AMT D2 SV
B&B H: 11, 13, 14, 16
H11
Veel onderzoekers vinden dat kans en significaties niveaus niet genoeg zijn om
statistische data te verwerken, zij vinden dat de grote van het effect een belangrijke
manier is om het effect van een probleem van te leggen.
Statistische significatie en kansen kunnen leiden tot foute interpretaties:
1. Kans steekproef variaties kunnen er toe leiden dat het lijkt alsof een nutteloze
behandeling heeft gewerkt en de belangrijkheid van kleine bevindingen worden groter
gemaakt dan nodig als ze de magische grenswaarde van 0.05 bereiken.
2. Belangrijke informatie in studies kan overgeslagen worden omdat het niet de
magische grenswaarde van 0.05 bereikt. Het is bijna alsof dat als een studie niet de
magische grenswaarde bereikt hij nutteloos is. Deze studies worden dan ook bijna
nooit gepubliceerd terwijl hun bevinding wel belangrijk en relevant kunnen zijn voor
toekomstige onderzoeken. Er is te veel focus op één significante waarde.
3. Het verdelen van onderzoek bevindingen in 2 categorieën, significant en niet
significant is een oversimplificatie aangezien kans op een continue schaal is. Dit leid
ook vaak tot foute conclusies.
Vaak hebben statistisch significante waardes geen echte significante waarde in het echte
leven.
Type 1 error: een false positive, vaak veroorzaakt omdat p waarde te hoog is.
Type 2 error: een false negative, vaak veroorzaakt omdat p waarde te laag is.
Effect size: Wanneer een p-test of t-test je niet vertellen hoe groot het effect van een
onafhankelijke variabele is wordt gebruik gemaakt van een effect size. De effect size
wordt gebruikt om de sterke van de relatie tussen de afhankelijke en onafhankelijke
variabelen te meten. Maaten van de effect size meten hoe groot het effect van de
onafhankelijke variabele was op de afhankelijke variabele was.
Maten voor het meten van de effect size:
- Het standardised mean verschil
- correlation coefficients zoals r en phi
- eta^2, dit is een type correlatie bekend als het correlatie ratio. Het wordt gebruikt voor
het determineren van de sterke van associatie waneer er een curvlinear inplaats van
lineair relatie is.
Waarom is effect size belangrijk:
1. Maten van effect size kunnen gebruikt worden voor het samenvatten van
experimenten waarbij de zelfde afhankelijke en onafhankelijke variabelen worden
, gebruikt. Dit maakt het mogelijk om een kwantitatieve vergelijking te maken tussen de
uitkomsten van de experimenten.
2. Maten van effect size bieden informatie over de hoeveelheid impact die een
onafhankelijke variabele heeft gehad. Het complementeert statistische significantie
omdat die alleen de aanwezigheid of afwezigheid van de impact weergeeft.
3. Maten van effect size helpen ons met het berekenen van de hoeveelheid mensen
nodig voor een steekproef voor een experiment met een bepaald niveau van kracht.
Meta analysis: Dit is een procedure die resultaten van verschillende onderzoeken
combineert, zelfs onderzoeken die andere methodes gebruiken om een generale
conclusie te trekken.
Wanneer je resultaten samenvoegt is het cruciale wat samengevoegd wordt de effect
size.
Als een studie met weinig mensen significant is dan betekent dat, dat er een grote effect
size is.
Statistical power: De kans dat de test op de juiste manier een false nul hypothese
weigert.
De steekproef grote heeft ook invloed op de power, hoe groter de steekproef hoe kleiner
de Standard afwijking van de distributie van de mean hoe groter de power.
Een te grote steekproef kan correlaties produceren die er eigenlijk niet zijn.
Het ontwerp van een studie kan invloed hebben op de kracht om significante verschillen
te vinden.
Minder extreme significantie niveaus leiden tot meer power, meer extreme significantie
niveaus leiden tot minder power.
Het repeated measure ontwerp houd error variates kleiner dan de independent group
ontwerp omdat individuele verschillen verwijderd worden.
Bij een one-tailed test is de power om een significant verschil te vinden hoger dan bij een
two-tailed test.
H13
Analysis of variance (ANOVA): Dit is een hypothese testing procedure die gebruikt wordt
om te kijken als er een mean verschil bestaan voor 2 of meer steekproeven of
behandelingen.
De naam die vaak gegeven word aan variance in ANOVA is de mean squares deviation, of
mean square (MS).
