-
01
4. Analyse, Onafhankelijke t-toets
16
-
02
5. Rapportage, Datascreening
16
-
03
6. Hypothesetoets
16
-
04
Bepaal of er een significant verschil is in seksuele opwinding na een neutrale film en een erotische film. Voer de onafhankelijke t-toets uit. Houd een drempelwaarde van α = .05 aan. Als de gevonden p-waarde kleiner is dan 0.05 is er sprake van een significant effect. Dat is hier het geval: p < .001. De uitkomst van de Welch's t-toets laat dus zien dat er sprake is van een significant verschil tussen beide condities. Je weet nu dat er sprake is van een significant verschil tussen beide condities, maar je weet nog niet hoe je de grootte van dit verschil kunt interpreteren. Om hier iets over te kunnen zeggen, kun je gebruikmaken van de gegeven effectgrootte. Deze is in de uitkomsttabel van de Welch's t-toets weergegeven als Cohen's d en is -5.78. De absolute waarde (5.78) is veel groter dan de drempelwaarde van een (zeer) sterk effect (.8). Het verschil in seksuele opwinding tussen de neutrale filmconditie en de erotische filmconditie is daarmee dus te beschouwen als een zeer sterk effect.
18
-
05
Rapporteer de resultaten van de datascreening en de onafhankelijke t-toets. Voorbeeld: Datascreening
19
-
06
Voorafgaand aan de analyse zijn de scores van seksuele opwinding per groep gecontroleerd op onmogelijke waarden en uitbijters.
19
-
07
De testscores vertoonden geen onmogelijk waarden. Univariate uitbijters zijn geïdentificeerd met z-scores, waarbij een drempelwaarde van|z|> 3.29 werd gehanteerd. Er was één proefpersoon in de conditie 'erotische film' met een extreem hoge waarde (z = 4.90). Deze waarde werd als extreme uitbijter beschouwd en de data van de betreffende proefpersoon zijn buiten de analyse gehouden.
19
-
08
De steekproef voor de datascreening bestond uit 156 deelnemers. Na de datascreening was de steekproefgrootte 155 deelnemers (Nneutraal = 72, Nerotisch = 83). De data van de onderzoeksvariabelen zijn samengevat in Tabel 1.
19
-
09
Tabel 1 Beschrijvende statistieken van seksuele opwinding (0-100) per conditie (neutrale, of erotische film)
19
-
10
Thema 3 – Variantieanalyse (one-way ANOVA)
19
-
11
Soms willen onderzoekers de verschillen bestuderen tussen méér dan twee groepen mensen of tussen mensen in verschillende behandelcondities. Een eenvoudig experiment is een experiment waarin je drie of meer groepen vergelijkt. In dit thema leer je hoe je een statistische analyse kunt uitvoeren passend bij experimenten waarin twee of meer onafhankelijke groepen worden vergeleken. Hiervoor gebruik je de one-way ANOVA (eenweg ANOVA).
19
-
12
Studietaak 3.1 – Variantieanalyse (one-way ANOVA)
19
-
13
Na het bestuderen van deze studietaak kun je
19
-
14
1. beschrijven wat een ANOVA is en wanneer deze wordt gebruikt
19
-
15
2. beschrijven wat het verschil is tussen een ANOVA en een t-toets
19
-
16
3. de uitkomsten van een ANOVA interpreteren
19
-
17
4. de assumpties van een ANOVA benoemen
19
-
18
5. de effectgrootte van een ANOVA interpreteren
19
-
19
6. toelichten wat contrasten en post-hoc-testen zijn en wat hun doel is
19
-
20
7. verschillende post-hoc-testen en hun toepassingsgebied benoemen
19
-
21
8. toelichten hoe een ANOVA-model kan worden beschouwd als een lineair regressiemodel.
19
-
22
1. Wat is een ANOVA en wanneer wordt deze gebruikt?
19
-
23
ANOVA (Analysis of Variance) is een statistische test die wordt gebruikt om te bepalen of er significante verschillen zijn tussen de gemiddelden van drie of meer onafhankelijke groepen. ANOVA wordt toegepast wanneer een afhankelijke variabele (continu) wordt vergeleken over meerdere niveaus van een onafhankelijke variabele (categorisch).
20
-
24
Voorbeeld: Een onderzoek naar de effectiviteit van drie verschillende lesmethoden op toetsscores.
20
-
25
2. Wat is het verschil tussen een ANOVA en een t-toets?
20
-
26
T-toets: Vergelijkt het gemiddelde van twee groepen.
20
-
27
ANOVA: Vergelijkt het gemiddelde van drie of meer groepen.
20
-
28
Een t-toets kan alleen twee gemiddelden tegelijk vergelijken, terwijl ANOVA voorkomt dat je meerdere t-toetsen uitvoert (wat de kans op Type I-fouten vergroot).
20
-
29
3. Hoe interpreteer je de uitkomsten van een ANOVA?
20
-
30
F-waarde: Geeft de verhouding weer tussen de variantie tussen de groepen en de variantie binnen de groepen. Een hoge F-waarde duidt op grotere verschillen tussen groepen.
20
-
31
p-waarde: Geeft aan of de verschillen significant zijn. Als p < 0.05, dan zijn de verschillen waarschijnlijk niet toevallig.
20
-
32
Effectgrootte (bijv. η² of ω²): Geeft aan hoe sterk de verschillen tussen de groepen zijn.
20
-
33
Een significante ANOVA betekent niet automatisch dat alle groepen van elkaar verschillen; daarvoor zijn post-hoc-testen nodig.
20
-
34
4. Wat zijn de assumpties van een ANOVA?
20
-
35
Normaliteit: De afhankelijke variabele is normaal verdeeld binnen elke groep.
20
-
36
Homoscedasticiteit (gelijke varianties): De spreiding binnen de groepen is ongeveer gelijk. Dit wordt getest met de Levene’s test.
20
-
37
Onafhankelijkheid: De observaties binnen de groepen zijn onafhankelijk van elkaar.
20
-
38
Als deze assumpties worden geschonden, kunnen aangepaste versies van ANOVA of niet-parametrische testen (zoals de Kruskal-Wallis-test) worden gebruikt.
20
-
39
5. Hoe interpreteer je de effectgrootte van een ANOVA?
20
-
40
De effectgrootte geeft aan hoeveel variantie in de afhankelijke variabele wordt verklaard door de onafhankelijke variabele. Veelgebruikte effectgroottes bij ANOVA:
20
-
41
η² (Eta-kwadraat): Proportie verklaarde variantie (kan overschatting geven).
20
-
42
ω² (Omega-kwadraat): Correctie voor overschatting, betrouwbaarder bij kleine steekproeven.
20
-
43
Interpretatie van η²:
20
-
44
0.01 = klein effect
20
-
45
0.06 = gemiddeld effect
20
-
46
0.14 of hoger = groot effect
20
-
47
6. Wat zijn contrasten en post-hoc-testen en wat is hun doel?
20
-
48
Contrastanalyse: Specifieke vooraf geplande vergelijkingen tussen bepaalde groepen.
20
-
49
Post-hoc-testen: Vergelijken achteraf alle groepsgemiddelden om te bepalen waar de verschillen liggen. Ze corrigeren voor multiple testing.
20
-
50
Contrastanalyse wordt gebruikt als er een hypothese is over specifieke groepen, terwijl post-hoc-testen worden gebruikt bij exploratieve analyses.
21
-
51
7. Welke post-hoc-testen zijn er en wanneer gebruik je welke?
21
-
52
Bonferroni: Strikte correctie voor Type I-fouten, geschikt voor weinig vergelijkingen.
21
-
53
Tukey’s HSD: Geschikt als alle groepsvergelijkingen van belang zijn.
21
-
54
Scheffé: Conservatief, geschikt bij grote aantallen groepen.
21
-
55
Dunnett: Vergelijkt groepen met een controleconditie.
21
-
56
8. Hoe kan een ANOVA-model worden beschouwd als een lineair regressiemodel?
21
-
57
ANOVA is een speciaal geval van lineaire regressie waarin de onafhankelijke variabele categorisch is. In regressieanalyse kunnen dummyvariabelen worden gebruikt om groepsverschillen te modelleren. Dit betekent dat ANOVA en regressie beide variantie verklaren, alleen wordt bij ANOVA gekeken naar groepsgemiddelden en bij regressie naar een continue voorspeller.
21
-
58
Studietaak 3.2 – Tutorial one-way ANOVA
21
-
59
Na het bestuderen van deze studietaak kun je
21
-
60
een hypothese en vraagstelling formuleren die past bij een one-way ANOVA
21
-
61
datascreening uitvoeren en de uitkomsten daarvan interpreteren
21
-
62
een one-way ANOVA uitvoeren en de uitkomsten daarvan interpreteren
21
-
63
post-hoc-testen uitvoeren en de uitkomsten ervan interpreteren
21
-
64
de assumpties van de one-way ANOVA checken en de uitkomsten daarvan interpreteren
21
-
65
de uitkomsten van een one-way ANOVA volgens de APA-normen rapporteren.
21
-
66
1. Inladen data
21
-
67
2. Codeboek
21
-
68
3. Experimenteel ontwerp
21
-
69
4. Vraagstelling en hypothese
21
-
70
5. Toets bepalen Voor het bepalen van de juiste toets om deze hypothese te onderzoeken, is het belangrijk om te kijken naar het meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk, onafhankelijk). Een toets die het effect test van een onafhankelijke variabele met nominaal meetniveau van drie (of meer) niveaus (groepen) op een afhankelijke variabele met interval-/ratiomeetniveau, is de one-way ANOVA.
21
-
71
6. Datascreening Voordat je de one-way ANOVA gaat uitvoeren, inspecteer je eerst de data. Per groep kijk je wat de verdeling van de data is, of er onmogelijke waarden zijn en of er uitbijters zijn. Het is nuttig om te beginnen met een visuele voorstelling van de data.
