EXPERIMENTEEL ONDERZOEK
HYPOTHESES OPSTELLEN - E1
- Nulhypothese (geen verschil)
- Alternatieve hypothese (wel verschil)
Hier gaat het over een tweezijdige alternatieve hypothese:
H0 : revisie = geen revisie
HA : revisie ≠ geen revisie
wordt gebruikt als we het hebben over het opstellen van een hypothese over
het gemiddelde.
Verwachting hypothese is een eenzijdige alternatieve hypothese (is het
gemiddelde in de ene groep hoger/lager dan in de andere?), geeft een richting
van het verschil aan. En het verschil zit in de alternatieve hypothese, de
nulhypothese verandert niet.
H0 : revisie = geen revisie
HA : revisie > geen revisie (dus je verwacht dat de groep die wel reviseert hoger
haalt)
Bij correlaties onderscheiden we 2 symbolen.
r = correlatie in de steekproef
p = correlatie in de populatie (hypothese gaat altijd over waarden in
populatie)
Stel onderzoek: hoe meer koffie mensen drinken, hoe minder ze slapen
Dan is: H0 = p = 0 en HA = p < 0 (want negatieve correlatie)
P-WAARDE (CONCEPTUEEL) – E2
p-waarde geeft de kans dat als de nulhypothese waar is, je gelijke of extremere
waardes dan je geobserveerde waarde zou vinden. Wordt vaak gebruikt voor
het toetsen van hypotheses.
Een verschil in de steekproef betekend niet meteen dat dit voor de hele
populatie gegeneraliseerd kan worden, het kan ook door toeval komen.
Dus: Als we aannemen dat er geen verschil is in de populatie, wat is dan de
kans dat we dit geobserveerde verschil in de steekproef observeren
(nulpopulatie -> steekproef)
Hoge kans: dan is het verschil waarschijnlijk veroorzaakt door toeval
Lage kans: dan is het verschil waarschijnlijk veroorzaakt door een indicatie
van de populatie. Deze kans is de p waarde (hier neem je aan dat H0 waar is).
Onwaarschijnlijke waardes (uitersten) hebben vaak een kans van 0.05%
Lage p waarde -> meer onderzoek doen
Hoge p waarde -> negeren experiment (waarschijnlijk door toeval, maar niet
zeker!!). De p-waarde wordt dus gebruikt om ervoor te kiezen H0 (wel) te
verwerpen, maar heeft een hoop beperkingen.
Bij een hele kleine p-waarde mogen de onderzoekers de nulhypothese
verwerpen. Hypothesen gaan over populatie en dus niet over steekproeven.
1 EN 2 ZIJDIG TOETSEN – E3
Correlatie niet gelijk aan nul? -> HA: p ≠ 0 (dus relatie tussen 2 variabelen in
populatie)
A niet gelijk aan B? -> geen relatie (verschil)
, ≠ wordt gebruikt omdat de onderzoeker een verschil verwacht en dit verschil
naar beide kanten kan vallen
Stel H0 is waar -> dan is er geen verschil in populatie tussen A en B, het
verschil in een steekproef kan dan beide kanten op vallen. De kans dat A dan
hoger scoort of B is dan even groot.
Stel MA = 9.5 en MB + 7.2 -> verschil = 2.3 maar ook -2.3.
Voor de p-waarde geld dan de kans op een gemiddeld verschil van 2.3 of groter
en de kans op -2.3 of kleiner (dit is bij een tweezijdige). Bij eenzijdige
alternatieve hypothese hoort een eenzijde p-waarde (dus verschil van 2,3 of
hoger)
Stel A werkt beter dan B en het gaat over stress, dan is er minder stress, dus
een lager gemiddelde. Dus dan is HA: A < B
Eenzijdig -> verwachting (kijken in specifieke richting), kleinere p in algemeen
dus H0 wordt eerder verworpen
Tweezijdig -> geen speciale verwachting (toetsen of er een verschil is)
Stel peenzijdig = .012 dan is ptweezijdig = .024 (2 keer zo groot)
TYPE I EN II FOUTEN – E4
Bij uitvoeren van hypothese toetsen wordt of H0 verworpen of niet, hierbij
gebruik je de p-waarde. Bij een hele kleine p-waarde mag je H0 verwerpen
- Is de nulhypothese waar? -> Geen verschil/relatie
- Is de nulhypothese niet waar? -> Wel verschil/relatie
Bij het (niet) verwerpen van H0 kan je fouten maken:
H0 is waar, maar de onderzoeker verwerpt H0 toch -> type I
fout/significantieniveau (a = .05)
Er is wel een verschil/relatie -> H0 is niet waar, maar de onderzoeker
verwerpt H0 niet -> type II fout.
Vaak wordt er gestreefd naar een significantieniveau van 5% en een power van
80%.
De kans dat een onderzoeker aan de
hand van de steekproefresultaten
concludeert dat er een
verschil/effect/relatie is, wanneer deze
in de populatie ook echt aanwezig is,
noemen de Power van de toets
Stel de power is 85% dan is de kans op type
II fout 15% (100-85)
POWER – E5
Een verschil dat aanwezig is in de populatie ook daadwerkelijk te vinden is in
het onderzoek. De kans dat dit gebeurt heet de power. Wordt beinvloedt door:
1. Steekproefgrootte (hoe hoger n -> hoe hoger de power)
2. Grootte van het verschil in de populatie
3. Het significantieniveau (Hoe hoger a -> hoe hoger de power)
4. De spreiding in de gemeten scores
5. De keuze van de statistische techniek
Grote n -> SD kleiner -> toetsingsgrootheid groter -> p-waarde
kleiner
HYPOTHESES OPSTELLEN - E1
- Nulhypothese (geen verschil)
- Alternatieve hypothese (wel verschil)
Hier gaat het over een tweezijdige alternatieve hypothese:
H0 : revisie = geen revisie
HA : revisie ≠ geen revisie
wordt gebruikt als we het hebben over het opstellen van een hypothese over
het gemiddelde.
