Kennisclips ‘Leerproject 3: Experiment’ uitgeschreven
Inhoudsopgave
Kennisclips ‘Leerproject 3: Experiment’ uitgeschreven ................................................................................. 1
Kennisclip 1 - Causaliteit en confounds ........................................................................................................ 2
Kennisclip 2 - Randomisatie ........................................................................................................................ 5
Kennisclip 3 – Herhaalde metingen.............................................................................................................. 7
Kennisclip 4 – effect grootte........................................................................................................................ 9
Kennisclip 5 – Betrouwbaarheidsinterval ................................................................................................... 12
Kennisclip 6 - Meta-analyse ...................................................................................................................... 17
Kennisclip 7 – Interne Validiteit................................................................................................................. 21
Kennisclip 8 – Externe validiteit................................................................................................................. 24
Kennisclip 9 – Mixed designs ..................................................................................................................... 27
Kennisclip 10 – Confounds in Experiment .................................................................................................. 31
Kennisclip 11 – Statistische Power ............................................................................................................. 33
Kennisclip 12 – Steekproefgrootte berekening ........................................................................................... 39
Kennisclip 13 – Replicatie crisis ................................................................................................................. 42
Kennisclip 14 – P-hacking .......................................................................................................................... 44
,Kennisclip 1 - Causaliteit en confounds
Experiment → oorzakelijke verbanden
Correlatie is geen causatie (oorzakelijkheid)
→ correlatie is geen causatie is erg belangrijk!! → voorbeeld:
In landen waar veel ijsjes wordt gegeten verdrinken ook veel kinderen in het zwembad. Dus
het komt door de ijsjes? Nee, het land is erg warm, vandaar dat meer mensen zwemmen, en
dus meer kinderen verdrinken.
Dergelijke relaties komen erg veel voor in de sociale wetenschappen: spurious relations
Volgend voorbeeld: vaak lastiger dan het ijsjes voorbeeld:
‘Instagram gebruik leidt tot verminderd mentaal welzijn’
→ lijkt wel logisch!
→ Maar correlatie is geen causatie
Probleem 1: omgekeerde causaliteit
Omgekeerde causaliteit. Het kan ook andersom zijn (verminderd mentaal welzijn leidt tot
meer Instagram gebruik)
Probleem 2: confounding
Confounding: verstoring
Voert invloed uit op beide variabelen
Lage eigenwaarde bijvoorbeeld → ze worden beide door de confound veroorzaakt
Bij het ijsjes was ‘type land’ de confound
→die confound moeten we uit de weg ruimen, hier zijn 3 manieren voor:
1. Houd de confound constant
In Amerika kan je doneren aan politici, degene met de meeste donaties wint vaak
verkiezingen: maar correlatie is geen causatie!
- Er was een confound: het charisma van de kandidaat
- Charisma van de kandidaten zijn constant gehouden (blijft gelijk over de tijd)
- Dus charisma bleef gelijk, maar donaties niet. Als kandidaat A de eerste keer meer
geld ophaalt dan kandidaat B, maar B de 2e keer, krijg je interessante situatie. Je kan
nu effect van donaties op electoraal succes onderzoeken, zondar dat charisma hier
een rol speelt
, - Het bleek dat geld helemaal niks uitmaakt
- Misschien is charisma inderdaad een confound, en is relaties tussen donaties en
verkiezingswinst een spurious correlation
2. Houd de confounds statistisch constant
We nemen de cofound als een ‘co-variaat’ mee
Voorbeeld:
- Instagram-gebruik en sociaal welzijn gemeten, met een heleboel variabelen die op
konden treden als confound (gender, leeftijd, psychologisch)
- Resultaat: Insta hing samen met verminderd mentaal welzijn, ook als gecontroleerd
werd voor deze mogelijke confounds
- → lijkt sprake van oorzakelijk verband
3. Verander zelf de onafhankelijke variabele – en verander NIET de confound
Voorbeeld:
- 1 groep werd gevraagd half uur insta te gebruiken, andere groep Facebook, anderhalf
uur iets anders doen.
- Groep die Insta gebruikte rapporteerde verminderd mentaal welzijn
- Kan nu niet meer verklaard worden door de confound; groepen verschilde immers
alleen in Insta- of Facebookgebruik.
- Onderzoeker beïnvloedt Insta gebruik, zij is degene die bepaalt wat de mensen
gebruiken
- Insta wordt losgekoppeld van eigenwaarde; of deelnemer nu lage of hoge
eigenwaarde heeft; beïnvloedt nu niet het Instagram gebruik.
