Bijlagen: Tutorials en Opdrachten
Studietaak 2.2: Tutorial Thema 2
Asch, S. E. (1955). Studies of independence and conformity: I. A minority of one against a unanimous
majority. Psychological Monographs: General and Applied, 70(9), 1-70. https://doi.org/10.1037/h0093718
Open in jamovi de dataset dataAsch.sav.
Het experiment betreft een compleet gerandomiseerd posttest-only control experiment.
R X1 O1
R O2
Vraagstelling en hypothese
De vraagstelling die ten grondslag ligt aan het experiment van Asch is:
1. Wat is de invloed van groepsdruk op het vormen van een oordeel?
Een voor de hand liggende hypothese voor dit onderzoek zou kunnen zijn:
Personen in de aanwezigheid van een meerderheid die foute antwoorden geeft zullen meer fouten
maken dan personen die niet in de aanwezigheid zijn van een meerderheid.
Toets bepalen
Voor het bepalen van de juiste toets om deze hypothese te onderzoeken, is het belangrijk om te kijken naar het
meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk,
onafhankelijk).
Er zijn twee variabelen in dit onderzoek: fouten en conditie.
fouten is de afhankelijke variabele: naar verwachting is het aantal foute inschattingen afhankelijk van
de conditie.
conditie is de onafhankelijke variabele: naar verwachting beïnvloedt de conditie het aantal foute
inschattingen.
Het meetniveau van fouten is ratio: er kunnen rekenkundige operaties worden uitgevoerd op het
aantal foute inschattingen en het nulpunt is niet arbitrair.
Het meetniveau van conditie is nominaal: deze variabele duidt twee volgordeloze groepen aan,
namelijk de controleconditie en de experimentele conditie.
De onafhankelijke t-toets is een toets die het effect test van een onafhankelijke variabele met nominaal
meetniveau van twee niveaus (groepen) op een afhankelijke variabele met interval-/ratiomeetniveau.
Datascreening
Voordat je de onafhankelijke t-toets gaat uitvoeren, inspecteer je eerst de data. Per groep kijk je wat de
verdeling van de data is, of er onmogelijke waarden zijn en of er uitbijters zijn. Het is nuttig om te beginnen met
een visuele voorstelling van de data.
Ga naar Analyses > Exploration > Descriptives.
Sleep de variabele fouten naar het vak Variables.
Sleep de variabele conditie naar het vak Split by.
Onder het vak waar de variabelen stonden, kun je bij Descriptives aangeven: Variables across rows.
Open het blad Plots en vink aan: Histogram.
Het valt op dat in de controlegroep bijna alle proefpersonen tussen de 0 en
5 fouten hebben gemaakt, terwijl in de experimentele groep het aantal
foute inschattingen meer is uitgesmeerd tussen 0 en meer dan 10. Er is dus
relatief weinig spreiding in aantal fouten in de controlegroep en relatief
veel spreiding in de experimentele groep. In de controlegroep is er
mogelijk een uitbijter met meer dan 5 fouten. In de experimentele groep
zijn er relatief veel waarden boven de 10 en zelfs waarden hoger dan het
maximum van 12.
De tabel Descriptives beschrijft de verdelingen:
,De tabel Descriptives kan helpen om de waarden in de figuur beter te interpreteren; wat we nu gaan doen:
Onmogelijke waarden
Een eerste stap in het opschonen van de data is om te kijken of de variabele fouten onmogelijke waarden heeft.
Kijk bijv. naar de minimum- en maximumwaarden. De maximumwaarde in de experimentele groep is 13, maar
er kunnen slechts 12 fouten gemaakt kunnen worden. Er zit dus in ieder geval één onmogelijke waarde in de
data.
Ga naar Data > Filters.
Vul bij Filter 1 de formule in: fouten <= 12.
Controleer of het filter op Active staat.