Net zoals bij een t test is het doel van ANOVA om te beslissen als het verschil in mean of
observaties komt door kans (random sampling error) of omdat er systematische effecten
B&B H: 11, 13, 14, 16
H11
Veel onderzoekers vinden dat kans en significaties niveaus niet genoeg zijn om
statistische data te verwerken, zij vinden dat de grote van het effect een belangrijke
manier is om het effect van een probleem van te leggen.
Statistische significatie en kansen kunnen leiden tot foute interpretaties:
1. Kans steekproef variaties kunnen er toe leiden dat het lijkt alsof een nutteloze
behandeling heeft gewerkt en de belangrijkheid van kleine bevindingen worden groter
gemaakt dan nodig als ze de magische grenswaarde van 0.05 bereiken.
2. Belangrijke informatie in studies kan overgeslagen worden omdat het niet de
magische grenswaarde van 0.05 bereikt. Het is bijna alsof dat als een studie niet de
magische grenswaarde bereikt hij nutteloos is. Deze studies worden dan ook bijna
nooit gepubliceerd terwijl hun bevinding wel belangrijk en relevant kunnen zijn voor
toekomstige onderzoeken. Er is te veel focus op één significante waarde.
3. Het verdelen van onderzoek bevindingen in 2 categorieën, significant en niet
significant is een oversimplificatie aangezien kans op een continue schaal is. Dit leid
ook vaak tot foute conclusies.
Vaak hebben statistisch significante waardes geen echte significante waarde in het echte
leven.
Type 1 error: een false positive, vaak veroorzaakt omdat p waarde te hoog is.
Type 2 error: een false negative, vaak veroorzaakt omdat p waarde te laag is.
Effect size: Wanneer een p-test of t-test je niet vertellen hoe groot het effect van een
onafhankelijke variabele is wordt gebruik gemaakt van een effect size. De effect size
wordt gebruikt om de sterke van de relatie tussen de afhankelijke en onafhankelijke
variabelen te meten. Maaten van de effect size meten hoe groot het effect van de
onafhankelijke variabele was op de afhankelijke variabele was.
Maten voor het meten van de effect size:
- Het standardised mean verschil
- correlation coefficients zoals r en phi
- eta^2, dit is een type correlatie bekend als het correlatie ratio. Het wordt gebruikt voor
het determineren van de sterke van associatie waneer er een curvlinear inplaats van
lineair relatie is.
Waarom is effect size belangrijk:
1. Maten van effect size kunnen gebruikt worden voor het samenvatten van
experimenten waarbij de zelfde afhankelijke en onafhankelijke variabelen worden
, gebruikt. Dit maakt het mogelijk om een kwantitatieve vergelijking te maken tussen de
uitkomsten van de experimenten.
2. Maten van effect size bieden informatie over de hoeveelheid impact die een
onafhankelijke variabele heeft gehad. Het complementeert statistische significantie
omdat die alleen de aanwezigheid of afwezigheid van de impact weergeeft.
3. Maten van effect size helpen ons met het berekenen van de hoeveelheid mensen
nodig voor een steekproef voor een experiment met een bepaald niveau van kracht.
Meta analysis: Dit is een procedure die resultaten van verschillende onderzoeken
combineert, zelfs onderzoeken die andere methodes gebruiken om een generale
conclusie te trekken.
Wanneer je resultaten samenvoegt is het cruciale wat samengevoegd wordt de effect
size.
Als een studie met weinig mensen significant is dan betekent dat, dat er een grote effect
size is.
Statistical power: De kans dat de test op de juiste manier een false nul hypothese
weigert.
De steekproef grote heeft ook invloed op de power, hoe groter de steekproef hoe kleiner
de Standard afwijking van de distributie van de mean hoe groter de power.
Een te grote steekproef kan correlaties produceren die er eigenlijk niet zijn.
Het ontwerp van een studie kan invloed hebben op de kracht om significante verschillen
te vinden.
Minder extreme significantie niveaus leiden tot meer power, meer extreme significantie
niveaus leiden tot minder power.
Het repeated measure ontwerp houd error variates kleiner dan de independent group
ontwerp omdat individuele verschillen verwijderd worden.
Bij een one-tailed test is de power om een significant verschil te vinden hoger dan bij een
two-tailed test.
H13
Analysis of variance (ANOVA): Dit is een hypothese testing procedure die gebruikt wordt
om te kijken als er een mean verschil bestaan voor 2 of meer steekproeven of
behandelingen.
De naam die vaak gegeven word aan variance in ANOVA is de mean squares deviation, of
mean square (MS).
Net zoals bij een t test is het doel van ANOVA om te beslissen als het verschil in mean of
observaties komt door kans (random sampling error) of omdat er systematische effecten
