Kwantitatieve data-analyse
inhoud
THEORIE:
Les 1: Inleiding & inferentiële statistiek
1.1 Wetenschap & data-analyse
1.2 Analyse & modellering
1.3 Statistische inferentie
1.3.1 Steekproefverdeling
1.3.2 Centrale limietstelling
1.3.3 Standaardfout
1.3.4 Standaardisering
Les 2: Inferentiële statistiek & hypothesetoetsing
2.1 Hypothesetoetsen
2.1.1 Opzet & interpretatie
2.1.2 De nulhypothese
2.1.3 Teststatistiek
2.2 Error & power
2.2.1 Type-I-fout
2.2.2 Type-II-fout
2.2.3 Statistische versus praktische significantie
2.3 Betrouwbaarheidsintervallen
,Les 3: Lineaire regressieanalyse I
3.1 Enkelvoudige lineaire regressieanalyse
3.1.1 Inleiding: lineaire regressie
3.1.2 Modelkeuze
3.1.3 Model fit
3.2 Statistische inferentie & hypothesetoetsen bij enkelvoudige lineaire
regressieanalyse
3.2.1 Parameters
3.2.2 Model fit
3.3 Correlatieanalyse
3.3.1 Correlatieanalyse versus lineaire regressieanalyse
3.3.2 Covariantie
3.3.3 Correlatie
3.3.4 Statistische inferentie & hypothesetoetsen bij correlatieanalyse
3.4 Meervoudige lineaire regressieanalyse
3.4.1 Model fit bij meervoudige regressieanalyse
3.4.2 Controleren voor variabelen
3.4.3 Statistische inferentie & hypothesetoetsen bij meervoudige regressieanalyse
Les 4: Lineaire regressieanalyse II
4.1 Diagnostics & assumpties
4.1.1 Outliers / influential cases
4.1.2 Multicollineariteit
4.1.3 Type variabelen
4.1.4 Variabelen / constanten
4.1.5 Derde variabelen
4.1.6 Homoscedasticiteit
4.1.7 Onafhankelijkheid van errors / residuelen
4.1.8 Normaalverdeling van errors / residuelen
4.1.9 Lineariteit en additiviteit
4.2 Extensies van lineaire regressieanalyse: moderatie & mediatie
4.2.1 Moderatie
4.2.2 Mediatie
,Les 5: Logistische regressieanalyse
5.1 Logistische regressie
5.2 Logistische transformatie
5.3 Omgekeerde logistische transformatie
5.4 Statistische inferentie & hypothesetoetsen bij logistische regressieanalyse
5.4.1 Parameters
5.4.2 Modelkeuze
5.4.3 Model fit
5.5 Meerdere onafhankelijke variabelen
5.6 Assumpties voor logistische regressie
Les 6: Vergelijking van groepsgemiddelden I
6.1 Vergelijken van groepsgemiddelden
6.2 T-test
6.3 Assumpties voor t-test
6.3.1 Homoscedasticiteit
6.3.2 Onafhankelijkheid van errors
6.3.3 Normaalverdeling van errors
6.4 One-way ANOVA
6.5 Post-hoc test
6.6 Assumpties voor ANOVA
6.6.1 Homoscedasticiteit
6.6.2 Onafhankelijkheid van errors
6.6.3 Normaalverdeling van errors
,Les 7: Vergelijking van groepsgemiddelden II
7.1 Independent multi-way factorial ANOVA
7.1.1 Factorial ANOVA voor meerdere predictoren
7.1.2 Factorial ANOVA voor moderatie
7.2 ANCOVA
7.2.1 Covariaat
7.2.2 ANCOVA
7.2.3 Assumpties voor ANCOVA
7.3 Repeated measures
7.3.1 Onafhankelijkheid?
7.3.2 Paired samples t-test
7.3.3 Repeated measures ANOVA
Les 8: PCA & betrouwbaarheidsanalyses
8.1 Principale Componenten Analyse & Factoranalyse
8.1.1 Wat is Principale Componenten Analyse & Factoranalyse?
8.1.2 Correlatiematrix & factorladingen
8.1.3 Communaliteit & extractie
8.1.4 Rotatie
8.1.5 Factorscores berekenen
8.1.6 Assumpties voor PCA
8.2 Betrouwbaarheidsanalyses
, Les 1: Inleiding & inferentiële
statistiek
1.1 Wetenschap & data-analyse
