JUNI
2026
SAMENVATTING
STATISTIEK IV: HOC’s
ACADEMIEJAAR 2025-2026
EMMA ROGGEMANS
,Statistiek Iv
1: Verkennen Van Data ........................................................................................ 5
Waarom Data-Analyse?............................................................................................... 5
Grafisch Verkennen Van Data ...................................................................................... 5
Grafiek ......................................................................................................................................... 5
Boxplot ........................................................................................................................................ 6
Histogram/ Bar Chart.................................................................................................................... 7
Scatterplots ................................................................................................................................. 7
Analyse Van Missing Data ............................................................................................................. 8
Stappen In De Analyse Van Missing Data ....................................................................................... 9
Modelgebasseerde Technieken ................................................................................................... 13
Maximum Linkelihood ................................................................................................................ 13
Multiple Imputation By Chained Equations (Mice) ........................................................................ 14
Vuistregels ................................................................................................................................. 15
Outliers ..................................................................................................................................... 16
Assumpties ................................................................................................................................ 16
Data Transformatie .................................................................................................................... 19
Dummy Codering ....................................................................................................................... 21
Besluit ....................................................................................................................................... 21
2: (Co) Variantie-Analyse 1 ................................................................................. 22
Anova ....................................................................................................................... 22
Anova: Omnibus Test.................................................................................................................. 22
Analyse Van De Variantie ............................................................................................................ 23
One-Way Anova ......................................................................................................................... 24
Elementen Van Anova................................................................................................................. 24
Het Ontbinden Van De Variantie.................................................................................................. 25
Parameters Schatten: Μi ............................................................................................................. 26
Paramters Schatten: Δ ................................................................................................................ 26
Anova Tabel ............................................................................................................................... 27
Contrasten ............................................................................................................... 28
Gebruik Van Contrasten ............................................................................................................. 29
Soorten Contrasten .................................................................................................................... 30
Orthogonaliteit Van Contrasten .................................................................................................. 31
Meervoudige Vergelijkingen ...................................................................................... 31
Effectgrootte .............................................................................................................................. 34
Resampling ................................................................................................................................ 35
Niet-Parametrische Benaderingen ............................................................................. 35
Ancova ..................................................................................................................... 36
Ancova: Stappen ........................................................................................................................ 36
3: Variantie-Analyse 2 ........................................................................................ 40
2-Factor Anova.......................................................................................................... 40
Statistisch Model ....................................................................................................................... 41
Factorieel Design ....................................................................................................................... 41
1
, Voordelen .................................................................................................................................. 42
Transformaties ........................................................................................................................... 43
Two-Way Anova .......................................................................................................................... 44
Ontbinden Van De 2-Wegs Variantie............................................................................................ 44
Anova Tabel ............................................................................................................................... 45
Repeated Measures (Repanova) ................................................................................ 46
Ontbinden Van De Variantie ........................................................................................................ 47
Voorbeeld .................................................................................................................................. 47
Mixed Design ............................................................................................................ 49
Voorbeeld Muizen Doolhof & Muziek ........................................................................................... 49
Functionele Anova .................................................................................................... 51
Smoothen .................................................................................................................................. 52
4: Regressie-Analyse ......................................................................................... 55
Meervoudige Lineaire Regressie ................................................................................ 55
Enkelvoudige Regressie .............................................................................................................. 55
Grafische Voorstelling Enkelvoudige Regressie ............................................................................ 56
Statistisch Model Voor Regressie: Populatie-Regressievergelijking ............................................... 57
Grafische Voorstelling Meervoudige Regressie............................................................................. 57
Data Voor Meeroudige Regressie................................................................................................. 57
Regressie Parameters Schatten: b............................................................................................... 58
Regressie Parameters Schatten: s .............................................................................................. 59
Regressie Parameters Schatten: Variantie Van De Schatter (b) ..................................................... 59
Betrouwbaarheidsintervallen En Significantietoetsen Voor bI ....................................................... 60
Anova Tabel ............................................................................................................................... 60
Kwadratensom Grafisch ............................................................................................................. 61
Variantie-Analyse Voor Regressie ................................................................................................ 61
Determinatiecoëfficiënt: R² ......................................................................................................... 62
Variantie-Analyse Voor Regressie ................................................................................................ 62
Adjusted R2 ................................................................................................................................ 62
Voorbeeld: Voorspellen Van Studiesucces .................................................................................. 63
Multicollineariteit ....................................................................................................................... 67
Controle Op Multicollineariteit .................................................................................................... 67
Meervoudige Regressie Rapporteren (Apa) .................................................................................. 68