Scroll naar beneden en dan vind je deze data:
De waarde van respondent 53 is onmogelijk en wil je dus niet meenemen in je analyses. Jamovi neemt deze
waarde niet mee zolang je het zojuist aangemaakte filter op Active laat staan.
Uitbijters
Ook het opsporen van uitbijters is van belang omdat deze een onevenredig grote invloed op de resultaten
kunnen hebben. Het is hierbij belangrijk dat je kunt beredeneren waarom een mogelijke uitbijter verwijderd of
juist behouden moet worden.
Door de scores te standaardiseren wordt het makkelijker om extreme waarden te identificeren. Hiervoor
bereken je voor beide condities apart de z-scores van fouten. Als je een z-score vindt die groter is dan 3.29 of
lager dan -3.29, oftewel extremer dan |3.29|, dan is er sprake van een uitbijter en moet je beslissen of je die
waarde in de data houdt of uit de data verwijdert. De grens van |3.29| is overigens niet zo strikt en er zijn ook
andere methoden, maar voor nu is dit vooral een hulpmiddel om uitbijters op te sporen.
In analyses waar groepen worden vergeleken, moet je altijd per groep naar mogelijke uitbijters zoeken. Een
normale waarde in de ene groep kan namelijk een extreem hoge of lage waarde zijn voor de andere groep.
Wanneer je de groepen gezamenlijk bekijkt, valt deze waarde mogelijk niet op.
Om uitbijters op te sporen, maak je eerst een nieuwe variabele aan: de z-scores van fouten, gebaseerd op het
groepsgemiddelde. Je kunt die variabele bijvoorbeeld z_fouten noemen. Door deze variabele op de volgende
wijze aan te maken, krijg je voor iedere deelnemer de z-score gebaseerd op de conditie van die deelnemer.
Ga naar Data > Compute.
Vul bij Description als naam z_fouten in.
Vul bij Formula in (zoals in het onderstaande scherm): Z(fouten, conditie)
Z( ) is een functie in jamovi die ruwe scores van een
variabele (hier: fouten) omzet in z-scores. conditie geeft
aan dat de z-scores per conditie berekend moeten worden.
- Let op! Jamovi is hoofdlettergevoelig. Als je een
Scroll naar beneden: foutmelding krijgt dat een variabele niet bestaat,
controleer dan eerst of alle hoofdletters/kleine letters
overeenkomen met de dataset.
,Je kunt nu vaststellen dat proefpersoon 35 in de controleconditie een z-waarde van 3.72 heeft. Deze waarde is
groter dan 3.29 en we kunnen deze waarde dus als een uitbijter beschouwen. Andere z-scores in de controle- of
de experimentele conditie zijn niet extremer dan |3.29|.
Omdat je geen reden hebt om aan te nemen dat deze waarde een incorrecte representatie is van wat je in de
controleconditie wilt meten, houd je dit datapunt in de analyses in het vervolg van deze tutorial. Ook al is het
minder waarschijnlijk, het is wel mogelijk dat iemand in de controleconditie 7 fouten maakt.
Gelukkig maakt jamovi het gebruik van filters eenvoudig en kun je filters ook nadat de analyse is voltooid nog
actief of inactief maken. Zo wordt het mogelijk om een sensitiviteitsanalyse te doen: de analyse met de
uitbijters vergelijken met de analyse zonder de uitbijters. Hiermee wordt zichtbaar of de uitkomsten afhankelijk
zijn van de uitbijters.
Assumpties checken
De onafhankelijke t-toets heeft de volgende assumpties:
1. De observaties zijn onafhankelijk.
2. De residuen zijn normaal verdeeld.
3. De varianties tussen groepen zijn gelijk (homogeniteit van varianties).
1. Onafhankelijke observaties
De onafhankelijkheid van de observaties is niet met een data-analyse te toetsen, maar moet je beredeneren. In
dit geval zijn er twee onafhankelijke condities vergeleken en zijn de individuen los van elkaar geworven en
random aan condities toebedeeld. We kunnen daarom aannemen dat de observaties onafhankelijk zijn.