21
-
72
7. Onmogelijke waarden Een eerste stap in het opschonen van de data is om te kijken of de variabele Fouten onmogelijke waarden heeft. De descriptives zouden er na wegfilteren van onmogelijke waarden nu anders moeten uitzien.
22
-
73
8. Uitbijters Ook het opsporen van uitbijters is van belang omdat deze een onevenredig grote invloed op de resultaten kunnen hebben. Het is hierbij belangrijk dat je kunt beredeneren waarom een mogelijke uitbijter verwijderd of juist behouden moet worden. Om uitbijters op te sporen, maak je eerst een nieuwe variabele aan: de z-scores van Fouten, gebaseerd op het groepsgemiddelde. Je kunt die variabele bijvoorbeeld Z-Fouten noemen.
22
-
74
9. Assumpties checken, De one-way ANOVA heeft de volgende assumpties: a. De observaties zijn onafhankelijk. (redeneren) b. De residuen zijn normaal verdeeld. Laat het vinkje bij Don't assume equal (Welch's) staan. Vink ook aan: Homogeneity test en Normality test. Vraag als volgt de post-hoc-testen op: Post Hoc Tests en vink aan: Games-Howell (unequal variances). Laat de vinkjes bij Mean difference en Report significance staan. Vink ook aan: Test results (t and df) en Flag significant comparisons.
22
-
75
Voordat je de uitkomst van de hypothesetoets gaat evalueren, controleer je eerst de assumpties, beginnende met de assumptie van normaal verdeelde residuen. Hiervoor kijk je in de output onder Assumptions bij de uitkomst van de Shapiro-Wilk normality test. De waarde van de Shapiro-Wilk-statistiek is W = .989, p = .080. Shapiro-Wilk is een strenge toets en is snel significant. Net als met uitbijters is het dus goed om hier niet te streng te toetsen. Met een drempelwaarde van α = .001 is deze toets met bijbehorende p-waarde van .080 niet significant. Je kunt ervan uitgaan dat de residuen normaal verdeeld zijn. c. De varianties tussen groepen zijn gelijk (homogeniteit van varianties). Als je gebruikmaakt van Assume equal (Fisher's) moeten de varianties van de scores binnen de drie populaties waaruit de steekproeven (= de drie condities) zijn getrokken, gelijk zijn. Maar omdat je eigenlijk altijd de Welch's ANOVA gebruikt, die corrigeert voor ongelijke varianties, hoeft aan de assumptie van gelijke varianties niet meer strikt voldaan te worden. Desondanks kunnen grote variantieverschillen de vergelijking van drie groepen lastig maken. Daarom bekijken we toch of aan de assumptie van gelijke varianties is voldaan.
22
-
76
In de output onder de subkop Assumptions zie je een tabel Homogeneity of Variances Test (Levene's). Dit is de toets voor de homogeniteit (gelijkheid) van varianties tussen groepen.
22
-
77
De p-waarde van de Levene's toets is niet significant (p > .05), wat betekent dat de varianties van de drie groepen in de populatie niet significant van elkaar verschillen. Dit houdt in dat geen van de groepen meer variabiliteit in fouten vertoond dan de andere groepen. Er is dus voldaan aan de assumptie van gelijke varianties.
22
-
78
10. Analyse Je hebt nu al het voorbereidende werk gedaan en kunt de one-way ANOVA uitvoeren om te bepalen of er sprake is van een significant verschil in het aantal gemaakte foute inschattingen in de controleconditie en de beide experimentele condities. Je kiest standaard voor Welch’s ANOVA. Bij de omnibustest van de one-way ANOVA houd je standaard een drempelwaarde van α = 0.05 aan. Als de gevonden p-waarde kleiner is dan 0.05, is er sprake van een significant omnibuseffect. Dat is hier het geval: p < .001
23
-
79
11. Post-hoc-testen Je hebt een significant verschil gevonden tussen minstens twee van de drie groepen. Nu wil je ook weten tussen welke groepen dit verschil te vinden is. Om dit te onderzoeken, voer je post-hoc-testen uit. Het is hierbij belangrijk dat je corrigeert voor kanskapitalisatie. Games-Howell (unequal variances). Uit de tabel kun je aflezen dat het verschil tussen de controleconditie en de eerste experimentele conditie gelijk is aan -0.568. Dit betekent dat er in de controleconditie gemiddeld minder foute inschattingen gemaakt worden dan in de eerste experimentele conditie. Dit verschil is niet significant, t(155) = -1.85, p = .158). Er is een verschil van -3.59 tussen de controleconditie en de tweede experimentele conditie. In de controleconditie worden gemiddeld minder foute inschattingen gemaakt dan in de tweede experimentele conditie. Dit verschil is significant, t(155) = -11.6 en p < .001. Het verschil tussen de eerste en de tweede experimentele conditie is -3.03. In de eerste experimentele conditie worden gemiddeld minder foute inschattingen gemaakt dan in de tweede experimentele conditie. Dit verschil is ook significant, t(157) = -10.3 en p < .001.
23
-
80
12. Rapportage Datascreening Hypothesetoets: Om te onderzoeken of mensen makkelijk te beïnvloeden zijn door anderen bij het uitvoeren van een eenvoudige vergelijking, is een one-way ANOVA uitgevoerd. De getoetste hypothese stelde dat als het aantal personen dat foute antwoorden geeft voorafgaand aan het antwoord van de proefpersoon groter is, de proefpersoon meer foute antwoorden zal geven. De verdeling van de residuen van het one-way ANOVA-model weken niet significant af van een normaalverdeling (W = 0.989; p = .08). Ook aan de assumptie van gelijke varianties in de groepen was voldaan: Levene's toets was niet significant, F(2,235) = 1.16, p = .32. Uit de omnibustest van de one-way ANOVA bleek een zeer groot en significant effect van conditie op het aantal gemaakte foute inschattingen (F(2,156) = 81.0, p < .001, η2 = .51). Uit de post-hoc-testen bleek dat er geen significant verschil was in het aantal gemaakte foute inschattingen tussen de controleconditie, waarin geen andere personen aanwezig waren (M = 4.56, SD = 2.03) en de experimentele conditie waarin één rolspeler aanwezig was (M = 5.13, SD = 1.84), t(155) = -1.85, p = .16. Er was wel een significant verschil tussen de controleconditie en de experimentele conditie waarin acht anderen aanwezig waren (M = 8.15, SD = 1.87), t(155) = -11.6, p < .001. Ook maakten proefpersonen meer fouten wanneer er acht rolspelers aanwezig waren dan wanneer er slechts één rolspeler was, t(157) = -10.3, p < .001.
24
-
81
sapply(IATwanting2, class)
24
-
82
# Zorg ervoor dat je data correct is ingeladen en gecontroleerd:
24
-
83
> str(data)
24
-
84
>
24
-
85
> # Histogram met gesplitste kleuren en density curves
24
-
86
> ggplot(data, aes(x = SeksueleOpwinding, fill = as.factor(Tijdsinterval))) +
24
-
87
+ geom_histogram(aes(y = ..density..), bins = 15, alpha = 0.6, color = "black") +
24
-
88
+ geom_density(alpha = 0.7, color = "black") +
24
-
89
+ facet_wrap(~Tijdsinterval, scales = "free_y") +
24
-
90
+ scale_fill_manual(values = c("blue", "gray", "orange")) + # Kleuren aanpassen indien nodig
24
-
91
+ labs(title = "Histogrammen van seksuele opwinding per tijdsconditie",
24
-
92
+ x = "Seksuele Opwinding",
24
-
93
+ y = "Dichtheid",
24
-
94
+ fill = "Tijdsinterval") +
24
-
95
+ theme_minimal()
24
-
96
Hoe maak je deze in R?
25
-
97
Chat?
25
-
98
Interval- en rationiveau worden als continue variabelen beschouwd, waarmee wiskundige berekeningen mogelijk zijn, terwijl nominaal en ordinaal als categorische variabelen worden gezien
26
-
99
Thema 4 – Experimentele controle: factoriële designs
26
-
100
Soms wil een onderzoeker meer dan één variabele manipuleren of evalueren of het effect van een manipulatie afhankelijk is van een andere variabele. Een factorieel onderzoeksdesign is een experimentele onderzoeksmethode die wordt gebruikt om te onderzoeken hoe verschillende factoren afzonderlijk en in combinatie invloed hebben op een bepaald fenomeen of resultaat. Dit type onderzoek is belangrijk omdat het onderzoekers in staat stelt om preciezer te bepalen welke factoren het grootste effect hebben op het resultaat en hoe deze factoren samenwerken. Dit kan nuttig zijn voor het beter begrijpen van complexe fenomenen en het ontwikkelen van effectievere oplossingen voor problemen.
26
-
101
Een voorbeeld van een factorieel onderzoeksdesign in de psychologie is een experiment waarin de effecten onderzocht worden van twee verschillende instructie-interventies (manipulaties) op het leren van nieuwe informatie bij proefpersonen met een hoge of lage werkgeheugencapaciteit (variabele). In dit experiment verdeelt de onderzoeker eerst de proefpersonen over vier groepen op basis van hun voorafgemeten werkgeheugencapaciteit en een van beide instructie-interventies die ze als experimentele manipulatie gaan ontvangen. Vervolgens worden alle groepen getest op het leren van nieuwe informatie. De resultaten worden vergeleken om te bepalen welke instructie-interventie het meest effectief is voor proefpersonen met een hoge en met een lage werkgeheugencapaciteit. Dit experiment onderzoekt dus tegelijkertijd twee verschillende factoren (de instructie-interventies en werkgeheugencapaciteit).
26
-
102
In dit thema leer je hoe je een statistische analyse kunt uitvoeren passend bij experimenten waarin groepen gevormd worden op basis van twee of meer variabelen. Hiervoor gebruik je de factoriële ANOVA (factorial ANOVA). Daarnaast worden de begrippen interactie en moderatie uitgelegd.
