Samenvatting Onderzoeksmethodologie en Statistiek 3 | UA | 2025/26

STATISTIEK 3




INLEIDING
1. MEETNIVEAU




2. PARAMETRISCH VS NIET-PARAMETRISCH
Voorkeur: parametrisch testen

- Meer power dan niet-parametrische testen
- Power = het vermogen van een toets om effect op te sporen als dat effect
werkelijk bestaat
o De kans dat de toets terecht de H0 verwerpt (er is geen effect/verschil)
o Maw: minder kans op type II fouten (= onterecht behouden van H0)

Wanneer meet je parametrisch/niet parametrisch

- Parametrisch
o Scale variabele EN in elke steekproef 30 of meer deelnemers

1

,  N > 30
o Scale variabele EN steekproef is niet groot genoeg, MAAR variabele wel
normaal verdeeld
 10 ≤ N < 30
 Hoe testen of variabele normaal verdeeld zijn? => Kolmogorov-
Smirnov test
- Niet parametrisch testen
o Ordinale/nominale variabele
o Scale variabele MAAR steekproef is te klein/niet normaal verdeeld




3. FOUTEN OP STATISTIEK
- Type I fout: nulhypothese onterecht verwerpen
o (α = P (H0 verwerpen | H0 is juist))
o α = meestal 5% (want complementair aan betrouwbaarheidsinterval, en we
nemen meestal 95%)
o Kies je zelf: aanpassen van significantie

- Type II fout: nulhypothese onterecht aanvaarden
o (β = P (H0 aanvaarden | Ha is juist))
o Gelijk aan de power
o Afhankelijk van onderzoek: vb. kleinere steeproef




4. NORMALITEIT TESTEN

4.1 KOLMOGOROV-SMIRNOV TEST

H0: de verdeling van de variabele is normaal verdeeld

Opmerking: afhankelijk van soort variabele en aantal steekproeven op andere manier

1. Ongepaarde/onafhankelijke metingen => zet split file op (voor de categorische
variabele), voer dan K-S test uit voor scale variabele
2. Gepaarde/afhankelijke metingen => voer K-S test uit van het verschil van de
variabelen
o We weten of het verschil tussen beide metingen normaal verdeeld is
o DUS eerst: maak nieuwe variabele ‘verschil’ via “transform” -> “compute
variable”
o ‘verschil’ = ‘meting 1’ – ‘meting 2’
o K-S test uitvoeren van deze ‘verschil’ variabele

SPSS ONGEPAARDE

- Uitvoering: analyse -> non-parametric test -> legacy dialogs -> 1-sample K-S test


2

, o Zorg dat ‘normal’ aangevinkt staat
- Output
o P = asymp. Sig. (2-tailed) OF Monte Carlo Sig. (maakt niet uit welke je
kiest)
 Hier: 0,085 > 0,05 -> H0 behouden -> normale verdeling

SPSS GEPAARDE

- Uitvoering: transform -> compute variable -> nieuwe variabele = … -> ok
1- Sample K-S test op nieuwe
variabele




4.2 SHAPIRO-WILK TEST

- Krijgt voorkeur bij kleine steekproeven
- H0: verdeling van variabele is normaal verdeeld

SPSS

- Uitvoering: analyse -> decriptive statistics -> explore
o Bij Plots: vink “normality plots with tests” aan



5. BESLISSINGSBOOM




3

, LINEAIRE REGRESSIE
1. VOORKENNIS

1.1 CORRELATIE

CORRELATIE VS REGRESSIE

- Correlatie: lineair verband tussen 2 variabelen
o Is er een verband? + Hoe sterk is het verband?
- Regressie: voorspelling lineair verband tussen 2 of meer variabelen
o Voorspelling afhankelijke variabele obv onafhankelijke variabele(n)
o Geeft weer hoeveel de afhankelijke variabele verandert per eenheid van de
onafhankelijke variabele

- Welke correlatiecoefficient?
o Parametrisch => Pearson correlatiecoëfficient
 Ratio niveau + normaal verdeeld
 Obv meetwaarden
o Niet-parametrisch => Spearman correlatiecoëfficient
 Ratio niveau + niet-normaal verdeeld
 OF ordinaal niveau
 Obv rangnummers

Als we parametrisch mogen testen, doe dit dan (wordt verkozen boven niet-parametrisch)
 want parametrisch = meer power

Power/onderscheidingsvermogen: vermogen van een toets om effect op te sporen, als het
effect ook werkelijk bestaat = kans dat het zal lijden tot de terrechte verwerping van de
nulhypothese

SPSS

- Uitvoering: analyse -> correlate -> bivariate
o 2 variabelen erin zetten
o Wat aanvinken
 Pearson (obv meetwaarden) of Spearman (obv rangnummers)


4