Verwachting hypothese is een eenzijdige alternatieve hypothese (is het
gemiddelde in de ene groep hoger/lager dan in de andere?), geeft een richting
van het verschil aan. En het verschil zit in de alternatieve hypothese, de
nulhypothese verandert niet.
H0 : revisie = geen revisie
HA : revisie > geen revisie (dus je verwacht dat de groep die wel reviseert hoger
haalt)
Bij correlaties onderscheiden we 2 symbolen.
r = correlatie in de steekproef
p = correlatie in de populatie (hypothese gaat altijd over waarden in
populatie)
Stel onderzoek: hoe meer koffie mensen drinken, hoe minder ze slapen
Dan is: H0 = p = 0 en HA = p < 0 (want negatieve correlatie)
P-WAARDE (CONCEPTUEEL) – E2
p-waarde geeft de kans dat als de nulhypothese waar is, je gelijke of extremere
waardes dan je geobserveerde waarde zou vinden. Wordt vaak gebruikt voor
het toetsen van hypotheses.
Een verschil in de steekproef betekend niet meteen dat dit voor de hele
populatie gegeneraliseerd kan worden, het kan ook door toeval komen.
Dus: Als we aannemen dat er geen verschil is in de populatie, wat is dan de
kans dat we dit geobserveerde verschil in de steekproef observeren
(nulpopulatie -> steekproef)
Hoge kans: dan is het verschil waarschijnlijk veroorzaakt door toeval
Lage kans: dan is het verschil waarschijnlijk veroorzaakt door een indicatie
van de populatie. Deze kans is de p waarde (hier neem je aan dat H0 waar is).
Onwaarschijnlijke waardes (uitersten) hebben vaak een kans van 0.05%
Lage p waarde -> meer onderzoek doen
Hoge p waarde -> negeren experiment (waarschijnlijk door toeval, maar niet
zeker!!). De p-waarde wordt dus gebruikt om ervoor te kiezen H0 (wel) te
verwerpen, maar heeft een hoop beperkingen.
Bij een hele kleine p-waarde mogen de onderzoekers de nulhypothese
verwerpen. Hypothesen gaan over populatie en dus niet over steekproeven.
1 EN 2 ZIJDIG TOETSEN – E3
Correlatie niet gelijk aan nul? -> HA: p ≠ 0 (dus relatie tussen 2 variabelen in
populatie)
A niet gelijk aan B? -> geen relatie (verschil)
, ≠ wordt gebruikt omdat de onderzoeker een verschil verwacht en dit verschil
naar beide kanten kan vallen
Stel H0 is waar -> dan is er geen verschil in populatie tussen A en B, het
verschil in een steekproef kan dan beide kanten op vallen. De kans dat A dan
hoger scoort of B is dan even groot.
Stel MA = 9.5 en MB + 7.2 -> verschil = 2.3 maar ook -2.3.
Voor de p-waarde geld dan de kans op een gemiddeld verschil van 2.3 of groter
en de kans op -2.3 of kleiner (dit is bij een tweezijdige). Bij eenzijdige
alternatieve hypothese hoort een eenzijde p-waarde (dus verschil van 2,3 of
hoger)
Stel A werkt beter dan B en het gaat over stress, dan is er minder stress, dus
een lager gemiddelde. Dus dan is HA: A < B
Eenzijdig -> verwachting (kijken in specifieke richting), kleinere p in algemeen
dus H0 wordt eerder verworpen
Tweezijdig -> geen speciale verwachting (toetsen of er een verschil is)
Stel peenzijdig = .012 dan is ptweezijdig = .024 (2 keer zo groot)
TYPE I EN II FOUTEN – E4
Bij uitvoeren van hypothese toetsen wordt of H0 verworpen of niet, hierbij
gebruik je de p-waarde. Bij een hele kleine p-waarde mag je H0 verwerpen
- Is de nulhypothese waar? -> Geen verschil/relatie
- Is de nulhypothese niet waar? -> Wel verschil/relatie
Bij het (niet) verwerpen van H0 kan je fouten maken:
H0 is waar, maar de onderzoeker verwerpt H0 toch -> type I
fout/significantieniveau (a = .05)
Er is wel een verschil/relatie -> H0 is niet waar, maar de onderzoeker
verwerpt H0 niet -> type II fout.
Vaak wordt er gestreefd naar een significantieniveau van 5% en een power van
80%.
De kans dat een onderzoeker aan de
hand van de steekproefresultaten
concludeert dat er een
verschil/effect/relatie is, wanneer deze
in de populatie ook echt aanwezig is,
noemen de Power van de toets
Stel de power is 85% dan is de kans op type
II fout 15% (100-85)
POWER – E5
Een verschil dat aanwezig is in de populatie ook daadwerkelijk te vinden is in
het onderzoek. De kans dat dit gebeurt heet de power. Wordt beinvloedt door:
1. Steekproefgrootte (hoe hoger n -> hoe hoger de power)
2. Grootte van het verschil in de populatie
3. Het significantieniveau (Hoe hoger a -> hoe hoger de power)
4. De spreiding in de gemeten scores
5. De keuze van de statistische techniek
Grote n -> SD kleiner -> toetsingsgrootheid groter -> p-waarde
kleiner