2. Normaal verdeelde residuen
De residuen van de onafhankelijke t-toets moeten normaal verdeeld zijn. De toets van normaliteit van de
residuen is al onderdeel van de output van de t-toets. De eerste stap is dus om de analyse op te vragen.
Voer de volgende stappen uit om de onafhankelijke t-toets uit te voeren in jamovi:
Ga naar Analyses > T-Tests > Independent Samples T-Test.
Sleep de variabele fouten naar het vak Dependent Variables.
Sleep de variabele conditie naar het vak Grouping Variable.
Vink onder Tests Student's uit en vink Welch's aan.
Vink ook aan: Effect size, Homogeneity test en Normality test.
Voordat je de uitkomst van de hypothesetoets gaat evalueren, controleer je eerst de assumpties, beginnende
met de assumptie van normaal verdeelde residuen. Hiervoor kijk je in de output onder Assumptions bij de
uitkomst van de Shapiro-Wilk normality test.
Shapiro-Wilk is een strenge toets en is snel significant. Net als met uitbijters
is het dus goed om hier niet te streng te toetsen. Met een drempelwaarde
van α = .001 is deze toets met bijbehorende p-waarde van .029 niet
significant. Je kunt ervan uitgaan dat de residuen normaal verdeeld zijn.
3. Homogeniteit van varianties
Bij de Student's t-toets moeten de varianties van de scores binnen beide populaties waaruit de steekproeven (=
de twee condities) zijn getrokken, gelijk zijn. Maar omdat je eigenlijk altijd de Welch's t-toets gebruikt, die
corrigeert voor ongelijke varianties, hoeft aan de assumptie van gelijke varianties niet meer strikt voldaan te
worden. Desondanks kunnen grote variantieverschillen de vergelijking van twee groepen lastig maken. Daarom
bekijken we toch of aan de assumptie van gelijke varianties is voldaan.
De Homogeneity of Variances Test (Levene's) is de toets voor
de homogeniteit (gelijkheid) van varianties tussen groepen. De
F-waarde is in dit geval de grootste variantie gedeeld door de
kleinste. Dus de grootste variantie is iets meer dan 19 keer
groter dan de kleinste variantie.
, De eerste df (df = 1) verwijst naar de vrijheidsgraden van de condities: k - 1, dus het aantal condities min 1.
Omdat er twee condities zijn, is k - 1 = 2 - 1 = 1. De tweede df (df2 = 157) verwijst naar het aantal
vrijheidsgraden van de residuen: N - k, dus de geanalyseerde steekproefgrootte min het aantal groepen. In dit
geval 159 - 2 = 157.
De p-waarde van de Levene's toets is hier significant (p < .05), wat betekent dat de variantie van de
controlegroep significant verschilt van de variantie van de experimentele groep. Dit houdt in dat de ene groep
meer variabiliteit in het aantal foute inschattingen vertoont dan de andere groep. Er is dus niet voldaan aan de
assumptie van gelijke varianties. Omdat je gebruikmaakt van de Welch's t-toets, hoef je niet aan deze assumptie
te voldoen, maar het is goed om te realiseren dat de tamelijk forse afwijking in varianties tot een zware
correctie zal leiden op de Welch's t-toets.
Analyse
Onafhankelijke t-toets
Je hebt nu al het voorbereidende werk gedaan en kunt de onafhankelijke t-toets uitvoeren om te bepalen of er
sprake is van een significant verschil in het aantal gemaakte foute inschattingen in de controleconditie en de
experimentele conditie. We kijken hiervoor naar de output van de onafhankelijke Welch's t-toets:
Houd bij deze toets de drempelwaarde van α=.05
aan. Als de gevonden p-waarde kleiner is dan
0.05, is er sprake van een significant effect.
