College Aantekeningen - Data-analyse

College 1 – Data preparation
Conversion
 Probeer kopiëren en plakken te vermijden
Van te voren moet je
weten welk bestand je
hebt




Merging
Combineren van meerdere bestanden
 Add cases: de bestanden moeten
dezelfde variabele namen hebben
 Add variables: het bestand moet
dezelfde cases hebben maar andere
variabele namen
 Id-variable benodigd (key variable)
SPSS: data  merge files


Unpaired variabele: alleen degene met plusjes toevoegen
Merge Add variable
Key variable
 Variabele die cases
identificeert die moeten worden
samengevoegd (bijv. userid,
student number)
 Moet hetzelfde type en format
hebben in beide bestanden
o String 1 vs. numeric 1
o Spaces voor het nummer
 Moet uniek zijn:missing=missing
 Moet worden gestorteerd
SPSS: data menu  merge files  add variables  kies already
opened / external 
 Select merge method
 Sorteer bestanden door key values vóór merging = on


Aggregate
SPSS: Data  aggregate  zet afhankelijke
variabelen in aggregated variabelen

1

,  Selecteer number of cases
 Voeg actieve data set toe (vergelijk groepsgemiddelden met alle
proefpersonen) of maak een nieuwe + een nieuwe naam




Restructure
 Identifier: subject
 Index: het level van de
within subject factor (een
conditie)
Verschil tussen lange en brede
gegevens: de plaats waar je de
identifier en de index plaatst
SPSS: restructure  selecteer
goede optie  zet variabelen op
de goede plek  sort: ja

College 2 – Assumpties & modererende variabelen
Analyses die zijn behandeld:




Onderzoeken van assumpties




 Vaak verkeerd om
assumpties te toetsen?
 Voorbeeld t-toets onafhankelijke steekproeven




2

,  Assumptions of the t-test for independent samples:
o Independent samples draws, not multilevel
o Fixed sample size, set a priori
o Fixed decision rule: reject H0 if t>tcrit
o Normality
o Equal variances
 Checking assumptions
o Check normality and variances in samples
o Decide to use t-test or not
 Checking assumptions creates a violation of assumptions
o It is recommended in some undergraduate statistics books
o But not in peer reviewed articles in statistical journals
o E.g., recommended by Field, based on SPSS help, based on
Hays (1973)
o But Hays recommends the opposite




Waarom assumpties niet toetsen?
 Het toetsen van assumpties is zelf een schending van assumpties
 Zo’n toets heeft zelf ook foutkansen (alpha en power)
 Zo’n toets heeft zelf ook weer assumpties
 Het is maar de vraag of de foutkansen van de hoofdanalyse er
beter van worden
 Dit moet eerst bewezen zijn dus doe dit allen op grond van
peer-reviewed advies
Assumpties GLM
 “Model”: geobserveerde score = voorspelde score + residu
o Assumpties gaan over residuen: zou moeten gelden dat ze
normaal verdeeld zijn en overal dezelfde variantie hebben
Belangrijkste assumpties
 Normaliteit
o Residuen normaal verdeeld in elke groep van OV
o Minder belangrijk bij groter N
 Homogeniteit
o Residuen met gelijke variantie in elke groep van OV
 Lineariteit (alleen bij analyses waarbij je een covariaat hebt)
o Residuen zijn gemiddeld 0 in elke groep van OV
o (Groepsgemiddelden zijn gelijk aan voorspelde scores)
o Geen assumptie bij ANOVA met full factorial model
 Makkelijkste om de residuen te onderzoeken en te kijken of die
passen bij de assumpties

3