26
-
103
Studietaak 4.1 – Factoriële ANOVA
27
-
104
Na het bestuderen van deze studietaak kun je
27
-
105
1. beschrijven wat factoriële designs zijn
27
-
106
2. de assumpties van een factoriële ANOVA benoemen
27
-
107
3. interacties in factoriële designs interpreteren
27
-
108
4. beschrijven wat het verschil is tussen interactie en moderatie
27
-
109
5. beschrijven wat simple effects zijn en hoe ze kunnen worden berekend.
27
-
110
1. Beschrijven wat factoriële designs zijn: Factoriële designs zijn onderzoeksopzetten waarbij twee of meer onafhankelijke variabelen (factoren) worden gemanipuleerd om hun afzonderlijke en gezamenlijke effecten op een afhankelijke variabele te onderzoeken. Elk niveau van de ene factor wordt gecombineerd met elk niveau van de andere factor(n), waardoor alle mogelijke combinaties worden getest.
27
-
111
2. De assumpties van een factoriële ANOVA benoemen: Een factoriële ANOVA gaat uit van de volgende assumpties:
27
-
112
Normaliteit: De afhankelijke variabele is normaal verdeeld binnen elke groep.
27
-
113
Homogeniteit van varianties: De varianties binnen elke groep zijn gelijk (homoscedasticiteit).
27
-
114
Onafhankelijkheid van observaties: De observaties zijn onafhankelijk van elkaar.
27
-
115
Interval- of ratio-schaalniveau: De afhankelijke variabele is gemeten op interval- of ratio-niveau.
27
-
116
3. Interacties in factoriële designs interpreteren: Een interactie-effect treedt op wanneer het effect van de ene factor op de afhankelijke variabele afhangt van het niveau van een andere factor. Dit betekent dat de combinatie van factoren een uniek effect heeft dat niet kan worden verklaard door de afzonderlijke effecten van de factoren.
27
-
117
4. Beschrijven wat het verschil is tussen interactie en moderatie:
27
-
118
Interactie: Een statistisch concept dat wordt gebruikt in experimentele designs om aan te tonen dat het effect van de ene variabele afhangt van het niveau van een andere variabele.
27
-
119
Moderatie: Een concept uit correlatie-onderzoek waarbij een derde variabele (de moderator) het verband tussen twee andere variabelen beïnvloedt. Het verschil is dat interactie vaak in experimenten wordt onderzocht, terwijl moderatie vaak in observationele studies wordt gebruikt.
27
-
120
5. Beschrijven wat simple effects zijn en hoe ze kunnen worden berekend:
27
-
121
Simple effects: Dit zijn de effecten van één factor op een specifiek niveau van een andere factor. Ze worden gebruikt om interacties verder te analyseren.
27
-
122
Berekening: Simple effects kunnen worden berekend door aparte ANOVA’s of t-toetsen uit te voeren voor elk niveau van de ene factor, terwijl de andere factor constant wordt gehouden. Dit geeft inzicht in hoe de ene factor werkt binnen elk niveau van de andere factor.
27
-
123
Studietaak 4.2 – Tutorial factoriële ANOVA
28
-
124
Na het bestuderen van deze studietaak kun je
28
-
125
een hypothese en vraagstelling formuleren die past bij een factoriële ANOVA
28
-
126
datascreening uitvoeren en de uitkomsten daarvan interpreteren
28
-
127
een factoriële ANOVA uitvoeren en de uitkomsten daarvan interpreteren
28
-
128
de assumpties van een factoriële ANOVA checken en de uitkomsten daarvan interpreteren
28
-
129
de uitkomsten van een factoriële ANOVA volgens de APA-normen rapporteren.
28
-
130
Geen Welch's F voor factoriële ANOVA
28
-
131
Er is geen geschikte variant van de factoriële ANOVA beschikbaar die rekening houdt met ongelijke variaties, zoals de Welch ANOVA. De enige optie is om de aanname van homogene varianties te testen en het resultaat van deze test te rapporteren. Hierdoor kan de lezer zien of er sprake is van ongelijke variaties.
28
-
132
Simple-effects analyse
28
-
133
Je hebt gevonden dat er een significant interactie-effect, is maar je wilt nu ook weten hoe die interactie er precies uit ziet. Hiervoor maak je een grafiek en voer je simple-effects analyses uit. Maak eerst de grafiek om een goed overzicht te krijgen van de effecten.
28
-
134
Studietaak 4.3 – Opdracht factoriële ANOVA
28
-
135
In deze opdracht ga je aan de slag met data horend bij een replicatie van het experiment van Tuovinen en Sweller (1999). Het betreft een tussenproefpersonen-experiment over het effect van twee instructiemethoden – tutorial (worked example) en exploratie (discovery learning) – op het werken met databases.
28
-
136
Inladen van module gamlj
28
-
137
Voor het analyseren van de data horende bij de factoriële ANOVA maak je gebruik van een nieuwe module: gamlj.
28
-
138
Bepaal bij elke variabele het variabeletype (meetniveau). Geef bij elke variabele aan wat het variabeletype (het meetniveau) is.
28
-
139
Beschrijf het experimenteel ontwerp van dit onderzoek.
28
-
140
Formuleer de vraagstelling en hypotheses. Welke vraagstelling ligt ten grondslag aan dit experiment? En welke hypotheses horen hierbij? Denk ook aan specifieke verwachtingen per categorie.
28
-
141
Bepaal de juiste toets voor deze hypothese. Voor het bepalen van de juiste toets om deze hypothese te onderzoeken, is het belangrijk om te kijken naar het meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk, onafhankelijk). Een toets die het effect test van twee onafhankelijke variabelen met nominaal meetniveau op een afhankelijke variabele met interval-/ratiomeetniveau is de factoriële ANOVA.
28
-
142
Datascreening
29
-
143
Genereer figuren en een tabel om de testscores per groep te beschrijven.
29
-
144
Bepaal of er onmogelijke waarden in de data zitten.
29
-
145
Bepaal of er uitbijters zijn.
29
-
146
Check de assumpties van de factoriële ANOVA. 1. Onafhankelijke observaties De onafhankelijkheid van de observaties is niet met een data-analyse te toetsen, maar moet je beredeneren. In dit geval zijn er vier onafhankelijke condities vergeleken en zijn de individuen los van elkaar geworven en random aan condities toebedeeld. We kunnen daarom aannemen dat de observaties (= testscore per deelnemer) onafhankelijk zijn.
29
-
147
2. Normaal verdeelde residuen De residuen van de factoriële ANOVA moeten normaal verdeeld zijn. Je hoeft niet heel streng te zijn bij het checken van deze assumptie. Er is een makkelijke methode om deze assumptie te checken: De toets van normaliteit van de residuen. Resultaten van de toets voor normaal verdeelde residuen (Shapiro-Wilk normality test). 3. Homogeniteit van varianties De varianties van de scores binnen de vier populaties waaruit de vier steekproeven (= de vier condities) zijn getrokken, moeten gelijk zijn.
29
-
148
tabel Homogeneity of Variances Test (Levene's) Dit is de toets voor de homogeniteit (gelijkheid) van varianties tussen groepen.
29
-
149
De p-waarde van de Levene's toets is niet significant (p > .05), wat betekent dat de varianties van de vier groepen in de populatie niet significant van elkaar verschillen. Dit houdt in dat geen van de groepen meer variabiliteit in testscore vertoont dan de andere groepen. Er is dus voldaan aan de assumptie van gelijke varianties.
29
-
Analyse, Factoriële ANOVA Je hebt nu al het voorbereidende werk gedaan en kunt de factoriële ANOVA uitvoeren om te bepalen of er sprake is van een significant verschil in testscores (testmean) tussen de vier groepen.
29
-
150
Bepaal of er een significant verschil is in testscores tussen de vier groepen. Bekijk de omnibus-uitkomsttabel. We kunnen de tabel Fixed Effects Parameter Estimates bekijken om vast te stellen wat de richting is van het significante effect
29
-
Simple-effects analyse Je hebt gevonden dat er geen significant interactie-effect is, maar dat betekent niet dat de uitkomsten van de simple-effects analyses ook niet significant zullen zijn. In je hypotheses heb je verwachtingen over de verschillen in condition per categorie van experience gespecificeerd. In principe toets je geen simple effects als er geen significant interactie-effect is (net zoals je geen post-hoc-test doet als er geen significante omnibustest is). Maar voor deze opdracht en de oefening voer je toch een simple-effects analyse uit. Voer een simple-effects analyse uit die past bij de opgestelde hypothese en voeg ook een grafiek toe die de effecten inzichtelijk maakt.
29
-
151
Rapporteer de resultaten van de datascreening en de factoriële ANOVA.
30
-
152
Thema 5 – Statistische controle: covariantieanalyse
30
-
Soms zijn er storende variabelen die niet makkelijk met een experimenteel design onder controle kunnen worden gehouden. Omdat deze stoorzenders voor extra variabiliteit in de afhankelijke variabele zorgen, kan het effect van een manipulatie moeilijker zichtbaar zijn. Variabelen die een verband hebben met de afhankelijke variabele, maar niet met de manipulatie, worden covariaten genoemd. Door deze covariaten in een statistische analyse mee te nemen, kan de invloed van deze stoorzenders eruit gefilterd worden. Dit heet statistische controle. Je zou kunnen zeggen dat het pure effect van de manipulatie hiermee statistisch onder een soort vergrootglas wordt gelegd.
30
-
Er zijn dus twee manieren om storende ruis te controleren: experimentele controle zoals besproken in thema 4 en statistische controle dat in dit thema aan bod komt. Experimentele controle is meestal te verkiezen boven statistische controle, maar dit is in de praktijk niet altijd mogelijk, bijvoorbeeld bij quasi-experimenten. Experimenten waarin geen random toewijzing plaatsvindt, hebben vaak baat bij statistische controle op een of meer variabelen.