Dat is hier het geval: p < .001. De uitkomst van Welch's t-toets laat dus zien dat er sprake is van een significant
verschil tussen beide condities.
De t-waarde en de df-waarde (degrees of freedom) worden gebruikt om de p-waarde te berekenen. De t-
waarde is te vinden in de kolom Statistic en is -13.2. Het aantal vrijheidsgraden – te vinden onder df – is 121.
Door de beschrijving van de data wist je al dat er minder fouten werden gemaakt in de controleconditie dan in
de experimentele conditie. Door de uitkomst van de t-toets weet je nu ook dat dit verschil significant is,
met t(121) = -13.2, p < .001.
Om vervolgens iets te kunnen zeggen over de grootte van het verschil, kun je gebruikmaken van de gegeven
effect size, weergegeven als Cohen's d en is -2.05. De absolute waarde (2.05) is groter is dan de drempelwaarde
van een (zeer) sterk effect (.8) (zie tabel 23.1). Het verschil tussen de controleconditie en de experimentele
conditie is daarmee dus te beschouwen als een zeer sterk effect.
Tabel 23.1: Voorzichtige kwalitatieve labels voor de verschillende waarden van Cohen’s dd.
Cohen’s d Samenhang
kleiner dan -1.30 zeer sterk negatief
tussen -.1.30 en -0.80 sterk negatief
tussen -0.80 en -0.50 middelsterk negatief
tussen -0.50 en -0.20 zwak negatief
tussen -0.20 en 0.20 triviaal
tussen 0.20 en 0.50 zwak positief
tussen 0.50 en 0.80 middelsterk positief
tussen 0.80 en 1.30 sterk positief
groter dan 1.30 zeer sterk positief
Rapportage
Datascreening
Voorafgaand aan de analyse is het aantal foute inschattingen gecontroleerd op onmogelijke waarden, uitbijters
en verdelingsvorm. Het aantal foute inschattingen werd apart gecontroleerd voor de controle- en voor de
experimentele conditie.
Studietaak 2.2: Tutorial Thema 2
Asch, S. E. (1955). Studies of independence and conformity: I. A minority of one against a unanimous
majority. Psychological Monographs: General and Applied, 70(9), 1-70. https://doi.org/10.1037/h0093718
Open in jamovi de dataset dataAsch.sav.
Het experiment betreft een compleet gerandomiseerd posttest-only control experiment.
R X1 O1
R O2
Vraagstelling en hypothese
De vraagstelling die ten grondslag ligt aan het experiment van Asch is:
1. Wat is de invloed van groepsdruk op het vormen van een oordeel?
Een voor de hand liggende hypothese voor dit onderzoek zou kunnen zijn:
Personen in de aanwezigheid van een meerderheid die foute antwoorden geeft zullen meer fouten
maken dan personen die niet in de aanwezigheid zijn van een meerderheid.
Toets bepalen
Voor het bepalen van de juiste toets om deze hypothese te onderzoeken, is het belangrijk om te kijken naar het
meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk,
onafhankelijk).
Er zijn twee variabelen in dit onderzoek: fouten en conditie.
fouten is de afhankelijke variabele: naar verwachting is het aantal foute inschattingen afhankelijk van
de conditie.
conditie is de onafhankelijke variabele: naar verwachting beïnvloedt de conditie het aantal foute
inschattingen.
Het meetniveau van fouten is ratio: er kunnen rekenkundige operaties worden uitgevoerd op het
aantal foute inschattingen en het nulpunt is niet arbitrair.
Het meetniveau van conditie is nominaal: deze variabele duidt twee volgordeloze groepen aan,
namelijk de controleconditie en de experimentele conditie.
De onafhankelijke t-toets is een toets die het effect test van een onafhankelijke variabele met nominaal
meetniveau van twee niveaus (groepen) op een afhankelijke variabele met interval-/ratiomeetniveau.
