 – 1).
Hoe groter n, hoe groter df, hoe minder spreiding in de steekproevenverdeling!
Om t uit te rekenen, is er de volgende formule:
M1 en M2 staat voor het verschil tussen de
steekproefgemiddelde. SE staat voor standard error (standaardfout). Wanneer we de waarden
van t dichtbij 0, dan vinden we de H0 het meest waarschijnlijk. Wanneer we de waarden van t
ver weg vinden van 0, vinden we H1 het meest waarschijnlijk.
Om te bepalen wat ‘dicht bij 0’ en ‘ver van 0’ is, gebruiken we weer de p-waarde en het
significantieniveau. (Bij SPSS wordt de p-waarde altijd tweezijdig aangegeven, bij JASP wordt
de p-waarde altijd eenzijdig aangegeven. We moeten dus goed opletten of de t-toets en dus
de p-waarde zijn uitgevoerd in JASP of SPSS).
4. Beslissing over H0:
Is het significantieniveau groter dan de p-waarde? Dan verwerpen we de H0 en H1 is het
meest waarschijnlijk.
Als we H0 verwerpen, betekent dit dan gelijk dat H1 waar is? H0 verwerpen betekent dat we
de alternatieve hypothese (H1) het meest waarschijnlijk vinden. We hebben vertrouwen in