- Eigenwaarde kan nog steeds wel effect hebben op mentaal welzijn, maar niet meer
op Instagram-gebruik
- Als er dus een relatie is tussen Instagebruik en mentaal welzijn, kan dit niet meer
verklaard worden door eigenwaarde
Dit veranderen van de onafhankelijke variabele kan op 2 manieren (zie ook plaatsjes
hieronder):
1. Deelnemers verschillende groepen, kijken of ze verschillen in afhankelijke variabele
2. Onafhankelijke variabele manipuleren binnen dezelfde deelnemers
, Experimenteel woordenboek
Causaliteit – oorzakelijkheid
Spurious relation – niet-oorzakelijk verband
Confound – stoorzender
Covariaat – variabele die je statistisch constant houdt
Experiment – onderzoek waarin de onafhankelijke variabele door de onderzoeker zelf
veranderd wordt
Observationeel (of correlationeel) onderzoek – onderzoek waarin gebruik wordt gemaakt
van de natuurlijk voorkomende verschillen tussen mensen
Inhoudsopgave
Kennisclips ‘Leerproject 3: Experiment’ uitgeschreven ................................................................................. 1
Kennisclip 1 - Causaliteit en confounds ........................................................................................................ 2
Kennisclip 2 - Randomisatie ........................................................................................................................ 5
Kennisclip 3 – Herhaalde metingen.............................................................................................................. 7
Kennisclip 4 – effect grootte........................................................................................................................ 9
Kennisclip 5 – Betrouwbaarheidsinterval ................................................................................................... 12
Kennisclip 6 - Meta-analyse ...................................................................................................................... 17
Kennisclip 7 – Interne Validiteit................................................................................................................. 21
Kennisclip 8 – Externe validiteit................................................................................................................. 24
Kennisclip 9 – Mixed designs ..................................................................................................................... 27
Kennisclip 10 – Confounds in Experiment .................................................................................................. 31
Kennisclip 11 – Statistische Power ............................................................................................................. 33
Kennisclip 12 – Steekproefgrootte berekening ........................................................................................... 39
Kennisclip 13 – Replicatie crisis ................................................................................................................. 42
Kennisclip 14 – P-hacking .......................................................................................................................... 44
,Kennisclip 1 - Causaliteit en confounds
Experiment → oorzakelijke verbanden
Correlatie is geen causatie (oorzakelijkheid)
→ correlatie is geen causatie is erg belangrijk!! → voorbeeld:
In landen waar veel ijsjes wordt gegeten verdrinken ook veel kinderen in het zwembad. Dus
het komt door de ijsjes? Nee, het land is erg warm, vandaar dat meer mensen zwemmen, en
dus meer kinderen verdrinken.
Dergelijke relaties komen erg veel voor in de sociale wetenschappen: spurious relations
Volgend voorbeeld: vaak lastiger dan het ijsjes voorbeeld:
‘Instagram gebruik leidt tot verminderd mentaal welzijn’
→ lijkt wel logisch!
→ Maar correlatie is geen causatie
Probleem 1: omgekeerde causaliteit
Omgekeerde causaliteit. Het kan ook andersom zijn (verminderd mentaal welzijn leidt tot
meer Instagram gebruik)
Probleem 2: confounding
Confounding: verstoring
Voert invloed uit op beide variabelen
Lage eigenwaarde bijvoorbeeld → ze worden beide door de confound veroorzaakt
Bij het ijsjes was ‘type land’ de confound
→die confound moeten we uit de weg ruimen, hier zijn 3 manieren voor:
1. Houd de confound constant
In Amerika kan je doneren aan politici, degene met de meeste donaties wint vaak
verkiezingen: maar correlatie is geen causatie!
- Er was een confound: het charisma van de kandidaat
- Charisma van de kandidaten zijn constant gehouden (blijft gelijk over de tijd)
- Dus charisma bleef gelijk, maar donaties niet. Als kandidaat A de eerste keer meer
geld ophaalt dan kandidaat B, maar B de 2e keer, krijg je interessante situatie. Je kan
nu effect van donaties op electoraal succes onderzoeken, zondar dat charisma hier
een rol speelt
, - Het bleek dat geld helemaal niks uitmaakt
- Misschien is charisma inderdaad een confound, en is relaties tussen donaties en
verkiezingswinst een spurious correlation
2. Houd de confounds statistisch constant
We nemen de cofound als een ‘co-variaat’ mee
Voorbeeld:
- Instagram-gebruik en sociaal welzijn gemeten, met een heleboel variabelen die op
konden treden als confound (gender, leeftijd, psychologisch)
- Resultaat: Insta hing samen met verminderd mentaal welzijn, ook als gecontroleerd
werd voor deze mogelijke confounds
- → lijkt sprake van oorzakelijk verband
3. Verander zelf de onafhankelijke variabele – en verander NIET de confound
Voorbeeld:
- 1 groep werd gevraagd half uur insta te gebruiken, andere groep Facebook, anderhalf
uur iets anders doen.
- Groep die Insta gebruikte rapporteerde verminderd mentaal welzijn
- Kan nu niet meer verklaard worden door de confound; groepen verschilde immers
alleen in Insta- of Facebookgebruik.
- Onderzoeker beïnvloedt Insta gebruik, zij is degene die bepaalt wat de mensen
gebruiken
- Insta wordt losgekoppeld van eigenwaarde; of deelnemer nu lage of hoge
eigenwaarde heeft; beïnvloedt nu niet het Instagram gebruik.
- Eigenwaarde kan nog steeds wel effect hebben op mentaal welzijn, maar niet meer
op Instagram-gebruik
- Als er dus een relatie is tussen Instagebruik en mentaal welzijn, kan dit niet meer
verklaard worden door eigenwaarde
Dit veranderen van de onafhankelijke variabele kan op 2 manieren (zie ook plaatsjes
hieronder):
1. Deelnemers verschillende groepen, kijken of ze verschillen in afhankelijke variabele
2. Onafhankelijke variabele manipuleren binnen dezelfde deelnemers
, Experimenteel woordenboek
Causaliteit – oorzakelijkheid
Spurious relation – niet-oorzakelijk verband
Confound – stoorzender
Covariaat – variabele die je statistisch constant houdt
Experiment – onderzoek waarin de onafhankelijke variabele door de onderzoeker zelf
veranderd wordt
Observationeel (of correlationeel) onderzoek – onderzoek waarin gebruik wordt gemaakt
van de natuurlijk voorkomende verschillen tussen mensen