Logistische Regressie ............................................................................................... 68
Statistisch Model ....................................................................................................................... 68
Statistisch Model Binaire Logistische Regressie ........................................................................... 68
Odss <> Kansen ......................................................................................................................... 69
Odds-Ratio ................................................................................................................................ 70
Statistisch Model ....................................................................................................................... 70
Kansen Afleiden ......................................................................................................................... 74
Statistisch Model: Binaire Onafhankelijke Variabele..................................................................... 75
Bi En Toetsen Voor b1 .................................................................................................................. 75
Uitwerking Voorbeeld ................................................................................................................. 76
Meervoudige Logistische Regressie ............................................................................................. 77
Logistische Regressie Rapporteren (Apa) ..................................................................................... 78
Voor- En Nadelen ....................................................................................................................... 79
2
, Uitbreiding Naar Een Multinomiaal Model .................................................................................... 79
Voorbeeld .................................................................................................................................. 81
Logistische Regressie Rapporteren (Apa) ..................................................................................... 84
5: Inleiding Mediatie En Moderatie ..................................................................... 84
Causaliteit ................................................................................................................ 84
Voorwaarden Van Causaliteit...................................................................................................... 85
Hoe Causaliteit Onderzoeken/Benaderen ................................................................................... 85
Soorten Relaties ......................................................................................................................... 86
Mediatie Analyse ...................................................................................................... 89
Het Mediatiemodel ..................................................................................................................... 90
Mediatie In Het Kader Van Lineaire Regressie (B&K) ..................................................................... 91
Interpretatie Van De Resultaten .................................................................................................. 92
Sobel Test .................................................................................................................................. 95
Bootstrapping ............................................................................................................................ 95
Voorbeeld .................................................................................................................................. 96
Moderatie Analyse .................................................................................................... 97
Het Moderatiemodel .................................................................................................................. 98
Procedure .................................................................................................................................. 98
Voorbeeld .................................................................................................................................. 98
Integratie Moderatie/Mediatie ................................................................................................... 101
Gemoddereerde Mediatie ......................................................................................................... 101
6: Factor-Analyse ............................................................................................ 102
Factoranalyse .......................................................................................................... 102
Statistische Assumptie ............................................................................................................. 105
Opsplitsen Van De Variantie ..................................................................................................... 105
Methoden Voor Fa .................................................................................................................... 105
Principale Componenten .......................................................................................................... 106
Principale Factoren .................................................................................................................. 106
Hoe Beslissen? ........................................................................................................................ 107
Hoeveel Componenten/Factoren? ............................................................................................ 108
Terminologie: Samenvatting...................................................................................................... 109
Voorbeeld ................................................................................................................................ 110
Factorstructuur Interpreteren ................................................................................................... 111
Functionel Data Analyse – Fpca ................................................................................ 116
Functonele Pca ........................................................................................................................ 116
Voorbeeld ................................................................................................................................ 118
Ontbinding Van Functionele Componenten ............................................................................... 118
7: Clusteranalyse ............................................................................................ 119
Kenmerken Van Het Model........................................................................................................ 120
Similariteitsmaten .................................................................................................................... 121
Clusterprocedure ..................................................................................................................... 125
Interpreteren, Profileren En Valideren Van Clusters ................................................................... 132
Functionele Clusteranalyse ...................................................................................................... 133
Clusteranalyse: Besluit............................................................................................................. 134
3
,8: Structural Equation Modeling (Sem).............................................................. 134
Praktisch Voorbeeld ................................................................................................................. 134
Wat Is Sem? ............................................................................................................................. 135
Confirmatorische Factor Analyse ............................................................................. 136
Basisconcepten ....................................................................................................................... 136
Meerdere Indicatoren ............................................................................................................... 137
Model Fit .................................................................................................................................. 140
Voorbeeld Jasp......................................................................................................................... 142
Modification Indices ................................................................................................................. 145
Verschil Met Cfa ....................................................................................................................... 145
Voorbeeld Lauriola & Lani (2015) ............................................................................................... 145
Padanalyse .............................................................................................................. 149
Sem......................................................................................................................... 150
Sample Size ............................................................................................................................. 150
Item Parcels ............................................................................................................................. 150
Model Comparisons ................................................................................................................. 151
Cuasaliteit ............................................................................................................................... 151
4
, Statistiek IV: Multivariate Data analyse
1: VERKENNEN VAN DATA
WAAROM DATA-ANALYSE?
