Term Betekenis en/of berekening
Mean (x́) Hypothetische waarde om de data samen te vatten
n
Sum of squared errors 2
(SS) Meet de nauwkeurigheid van het model ∑ (x i−x́ i)
i=1
Degrees of freedom (df) Het aantal scores dat wordt gebruikt om het totaal, aangepast
op het feit dat er wordt geprobeerd de populatie waarde in te
schatten
Standard error (SE) De standaarddeviatie van sample gemiddelden. Een hoge SE
betekent dat er veel variatie is tussen de gemiddelden van de
verschillende samples, waardoor de sample mogelijk niet
representatief is voor de populatie.
s
σ x́ = s staat voor standaarddeviatie van de originele
√N
verdeling.
Confidence intervals (CI) Dit is het interval waarin we geloven dat de populatie zal
vallen. De z-scores die bij de onderstaande vergelijking horen,
zijn te vinden in een tabel (appendix 1, Field 4th ed.) en daarin
moet worden gekeken in de kolom ‘smaller portion’.
Lower boundary CI = X́ − z 1− p × SE
( )
2
Upper boundary CI = X́ + ( z 1− p × SE
)
2
Confidence intervals bij Bij samples van 30 of groter, wordt de distributie vanzelf
kleine samples (<30) normaal. Dit is echter niet het geval bij kleine samples. Daarom
gelden hier andere formules voor. De waarde van t is op te
zoeken in appendix 2 (Field 4th ed.).
Lower boundary CI = X́ −( t n−1 × SE )
Upper boundary CI = X́ + ( t n−1 × SE )
Null hypothesis (H0) Dit type hypothese beweert dat er geen effect is.
H0: = 0
Alternative hypothesis Dit type hypothese beweert dat er wel een effect is.
(H1 of Ha) H1: ≠ 0
One-tailed test en two- Wanneer een statistisch model een hypothese met een richting
tailed test test, wordt er gebruik gemaakt van een one-tailed test.
Wanneer er geen directie hypothese (dus effect kan beide
kanten op gaan) wordt getest, wordt de two-tailed test
gebruikt.
Type I error Wanneer we geloven dat er een effect is in onze populatie,
terwijl deze er niet is. Dit wordt gemeten op -level.
Type II error Wanneer we geloven dat er geen effect is, terwijl deze er wel
is. Dit kan voorkomen wanneer er een kleine test statistiek
wordt verkregen. De maximale acceptabele probability van een
type II error is .2 (-level). Zodra de kans op een Type I error
afneemt, neemt de kans op een Type II error toe (vice versa).
Statistical power Het vermogen van een test om een effect te vinden. Dit is het
, tegenovergestelde van de probability dat een bepaalde test
geen effect zal vinden, zoals is gezien bij het type II error.
Daarom wordt de power van een test ook wel 1 - genoemd.
Er is aangegeven dat de maximaal 0.2 mag zijn, waardoor er
vaak wordt getracht om een power van 0.8 (1 – 0.2) te
bereiken.
Cohen’s d ^ X́ 1− X́ 2 . Het dakje op de d betekent
Dit is een effect size. d=
s
dat het een schatting is. Een effectsize is klein wanneer d = 0.2,
medium bij d = 0.5 en groot bij d = 0.8.
Correlation coefficient De correlatie coefficient laat zien hoe veel samenhang er is.
(r) Ook de correlatie coëfficient is een effect size. R = .10 staat
voor een klein effect, r = .30 voor een medium effect en r = .50
staat voor een groot effect. Het kwadraat van de Pearson’s
correlatie coëfficient (r2) wordt gebruikt om de verklaarde
variantie aan te geven.
Assumpties (ch. 5)
Outlier Een outlier is een score die erg verschilt van de rest van de
data. Ze kunnen zorgen voor een bias voor de parameters voor
schattingen. Zo kan het gemiddelde erg veranderen wanneer
een outlier wordt verwijderd.
Additivity and linearity Deze assumptie betekent dat de uitkomstvariabele, in de
realiteit, lineair is gerelateerd aan iedere predictor. Deze
assumptie is de belangrijkste, want als deze niet waar is wordt
het model ongeldig. Het model is dan foutief beschreven.
Het model dat lineair is kan worden omschreven als:
b 1 X 1 i +b2 X 2 i +…+b n X ¿
Normale distributie De data is verdeeld in een ‘bel’ vorm. In kleine samples moet je
de normale distributie goed controleren als je parameters
hiervan wilt gebruiken. Wanneer je grote samples hebt, zou
deze volgens de central limit theorem al normaal verdeeld
moeten zijn en hoef je je hier geen zorgen over te maken.
Homoscedasiticity Dit betekent dat de spreiding van de scores rondom het
gemiddelden ongeveer gelijk is. Het tegenovergestelde is
heteroscedasiticity, waarbij de variantie van scores verschillend
is op sommige niveaus. Als er sprake is van homoscedasiticity
kunnen de parameters over het gehele model goed gebruikt
worden. Als er sprake is van heteroscedasiticity is er
inconsistentie in de schatting van de parameters.
Independence Deze assumptie betekent dat de fouten in het model niet
gerelateerd zijn aan elkaar. Als de scores afhankelijk van elkaar
zijn (stel dat twee participanten moeten overleggen met elkaar
om tot een antwoord te komen) zijn automatisch de fouten
ook afhankelijk en wordt er niet voldaan aan de assumptie
onafhankelijkheid.