Elke hypothese / onderzoeksvraag impliceert een model (= een
vereenvoudigde, samenvattende abstractie) vd realiteit
Startend vanuit een conceptueel model: abstracte concepten, niet
meetbaar
Vertalend naar een statistisch model
o wiskundige formalisering van conceptueel model: vergelijking,
variabelen
o operationalisering van variabelen
o om conceptueel model kwantitatief te modelleren,
voorspellingen te doen, te testen in reële data
1.2 Analyse & modellering
Stap 1: analyse & modellering van de steekproefdata
om je statistisch model te testen, meet je eerst een aantal relevante
variabelen (operationalisering: meetbaar maken van variabelen)
in een steekproef met grootte n uit een bepaalde populatie met
grootte N
na de meting heb je data (= steekproefgegevens) die je kan
gebruiken om je model te ‘fitten’ (= proberen obv statistisch model
een schatting te maken van parameter y) en relevante statistieken
te berekenen die inspelen op je hypothese / onderzoeksvraag
Statistische modellen hier: altijd specifieke vormen van lineaire modellen:
General Linear Model (GLM): y = b0 + b1x + e
b0: intercept: wat is de waarde op y wanneer x = 0
b1: regressiecoëfficient: verandering in y bij een toename van 1
eenheid bij x
e: error: meetfout: verschil tussen werkelijke en voorspelde waarde
Basaal lineair model: 1 voorspellende / onafhankelijke variabele X
Complexer lineair model: meerdere onafhankelijke variabelen (X1, X2,…):
y = b0 + b1x1 + b2x2 + … + e
Meest rudimentaire lineair model: geen onafhankelijke variabele model
voor Y wordt dan gereduceerd naar het gemiddelde voor y: y = b0 + e =
gemiddelde y + e
inhoud
THEORIE:
Les 1: Inleiding & inferentiële statistiek
1.1 Wetenschap & data-analyse
1.2 Analyse & modellering
1.3 Statistische inferentie
1.3.1 Steekproefverdeling
1.3.2 Centrale limietstelling
1.3.3 Standaardfout
1.3.4 Standaardisering
Les 2: Inferentiële statistiek & hypothesetoetsing
2.1 Hypothesetoetsen
2.1.1 Opzet & interpretatie
2.1.2 De nulhypothese
2.1.3 Teststatistiek
2.2 Error & power
2.2.1 Type-I-fout
2.2.2 Type-II-fout
2.2.3 Statistische versus praktische significantie
2.3 Betrouwbaarheidsintervallen
,Les 3: Lineaire regressieanalyse I
3.1 Enkelvoudige lineaire regressieanalyse
3.1.1 Inleiding: lineaire regressie
3.1.2 Modelkeuze
3.1.3 Model fit
3.2 Statistische inferentie & hypothesetoetsen bij enkelvoudige lineaire
regressieanalyse
3.2.1 Parameters
3.2.2 Model fit
3.3 Correlatieanalyse
3.3.1 Correlatieanalyse versus lineaire regressieanalyse
3.3.2 Covariantie
3.3.3 Correlatie
3.3.4 Statistische inferentie & hypothesetoetsen bij correlatieanalyse
3.4 Meervoudige lineaire regressieanalyse
3.4.1 Model fit bij meervoudige regressieanalyse
3.4.2 Controleren voor variabelen
3.4.3 Statistische inferentie & hypothesetoetsen bij meervoudige regressieanalyse
Les 4: Lineaire regressieanalyse II
4.1 Diagnostics & assumpties
4.1.1 Outliers / influential cases
4.1.2 Multicollineariteit
4.1.3 Type variabelen
4.1.4 Variabelen / constanten
4.1.5 Derde variabelen
4.1.6 Homoscedasticiteit
4.1.7 Onafhankelijkheid van errors / residuelen
4.1.8 Normaalverdeling van errors / residuelen
4.1.9 Lineariteit en additiviteit