Data-analyse = noodzakelijk voor psychologen
§ Maakt inherent deel uit van het wetenschappelijk proces
o Vanaf je data hebt, eerst kijken naar die data => Hoe ziet data-set eruit, zijn er
missing values? Is die goed gecodeerd geweest?
§ Begrip van + kritische instelling tegenover vakliteratuur
Belangrijk om wereld rondom te kunnen begrijpen en geen foute Data
Initial observation
(research question)
conclusies te trekken
Conceptual Domain
Vb: vaccins voor windpokken veroorzaken autisme => van 0
Theory
§
Naar 500 gevallen windpokken gegaan door deze statement
Identify variables Generate hypothesis
Data-analyse helpt je om:
1. Data te organiseren (grafieken…) Observable Domain
Generate predictions
2. Data te beschrijven (beschrijvende/deductieve statistiek, samenvatten
3. Interpreteren en uitspraken doen op basis van data (inferentiële Measure variables
Collect data to test
predictions
/inductieve statistiek, verklaren)
4. Theorieën te verifiëren en aan te passen • Graph data
• Fit a model
Analyse data
à Datacollectie wordt constant gedaan. Analysetechnieken laten toe om in data bepaalde
patronen te herkennen. Dit gebruiken we om data te beschrijven, interpreteren en uiteindelijk
theorieën te ontwikkelen die wetenschap vooruithelpen.
GRAFISCH VERKENNEN VAN DATA
Onderzoek van verdelingen
§ Histogram
§ Stam/blad diagram
§ Box plot
à Globaal zicht!
GRAFIEK
Een grafiek schept een beeld en geeft, als het een goede grafiek is, 3/4 van de info die je moet
weten. Je kan er dus veel uithalen MAAR gevaar is dat je een beeld maakt en de tekst bij het
beeld niet klopt à grafieken scheppen verwachtingen naar data-analyse toe.
5
,Een grafiek:
§ Onthult data: laat gegevens zien zoals ze zijn
§ Laat de lezer nadenken over de gepresenteerde data en schept verwachtingen
§ Vat data samen en maakt grote datasets coherent
§ Moedigt de lezer aan om verschillende gegevens te vergelijken
à Verhaal in beeld vertellen en de tekst is hier een ondersteuning van en vice versa
VOORBEELD THE REDDIT SLEEPER
Dit is een excel file (elk blokje is cel in excel) van iemand die van 2021 tot 2025 die een 1tje of
0etje zette wnnr die wakker was of in zen bed lag => 1646 slaapdagboeken die pers bij zichzelf
afnam
Waarom nr data kijken belangrijk? Blauw = wnnr die slaapt
§ Wat observeer je in data: veel variatie in tendens, hierin willen we patronen herkennen,
zebra patroontjes willen zeggen dat die pers elke dag beetje later ging slapen
§ Als je van 0 (wakker) en 1tjes (slaap) een gemiddelde neemt, en je krijgt 1,64
o INTERPRETATIE: om 00uur heeft persoon 64 procent kans om te slapen of niet
§ Als je gem neemt heb je probabiliteit
§ Verdeling van de kans om wakker te zijn of te slapen
BOXPLOT
Info over:
§ Positie
§ Spreiding
§ Symmetrie
Manier om data te presenteren
Door naar mediaan te kijken op boxplot, wat weet je
dan over verdeling?