Datascreening
Voordat je de onafhankelijke t-toets gaat uitvoeren, inspecteer je eerst de data. Per groep kijk je wat de
verdeling van de data is, of er onmogelijke waarden zijn en of er uitbijters zijn. Het is nuttig om te beginnen met
een visuele voorstelling van de data.
Ga naar Analyses > Exploration > Descriptives.
Sleep de variabele fouten naar het vak Variables.
Sleep de variabele conditie naar het vak Split by.
Onder het vak waar de variabelen stonden, kun je bij Descriptives aangeven: Variables across rows.
Open het blad Plots en vink aan: Histogram.
Het valt op dat in de controlegroep bijna alle proefpersonen tussen de 0 en
5 fouten hebben gemaakt, terwijl in de experimentele groep het aantal
foute inschattingen meer is uitgesmeerd tussen 0 en meer dan 10. Er is dus
relatief weinig spreiding in aantal fouten in de controlegroep en relatief
veel spreiding in de experimentele groep. In de controlegroep is er
mogelijk een uitbijter met meer dan 5 fouten. In de experimentele groep
zijn er relatief veel waarden boven de 10 en zelfs waarden hoger dan het
maximum van 12.
De tabel Descriptives beschrijft de verdelingen:
,De tabel Descriptives kan helpen om de waarden in de figuur beter te interpreteren; wat we nu gaan doen:
Onmogelijke waarden
Een eerste stap in het opschonen van de data is om te kijken of de variabele fouten onmogelijke waarden heeft.
Kijk bijv. naar de minimum- en maximumwaarden. De maximumwaarde in de experimentele groep is 13, maar
er kunnen slechts 12 fouten gemaakt kunnen worden. Er zit dus in ieder geval één onmogelijke waarde in de
data.
Ga naar Data > Filters.
Vul bij Filter 1 de formule in: fouten <= 12.
Controleer of het filter op Active staat.
Scroll naar beneden en dan vind je deze data:
De waarde van respondent 53 is onmogelijk en wil je dus niet meenemen in je analyses. Jamovi neemt deze
waarde niet mee zolang je het zojuist aangemaakte filter op Active laat staan.
Uitbijters
Ook het opsporen van uitbijters is van belang omdat deze een onevenredig grote invloed op de resultaten
kunnen hebben. Het is hierbij belangrijk dat je kunt beredeneren waarom een mogelijke uitbijter verwijderd of
juist behouden moet worden.
Door de scores te standaardiseren wordt het makkelijker om extreme waarden te identificeren. Hiervoor
bereken je voor beide condities apart de z-scores van fouten. Als je een z-score vindt die groter is dan 3.29 of
lager dan -3.29, oftewel extremer dan |3.29|, dan is er sprake van een uitbijter en moet je beslissen of je die
waarde in de data houdt of uit de data verwijdert. De grens van |3.29| is overigens niet zo strikt en er zijn ook
andere methoden, maar voor nu is dit vooral een hulpmiddel om uitbijters op te sporen.
In analyses waar groepen worden vergeleken, moet je altijd per groep naar mogelijke uitbijters zoeken. Een
normale waarde in de ene groep kan namelijk een extreem hoge of lage waarde zijn voor de andere groep.
Wanneer je de groepen gezamenlijk bekijkt, valt deze waarde mogelijk niet op.
Om uitbijters op te sporen, maak je eerst een nieuwe variabele aan: de z-scores van fouten, gebaseerd op het
groepsgemiddelde. Je kunt die variabele bijvoorbeeld z_fouten noemen. Door deze variabele op de volgende
wijze aan te maken, krijg je voor iedere deelnemer de z-score gebaseerd op de conditie van die deelnemer.
Ga naar Data > Compute.
Vul bij Description als naam z_fouten in.
Vul bij Formula in (zoals in het onderstaande scherm): Z(fouten, conditie)
Z( ) is een functie in jamovi die ruwe scores van een
variabele (hier: fouten) omzet in z-scores. conditie geeft
aan dat de z-scores per conditie berekend moeten worden.
