1
Steekproef vs. populatie:
- Hoe we onze steekproef krijgen ligt aan je sampling design.
- De uitslag vanuit je steekproef wil je met inferential statistieken
weer wat over de populatie zeggen.
- Belief in the Law of Small Numbers: Men denkt vaak dat de
steekproef heel representatief is voor de populatie.
o Zeker bij kleine steekproeven is dit niet het geval en kan de
ene
steekproef sterk variëren van de andere steekproef en zegt de
steekproef
ook weinig over de populatie → bij voorkeur grotere
steekproeven (lijkt meer op populatie en meer power)
Steekproeftrekking:
1. Simple Random sampling
- Elk element in de populatie heeft dezelfde kans om in de steekproef
te komen
2. Convenience sampling
- De steekproef bestaat uit bepaalde mensen die voorhanden zijn.
- Je kan hierbij dan ook minder goed generaliseren naar een gehele
populatie.
3. Stratified sampling
- De populatie wordt opgedeeld in strata (gelsacht, leeftijd ect);
binnen elk stratum wordt een volledig aselecte steekproef
getrokken.
Ongelukkige (unlucky) random toewijzing: groepen die niet gelijk zijn
met een of meerdere karakteristieken van de andere groep.
Convience groep: groep die wordt gebruikt in een experiment die voor
de onderzoeker gewoon makkelijk is om te pakken.
Proximale overeenkomsten model: zegt dat het redelijk is om
resultaten te generaliseren van een steekproef naar een hypothetische
populatie als de deelnemers uit de steekproef karakteristieken hebben die
overeenkomen met de populatie.
Meeste voorkomende fouten in het interpeteren van resultaten:
1. Zeggen dat er een causaal verband is, ook al is dat niet.
2. Over generaliseren, zeggen dat de resultaten gelden voor de gehele
populatie.
3. De limieten van het onderzoek misvatten of minimaliseren.
Samenvatten van data (descriptieve data):
1. Wordt gebruikt om een steekproef te beschrijven.
2. We kunnen de data beschrijven door
- Centrummaten
o Gemiddelde, modus, mediaan
- Spreidingsmaten
, o Variantie, standaarddeviatie
Inferentiele statistiek:
1. Gebruik je om conclusies te trekken over de populatie, op basis van
info van je steekproef.
2. Vaak gebruikt
- Nul hypothese significantie
- Betrouwbaarheidsintervallen
Meetniveaus:
1. Categorische variabele: geslachte, type opleiding, diagnose, sociale
klasse ect. Nummer zijn hierin alleen labels of namen van groepen.
Je kan hier niet zeggen dat iets ‘’groter dan’’ is.
2. Kwantitatieve variabelen: leeftijd, IQ scores, tentamencijfers, scores
op vragenlijst. Zegt iets over hoeveel iemand ergens van heeft. De
nummers hebben dus betekenis. Je kan hier dus zeggen dat iets
‘’groter dan’’ is.
Experiment: heeft 2 of meer groepen deelnemers. Elke groep wordt
blootgesteld aan een verschillende soort of hoeveelheid behandeling.
- Je hebt altijd een controle groep nodig.
Correlationele studies: 2 of meer variabele worden gemeten die
waarschijnlijk gerelateerd zijn aan elkaar. Er is geen behandeling of
interventie.
Quasi-experimentele onderzoeken: vallen tussen experimenten en
niet-experimenten doordat ze bepaalde belangrijke rivaliserende variabele
niet kunnen uitsluiten. Bijvoorbeeld studies in natuurlijke settingen.
- Nonequivalent controle groep design: groepen die al bestaan
worden gebruikt in het experiment (bijvoorbeeld basisschoolklassen
vergelijken)
Pearson’s correlatie coëfficiën (r)t:
- Maat voor lineaire samenhang
- P=correlatie populatie, r= correlatie steekproef
- 1 = perfecte correlatie, 0.5 = sterk, 0.3 = medium 0.1 = zwak
- We zouden correlatie-resultaten niet moeten rapporteren met
woorden zoals oorzaak, bepalen en beïnvloeden, tenzij de gegevens
afkomstig zijn van een zorgvuldig ontworpen studie die het mogelijk
maakt om rivaliserende verklaringen uit te sluiten.