6
, Het is een scheve verdeling
BOXPLOT IN SPSS
Blauw = rechts geskewd
Grijs = links geskewd
Als iets scheef verdeeld is kan het zijn dat er een assumptie geschonden is
Kijken naar: Hoe verkeerd/afwijkend is mijn verdeling tov wat ik verwachtte
KS test puur of verdeling normaal is en geeft een p, maar met die p ben je niks bij grote
steekproef
§ Eender welke kleine afwijking van normaliteit in KS gaat als significant geflagged
worden, maar wnnr je naar data gaat kijken en nr boxplot en histogram gaat kijken ga je
je er minder van aantrekken
§ Rekening houden dat beeld (figuur) je testen kan tegenspreken of versterken
HISTOGRAM/ BAR CHART
Info over normaliteit verdeling
SCATTERPLOTS
Veel gebruikt, interessant om te kijken of data afwijkingen vertoont die de analyse vervormen
We zien veel uitschieters. Lineaire rechte die hier wordt getekend volgt principe van parcimonie
• Parcimonie = zo veel mogelijk van de data verklaren met zo
weinig mogelijk parameters
Niet-lineaire regressie zou ook kunnen op deze scatterplot,
maar dit introduceert extra parameters
7
,GEGROEPEERDE SCATTERPLOTS
Een van de aspecten die interessant zijn in scatterplots: je kan zien of de relatie die je
observeert, niet gemodereerd is door iets anders
Hier: je ziet in data set dat er mannen en vrouwen in zitten, als je plot in subgroepen is de relatie
niet hetzelfde/wijkt die af
à Moderatie-analyse = een extra factor kan invloed hebben op de relatie tussen data
ANALYSE VAN MISSING DATA
• Missing data = waarden die we niet observeren bij een respondent of in een variabele =
ontbrekende waarden voor 1/ meer variabelen
Oorzaken?
§ Onafhankelijk van respondent
o Procedure
Þ Vb: als je vragenlijst afneemt en je rokers bevraagt en je bent toevallig
geen roker, ga je branching hebben, alle vragen die rond rookgedrag
worden gesteld zullen door subgroep worden beantwoord
Þ Indien “nee”, ga naar vraag xxx à “branching”
Þ Is dit erg? NEE is net de bedoeling
o Codeerfouten
§ Afhankelijk van respondent
o Omvang?
Þ Veel of weinig?
o Analyse van het profiel van missing data
Þ Is er systematiek of random?
8
, Manier waarop we omgaan met missing data, kan verschillende consequenties hebben
à Impact van missing data:
§ Praktische impact
o Reductie steekproefgrootte
Þ Listwise deletion: elke keer als we merken dat er ontbrekende data is, ga
je hele case eruit halen
o Intien te veel: N vergroten of remediëren
§ Non-random missingness
o Bias!
o Specifieke groepen uitgesloten uit analyse
o Merk je pas op als je missing data hebt bestudeerd
Oplossingen voor missing data?
§ Aanvullen? >> dit kan voor afwijkingen zorgen
o Als je 0 zet bij missing daalt je gemiddelde sterk
o Door gemiddelde te nemen ga je spreiding verkleinen
o à BIAS
§ Data binair maken?
o Bvb winter vs zomer; data bij elkaar nemen en daar gemiddelde van nemen
o à sampling frequency wordt kleiner
Omvang van missing data is ook belangrijk: veel MD is probleem voor kleine steekproef
Bias kan niet-toevallig zijn: vb: bepaalde subgroep weigert bep vraag in te vullen
à zien we vaak bij gevoelige vragen zoals “rookt u joints?”
STAPPEN IN DE ANALYSE VAN MISSING DATA
STAP 1: bepaal het soort missing data
§ Verwaarloosbare missing data
§ Niet-verwaarloosbare missing data
à Bepaalt de juiste remedie!
VERWAARLOOSBARE VS NIET-VERWAARLOOSBARE MISSING DATA
• Verwaarloosbare missing data = verwacht, deel van de procedure, toegelaten,
betekenisvol = random missingness
o Data van individuen die niet in steekproef zitten
o Skip-patronen in design (branching)
o Censored data: niet beschikbaar, na testen is er toch geen data over
à Niet remediëren!