- Let op! Jamovi is hoofdlettergevoelig. Als je een
Scroll naar beneden: foutmelding krijgt dat een variabele niet bestaat,
controleer dan eerst of alle hoofdletters/kleine letters
overeenkomen met de dataset.
,Je kunt nu vaststellen dat proefpersoon 35 in de controleconditie een z-waarde van 3.72 heeft. Deze waarde is
groter dan 3.29 en we kunnen deze waarde dus als een uitbijter beschouwen. Andere z-scores in de controle- of
de experimentele conditie zijn niet extremer dan |3.29|.
Omdat je geen reden hebt om aan te nemen dat deze waarde een incorrecte representatie is van wat je in de
controleconditie wilt meten, houd je dit datapunt in de analyses in het vervolg van deze tutorial. Ook al is het
minder waarschijnlijk, het is wel mogelijk dat iemand in de controleconditie 7 fouten maakt.
Gelukkig maakt jamovi het gebruik van filters eenvoudig en kun je filters ook nadat de analyse is voltooid nog
actief of inactief maken. Zo wordt het mogelijk om een sensitiviteitsanalyse te doen: de analyse met de
uitbijters vergelijken met de analyse zonder de uitbijters. Hiermee wordt zichtbaar of de uitkomsten afhankelijk
zijn van de uitbijters.
Assumpties checken
De onafhankelijke t-toets heeft de volgende assumpties:
1. De observaties zijn onafhankelijk.
2. De residuen zijn normaal verdeeld.
3. De varianties tussen groepen zijn gelijk (homogeniteit van varianties).
1. Onafhankelijke observaties
De onafhankelijkheid van de observaties is niet met een data-analyse te toetsen, maar moet je beredeneren. In
dit geval zijn er twee onafhankelijke condities vergeleken en zijn de individuen los van elkaar geworven en
random aan condities toebedeeld. We kunnen daarom aannemen dat de observaties onafhankelijk zijn.
2. Normaal verdeelde residuen
De residuen van de onafhankelijke t-toets moeten normaal verdeeld zijn. De toets van normaliteit van de
residuen is al onderdeel van de output van de t-toets. De eerste stap is dus om de analyse op te vragen.
Voer de volgende stappen uit om de onafhankelijke t-toets uit te voeren in jamovi:
Ga naar Analyses > T-Tests > Independent Samples T-Test.
Sleep de variabele fouten naar het vak Dependent Variables.
Sleep de variabele conditie naar het vak Grouping Variable.
Vink onder Tests Student's uit en vink Welch's aan.
Vink ook aan: Effect size, Homogeneity test en Normality test.
Voordat je de uitkomst van de hypothesetoets gaat evalueren, controleer je eerst de assumpties, beginnende
met de assumptie van normaal verdeelde residuen. Hiervoor kijk je in de output onder Assumptions bij de
uitkomst van de Shapiro-Wilk normality test.
Shapiro-Wilk is een strenge toets en is snel significant. Net als met uitbijters
is het dus goed om hier niet te streng te toetsen. Met een drempelwaarde
van α = .001 is deze toets met bijbehorende p-waarde van .029 niet
significant. Je kunt ervan uitgaan dat de residuen normaal verdeeld zijn.
3. Homogeniteit van varianties
Bij de Student's t-toets moeten de varianties van de scores binnen beide populaties waaruit de steekproeven (=
de twee condities) zijn getrokken, gelijk zijn. Maar omdat je eigenlijk altijd de Welch's t-toets gebruikt, die
corrigeert voor ongelijke varianties, hoeft aan de assumptie van gelijke varianties niet meer strikt voldaan te
worden. Desondanks kunnen grote variantieverschillen de vergelijking van twee groepen lastig maken. Daarom
bekijken we toch of aan de assumptie van gelijke varianties is voldaan.