- Voor positieve waarden van r, naarmate de waarden van X
toenemen, hebben de waarden van Y ook de neiging om toe te
, nemen. Voor negatieve waarden van r, naarmate de waarden van
toenemen, hebben de waarden van Y de neiging om af te nemen.
- Altijd kijken naar scatterplot van data voor correlatie interpreteren
- Soms kan een correlatie die dicht bij 0 ligt nog we sterk zijn, hij is
dan alleen niet lineair.
Standaardfout: de standaarddeviatie van het gemiddelde over alle
steekproeven.
SE=SD /√ N
- SE (r) = de standaardfout van ᵅ (variatie in steekproefwaardes van ᵅ
als je
steeds nieuwe steekproeven van ᵄ uit dezelfde populatie zou
trekken)
Betrouwbaarheidsinterval: Wanneer we het experiment keer op keer
herhalen, bevat het 95% betrouwbaarheidsinterval in 95% van de gevallen
de echte waarde.
- Een betrouwbaarheidsinterval vertelt ons over de hoeveelheid
steekproeffout die we in aanmerking moeten nemen wanneer we
één steekproefwaarde van M gebruiken om µ voor een populatie te
schatten.
- Op basis van de gevonden data, zijn dit de meest waarschijnlijke
waarden van µ
- Geeft de onzekerheid rondom de puntschatter (bijv M of r) weer.
- Betrouwbaarheidsintervallen voor correlaties zijn niet symmetrisch,
dat wil zeggen dat de steekproefwaarde r niet precies in het midden
van het CI ligt (komt door gebruik van Fisher transformaties)
- Wanneer je een kleinere steekproef hebt, kun je minder precies
schatten en zal het confidence interval breder worden
- Bij correlaties is de null hypothese dat r = 0, wanneer de waarde 0
niet in het interval ligt, dan kunnen we deze null hypothese
verwerpen. De p waarde zal dus onder de waarde van de
bijbehorende alpha liggen
Het volgende is nodig om een betrouwbaarheidsinterval te maken:
1. C is een willekeurig geselecteerde zekerheid. De waarde van C is
meestal 95%; dit komt overeen met het percentage van het gebied
dat we gebruiken voor het midden van de verdeling wanneer we de
afkapp-waarden voor t opzoeken. C kan andere waarden hebben,
zoals 90% of 99%.
2. De waarden van M, SD en N komen uit de steekproefdata.
Betrouwbaarheidsinterval berekenen:
1. Vind df = N-1
2. Zoek de kritieke waardes op in de t-distributie.
3. De standaarderror berekenen
4. De onderste waarde van het interval berekenen
5. De bovenste waarde van het interval berekenen
, Waardes die een betrouwbaarheidsinterval beïnvloeden:
1. Hoe hoger C hoe wijder het interval (bijv van 95% naar 99%)
2. Kleinere steekproef (wijder)
3. Grotere standaarddeviatie (wijder)
Betrouwbaarheidsintervallen interpeteren:
1. Je kan niet zeggen dat er 95% kans is dat één enkele steekproef de
gegevens rond het gemiddelde omvat.
2. Je kan beter zeggen: een reeks plausibele waarden voor µ; waarden
buiten het CI zijn relatief implausibel ... [de] gegevens zijn
compatibel met elke waarde van µ binnen het CI, maar relatief
incompatibel met elke waarde daarbuiten.
Dingen die belangrijk zijn bij p-waardes:
1. Je kijkt naar ene bepaalde effectsize. Hierbij moet altijd een
beschrijving staan van de waardes.
2. Het is discutabel of dat statisch significant ook betekend of het in
het werkveld te implementeren en significant is.
- Iets kan statisch significant zijn maar een te kleine waarde hebben
voor de ‘’echte wereld’’
- Gebruik de uitdrukking "zeer significant" niet om
onderzoeksresultaten met kleine waarden te beschrijven. Die taal
leidt mensen te geloven dat de resultaten van een studie grote
praktische of klinische betekenis hebben, terwijl p < .001 kan
ontstaan wanneer een klein effect wordt gecombineerd met een zeer
grote steekproefgrootte.
3. N en de effectgrootte hebben een invloed op t en p.
4. Type I en type II error.
-
- Factoren die type II fout beïnvloeden:
o Naarmate α toeneemt, neemt β af. Het verhogen van α is geen
gebruikelijke manier om het risico op type II-fouten te
verkleinen.