9
2026
SAMENVATTING
STATISTIEK IV: HOC’s
ACADEMIEJAAR 2025-2026
EMMA ROGGEMANS
,Statistiek Iv
1: Verkennen Van Data ........................................................................................ 5
Waarom Data-Analyse?............................................................................................... 5
Grafisch Verkennen Van Data ...................................................................................... 5
Grafiek ......................................................................................................................................... 5
Boxplot ........................................................................................................................................ 6
Histogram/ Bar Chart.................................................................................................................... 7
Scatterplots ................................................................................................................................. 7
Analyse Van Missing Data ............................................................................................................. 8
Stappen In De Analyse Van Missing Data ....................................................................................... 9
Modelgebasseerde Technieken ................................................................................................... 13
Maximum Linkelihood ................................................................................................................ 13
Multiple Imputation By Chained Equations (Mice) ........................................................................ 14
Vuistregels ................................................................................................................................. 15
Outliers ..................................................................................................................................... 16
Assumpties ................................................................................................................................ 16
Data Transformatie .................................................................................................................... 19
Dummy Codering ....................................................................................................................... 21
Besluit ....................................................................................................................................... 21
2: (Co) Variantie-Analyse 1 ................................................................................. 22
Anova ....................................................................................................................... 22
Anova: Omnibus Test.................................................................................................................. 22
Analyse Van De Variantie ............................................................................................................ 23
One-Way Anova ......................................................................................................................... 24
Elementen Van Anova................................................................................................................. 24
Het Ontbinden Van De Variantie.................................................................................................. 25
Parameters Schatten: Μi ............................................................................................................. 26
Paramters Schatten: Δ ................................................................................................................ 26
Anova Tabel ............................................................................................................................... 27
Contrasten ............................................................................................................... 28
Gebruik Van Contrasten ............................................................................................................. 29
Soorten Contrasten .................................................................................................................... 30
Orthogonaliteit Van Contrasten .................................................................................................. 31
Meervoudige Vergelijkingen ...................................................................................... 31
Effectgrootte .............................................................................................................................. 34
Resampling ................................................................................................................................ 35
Niet-Parametrische Benaderingen ............................................................................. 35
Ancova ..................................................................................................................... 36
Ancova: Stappen ........................................................................................................................ 36
3: Variantie-Analyse 2 ........................................................................................ 40
2-Factor Anova.......................................................................................................... 40
Statistisch Model ....................................................................................................................... 41
Factorieel Design ....................................................................................................................... 41
1
, Voordelen .................................................................................................................................. 42
Transformaties ........................................................................................................................... 43
Two-Way Anova .......................................................................................................................... 44
Ontbinden Van De 2-Wegs Variantie............................................................................................ 44
Anova Tabel ............................................................................................................................... 45
Repeated Measures (Repanova) ................................................................................ 46
Ontbinden Van De Variantie ........................................................................................................ 47
Voorbeeld .................................................................................................................................. 47
Mixed Design ............................................................................................................ 49
Voorbeeld Muizen Doolhof & Muziek ........................................................................................... 49
Functionele Anova .................................................................................................... 51
Smoothen .................................................................................................................................. 52
4: Regressie-Analyse ......................................................................................... 55
Meervoudige Lineaire Regressie ................................................................................ 55
Enkelvoudige Regressie .............................................................................................................. 55
Grafische Voorstelling Enkelvoudige Regressie ............................................................................ 56
Statistisch Model Voor Regressie: Populatie-Regressievergelijking ............................................... 57
Grafische Voorstelling Meervoudige Regressie............................................................................. 57
Data Voor Meeroudige Regressie................................................................................................. 57
Regressie Parameters Schatten: b............................................................................................... 58
Regressie Parameters Schatten: s .............................................................................................. 59
Regressie Parameters Schatten: Variantie Van De Schatter (b) ..................................................... 59
Betrouwbaarheidsintervallen En Significantietoetsen Voor bI ....................................................... 60
Anova Tabel ............................................................................................................................... 60
Kwadratensom Grafisch ............................................................................................................. 61
Variantie-Analyse Voor Regressie ................................................................................................ 61
Determinatiecoëfficiënt: R² ......................................................................................................... 62
Variantie-Analyse Voor Regressie ................................................................................................ 62
Adjusted R2 ................................................................................................................................ 62
Voorbeeld: Voorspellen Van Studiesucces .................................................................................. 63
Multicollineariteit ....................................................................................................................... 67
Controle Op Multicollineariteit .................................................................................................... 67
Meervoudige Regressie Rapporteren (Apa) .................................................................................. 68