30
-
153
Een voorbeeld waarbij het zinvol kan zijn om een covariaat op te nemen in de analyse is wanneer er onderzoek wordt gedaan naar het verband tussen roken (factor) en het overlijdensrisico (afhankelijke variabele). Leeftijd heeft namelijk ook invloed op het overlijdensrisico, dat wil zeggen dat leeftijd voor een deel de variantie bepaalt in het overlijdensrisico (de afhankelijke variabele). Door leeftijd in de analyse mee te nemen, wordt deze variantie verklaard door leeftijd uit de variatie in overlijdensrisico gehaald. Vervolgens kun je kijken hoeveel variantie de variabele roken dan nog kan verklaren.
30
-
154
Studietaak 5.1 – Covariantieanalyse (ANCOVA)
30
-
155
Na het bestuderen van deze studietaak kun je
30
-
156
1. met een ANCOVA de resultaten analyseren van experimentele designs die minstens één interval- of hoger meetniveau predictor bevatten
30
-
157
2. de resultaten van een ANCOVA interpreteren
30
-
158
3. een ANCOVA rapporten volgens APA-normen
30
-
159
4. conclusies op basis van een ANCOVA rapporteren in de discussiesectie van een wetenschappelijk manuscript.
30
-
160
1. Met een ANCOVA de resultaten analyseren van experimentele designs die minstens één interval- of hoger meetniveau predictor bevatten:
30
-
161
ANCOVA (Analysis of Covariance) combineert elementen van ANOVA en regressie-analyse. Het wordt gebruikt om de effecten van één of meer categorische onafhankelijke variabelen (factoren) op een afhankelijke variabele te analyseren, terwijl rekening wordt gehouden met één of meer continue variabelen (covariaten).
30
-
162
Toepassing: ANCOVA is geschikt voor experimentele designs waarbij je bijvoorbeeld een experimentele groep en een controlegroep vergelijkt, maar ook wilt corrigeren voor een continue variabele (bijvoorbeeld baseline-scores of leeftijd).
30
-
163
Voorwaarden:
30
-
164
De afhankelijke variabele moet op interval- of ratio-niveau zijn.
30
-
165
De covariaat moet op interval- of ratio-niveau zijn.
30
-
166
Er moet sprake zijn van lineariteit tussen de covariaat en de afhankelijke variabele.
31
-
167
Er moet geen interactie zijn tussen de covariaat en de onafhankelijke variabele (homogeniteit van regressieslopes).
31
-
168
2. De resultaten van een ANCOVA interpreteren:
31
-
169
Hoofdeffecten: Dit zijn de effecten van de categorische onafhankelijke variabelen (factoren) op de afhankelijke variabele, na correctie voor de covariaat(en).
31
-
170
Covariaat-effect: Dit geeft aan of de covariaat een significante invloed heeft op de afhankelijke variabele.
31
-
171
Interactie-effecten: Als er interacties zijn tussen de factoren en de covariaat, moeten deze worden geïnterpreteerd.
31
-
172
Aangepaste gemiddelden: ANCOVA rapporteert gemiddelden die zijn gecorrigeerd voor de invloed van de covariaat, waardoor je een zuiverder beeld krijgt van de groepsverschillen.
31
-
173
3. Een ANCOVA rapporteren volgens APA-normen:
31
-
174
Statistische notatie:
31
-
175
Rapporteer de F-waarde, vrijheidsgraden (tussen en binnen groepen), p-waarde, en effectgrootte (bijv. partiële eta-kwadraat, η²).
31
-
176
Voorbeeld: F(1, 45) = 12.34, p < .001, η² = .21.
31
-
177
Tekstuele beschrijving:
31
-
178
Beschrijf de hoofdeffecten, eventuele interacties, en het effect van de covariaat.
31
-
179
Voorbeeld: "Er was een significant hoofdeffect van de experimentele conditie op de afhankelijke variabele, F(1, 45) = 12.34, p < .001, η² = .21, na correctie voor de covariaat."
31
-
180
Tabel:
31
-
181
Presenteer de resultaten in een tabel met daarin de gemiddelden, standaardfouten, en statistische waarden.
31
-
182
4. Conclusies op basis van een ANCOVA rapporteren in de discussiesectie van een wetenschappelijk manuscript:
31
-
183
Samenvatting van de bevindingen:
31
-
184
Beschrijf kort de belangrijkste resultaten, inclusief de hoofdeffecten en eventuele interacties.
31
-
185
Vermeld of de covariaat een significant effect had en hoe dit de interpretatie van de resultaten beïnvloedt.
31
-
186
Interpretatie van de resultaten:
31
-
187
Leg uit wat de resultaten betekenen in de context van de onderzoeksvraag en de literatuur.
31
-
188
Bespreek of de resultaten overeenkomen met verwachtingen of eerder onderzoek.
31
-
189
Implicaties en aanbevelingen:
31
-
190
Bespreek de theoretische en praktische implicaties van de bevindingen.
31
-
191
Geef aanbevelingen voor toekomstig onderzoek, bijvoorbeeld het opnemen van aanvullende covariaten of het onderzoeken van andere interacties.
31
-
192
Voorbeeld van een APA-rapportage in de discussiesectie:
31
-
193
"De resultaten van de ANCOVA toonden een significant hoofdeffect van de experimentele conditie op de afhankelijke variabele, F(1, 45) = 12.34, p < .001, η² = .21, na correctie voor de covariaat. Dit suggereert dat de interventie een positief effect had op de uitkomstmaat, onafhankelijk van de invloed van de covariaat. Deze bevindingen ondersteunen de hypothese dat [vul hypothese in]. Toekomstig onderzoek zou kunnen onderzoeken of deze effecten generalizeerbaar zijn naar andere populaties of contexten."
31
-
194
Studietaak 5.2 – Tutorial ANCOVA
32
-
195
Na het bestuderen van deze studietaak kun je
32
-
196
een hypothese en vraagstelling formuleren die past bij een ANCOVA
32
-
197
datascreening uitvoeren en de uitkomsten daarvan interpreteren
32
-
198
een ANCOVA uitvoeren en de uitkomsten daarvan interpreteren
32
-
199
de assumpties van een ANCOVA checken en de uitkomsten daarvan interpreteren
32
-
200
de uitkomsten van een ANCOVA volgens de APA-normen rapporteren.
32
-
201
Inladen data
32
-
202
Codeboek
32
-
203
Experimenteel ontwerp
32
-
204
Vraagstelling en hypothese
32
-
205
Toets bepalen Voor het bepalen van de juiste toets om deze hypothese te onderzoeken, is het belangrijk om te kijken naar het meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk, onafhankelijk).
32
-
206
Een toets die het effect test van een onafhankelijke variabele met nominaal meetniveau met twee niveaus (groepen) op een afhankelijke variabele met interval-/ratiomeetniveau, met daarbij minstens een covariaat, is de (one-way) ANCOVA.
32
-
207
Datascreening
32
-
208
Onmogelijke waarden
32
-
209
Uitbijters
32
-
210
ANCOVA heeft dezelfde assumpties als ANOVA, namelijk:
32
-
211
De observaties zijn onafhankelijk. Covariaatassumptie #1: onafhankelijkheid manipulatie en covariaten
32
-
212
Covariaatassumptie #2: parallelle regressielijnen
32
-
213
Ideaal bezien zijn de regressiehellingshoeken van covariaten hetzelfde per conditie. Dit betekent dat de regressielijnen tussen de covariaat en de afhankelijke variabele parallel lopen voor de verschillende condities. Covariaatassumptie #3: verband covariaat en afhankelijke variabele Je gaat nu een beetje heen en weer door de output, maar dat is een beetje de aard van een ANCOVA. Een belangrijke assumptie van covariaten is dat ze een verband hebben met de afhankelijke variabele. De toets van dit verband kun je vinden in de tabel ANOVA Omnibus Tests
32
-
214
De residuen zijn normaal verdeeld. Toets van normaliteit van de residuen
32
-
215
De varianties tussen groepen zijn gelijk (homogeniteit van varianties). De varianties van de scores binnen de twee populaties waaruit de twee steekproeven (= de twee condities) zijn getrokken, moeten gelijk zijn. Helaas is er geen Welch's ANOVA mogelijk voor ANCOVA indien niet aan deze assumptie voldaan wordt.
32
-
216
tabel Homogeneity of Variances Test (Levene's). Dit is de toets voor de homogeniteit (gelijkheid) van varianties tussen groepen. De p-waarde van de Levene's toets is niet significant (p > .05), wat betekent dat de varianties van de twee groepen in de populatie niet significant van elkaar verschillen. Dit houdt in dat de ene groep niet meer variabiliteit in Depressie_t1 vertoond dan de andere groep. Er is dus voldaan aan de assumptie van gelijke varianties.
32
-
217
Studietaak 5.3 – Opdracht ANCOVA
33
-
218
Beschrijf het experimenteel ontwerp van dit onderzoek.
33
-
219
Formuleer een vraagstelling bij dit onderzoek.
33
-
220
Formuleer een hypothese bij dit onderzoek.
33
-
221
Bepaal de juiste toets voor deze hypothese. Een toets die het effect test van twee onafhankelijke variabelen met nominaal meetniveau op een afhankelijke variabele met interval-/ratiomeetniveau, met daarbij minstens een covariaat, is de factoriële ANCOVA.
33
-
222
Filter data van proefpersonen eruit die geen consent gaven voor dit onderzoek.
33
-
223
Datascreening:
33
-
224
Genereer figuren en een tabel om de variabelen per groep te beschrijven
33
-
225
Bepaal of er onmogelijke waarden in de data zitten.
33
-
226
Bepaal of er uitbijters zijn.
33
-
227
Assumpties checken ANCOVA heeft dezelfde assumpties als ANOVA, namelijk:
33
-
228
De observaties zijn onafhankelijk.
33
-
229
De residuen zijn normaal verdeeld.
33
-
230
De varianties tussen groepen zijn gelijk (homogeniteit van varianties).
33
-
231
Daarnaast zijn er ook assumpties over de covariaat:
33
-
232
De manipulatie is onafhankelijk van de covariaat.
33
-
233
De regressielijnen van de covariaten met de afhankelijke variabele lopen per conditie parallel.
33
-
234
Er is een verband tussen de covariaat en de afhankelijke variabele.