De Homogeneity of Variances Test (Levene's) is de toets voor
de homogeniteit (gelijkheid) van varianties tussen groepen. De
F-waarde is in dit geval de grootste variantie gedeeld door de
kleinste. Dus de grootste variantie is iets meer dan 19 keer
groter dan de kleinste variantie.
, De eerste df (df = 1) verwijst naar de vrijheidsgraden van de condities: k - 1, dus het aantal condities min 1.
Omdat er twee condities zijn, is k - 1 = 2 - 1 = 1. De tweede df (df2 = 157) verwijst naar het aantal
vrijheidsgraden van de residuen: N - k, dus de geanalyseerde steekproefgrootte min het aantal groepen. In dit
geval 159 - 2 = 157.
De p-waarde van de Levene's toets is hier significant (p < .05), wat betekent dat de variantie van de
controlegroep significant verschilt van de variantie van de experimentele groep. Dit houdt in dat de ene groep
meer variabiliteit in het aantal foute inschattingen vertoont dan de andere groep. Er is dus niet voldaan aan de
assumptie van gelijke varianties. Omdat je gebruikmaakt van de Welch's t-toets, hoef je niet aan deze assumptie
te voldoen, maar het is goed om te realiseren dat de tamelijk forse afwijking in varianties tot een zware
correctie zal leiden op de Welch's t-toets.
Analyse
Onafhankelijke t-toets
Je hebt nu al het voorbereidende werk gedaan en kunt de onafhankelijke t-toets uitvoeren om te bepalen of er
sprake is van een significant verschil in het aantal gemaakte foute inschattingen in de controleconditie en de
experimentele conditie. We kijken hiervoor naar de output van de onafhankelijke Welch's t-toets:
Houd bij deze toets de drempelwaarde van α=.05
aan. Als de gevonden p-waarde kleiner is dan
0.05, is er sprake van een significant effect.
Dat is hier het geval: p < .001. De uitkomst van Welch's t-toets laat dus zien dat er sprake is van een significant
verschil tussen beide condities.
De t-waarde en de df-waarde (degrees of freedom) worden gebruikt om de p-waarde te berekenen. De t-
waarde is te vinden in de kolom Statistic en is -13.2. Het aantal vrijheidsgraden – te vinden onder df – is 121.
Door de beschrijving van de data wist je al dat er minder fouten werden gemaakt in de controleconditie dan in
de experimentele conditie. Door de uitkomst van de t-toets weet je nu ook dat dit verschil significant is,
met t(121) = -13.2, p < .001.
Om vervolgens iets te kunnen zeggen over de grootte van het verschil, kun je gebruikmaken van de gegeven
effect size, weergegeven als Cohen's d en is -2.05. De absolute waarde (2.05) is groter is dan de drempelwaarde
van een (zeer) sterk effect (.8) (zie tabel 23.1). Het verschil tussen de controleconditie en de experimentele
conditie is daarmee dus te beschouwen als een zeer sterk effect.
Tabel 23.1: Voorzichtige kwalitatieve labels voor de verschillende waarden van Cohen’s dd.
Cohen’s d Samenhang
kleiner dan -1.30 zeer sterk negatief
tussen -.1.30 en -0.80 sterk negatief
tussen -0.80 en -0.50 middelsterk negatief
tussen -0.50 en -0.20 zwak negatief
tussen -0.20 en 0.20 triviaal
tussen 0.20 en 0.50 zwak positief
tussen 0.50 en 0.80 middelsterk positief
tussen 0.80 en 1.30 sterk positief
groter dan 1.30 zeer sterk positief
Rapportage
Datascreening
Voorafgaand aan de analyse is het aantal foute inschattingen gecontroleerd op onmogelijke waarden, uitbijters
en verdelingsvorm. Het aantal foute inschattingen werd apart gecontroleerd voor de controle- en voor de
experimentele conditie.