Logistische Regressie ............................................................................................... 68
Statistisch Model ....................................................................................................................... 68
Statistisch Model Binaire Logistische Regressie ........................................................................... 68
Odss <> Kansen ......................................................................................................................... 69
Odds-Ratio ................................................................................................................................ 70
Statistisch Model ....................................................................................................................... 70
Kansen Afleiden ......................................................................................................................... 74
Statistisch Model: Binaire Onafhankelijke Variabele..................................................................... 75
Bi En Toetsen Voor b1 .................................................................................................................. 75
Uitwerking Voorbeeld ................................................................................................................. 76
Meervoudige Logistische Regressie ............................................................................................. 77
Logistische Regressie Rapporteren (Apa) ..................................................................................... 78
Voor- En Nadelen ....................................................................................................................... 79
2
, Uitbreiding Naar Een Multinomiaal Model .................................................................................... 79
Voorbeeld .................................................................................................................................. 81
Logistische Regressie Rapporteren (Apa) ..................................................................................... 84
5: Inleiding Mediatie En Moderatie ..................................................................... 84
Causaliteit ................................................................................................................ 84
Voorwaarden Van Causaliteit...................................................................................................... 85
Hoe Causaliteit Onderzoeken/Benaderen ................................................................................... 85
Soorten Relaties ......................................................................................................................... 86
Mediatie Analyse ...................................................................................................... 89
Het Mediatiemodel ..................................................................................................................... 90
Mediatie In Het Kader Van Lineaire Regressie (B&K) ..................................................................... 91
Interpretatie Van De Resultaten .................................................................................................. 92
Sobel Test .................................................................................................................................. 95
Bootstrapping ............................................................................................................................ 95
Voorbeeld .................................................................................................................................. 96
Moderatie Analyse .................................................................................................... 97
Het Moderatiemodel .................................................................................................................. 98
Procedure .................................................................................................................................. 98
Voorbeeld .................................................................................................................................. 98
Integratie Moderatie/Mediatie ................................................................................................... 101
Gemoddereerde Mediatie ......................................................................................................... 101
6: Factor-Analyse ............................................................................................ 102
Factoranalyse .......................................................................................................... 102
Statistische Assumptie ............................................................................................................. 105
Opsplitsen Van De Variantie ..................................................................................................... 105
Methoden Voor Fa .................................................................................................................... 105
Principale Componenten .......................................................................................................... 106
Principale Factoren .................................................................................................................. 106
Hoe Beslissen? ........................................................................................................................ 107
Hoeveel Componenten/Factoren? ............................................................................................ 108
Terminologie: Samenvatting...................................................................................................... 109
Voorbeeld ................................................................................................................................ 110
Factorstructuur Interpreteren ................................................................................................... 111
Functionel Data Analyse – Fpca ................................................................................ 116
Functonele Pca ........................................................................................................................ 116
Voorbeeld ................................................................................................................................ 118
Ontbinding Van Functionele Componenten ............................................................................... 118
7: Clusteranalyse ............................................................................................ 119
Kenmerken Van Het Model........................................................................................................ 120
Similariteitsmaten .................................................................................................................... 121
Clusterprocedure ..................................................................................................................... 125
Interpreteren, Profileren En Valideren Van Clusters ................................................................... 132
Functionele Clusteranalyse ...................................................................................................... 133
Clusteranalyse: Besluit............................................................................................................. 134
3
,8: Structural Equation Modeling (Sem).............................................................. 134
Praktisch Voorbeeld ................................................................................................................. 134
Wat Is Sem? ............................................................................................................................. 135
Confirmatorische Factor Analyse ............................................................................. 136
Basisconcepten ....................................................................................................................... 136
Meerdere Indicatoren ............................................................................................................... 137
Model Fit .................................................................................................................................. 140
Voorbeeld Jasp......................................................................................................................... 142
Modification Indices ................................................................................................................. 145
Verschil Met Cfa ....................................................................................................................... 145
Voorbeeld Lauriola & Lani (2015) ............................................................................................... 145
Padanalyse .............................................................................................................. 149
Sem......................................................................................................................... 150
Sample Size ............................................................................................................................. 150
Item Parcels ............................................................................................................................. 150
Model Comparisons ................................................................................................................. 151
Cuasaliteit ............................................................................................................................... 151
4
, Statistiek IV: Multivariate Data analyse
1: VERKENNEN VAN DATA
WAAROM DATA-ANALYSE?