33
-
235
Check de assumptie van onafhankelijkheid van manipulatie en covariaten.
33
-
236
Check de assumptie van parallelle regressielijnen.
33
-
237
Check de assumptie van verbanden tussen covariaten en afhankelijke variabele.
33
-
238
Check de assumptie van normaal verdeelde residuen.
33
-
239
Check de assumptie van gelijke varianties.
33
-
Analyse, ANCOVA
33
-
240
Bepaal of er een significant verschil is tussen de vier groepen in waargenomen gedragscontrole.
33
-
241
Voer de simple-effects analyse uit passend bij deze interactie en interpreteer de uitkomst.
33
-
242
Bepaal of er een sensitiviteitsanalyse nodig is.
33
-
243
Rapporteer de resultaten van de datascreening en de factoriële ANCOVA.
33
-
244
Thema 6 – Herhaalde metingen
33
-
245
Bij experimenten wordt vaak alleen gedacht aan situaties waarin proefpersonen in groepen (condities) worden ingedeeld, zodat kan worden onderzocht of er een causale relatie bestaat tussen de onafhankelijke variabele (manipulatie) en de afhankelijke variabele. Maar in een experiment hoeven niet per se groepen vergeleken te worden. Bij een binnen-proefpersonenontwerp (in het Engels within-subjects design) krijgen alle proefpersonen alle condities aangeboden. Dit design is de tegenhanger van een tussen-proefpersonenontwerp (between-subjects design), waarbij iedere proefpersoon slechts één conditie aangeboden krijgt.
34
-
246
Een within-subjects design wordt ook wel een herhaalde-metingenontwerp of repeated measures design genoemd, omdat onderzoekers gerelateerde metingen van dezelfde proefpersonen in verschillende condities vergelijken. Dezelfde proefpersonen worden dus herhaaldelijk geobserveerd. In een within-subject design kan er herhaaldelijk over de tijd gemeten worden, de zogeheten longitudinale onderzoeken, maar het kan ook betekenen dat er herhaaldelijk gemeten wordt over verschillende experimentele en controlecondities.
34
-
247
Een voorbeeld van een within-subjects design is een experiment waarin wordt onderzocht of de kleur op de muur van een kamer invloed heeft op iemands aandacht bij een taak. Iedere proefpersoon wordt in een willekeurige volgorde in een kamer geplaatst met een witte muur, rode muur of groene muur. In iedere kamer maken de deelnemers een puzzel en de prestatie daarop wordt geobserveerd. Na afloop van het experiment heeft de onderzoeker voor iedere proefpersoon drie prestatiescores (witte - rode - groene muur) en kan dus de invloed van de muurkleur op de puzzelprestaties vergelijken.
34
-
248
Within-subject designs maken het mogelijk om experimenten te doen met heel weinig deelnemers: in plaats van meer deelnemers heb je meer meetmomenten (maar net zoveel observaties). In het extreemste geval kun je een zogeheten single-case experiment uitvoeren. Dat is een experiment met slechts één of een handjevol proefpersonen. In ruil voor zo'n laag aantal proefpersonen wordt er bijzonder vaak een kleine meting uitgevoerd. Een voorbeeld hiervan zijn dagboekstudies, waarin proefpersonen soms tien keer per dag een notitie maken van hun gedrag of emotie op dat moment.
34
-
249
In dit thema leer je de algemene theorie over single-case experimenten en leer je hoe je een statistische analyse kunt uitvoeren passende bij een experiment met twee of meer herhaalde metingen. Bij twee herhaalde metingen gebruik je de gepaarde t-toets en bij meer dan twee herhaalde metingen de repeated measures ANOVA. Bij experimenten met een combinatie van binnen-proefpersoonvariabelen en tussen-proefpersoonvariabelen gebruik je de mixed-design ANOVA.
34
-
250
Studietaak 6.1 – Single-case designs
34
-
251
Na het bestuderen van deze studietaak weet je
34
-
252
wat een single case design (SCD) is
34
-
253
waarom een SCD wordt gebruikt
34
-
254
wat belangrijke voorwaarden zijn voor een SCD.
34
-
255
Samenvatting CHAT
34
-
256
1. Wat een single case design (SCD) is:
34
-
257
Een single case design (SCD), ook wel single subject design genoemd, is een onderzoeksmethode waarbij het gedrag of de uitkomsten van één individu (of een kleine groep individuen) over tijd worden bestudeerd onder gecontroleerde omstandigheden. Het doel is om causale verbanden te identificeren tussen een interventie en een uitkomst.
34
-
258
Kenmerken:
34
-
259
Er wordt vaak gewerkt met een baseline-fase (A) en een interventie-fase (B), en soms worden extra fasen toegevoegd (bijv. terugkeer naar baseline of een nieuwe interventie).
35
-
260
De data worden herhaaldelijk gemeten over tijd, waardoor trends en patronen zichtbaar worden.
35
-
261
Het ontwerp is zeer geschikt voor het testen van interventies in klinische, educatieve of gedragsmatige contexten.
35
-
262
Voorbeelden van SCD-types:
35
-
263
AB-ontwerp: Baseline (A) gevolgd door interventie (B).
35
-
264
ABA-ontwerp: Baseline (A), interventie (B), en terugkeer naar baseline (A).
35
-
265
ABAB-ontwerp: Herhaling van de AB-fasen om het effect van de interventie verder te valideren.
35
-
266
Multiple baseline design: De interventie wordt op verschillende tijdstippen ingevoerd bij verschillende individuen, gedragingen of situaties.
35
-
267
2. Waarom een SCD wordt gebruikt:
35
-
268
Single case designs worden om verschillende redenen gebruikt, vooral in situaties waar traditionele groepsstudies niet geschikt of haalbaar zijn:
35
-
269
1. Individuele verschillen:
35
-
270
SCD’s zijn ideaal voor het bestuderen van individuele reacties op een interventie, vooral wanneer er grote variatie tussen individuen bestaat.
35
-
271
2. Klinische of praktische toepassingen:
35
-
272
In de klinische psychologie, gedragstherapie of onderwijs wordt SCD vaak gebruikt om de effectiviteit van een interventie voor een specifiek individu te evalueren.
35
-
273
3. Kleine steekproeven:
35
-
274
SCD’s zijn geschikt wanneer het moeilijk is om een grote groep deelnemers te vinden, bijvoorbeeld bij zeldzame aandoeningen of specifieke gedragsproblemen.
35
-
275
4. Hoge interne validiteit:
35
-
276
Door herhaalde metingen en controle over externe variabelen kunnen SCD’s sterke causale conclusies trekken over het effect van een interventie.
35
-
277
5. Flexibiliteit:
35
-
278
Het ontwerp kan worden aangepast aan de behoeften van het individu, waardoor het zeer praktisch is in real-world settings.
35
-
279
3. Wat belangrijke voorwaarden zijn voor een SCD:
35
-
280
Om een single case design valide en betrouwbaar te maken, moeten aan een aantal voorwaarden worden voldaan:
35
-
281
1. Herhaalde metingen:
35
-
282
Gedrag of uitkomsten moeten meerdere keren worden gemeten tijdens zowel de baseline- als de interventiefase. Dit maakt het mogelijk om trends en variabiliteit te analyseren.
35
-
283
2. Stabiele baseline:
35
-
284
Voordat de interventie start, moet de baseline-fase stabiel zijn (d.w.z. weinig variatie in de data). Dit helpt om veranderingen tijdens de interventiefase beter te kunnen interpreteren.
35
-
285
3. Controle over confounding variabelen:
35
-
286
Externe factoren die de uitkomst kunnen beïnvloeden, moeten zoveel mogelijk worden gecontroleerd om interne validiteit te waarborgen.
35
-
287
4. Duidelijke interventieprotocollen:
35
-
288
De interventie moet duidelijk omschreven en consistent worden toegepast, zodat eventuele veranderingen aan de interventie kunnen worden toegeschreven.
36
-
289
5. Visuele en statistische analyse:
36
-
290
Data worden vaak visueel geanalyseerd (bijv. via grafieken) om trends en patronen te identificeren. Daarnaast kunnen statistische methoden (bijv. effectgrootteberekeningen) worden gebruikt om de resultaten te ondersteunen.
36
-
291
6. Replicatie:
36
-
292
Om de generaliseerbaarheid van de resultaten te vergroten, wordt het SCD vaak herhaald bij meerdere individuen, gedragingen of situaties (bijv. in een multiple baseline design).
36
-
293
Samenvatting:
36
-
294
Een single case design (SCD) is een onderzoeksmethode waarbij één individu of een kleine groep over tijd wordt bestudeerd om causale verbanden tussen een interventie en een uitkomst te identificeren.
36
-
295
Het wordt gebruikt vanwege zijn geschiktheid voor individuele verschillen, klinische toepassingen, kleine steekproeven, hoge interne validiteit en flexibiliteit.
36
-
296
Belangrijke voorwaarden zijn onder andere herhaalde metingen, een stabiele baseline, controle over confounding variabelen, duidelijke interventieprotocollen, en visuele en statistische analyse.
36
-
297
Studietaak 6.2 – Herhaalde metingen ANOVA
36
-
298
Na het bestuderen van deze studietaak kun je
36
-
299
1. toelichten wat een herhaalde metingen ANOVA en een mixed-design ANOVA zijn en wanneer deze worden gebruikt
36
-
300
2. de assumpties van een herhaalde metingen ANOVA benoemen
36
-
301
3. de uitkomsten en effectgrootte van een herhaalde metingen ANOVA interpreteren
36
-
302
4. de uitkomsten en effectgrootte van een mixed-design ANOVA interpreteren
36
-
303
5. de voordelen benoemen van multilevelanalyse ten opzichte van herhaalde metingen ANOVA.
36
-
304
1. Toelichten wat een herhaalde metingen ANOVA en een mixed-design ANOVA zijn en wanneer deze worden gebruikt:
36
-
305
Herhaalde metingen ANOVA:
36
-
306
Definitie: Een herhaalde metingen ANOVA (Repeated Measures ANOVA) is een statistische techniek die wordt gebruikt om de gemiddelden van drie of meer onderling gerelateerde groepen te vergelijken. Het wordt gebruikt wanneer dezelfde deelnemers onder meerdere omstandigheden (tijdstippen, behandelingen, etc.) worden gemeten.