Steekproef vs. populatie:
- Hoe we onze steekproef krijgen ligt aan je sampling design.
- De uitslag vanuit je steekproef wil je met inferential statistieken
weer wat over de populatie zeggen.
- Belief in the Law of Small Numbers: Men denkt vaak dat de
steekproef heel representatief is voor de populatie.
o Zeker bij kleine steekproeven is dit niet het geval en kan de
ene
steekproef sterk variëren van de andere steekproef en zegt de
steekproef
ook weinig over de populatie → bij voorkeur grotere
steekproeven (lijkt meer op populatie en meer power)
Steekproeftrekking:
1. Simple Random sampling
- Elk element in de populatie heeft dezelfde kans om in de steekproef
te komen
2. Convenience sampling
- De steekproef bestaat uit bepaalde mensen die voorhanden zijn.
- Je kan hierbij dan ook minder goed generaliseren naar een gehele
populatie.
3. Stratified sampling
- De populatie wordt opgedeeld in strata (gelsacht, leeftijd ect);
binnen elk stratum wordt een volledig aselecte steekproef
getrokken.
Ongelukkige (unlucky) random toewijzing: groepen die niet gelijk zijn
met een of meerdere karakteristieken van de andere groep.
Convience groep: groep die wordt gebruikt in een experiment die voor
de onderzoeker gewoon makkelijk is om te pakken.
Proximale overeenkomsten model: zegt dat het redelijk is om
resultaten te generaliseren van een steekproef naar een hypothetische
populatie als de deelnemers uit de steekproef karakteristieken hebben die
overeenkomen met de populatie.
Meeste voorkomende fouten in het interpeteren van resultaten:
1. Zeggen dat er een causaal verband is, ook al is dat niet.
2. Over generaliseren, zeggen dat de resultaten gelden voor de gehele
populatie.
3. De limieten van het onderzoek misvatten of minimaliseren.
Samenvatten van data (descriptieve data):
1. Wordt gebruikt om een steekproef te beschrijven.
2. We kunnen de data beschrijven door
- Centrummaten
o Gemiddelde, modus, mediaan
- Spreidingsmaten
, o Variantie, standaarddeviatie
Inferentiele statistiek:
1. Gebruik je om conclusies te trekken over de populatie, op basis van
info van je steekproef.
2. Vaak gebruikt
- Nul hypothese significantie
- Betrouwbaarheidsintervallen
Meetniveaus:
1. Categorische variabele: geslachte, type opleiding, diagnose, sociale
klasse ect. Nummer zijn hierin alleen labels of namen van groepen.
Je kan hier niet zeggen dat iets ‘’groter dan’’ is.
2. Kwantitatieve variabelen: leeftijd, IQ scores, tentamencijfers, scores
op vragenlijst. Zegt iets over hoeveel iemand ergens van heeft. De
nummers hebben dus betekenis. Je kan hier dus zeggen dat iets
‘’groter dan’’ is.
Experiment: heeft 2 of meer groepen deelnemers. Elke groep wordt
blootgesteld aan een verschillende soort of hoeveelheid behandeling.
- Je hebt altijd een controle groep nodig.
Correlationele studies: 2 of meer variabele worden gemeten die
waarschijnlijk gerelateerd zijn aan elkaar. Er is geen behandeling of
interventie.
Quasi-experimentele onderzoeken: vallen tussen experimenten en
niet-experimenten doordat ze bepaalde belangrijke rivaliserende variabele
niet kunnen uitsluiten. Bijvoorbeeld studies in natuurlijke settingen.
- Nonequivalent controle groep design: groepen die al bestaan
worden gebruikt in het experiment (bijvoorbeeld basisschoolklassen
vergelijken)
Pearson’s correlatie coëfficiën (r)t:
- Maat voor lineaire samenhang
- P=correlatie populatie, r= correlatie steekproef
- 1 = perfecte correlatie, 0.5 = sterk, 0.3 = medium 0.1 = zwak
- We zouden correlatie-resultaten niet moeten rapporteren met
woorden zoals oorzaak, bepalen en beïnvloeden, tenzij de gegevens
afkomstig zijn van een zorgvuldig ontworpen studie die het mogelijk
maakt om rivaliserende verklaringen uit te sluiten.
