STATISTIEK 4: MULTIVARIATE DATA-ANALYSE
Lise Beniest
VUB 2025-2026
,PRAKTISCHE INFO:
• Moet 12/20 halen
• Examen met casussen à Welke analyse moet je hierbij gebruiken
HOC Contactuur
Datum Onderwerp equivalent
13/02 Introductie/verkennen van data 3
20/02 2-way/N-way ANOVA+ANCOVA 3
27/02 FACANOVA/REPANOVA/MIXED ANOVA 3
06/03 Meervoudige Regressie 3
13/03 Logistische Regressie 3
20/03 Mediatie/Moderatie 3
27/03 Factoranalyses 3
03/04 Clusteranalyse 2
10/04 Lentevakantie
17/04 Lentevakantie
24/04 Netwerkanalyses (WPO incl.) 1.5
01/05 Feestdag
08/05 SEM (digiles , WPO incl.) 1.5
ANALYSE HYPOTHESES
Enkelvoudige regressie H0: βi = 0
Ha: βi ≠ 0
Meervoudige regressie H0: β1 = β2 = … = 0
Ha: minstens 1 βi is verschillend van 0
Logistische regressie H0: β1 = β2 = β3 = β4 = 0
Ha: βi ≠ 0
Ten minste 1 van de predictors 1,2,3 of 4 is gerelateerd aan de afhankelijke variabele y
One way anova H0: µ1 = µ2
Ha: µ1 ≠ µ2
Two way anova H0: µ1 = µ2 = … = µi
Ha: er is minstens 1 gemiddelde dat significant verschilt van de anderen
Repeated measures H0: µ1 = µ2 = … = µi
Ha: er is minstens 1 gemiddelde dat significant verschilt van de anderen
Mixed design anova H0: Er is geen verschil tussen groepen en geen verschil over tijd of condities.
Ha: Er is een verschil tussen groepen, over tijd, of een interactie-effect.
Factoranalyse H0: De geobserveerde variabelen zijn niet samen te vatten in onderliggende factoren
Ha: De geobserveerde variabelen kunnen gestructureerd worden in onderliggende
factoren.
Clusternalayse H0: De objecten vormen geen natuurlijke clusters in de data.
Ha: De objecten vormen wel natuurlijke clusters in de data.
1
,HERHALING:
0. INDUCTIEVE STATISTIEK:
ð Kunnen niet heel populatie gaan onderzoeken DUS à steekproef trekken!
o (soms kan je wel een hele populatie onderzoeken en dit heeft impact op statistieken want gaan meestal
steekproefgegevens extrapoleren naar de populatie, maar als je data van iedereen van de populatie hebt moet je niet
gaan extrapoleren à beschrijvende statistiek)
ð Gaan inductieve statistiek toepassen op de steekproef om a.d.h.v. infertiele statistiek algemene
uitspraken over de populatie te doen
0.1. VAN STEEKPROEF NAAR POPULATIE:
ð Steekproef trekken à testen of de geobserveerde info uit de STP significant verschilt van
populatiegemiddelde
ð Vnml om uitspraken te doen over grotere groepen die we niet volledig kunnen meten à zien of het
redelijkerwijs afwijkt van voorspelling
SCHATTEN TOETSEN
2
, 0.2. BEGRIPPEN
Theorie → Hypothese → Steekproef → Steekproefgrootheden
• Theorie: begint met voorkennis aan statistiek -> bepaald fenomeen informeren door bv.
Literatuur
• Hypothese: obv voorkennis gemaakt
• Steekproef: dient om hypothese te verifiëren
• Steekproefgrootheid: Leiden uit de steekproef een aantal grootheden af
è Belang van context à inbedded in theory (bekijken in de context van uw theorie)
• Meeste statistiek dat wij doen is geen data-minding maar vertrekt vanuit een bepaalde gedachte
à voor kwalitatief interpreteren van data is dit belangrijk
o Bv. Merken een interactie-effect op die compleet tegenovergesteld is van de theoretische
verwachtingen dan mogen we dit niet gewoon aannemen maar moeten we
contextualiseren (hoe komt dit?)