36
-
307
Gebruik:
36
-
308
Bij longitudinaal onderzoek, waarbij dezelfde personen op meerdere tijdstippen worden gemeten.
36
-
309
Bij experimenten waarbij deelnemers aan alle condities deelnemen (within-subjects design).
36
-
310
Voorbeelden: Het meten van de effectiviteit van een training over tijd, of het vergelijken van prestaties onder verschillende experimentele condities.
36
-
311
Mixed-design ANOVA:
36
-
312
Definitie: Een mixed-design ANOVA combineert elementen van een herhaalde metingen ANOVA en een between-subjects ANOVA. Het wordt gebruikt wanneer er zowel within-subjects factoren (herhaalde metingen) als between-subjects factoren (groepsverschillen) zijn.
36
-
313
Gebruik:
37
-
314
Bij onderzoek waarbij dezelfde deelnemers op meerdere tijdstippen worden gemeten, maar waarbij ook groepsverschillen (bijv. experimentele groep vs. controlegroep) worden onderzocht.
37
-
315
Voorbeelden: Het vergelijken van de effectiviteit van een behandeling tussen twee groepen over tijd.
37
-
316
2. De assumpties van een herhaalde metingen ANOVA benoemen:
37
-
317
Een herhaalde metingen ANOVA gaat uit van de volgende assumpties:
37
-
318
1. Normaliteit: De afhankelijke variabele moet normaal verdeeld zijn voor elke combinatie van de within-subjects factoren.
37
-
319
2. Sfericiteit: De varianties van de verschillen tussen alle paren van gerelateerde condities moeten gelijk zijn. Als deze assumptie wordt geschonden, moet een correctie (bijv. Greenhouse-Geisser of Huynh-Feldt) worden toegepast.
37
-
320
3. Interval- of ratio-schaalniveau: De afhankelijke variabele moet op interval- of ratio-niveau zijn gemeten.
37
-
321
4. Geen ontbrekende data: Alle deelnemers moeten op alle tijdstippen of condities zijn gemeten. Als er ontbrekende data zijn, moet dit worden aangepakt (bijv. via imputatie).
37
-
322
3. De uitkomsten en effectgrootte van een herhaalde metingen ANOVA interpreteren:
37
-
323
Hoofdeffecten:
37
-
324
Dit zijn de effecten van de within-subjects factor (bijv. tijd of conditie) op de afhankelijke variabele.
37
-
325
Voorbeeld: "Er was een significant hoofdeffect van tijd op prestatie, F(2, 30) = 15.67, p < .001, η² = .51."
37
-
326
Effectgrootte:
37
-
327
Partiële eta-kwadraat (η²) wordt vaak gebruikt om de effectgrootte te rapporteren. Het geeft aan welk deel van de variantie in de afhankelijke variabele wordt verklaard door de within-subjects factor.
37
-
328
Interpretatie:
37
-
329
η² = .01: klein effect.
37
-
330
η² = .06: middelgroot effect.
37
-
331
η² = .14: groot effect.
37
-
332
4. De uitkomsten en effectgrootte van een mixed-design ANOVA interpreteren
37
-
333
Hoofdeffecten:
37
-
334
Within-subjects effect: Het effect van de herhaalde metingen factor (bijv. tijd).
37
-
335
Between-subjects effect: Het effect van de groepsfactor (bijv. experimentele groep vs. controlegroep).
37
-
336
Interactie-effect:
37
-
337
Dit geeft aan of het effect van de within-subjects factor afhangt van de between-subjects factor.
37
-
338
Voorbeeld: "Er was een significant interactie-effect tussen tijd en groep, F(2, 60) = 4.56, p = .014, η² = .13."
37
-
339
Effectgrootte:
37
-
340
Ook hier wordt partiële eta-kwadraat (η²) gebruikt om de effectgrootte te rapporteren.
37
-
341
5. De voordelen benoemen van multilevelanalyse ten opzichte van herhaalde metingen ANOVA:
38
-
342
Multilevelanalyse (ook wel hiërarchische lineaire modellering of mixed-effects modellering genoemd) heeft verschillende voordelen ten opzichte van herhaalde metingen ANOVA:
38
-
343
1. Flexibiliteit in data:
38
-
344
Multilevelanalyse kan omgaan met ontbrekende data en ongelijke aantallen metingen per deelnemer, terwijl herhaalde metingen ANOVA volledige data vereist.
38
-
345
2. Complexere modellen:
38
-
346
Multilevelanalyse kan zowel vaste effecten (fixed effects) als random effects modelleren, waardoor het mogelijk is om individuele verschillen in trends over tijd te onderzoeken.
38
-
347
3. Betere omgang met afhankelijkheid van data:
38
-
348
Herhaalde metingen ANOVA vereist sfericiteit, terwijl multilevelanalyse beter omgaat met afhankelijke metingen binnen dezelfde deelnemer.
38
-
349
4. Inclusie van tijd-variërende covariaten:
38
-
350
Multilevelanalyse maakt het mogelijk om covariaten die over tijd veranderen (bijv. leeftijd, stemming) in het model op te nemen.
38
-
351
5. Efficiëntie:
38
-
352
Multilevelanalyse is efficiënter bij het analyseren van grote datasets met complexe hiërarchische structuren (bijv. leerlingen binnen scholen of metingen binnen personen).
38
-
353
Samenvatting:
38
-
354
Herhaalde metingen ANOVA wordt gebruikt voor within-subjects designs, terwijl mixed-design ANOVA zowel within- als between-subjects factoren combineert.
38
-
355
Beide technieken vereisen normaliteit, sfericiteit (voor herhaalde metingen ANOVA), en interval- of ratio-schaaldata.
38
-
356
Effectgroottes (η²) worden gebruikt om de praktische significantie van de resultaten te interpreteren.
38
-
357
Multilevelanalyse biedt voordelen zoals flexibiliteit, omgang met ontbrekende data, en de mogelijkheid om complexere modellen te schatten.
38
-
358
Studietaak 6.3 – Tutorial herhaalde metingen ANOVA
38
-
359
Na het bestuderen van deze studietaak kun je
38
-
360
een hypothese en vraagstelling formuleren die past bij een mixed-design ANOVA
38
-
361
datascreening uitvoeren en de uitkomsten daarvan interpreteren
38
-
362
een mixed-design ANOVA uitvoeren en de uitkomsten daarvan interpreteren
38
-
363
de assumpties van een mixed-design ANOVA checken en de uitkomsten daarvan interpreteren
38
-
364
de uitkomsten van een mixed-design ANOVA volgens de APA-normen rapporteren.
38
-
365
Inladen data
38
-
366
Codeboek
38
-
367
Labjournaal
38
-
368
Experimenteel ontwerp
38
-
369
Het experiment heeft een mixed-design: er is een mix van een binnenproefpersonen- en een tussenproefpersonen-factor.
38
-
370
Vraagstelling en hypothese
38
-
371
Toets bepalen
39
-
372
Voor het bepalen van de juiste toets om deze hypothesen te onderzoeken is het belangrijk om te kijken naar het meetniveau van de variabelen (nominaal, ordinaal of interval) en de rol van de variabelen (afhankelijk, onafhankelijk).
39
-
373
Je kunt de hypotheses in dit geval toetsen met de repeated measures (RM-)ANOVA omdat er sprake is van een nominale onafhankelijke variabele (BekendheidCBM), bestaande uit twee groepen (Nee en Ja), en een herhaalde meting van reactietijd op vier (binnenproefpersonen-) condities, namelijk parallel, gekruist, divergent en convergent. Deze mix van between- en within-subjects factoren maakt dit een mixed-design: een speciaal geval van een RM-ANOVA.
39
-
374
Datascreening
39
-
375
Voordat je de mixed-design ANOVA gaat uitvoeren, inspecteer je eerst de data. Per groep en per herhaalde meting kijk je wat de verdeling van de data is, of er onmogelijke waarden zijn en of er uitbijters zijn.
39
-
376
Assumpties checken
39
-
377
De repeated measures ANOVA, of in dit geval de mixed-design ANOVA, vanwege een combinatie van within- en between-subject factoren, heeft de volgende assumpties:
39
-
378
1. De residuen zijn normaal verdeeld.
39
-
379
2. De verschilscores van de varianties tussen de herhaalde metingen zijn gelijk (sfericiteit)
39
-
380
3. De varianties tussen groepen zijn gelijk (homogeniteit van varianties).
39
-
381
Sfericiteit
39
-
382
Helaas is er geen Welch ANOVA mogelijk voor RM-ANOVA indien niet aan deze assumptie wordt voldaan.
39
-
383
In de output onder de subkop Assumptions zie je een tabel Homogeneity of Variances Test (Levene's) Dit is de toets voor de homogeniteit (gelijkheid) van varianties tussen groepen
39
-
384
Analyse
39
-
385
Mixed-design ANOVA
39
-
386
De RM-ANOVA, zeker in het geval van een mixed-design (een combinatie van within- èn between-subject factoren) kan overweldigend veel output opleveren. Het is daarom zinvol om nu al te kijken naar de output van de omnibustoetsen, dus de algemene effecten. Dat maakt het makkelijker om in een verdiepingsfase gericht extra output op te vragen.
39
-
387
Between subject effects
39
-
388
Het is je waarschijnlijk opgevallen dat in de output onder de tabel met within-subject effects er ook een tabel met Between Subject Effects is weergegeven. Deze tabel geeft het effect weer van de between-subject factor (in dit geval BekendheidCBM) gemiddeld over de within-subject factor.