- Voor positieve waarden van r, naarmate de waarden van X
toenemen, hebben de waarden van Y ook de neiging om toe te
, nemen. Voor negatieve waarden van r, naarmate de waarden van
toenemen, hebben de waarden van Y de neiging om af te nemen.
- Altijd kijken naar scatterplot van data voor correlatie interpreteren
- Soms kan een correlatie die dicht bij 0 ligt nog we sterk zijn, hij is
dan alleen niet lineair.
Standaardfout: de standaarddeviatie van het gemiddelde over alle
steekproeven.
SE=SD /√ N
- SE (r) = de standaardfout van ᵅ (variatie in steekproefwaardes van ᵅ
als je
steeds nieuwe steekproeven van ᵄ uit dezelfde populatie zou
trekken)
Betrouwbaarheidsinterval: Wanneer we het experiment keer op keer
herhalen, bevat het 95% betrouwbaarheidsinterval in 95% van de gevallen
de echte waarde.
- Een betrouwbaarheidsinterval vertelt ons over de hoeveelheid
steekproeffout die we in aanmerking moeten nemen wanneer we
één steekproefwaarde van M gebruiken om µ voor een populatie te
schatten.
- Op basis van de gevonden data, zijn dit de meest waarschijnlijke
waarden van µ
- Geeft de onzekerheid rondom de puntschatter (bijv M of r) weer.
- Betrouwbaarheidsintervallen voor correlaties zijn niet symmetrisch,
dat wil zeggen dat de steekproefwaarde r niet precies in het midden
van het CI ligt (komt door gebruik van Fisher transformaties)
- Wanneer je een kleinere steekproef hebt, kun je minder precies
schatten en zal het confidence interval breder worden
- Bij correlaties is de null hypothese dat r = 0, wanneer de waarde 0
niet in het interval ligt, dan kunnen we deze null hypothese
verwerpen. De p waarde zal dus onder de waarde van de
bijbehorende alpha liggen
Het volgende is nodig om een betrouwbaarheidsinterval te maken:
1. C is een willekeurig geselecteerde zekerheid. De waarde van C is
meestal 95%; dit komt overeen met het percentage van het gebied
dat we gebruiken voor het midden van de verdeling wanneer we de
afkapp-waarden voor t opzoeken. C kan andere waarden hebben,
zoals 90% of 99%.
2. De waarden van M, SD en N komen uit de steekproefdata.
Betrouwbaarheidsinterval berekenen:
1. Vind df = N-1
2. Zoek de kritieke waardes op in de t-distributie.
3. De standaarderror berekenen
4. De onderste waarde van het interval berekenen
5. De bovenste waarde van het interval berekenen
, Waardes die een betrouwbaarheidsinterval beïnvloeden:
1. Hoe hoger C hoe wijder het interval (bijv van 95% naar 99%)
2. Kleinere steekproef (wijder)
3. Grotere standaarddeviatie (wijder)
Betrouwbaarheidsintervallen interpeteren:
1. Je kan niet zeggen dat er 95% kans is dat één enkele steekproef de
gegevens rond het gemiddelde omvat.
2. Je kan beter zeggen: een reeks plausibele waarden voor µ; waarden
buiten het CI zijn relatief implausibel ... [de] gegevens zijn
compatibel met elke waarde van µ binnen het CI, maar relatief
incompatibel met elke waarde daarbuiten.
Dingen die belangrijk zijn bij p-waardes:
1. Je kijkt naar ene bepaalde effectsize. Hierbij moet altijd een
beschrijving staan van de waardes.
2. Het is discutabel of dat statisch significant ook betekend of het in
het werkveld te implementeren en significant is.
- Iets kan statisch significant zijn maar een te kleine waarde hebben
voor de ‘’echte wereld’’
- Gebruik de uitdrukking "zeer significant" niet om
onderzoeksresultaten met kleine waarden te beschrijven. Die taal
leidt mensen te geloven dat de resultaten van een studie grote
praktische of klinische betekenis hebben, terwijl p < .001 kan
ontstaan wanneer een klein effect wordt gecombineerd met een zeer
grote steekproefgrootte.
3. N en de effectgrootte hebben een invloed op t en p.
4. Type I en type II error.
-
- Factoren die type II fout beïnvloeden:
o Naarmate α toeneemt, neemt β af. Het verhogen van α is geen
gebruikelijke manier om het risico op type II-fouten te
verkleinen.