4.2 Extensies van lineaire regressieanalyse: moderatie & mediatie
4.2.1 Moderatie
4.2.2 Mediatie
,Les 5: Logistische regressieanalyse
5.1 Logistische regressie
5.2 Logistische transformatie
5.3 Omgekeerde logistische transformatie
5.4 Statistische inferentie & hypothesetoetsen bij logistische regressieanalyse
5.4.1 Parameters
5.4.2 Modelkeuze
5.4.3 Model fit
5.5 Meerdere onafhankelijke variabelen
5.6 Assumpties voor logistische regressie
Les 6: Vergelijking van groepsgemiddelden I
6.1 Vergelijken van groepsgemiddelden
6.2 T-test
6.3 Assumpties voor t-test
6.3.1 Homoscedasticiteit
6.3.2 Onafhankelijkheid van errors
6.3.3 Normaalverdeling van errors
6.4 One-way ANOVA
6.5 Post-hoc test
6.6 Assumpties voor ANOVA
6.6.1 Homoscedasticiteit
6.6.2 Onafhankelijkheid van errors
6.6.3 Normaalverdeling van errors
,Les 7: Vergelijking van groepsgemiddelden II
7.1 Independent multi-way factorial ANOVA
7.1.1 Factorial ANOVA voor meerdere predictoren
7.1.2 Factorial ANOVA voor moderatie
7.2 ANCOVA
7.2.1 Covariaat
7.2.2 ANCOVA
7.2.3 Assumpties voor ANCOVA
7.3 Repeated measures
7.3.1 Onafhankelijkheid?
7.3.2 Paired samples t-test
7.3.3 Repeated measures ANOVA
Les 8: PCA & betrouwbaarheidsanalyses
8.1 Principale Componenten Analyse & Factoranalyse
8.1.1 Wat is Principale Componenten Analyse & Factoranalyse?
8.1.2 Correlatiematrix & factorladingen
8.1.3 Communaliteit & extractie
8.1.4 Rotatie
8.1.5 Factorscores berekenen
8.1.6 Assumpties voor PCA
8.2 Betrouwbaarheidsanalyses
, Les 1: Inleiding & inferentiële
statistiek
1.1 Wetenschap & data-analyse
Elke hypothese / onderzoeksvraag impliceert een model (= een
vereenvoudigde, samenvattende abstractie) vd realiteit
Startend vanuit een conceptueel model: abstracte concepten, niet
meetbaar
Vertalend naar een statistisch model
o wiskundige formalisering van conceptueel model: vergelijking,
variabelen
o operationalisering van variabelen
o om conceptueel model kwantitatief te modelleren,
voorspellingen te doen, te testen in reële data
1.2 Analyse & modellering
Stap 1: analyse & modellering van de steekproefdata
om je statistisch model te testen, meet je eerst een aantal relevante
variabelen (operationalisering: meetbaar maken van variabelen)
in een steekproef met grootte n uit een bepaalde populatie met
grootte N
na de meting heb je data (= steekproefgegevens) die je kan
gebruiken om je model te ‘fitten’ (= proberen obv statistisch model
een schatting te maken van parameter y) en relevante statistieken
te berekenen die inspelen op je hypothese / onderzoeksvraag
Statistische modellen hier: altijd specifieke vormen van lineaire modellen:
General Linear Model (GLM): y = b0 + b1x + e
b0: intercept: wat is de waarde op y wanneer x = 0
b1: regressiecoëfficient: verandering in y bij een toename van 1
eenheid bij x
e: error: meetfout: verschil tussen werkelijke en voorspelde waarde
Basaal lineair model: 1 voorspellende / onafhankelijke variabele X
Complexer lineair model: meerdere onafhankelijke variabelen (X1, X2,…):
y = b0 + b1x1 + b2x2 + … + e
Meest rudimentaire lineair model: geen onafhankelijke variabele model
voor Y wordt dan gereduceerd naar het gemiddelde voor y: y = b0 + e =
gemiddelde y + e