39
-
389
Post-hoc-testen voor Lijntype
39
-
390
Het hoofdeffect van Lijntype was significant. De vraag die je vervolgens moet beantwoorden is: welke lijntypes verschillen van elkaar in reactietijd? In jamovi is het niet mogelijk om contrasten op te stellen voor within-subject factoren. Om deze reden kijk je nu enkel naar de post-hoc-testen. Tukey
39
-
391
Visualisatie van de interactie tussen het lijntype en bekendheid met CBM
40
-
392
Hoewel het interactie-effect van Lijntype en BekendheidCBM niet significant was, heb je de figuur met de interactie wel nodig om in een verslag de lezer te informeren over het niet-significante effect.
40
-
393
De figuur maakt helder waarom de between-subject effects en de interactie tussen within- en between-subjects niet significant waren en dat de effectgroottes (zeer) zwak waren: de lijnen van de twee groepen BekendheidCBM overlappen nagenoeg.
40
-
394
Simple-effects analyse
40
-
395
Hoewel het interactie-effect van Lijntype en BekendheidCBM op reactietijd niet significant was, is het leerzaam om toch de simple-effects analyse uit te voeren.
40
-
396
Sensitiviteitsanalyse
40
-
397
Zoals eerder aangegeven onder 'Uitbijters' is het zinvol om de analyse te herhalen zonder de uitbijters uit de analyse te halen. Dit kan eenvoudig door de filters niet meer actief te maken. De output zal zich automatisch aanpassen aan de nieuwe data die door het uitzetten van het filter vrijkomen.
40
-
398
Rapportage:
40
-
399
De rapportage van een RM-ANOVA of mixed-design ANOVA vereist meer aandacht dan een 'normale' ANOVA, omdat de lezer duidelijk moet kunnen herkennen of de rapportage gaat over within-subjects effecten en interacties, of over de between-subject effects. Maak dit dus expliciet in de rapportage.
40
-
400
Datascreening
40
-
401
Hypothesetoetsen
40
-
402
Studietaak 6.4 – Opdracht herhaalde metingen ANOVA
40
-
403
Thema 7 – Serious game: Junior scientist
40
-
404
De serious game Junior scientist is een verplicht onderdeel van deze cursus en moet volledig worden afgerond. je krijgt hiervoor geen cijfer, maar de game wordt beoordeeld als voldoende of onvoldoende, afhankelijk van de afrondingsstatus.
40
-
405
Studietaak 7.1 – Serious game: Junior scientist
41
-
406
In de serious game Junior scientist loop je als speler door het gehele onderzoeksproces heen: van experimenteel design tot verdediging voor een commissie.
41
-
407
Maak bij het afronden van de serious game een screenshot van het scherm als bewijs van afronding.
41
-
408
Thema 8 – Schrijven van een artikel
41
-
409
In dit thema leer je de verschillende onderdelen van de eerdere thema’s te combineren tot een samenhangende analyse. Je oefent je vaardigheden in het analyseren van experimentele data. Ook leer je kritisch te reflecteren op de resultaten van een experimenteel onderzoek. Daarnaast dient dit thema als voorbereiding op de tentamenopdracht. De casus die in dit thema behandeld wordt, gaat over het omstandereffect, een fenomeen uit de sociale psychologie over hoe mensen hulp bieden aan anderen.
41
-
410
Studietaak 8.1 – Hoe formuleer je een doelstelling, vraagstelling en hypotheses?
41
-
411
Na het bestuderen van deze studietaak kun je
41
-
412
een doelstelling van een onderzoek formuleren
41
-
413
een vraagstelling van een onderzoek formuleren
41
-
414
hypotheses bij een onderzoek formuleren.
41
-
415
Hoe formuleer je een doelstelling?
41
-
416
De doelstelling bevat informatie over wat je onderzoekt, waarom dit van belang is en wat de mogelijke implicaties zijn van je onderzoek. Je gaat dus concreet in op de theoretische of praktische relevantie van het onderzoek en wat je met de verwachte uitkomsten kunt bereiken.
41
-
417
Let bij het formuleren van een doelstelling op de onderstaande aandachtspunten.
41
-
418
Ga in op de relevantie van je onderzoek. De relevantie kan theoretisch of praktisch zijn of allebei. Bij theoretische relevantie ga je op zoek naar hiaten in de huidige stand van kennis (wat is er nog niet bekend?) waar jouw studie antwoord op gaat geven. Bij praktische relevantie ga je in op het belang van het onderwerp voor de maatschappij en op hoe de resultaten van jouw onderzoek kunnen bijdragen aan een verbetering van een maatschappelijke toestand.
41
-
419
Maak de implicaties van de doelstelling concreet. Wat precies kun je met de verwachte resultaten? Wees hier zo specifiek mogelijk in. Bijvoorbeeld, de uitspraak ‘Op basis van deze resultaten kan er advies gegeven worden aan gezondheidsinstellingen’ is te vaag. Advies omtrent wat? Hoe zou een interventie er precies uitzien in de praktijk als jouw verwachtingen uitkomen?
41
-
420
Wees beknopt en to-the-point. Ideaal bezien is de onderbouwing van de relevantie al in de inleiding gegeven en vormt de doelstelling een beknopte synthese van de verwachte bijdrage van de (voorgenomen) studie.
41
-
421
Hoe formuleer je een vraagstelling?
41
-
422
Een vraagstelling of onderzoeksvraag vat de centrale vraag van je onderzoek samen waarop je middels het onderzoeksdesign en je analyses een antwoord probeert te vinden. De vraagstelling moet in de discussiesectie worden beantwoord.
41
-
423
Let bij het formuleren van een vraagstelling op de onderstaande aandachtspunten:
41
-
424
De vraagstelling is geformuleerd als een vraag en eindigt met een vraagteken.
42
-
425
De vraagstelling bevat alle centrale variabelen en ook alle condities. Bijvoorbeeld, de vraag ‘Wat is het effect van lesmethode A op wiskundeprestaties?’ volstaat niet. Hier moet ‘in vergelijking met lesmethode B’ aan worden toegevoegd (mits er ook daadwerkelijk een vergelijking plaatsvindt).
42
-
426
De vraagstelling bevat een doelpopulatie. Dit is de populatie waarnaar je je onderzoek probeert te generaliseren (bijvoorbeeld ‘onder Nederlandse adolescenten’).
42
-
427
Als een interactie in het onderzoek centraal staat, dan moet deze ook duidelijk uit de vraagstelling blijken. Gebruik hierbij precieze formuleringen zoals ‘neemt dit effect toe naarmate …’ of ‘en is dit effect groter bij …’. Voorkom bij experimentele designs vage formuleringen zoals ‘wat is de rol van …’.
42
-
428
Met het onderzoeksdesign van de studie moet het mogelijk zijn om de vraagstelling te beantwoorden. Gebruik dus alleen causale taal (beïnvloeden, effect enzovoort) als je studie een experimenteel design heeft. Bij cross-sectionele studies spreek je over verbanden.
42
-
429
Hoe formuleer je hypotheses?
42
-
430
In een hypothese formuleer je de verwachtingen over de uitkomsten van je analyses.
42
-
431
Let bij het formuleren van hypotheses op de onderstaande aandachtspunten:
42
-
432
Een hypothese is precies geformuleerd en kan ideaal bezien met één toetsstatistiek worden aangenomen of verworpen. Als je te veel verbanden in één hypothese opneemt, dan wordt het moeilijk om deze op basis van de uitkomsten aan te nemen of te verwerpen.
42
-
433
Een hypothese bestaat uit één heldere zin. Vermijdt dus onnodig ingewikkelde zinsconstructies; ook een toelichting zou niet nodig moeten zijn.
42
-
434
Een hypothese geeft een richting aan (bijvoorbeeld positief of negatief, groter of kleiner dan, enzovoort). Voorkom dus dat je het enkel over verschillen hebt zonder te specificeren hoe de onderzoeksgroepen precies van elkaar verschillen.
42
-
435
Een hypothese benoemt alle experimentele condities waarmee wordt vergeleken. Bijvoorbeeld, ‘Y is hoger in groep 1’ volstaat niet, hier moet ‘in vergelijking met groep 2’ aan worden toegevoegd.
42
-
436
In een hypothese moet duidelijk zijn of je een gemiddeld effect verwacht of een verandering over de tijd (bijvoorbeeld groei of daling).
42
-
437
Een hypothese moet aansluiten bij het onderzoeksdesign en bij de analyses. Je kunt bijvoorbeeld geen groei onderzoeken in een experiment dat enkel één meting bevat.
42
-
438
Een interactiehypothese maakt duidelijk hoe de combinatie van twee variabelen het effect op de afhankelijke variabele verandert. Hier wordt vaak onjuist een additief effect beschreven, bijvoorbeeld ‘het effect is het sterkst in de conditie medicijn (ten opzichte van placebo) en de conditie therapie (ten opzichte van wachtlijst)’. Het zou hier net zo goed om een optelling van de hoofdeffecten van medicijn en therapie kunnen gaan. Beschrijf dus hoe het effect van de ene conditie verschilt als functie van een andere variabele.
42
-
439
Vervolg van een artikel
42
-
440
Na de inleiding waarin bovenstaande onderdelen worden beschreven, volgen de methoden, resultaten en discussie. Hoe je een discussie schrijft, wordt in de volgende opdracht besproken. Voor de overige onderdelen zijn specifieke websites beschikbaar.
42
-
441
Samenvatting (abstract)
43
-
442
Een samenvatting in een APA-stijl manuscript is een zeer beknopte samenvatting van je onderzoek, waarin je lezers een overzicht geeft van de belangrijkste punten uit je onderzoek. Naast de titel van je onderzoek zal de abstract het meest gelezen worden, en soms is het het enige wat anderen van je artikel lezen. De samenvatting moet om deze reden goed op zichzelf kunnen staan. Hier zijn de belangrijkste elementen en best practices voor het schrijven van een abstract in APA-stijl:
43
-
443
Lengte: Een abstract moet doorgaans tussen de 150 en 250 woorden lang zijn. Dit betekent dat je beknopt moet zijn en alleen de essentiële informatie moet opnemen.
43
-
444
Kop: Plaats het woord "Abstract" (zonder aanhalingstekens) bovenaan de pagina, gecentreerd en in vetgedrukte letters.