Data-analyse = noodzakelijk voor psychologen
§ Maakt inherent deel uit van het wetenschappelijk proces
o Vanaf je data hebt, eerst kijken naar die data => Hoe ziet data-set eruit, zijn er
missing values? Is die goed gecodeerd geweest?
§ Begrip van + kritische instelling tegenover vakliteratuur
Belangrijk om wereld rondom te kunnen begrijpen en geen foute Data
Initial observation
(research question)
conclusies te trekken
Conceptual Domain
Vb: vaccins voor windpokken veroorzaken autisme => van 0
Theory
§
Naar 500 gevallen windpokken gegaan door deze statement
Identify variables Generate hypothesis
Data-analyse helpt je om:
1. Data te organiseren (grafieken…) Observable Domain
Generate predictions
2. Data te beschrijven (beschrijvende/deductieve statistiek, samenvatten
3. Interpreteren en uitspraken doen op basis van data (inferentiële Measure variables
Collect data to test
predictions
/inductieve statistiek, verklaren)
4. Theorieën te verifiëren en aan te passen • Graph data
• Fit a model
Analyse data
à Datacollectie wordt constant gedaan. Analysetechnieken laten toe om in data bepaalde
patronen te herkennen. Dit gebruiken we om data te beschrijven, interpreteren en uiteindelijk
theorieën te ontwikkelen die wetenschap vooruithelpen.
GRAFISCH VERKENNEN VAN DATA
Onderzoek van verdelingen
§ Histogram
§ Stam/blad diagram
§ Box plot
à Globaal zicht!
GRAFIEK
Een grafiek schept een beeld en geeft, als het een goede grafiek is, 3/4 van de info die je moet
weten. Je kan er dus veel uithalen MAAR gevaar is dat je een beeld maakt en de tekst bij het
beeld niet klopt à grafieken scheppen verwachtingen naar data-analyse toe.
5
,Een grafiek:
§ Onthult data: laat gegevens zien zoals ze zijn
§ Laat de lezer nadenken over de gepresenteerde data en schept verwachtingen
§ Vat data samen en maakt grote datasets coherent
§ Moedigt de lezer aan om verschillende gegevens te vergelijken
à Verhaal in beeld vertellen en de tekst is hier een ondersteuning van en vice versa
VOORBEELD THE REDDIT SLEEPER
Dit is een excel file (elk blokje is cel in excel) van iemand die van 2021 tot 2025 die een 1tje of
0etje zette wnnr die wakker was of in zen bed lag => 1646 slaapdagboeken die pers bij zichzelf
afnam
Waarom nr data kijken belangrijk? Blauw = wnnr die slaapt
§ Wat observeer je in data: veel variatie in tendens, hierin willen we patronen herkennen,
zebra patroontjes willen zeggen dat die pers elke dag beetje later ging slapen
§ Als je van 0 (wakker) en 1tjes (slaap) een gemiddelde neemt, en je krijgt 1,64
o INTERPRETATIE: om 00uur heeft persoon 64 procent kans om te slapen of niet
§ Als je gem neemt heb je probabiliteit
§ Verdeling van de kans om wakker te zijn of te slapen
BOXPLOT
Info over:
§ Positie
§ Spreiding
§ Symmetrie
Manier om data te presenteren
Door naar mediaan te kijken op boxplot, wat weet je
dan over verdeling?