Correlation (ch. 7)
Mean (x́) Hypothetische waarde om de data samen te vatten
n
Sum of squared errors 2
(SS) Meet de nauwkeurigheid van het model ∑ (x i−x́ i)
i=1
Degrees of freedom (df) Het aantal scores dat wordt gebruikt om het totaal, aangepast
op het feit dat er wordt geprobeerd de populatie waarde in te
schatten
Standard error (SE) De standaarddeviatie van sample gemiddelden. Een hoge SE
betekent dat er veel variatie is tussen de gemiddelden van de
verschillende samples, waardoor de sample mogelijk niet
representatief is voor de populatie.
s
σ x́ = s staat voor standaarddeviatie van de originele
√N
verdeling.
Confidence intervals (CI) Dit is het interval waarin we geloven dat de populatie zal
vallen. De z-scores die bij de onderstaande vergelijking horen,
zijn te vinden in een tabel (appendix 1, Field 4th ed.) en daarin
moet worden gekeken in de kolom ‘smaller portion’.
Lower boundary CI = X́ − z 1− p × SE
( )
2
Upper boundary CI = X́ + ( z 1− p × SE
)
2
Confidence intervals bij Bij samples van 30 of groter, wordt de distributie vanzelf
kleine samples (<30) normaal. Dit is echter niet het geval bij kleine samples. Daarom
gelden hier andere formules voor. De waarde van t is op te
zoeken in appendix 2 (Field 4th ed.).
Lower boundary CI = X́ −( t n−1 × SE )
Upper boundary CI = X́ + ( t n−1 × SE )
Null hypothesis (H0) Dit type hypothese beweert dat er geen effect is.
H0: = 0
Alternative hypothesis Dit type hypothese beweert dat er wel een effect is.
(H1 of Ha) H1: ≠ 0
One-tailed test en two- Wanneer een statistisch model een hypothese met een richting
tailed test test, wordt er gebruik gemaakt van een one-tailed test.
Wanneer er geen directie hypothese (dus effect kan beide
kanten op gaan) wordt getest, wordt de two-tailed test
gebruikt.
Type I error Wanneer we geloven dat er een effect is in onze populatie,
terwijl deze er niet is. Dit wordt gemeten op -level.
Type II error Wanneer we geloven dat er geen effect is, terwijl deze er wel
is. Dit kan voorkomen wanneer er een kleine test statistiek
wordt verkregen. De maximale acceptabele probability van een
type II error is .2 (-level). Zodra de kans op een Type I error
afneemt, neemt de kans op een Type II error toe (vice versa).
Statistical power Het vermogen van een test om een effect te vinden. Dit is het
, tegenovergestelde van de probability dat een bepaalde test
geen effect zal vinden, zoals is gezien bij het type II error.
Daarom wordt de power van een test ook wel 1 - genoemd.
Er is aangegeven dat de maximaal 0.2 mag zijn, waardoor er
vaak wordt getracht om een power van 0.8 (1 – 0.2) te
bereiken.
Cohen’s d ^ X́ 1− X́ 2 . Het dakje op de d betekent
Dit is een effect size. d=
s
dat het een schatting is. Een effectsize is klein wanneer d = 0.2,
medium bij d = 0.5 en groot bij d = 0.8.
Correlation coefficient De correlatie coefficient laat zien hoe veel samenhang er is.
(r) Ook de correlatie coëfficient is een effect size. R = .10 staat
voor een klein effect, r = .30 voor een medium effect en r = .50
staat voor een groot effect. Het kwadraat van de Pearson’s
correlatie coëfficient (r2) wordt gebruikt om de verklaarde
variantie aan te geven.
Assumpties (ch. 5)
Outlier Een outlier is een score die erg verschilt van de rest van de
data. Ze kunnen zorgen voor een bias voor de parameters voor
schattingen. Zo kan het gemiddelde erg veranderen wanneer
een outlier wordt verwijderd.
Additivity and linearity Deze assumptie betekent dat de uitkomstvariabele, in de
realiteit, lineair is gerelateerd aan iedere predictor. Deze
assumptie is de belangrijkste, want als deze niet waar is wordt
het model ongeldig. Het model is dan foutief beschreven.
Het model dat lineair is kan worden omschreven als:
b 1 X 1 i +b2 X 2 i +…+b n X ¿
Normale distributie De data is verdeeld in een ‘bel’ vorm. In kleine samples moet je
de normale distributie goed controleren als je parameters
hiervan wilt gebruiken. Wanneer je grote samples hebt, zou
deze volgens de central limit theorem al normaal verdeeld
moeten zijn en hoef je je hier geen zorgen over te maken.
Homoscedasiticity Dit betekent dat de spreiding van de scores rondom het
gemiddelden ongeveer gelijk is. Het tegenovergestelde is
heteroscedasiticity, waarbij de variantie van scores verschillend
is op sommige niveaus. Als er sprake is van homoscedasiticity
kunnen de parameters over het gehele model goed gebruikt
worden. Als er sprake is van heteroscedasiticity is er
inconsistentie in de schatting van de parameters.
Independence Deze assumptie betekent dat de fouten in het model niet
gerelateerd zijn aan elkaar. Als de scores afhankelijk van elkaar
zijn (stel dat twee participanten moeten overleggen met elkaar
om tot een antwoord te komen) zijn automatisch de fouten
ook afhankelijk en wordt er niet voldaan aan de assumptie
onafhankelijkheid.
Correlation (ch. 7)