43
-
445
Structuur: De abstract moet een duidelijke structuur hebben en de volgende elementen bevatten (in één alinea, zonder subkoppen, tenzij vereist door een tijdschrift): a. Achtergrond: Begin met een korte inleiding die de achtergrond van je onderzoek uitlegt en de context schetst. Waarom is dit onderwerp belangrijk? b. Doelstelling: Geef aan wat het doel van je onderzoek is, inclusief je onderzoeksvraag of hypothese. c. Methoden: Beschrijf beknopt de methodologie die je hebt gebruikt om je onderzoek uit te voeren. Dit omvat deelnemers, procedure, materialen, en eventueel statistische analyses. d. Resultaten: Geef een samenvatting van de belangrijkste resultaten van je onderzoek. Geef numerieke bevindingen weer met relevante statistieken. Probeer niet alleen dat ene significante effect wat je vond te noemen, maar zorg dat de lezer een goed beeld heeft van het totaalplaatje. e. Conclusie: Sluit af met een beknopte conclusie en benadruk de implicaties van je onderzoek en eventuele aanbevelingen voor toekomstig onderzoek.
43
-
446
Schrijfstijl: Schrijf in de verleden tijd, maar vermijd de lijdende vorm. Vermijd het gebruik van citaten en afkortingen, tenzij ze algemeen bekend zijn.
43
-
447
Duidelijkheid: Wees duidelijk en beknopt in je formulering. Probeer geen jargon of vaktaal te gebruiken die alleen binnen je specifieke onderzoeksgebied bekend is. Houd er rekening mee dat onderzoekers vanuit andere expertises je samenvatting ook nog moeten kunnen begrijpen.
43
-
448
Geen nieuwe informatie: Het abstract mag geen nieuwe informatie bevatten die niet in het hoofdtekst van het manuscript wordt behandeld. Het moet een overzicht zijn van wat de lezer in het manuscript kan verwachten.
43
-
449
Onthoud dat het doel van een samenvatting is om de lezer snel een idee te geven van de inhoud van je onderzoek en hen te helpen beslissen of ze het volledige manuscript willen lezen. Het moet beknopt, informatief en goed gestructureerd zijn.
43
-
450
Studietaak 8.2 – Hoe schrijf je een discussie?
43
-
451
Na het bestuderen van deze studietaak kun je
43
-
452
1. de globale structuur van een discussie toepassen bij het schrijven van een wetenschappelijk verslag
43
-
453
2. beschrijven hoe uitkomsten van een onderzoek zich vertalen naar de populatie
44
-
454
3. beperkingen en aanbevelingen van een studie in een discussiesectie verwerken
44
-
455
4. reflecteren op de praktische en theoretische implicaties van een onderzoek.
44
-
456
Samenvatting: Hoe schrijf je een discussie?
44
-
457
1. Globale structuur van een discussie toepassen
44
-
458
De discussie is het laatste deel van een wetenschappelijk artikel en heeft een vaste structuur:
44
-
459
1. Samenvatting en interpretatie van de resultaten:
44
-
460
Herhaal de vraagstelling en vat de belangrijkste bevindingen samen.
44
-
461
Interpreteer de resultaten in relatie tot de hypothese en bestaande theorieën.
44
-
462
Vermijd het herhalen van statistische details; focus op de betekenis van de resultaten.
44
-
463
2. Beperkingen en aanbevelingen:
44
-
464
Bespreek de beperkingen van het onderzoek (bijv. steekproefgrootte, generaliseerbaarheid).
44
-
465
Geef aanbevelingen voor vervolgonderzoek.
44
-
466
3. Slotconclusie:
44
-
467
Trek een algemene conclusie over de onderzoeksvraag.
44
-
468
Bespreek de theoretische en praktische implicaties van de bevindingen.
44
-
469
De discussie moet als een samenhangend verhaal worden geschreven, waarbij de onderdelen soepel in elkaar overlopen.
44
-
470
2. Uitkomsten vertalen naar de populatie
44
-
471
In de discussie generaliseer je de resultaten van de steekproef naar de populatie.
44
-
472
Gebruik de tegenwoordige tijd om uitspraken te doen over de populatie (bijv. "In de populatie is er een verband tussen slaap en cognitieve prestaties").
44
-
473
Let op: beperkingen in de steekproef (bijv. selectiebias) kunnen de generaliseerbaarheid beïnvloeden.
44
-
474
3. Beperkingen en aanbevelingen verwerken
44
-
475
Beperkingen:
44
-
476
Bespreek tekortkomingen in het onderzoeksdesign (bijv. interne en externe validiteit).
44
-
477
Benoem hoe deze beperkingen de interpretatie van de resultaten beïnvloeden.
44
-
478
Voorbeeld: "De steekproef bestond alleen uit volwassenen tussen 25-35 jaar, wat de generaliseerbaarheid naar andere leeftijdsgroepen beperkt."
44
-
479
Aanbevelingen:
44
-
480
Geef suggesties voor vervolgonderzoek om de beperkingen aan te pakken.
44
-
481
Richt je op het verkrijgen van aanvullende inzichten in het causale mechanisme.
44
-
482
4. Reflecteren op praktische en theoretische implicaties
44
-
483
Praktische implicaties:
44
-
484
Bespreek hoe de bevindingen kunnen worden toegepast in de praktijk.
44
-
485
Voorbeeld: "Mindfulness-interventies kunnen worden ingezet om emotieregulatie bij angststoornissen te verbeteren."
45
-
486
Theoretische implicaties:
45
-
487
Leg uit hoe de resultaten bijdragen aan de bestaande theorie.
45
-
488
Bespreek of de theorie moet worden aangepast of uitgebreid.
45
-
489
Voorbeeld: "Onze bevindingen ondersteunen de theorie dat slaap een directe invloed heeft op cognitieve prestaties."
45
-
490
Valkuilen bij het schrijven van een discussie
45
-
491
Resultatensectie herhalen: Vermijd een droge samenvatting; focus op interpretatie en integratie.
45
-
492
Steekproef vs. populatie: Maak uitspraken over de populatie, niet alleen over de steekproef.
45
-
493
Te stellige conclusies: Wees voorzichtig met stellige uitspraken, vooral bij zwakke resultaten.
45
-
494
Irrelevante beperkingen: Bespreek alleen beperkingen die de interpretatie van de resultaten beïnvloeden.
45
-
495
Ontbrekende implicaties: Zorg voor een duidelijke conclusie en bespreek zowel praktische als theoretische implicaties.
45
-
496
Conclusie
45
-
497
De discussie is een cruciaal onderdeel van een wetenschappelijk artikel waarin je de resultaten interpreteert, beperkingen bespreekt, en de implicaties voor theorie en praktijk uitlegt. Door de globale structuur te volgen en valkuilen te vermijden, kun je een heldere en overtuigende discussie schrijven die de waarde van je onderzoek benadrukt.
45
-
498
Studietaak 8.3 – Oefenopdracht
45
-
499
Na het bestuderen van deze studietaak kun je
45
-
500
zelfstandig een doelstelling, onderzoeksvraag en hypotheses opstellen
45
-
501
kritisch de integriteit van je data evalueren
45
-
502
de beschrijving van de deelnemers en het analyseplan in de methodesectie verwerken
45
-
503
de juiste statistische analyse kiezen, uitvoeren en in een wetenschappelijk verslag beschrijven
45
-
504
de uitkomsten van de data-analyse en de conclusies hieruit voor de populatie beschrijven volgens APA-richtlijnen.
45
-
505
Wat is het doel van het onderzoek?
45
-
506
Wat is de centrale vraag van het onderzoek?
45
-
507
Formuleer hypotheses over de verwachte effecten die kunnen volgen uit de vraagstelling.
45
-
508
Stel alleen hypotheses op over variabelen waarvoor je ook vanuit de theorie (of je eigen redenering) een effect verwacht. Zorg ervoor dat de richting van de hypotheses duidelijk benoemd wordt.
45
-
509
Bedenk of het nodig is om covariaten toe te voegen.
45
-
510
Methode: - Beschrijf de deelnemers.
45
-
511
Gebruik waar mogelijk tabellen of figuren om informatie samen te vatten. Benoem andere achtergrondkenmerken in de tekst.
45
-
512
Geef een korte beschrijving van het design dat in dit onderzoek werd gebruikt.
45
-
513
Voordat je met de analyse aan de slag gaat, is het belangrijk om te weten of de manipulatie heeft gewerkt, dat wil zeggen of het gevoel van in-groep of uit-groep is geactiveerd (saillant is gemaakt) bij de deelnemers. Beschrijf op welke manier je dit zou kunnen onderzoeken.
45
-
514
Resultaten
46
-
515
Voer de datascreening uit en rapporteer deze.
46
-
516
Voer de manipulatiecheck uit. Interpreteer je resultaat. Heeft de manipulatie naar behoren gewerkt?
46
-
517
Voer de hypothesetoetsing uit volgens het plan dat je hebt opgesteld. Beschrijf en interpreteer de resultaten hiervan in het verslag. Gebruik waar nodig tabellen en/of figuren ter verduidelijking of samenvatting van de resultaten. Zorg ervoor dat je alles in APA-stijl rapporteert.
46
-
518
Discussie
46
-
519
Een goede discussie begint met een herhaling van de doel- en vraagstelling en een samenvatting van de gevonden resultaten. Vervolgens worden de resultaten in een bredere context geplaatst en in verband gebracht met de achterliggende theorie.
46
-
520
Beschrijf deze elementen zoals in een wetenschappelijk artikel.
46
-
521
Beschrijf enkele zwakke punten van dit onderzoek en geef aan hoe toekomstig onderzoek hierop kan voortbouwen en dit kan verbeteren.
46
-
522
Noem enkele praktische en theoretische implicaties van dit onderzoek.
46
-
523
Denk hierbij na over de validiteit en de betrouwbaarheid van het onderzoek.
46
-
524
Thema 9 – Eindopdracht
46