6
, Het is een scheve verdeling
BOXPLOT IN SPSS
Blauw = rechts geskewd
Grijs = links geskewd
Als iets scheef verdeeld is kan het zijn dat er een assumptie geschonden is
Kijken naar: Hoe verkeerd/afwijkend is mijn verdeling tov wat ik verwachtte
KS test puur of verdeling normaal is en geeft een p, maar met die p ben je niks bij grote
steekproef
§ Eender welke kleine afwijking van normaliteit in KS gaat als significant geflagged
worden, maar wnnr je naar data gaat kijken en nr boxplot en histogram gaat kijken ga je
je er minder van aantrekken
§ Rekening houden dat beeld (figuur) je testen kan tegenspreken of versterken
HISTOGRAM/ BAR CHART
Info over normaliteit verdeling
SCATTERPLOTS
Veel gebruikt, interessant om te kijken of data afwijkingen vertoont die de analyse vervormen
We zien veel uitschieters. Lineaire rechte die hier wordt getekend volgt principe van parcimonie
• Parcimonie = zo veel mogelijk van de data verklaren met zo
weinig mogelijk parameters
Niet-lineaire regressie zou ook kunnen op deze scatterplot,
maar dit introduceert extra parameters
7
,GEGROEPEERDE SCATTERPLOTS
Een van de aspecten die interessant zijn in scatterplots: je kan zien of de relatie die je
observeert, niet gemodereerd is door iets anders
Hier: je ziet in data set dat er mannen en vrouwen in zitten, als je plot in subgroepen is de relatie
niet hetzelfde/wijkt die af
à Moderatie-analyse = een extra factor kan invloed hebben op de relatie tussen data
ANALYSE VAN MISSING DATA
• Missing data = waarden die we niet observeren bij een respondent of in een variabele =
ontbrekende waarden voor 1/ meer variabelen
Oorzaken?
§ Onafhankelijk van respondent
o Procedure
Þ Vb: als je vragenlijst afneemt en je rokers bevraagt en je bent toevallig
geen roker, ga je branching hebben, alle vragen die rond rookgedrag
worden gesteld zullen door subgroep worden beantwoord
Þ Indien “nee”, ga naar vraag xxx à “branching”
Þ Is dit erg? NEE is net de bedoeling
o Codeerfouten
§ Afhankelijk van respondent
o Omvang?
Þ Veel of weinig?
o Analyse van het profiel van missing data
Þ Is er systematiek of random?
8
, Manier waarop we omgaan met missing data, kan verschillende consequenties hebben
à Impact van missing data:
§ Praktische impact
o Reductie steekproefgrootte
Þ Listwise deletion: elke keer als we merken dat er ontbrekende data is, ga
je hele case eruit halen
o Intien te veel: N vergroten of remediëren
§ Non-random missingness
o Bias!
o Specifieke groepen uitgesloten uit analyse
o Merk je pas op als je missing data hebt bestudeerd
Oplossingen voor missing data?
§ Aanvullen? >> dit kan voor afwijkingen zorgen
o Als je 0 zet bij missing daalt je gemiddelde sterk
o Door gemiddelde te nemen ga je spreiding verkleinen
o à BIAS
§ Data binair maken?
o Bvb winter vs zomer; data bij elkaar nemen en daar gemiddelde van nemen
o à sampling frequency wordt kleiner
Omvang van missing data is ook belangrijk: veel MD is probleem voor kleine steekproef
Bias kan niet-toevallig zijn: vb: bepaalde subgroep weigert bep vraag in te vullen
à zien we vaak bij gevoelige vragen zoals “rookt u joints?”
STAPPEN IN DE ANALYSE VAN MISSING DATA
STAP 1: bepaal het soort missing data
§ Verwaarloosbare missing data
§ Niet-verwaarloosbare missing data
à Bepaalt de juiste remedie!
VERWAARLOOSBARE VS NIET-VERWAARLOOSBARE MISSING DATA
• Verwaarloosbare missing data = verwacht, deel van de procedure, toegelaten,
betekenisvol = random missingness
o Data van individuen die niet in steekproef zitten
o Skip-patronen in design (branching)
o Censored data: niet beschikbaar, na testen is er toch geen data over
à Niet remediëren!
9
