ANOVA: Dit staat voor Analysis of Variance, oftewel variantieanalyse, en wordt gebruikt om
gemiddelden van meer dan twee groepen met elkaar te vergelijken. Het is een uitbreiding van de t-toets,
die het gemiddelde van maximaal twee groepen met elkaar vergelijkt.
Voorwaarde om de ANOVA test uit te voeren:
PV Dit moeten 2 of meer groepen zijn (categoriale variabele)
OV Dit moet een quantitatieve variabele zijn (verschillende schalen)
1) Is the data suitable for ANOVA
PV = Categorisch & OV = Quantitative
Varance across groups is homogenous (Test of Homogeneity of variance of Levene’s
Test)
o The H0 for the test Variances are homogenous (this is what you want –
variances needs to be equal)
o The H1 for the test Variances are hetrogeneous (you don’t want this as
variables needs to be equal for ANOVA)
Groups are equal sized (always the case)
Normal distributed (always the case)
Between subject design (each number can be included in only one group)
2) Model as a whole make sense
F-test Dit is om te kijken hoe de groepen van elkaar verschillen. Hierbij is H0 dat er
geen verschillen zijn tussen de categoriën (verwerpen H0 bij P < 0,05). Bij verwerpen van
H0 geef je dus aan dat er een verschil is tussen de verschillende gemiddeldes van
tenminste één groep.
R2 Deze geeft aan hoeveel van de variantie in de afhankelijke variabele verklaard
wordt door de verklarende variabelen. De R2 heeft altijd een waarde tussen 0 en 1
waarbij 1 het best mogelijke model aangeeft waarbij alle variantie in de afhankelijke
variabele verklaard wordt.
3) Individual PV’s significant
Hierbij wordt er een F-test per PV gedraaid waarbij de PV’s zelf het main effect zijn en de
vermenigvuldiging het interactie effect.
Als er geen significantie is ( P > 0,05) dan blijft de H0 behouden Er is dan geen
significant verschil tussen het gemiddelde van de PV en de OV (dependent variable)
Om te beoordelen welke variabele het grootse effect heeft kijken je naar de Partial Eta
Squared. Deze zegt iets over de effect size van de PV’s & interaction waarbij 0,01 (small)
& 0,06 (medium) & > 0,14 (large). Deze kan je evt. zelf berekenen door SS / (SS + SSr)
4) Which group means differ
Dit kan je doen door een Post-Hoc test (hierbij kijk je dus tussen welke variabelen het
verschil zit). Bij deze Post-Hoc-Test zijn de variaties (sig.) tussen de verschillende groepen
te zien. Bij P < 0.05 is er een significant verschil tussen de twee groepen (H0 is geen
verschil, deze wordt verworpen).
,
, 1e Example: Difference between countries within chains (Moderator = Chain)
2e Example: Difference between chains within countries (Moderator = Country)
gemiddelden van meer dan twee groepen met elkaar te vergelijken. Het is een uitbreiding van de t-toets,
die het gemiddelde van maximaal twee groepen met elkaar vergelijkt.
Voorwaarde om de ANOVA test uit te voeren:
PV Dit moeten 2 of meer groepen zijn (categoriale variabele)
OV Dit moet een quantitatieve variabele zijn (verschillende schalen)
1) Is the data suitable for ANOVA
PV = Categorisch & OV = Quantitative
Varance across groups is homogenous (Test of Homogeneity of variance of Levene’s
Test)
o The H0 for the test Variances are homogenous (this is what you want –
variances needs to be equal)
o The H1 for the test Variances are hetrogeneous (you don’t want this as
variables needs to be equal for ANOVA)
Groups are equal sized (always the case)
Normal distributed (always the case)
Between subject design (each number can be included in only one group)
2) Model as a whole make sense
F-test Dit is om te kijken hoe de groepen van elkaar verschillen. Hierbij is H0 dat er
geen verschillen zijn tussen de categoriën (verwerpen H0 bij P < 0,05). Bij verwerpen van
H0 geef je dus aan dat er een verschil is tussen de verschillende gemiddeldes van
tenminste één groep.
R2 Deze geeft aan hoeveel van de variantie in de afhankelijke variabele verklaard
wordt door de verklarende variabelen. De R2 heeft altijd een waarde tussen 0 en 1
waarbij 1 het best mogelijke model aangeeft waarbij alle variantie in de afhankelijke
variabele verklaard wordt.
3) Individual PV’s significant
Hierbij wordt er een F-test per PV gedraaid waarbij de PV’s zelf het main effect zijn en de
vermenigvuldiging het interactie effect.
Als er geen significantie is ( P > 0,05) dan blijft de H0 behouden Er is dan geen
significant verschil tussen het gemiddelde van de PV en de OV (dependent variable)
Om te beoordelen welke variabele het grootse effect heeft kijken je naar de Partial Eta
Squared. Deze zegt iets over de effect size van de PV’s & interaction waarbij 0,01 (small)
& 0,06 (medium) & > 0,14 (large). Deze kan je evt. zelf berekenen door SS / (SS + SSr)
4) Which group means differ
Dit kan je doen door een Post-Hoc test (hierbij kijk je dus tussen welke variabelen het
verschil zit). Bij deze Post-Hoc-Test zijn de variaties (sig.) tussen de verschillende groepen
te zien. Bij P < 0.05 is er een significant verschil tussen de twee groepen (H0 is geen
verschil, deze wordt verworpen).
,
, 1e Example: Difference between countries within chains (Moderator = Chain)
2e Example: Difference between chains within countries (Moderator = Country)