• Heeft het te maken met de kwaliteit van mijn data?, heb je verkeerd onderzoek gedaan?, verkeerde
codering gedaan…? à indien je alle mogelijke fouten bent nagegaan en je nog steeds hetzelfde
uitkomt dan kan je zeggen dat je iets nieuws gevonden hebt (maar eerst kwalitatieve checks
doen want het moet in context van uw theory bekeken worden = inbedded in theory)
Steekproefgrootheid
• = maat gebaseerd op de gegevens van de steekproef (vb.: rekenkundig gemiddelde, proportie,…)
o oneindig veel stp trekken uit 1 populatie à bijna altijd andere resultaten geven à stel dat
je 100000 steekproeven trekt en steeds een gemiddelde gaat berekenen dan zie je dat die
steekproefproefgrootheden ook een verdeling hebbenà Steekproefgrootheid =
toevalsvariabele met bepaalde verdeling à steekproevenverdeling
o Stel: random steekproef 1 en we berekenen S1, random steekproef 2 (zelfde n) en we
berekenen S2, etc. tot Sn S1, S2, S3, S4, …, Sn
• Bootstrap-methode
o De verdeling van deze steekproefgrootheden = Steekproevenverdeling
SteekproeFverdeling (samPLE distribution)
• Frequentieverdeling van de uitkomsten van de
steekproef
• Empirisch, gekend (zien en observeren we)
SteekproeVENverdeling (sampLING distribution)
• Kansverdeling van alle mogelijke waarden die een
steekproefgrootheid (voor alle mogelijke
verschillende steekproeven) kan aannemen
• Theoretisch, benaderen, observeren we niet
3
Lise Beniest
VUB 2025-2026
,PRAKTISCHE INFO:
• Moet 12/20 halen
• Examen met casussen à Welke analyse moet je hierbij gebruiken
HOC Contactuur
Datum Onderwerp equivalent
13/02 Introductie/verkennen van data 3
20/02 2-way/N-way ANOVA+ANCOVA 3
27/02 FACANOVA/REPANOVA/MIXED ANOVA 3
06/03 Meervoudige Regressie 3
13/03 Logistische Regressie 3
20/03 Mediatie/Moderatie 3
27/03 Factoranalyses 3
03/04 Clusteranalyse 2
10/04 Lentevakantie
17/04 Lentevakantie
24/04 Netwerkanalyses (WPO incl.) 1.5
01/05 Feestdag
08/05 SEM (digiles , WPO incl.) 1.5
ANALYSE HYPOTHESES
Enkelvoudige regressie H0: βi = 0
Ha: βi ≠ 0
Meervoudige regressie H0: β1 = β2 = … = 0
Ha: minstens 1 βi is verschillend van 0
Logistische regressie H0: β1 = β2 = β3 = β4 = 0
Ha: βi ≠ 0
Ten minste 1 van de predictors 1,2,3 of 4 is gerelateerd aan de afhankelijke variabele y
One way anova H0: µ1 = µ2
Ha: µ1 ≠ µ2
Two way anova H0: µ1 = µ2 = … = µi
Ha: er is minstens 1 gemiddelde dat significant verschilt van de anderen
Repeated measures H0: µ1 = µ2 = … = µi
Ha: er is minstens 1 gemiddelde dat significant verschilt van de anderen
Mixed design anova H0: Er is geen verschil tussen groepen en geen verschil over tijd of condities.
Ha: Er is een verschil tussen groepen, over tijd, of een interactie-effect.
Factoranalyse H0: De geobserveerde variabelen zijn niet samen te vatten in onderliggende factoren
Ha: De geobserveerde variabelen kunnen gestructureerd worden in onderliggende
factoren.
Clusternalayse H0: De objecten vormen geen natuurlijke clusters in de data.
Ha: De objecten vormen wel natuurlijke clusters in de data.
1
,HERHALING:
0. INDUCTIEVE STATISTIEK:
ð Kunnen niet heel populatie gaan onderzoeken DUS à steekproef trekken!
o (soms kan je wel een hele populatie onderzoeken en dit heeft impact op statistieken want gaan meestal
steekproefgegevens extrapoleren naar de populatie, maar als je data van iedereen van de populatie hebt moet je niet
gaan extrapoleren à beschrijvende statistiek)
ð Gaan inductieve statistiek toepassen op de steekproef om a.d.h.v. infertiele statistiek algemene
uitspraken over de populatie te doen
0.1. VAN STEEKPROEF NAAR POPULATIE:
ð Steekproef trekken à testen of de geobserveerde info uit de STP significant verschilt van
populatiegemiddelde
ð Vnml om uitspraken te doen over grotere groepen die we niet volledig kunnen meten à zien of het
redelijkerwijs afwijkt van voorspelling
SCHATTEN TOETSEN
2
, 0.2. BEGRIPPEN
Theorie → Hypothese → Steekproef → Steekproefgrootheden
• Theorie: begint met voorkennis aan statistiek -> bepaald fenomeen informeren door bv.
Literatuur
• Hypothese: obv voorkennis gemaakt
• Steekproef: dient om hypothese te verifiëren
• Steekproefgrootheid: Leiden uit de steekproef een aantal grootheden af
è Belang van context à inbedded in theory (bekijken in de context van uw theorie)
• Meeste statistiek dat wij doen is geen data-minding maar vertrekt vanuit een bepaalde gedachte
à voor kwalitatief interpreteren van data is dit belangrijk
o Bv. Merken een interactie-effect op die compleet tegenovergesteld is van de theoretische
verwachtingen dan mogen we dit niet gewoon aannemen maar moeten we
contextualiseren (hoe komt dit?)
• Heeft het te maken met de kwaliteit van mijn data?, heb je verkeerd onderzoek gedaan?, verkeerde
codering gedaan…? à indien je alle mogelijke fouten bent nagegaan en je nog steeds hetzelfde
uitkomt dan kan je zeggen dat je iets nieuws gevonden hebt (maar eerst kwalitatieve checks
doen want het moet in context van uw theory bekeken worden = inbedded in theory)
Steekproefgrootheid
• = maat gebaseerd op de gegevens van de steekproef (vb.: rekenkundig gemiddelde, proportie,…)
o oneindig veel stp trekken uit 1 populatie à bijna altijd andere resultaten geven à stel dat
je 100000 steekproeven trekt en steeds een gemiddelde gaat berekenen dan zie je dat die
steekproefproefgrootheden ook een verdeling hebbenà Steekproefgrootheid =
toevalsvariabele met bepaalde verdeling à steekproevenverdeling
o Stel: random steekproef 1 en we berekenen S1, random steekproef 2 (zelfde n) en we
berekenen S2, etc. tot Sn S1, S2, S3, S4, …, Sn
• Bootstrap-methode
o De verdeling van deze steekproefgrootheden = Steekproevenverdeling
SteekproeFverdeling (samPLE distribution)
• Frequentieverdeling van de uitkomsten van de
steekproef
• Empirisch, gekend (zien en observeren we)
SteekproeVENverdeling (sampLING distribution)
• Kansverdeling van alle mogelijke waarden die een
steekproefgrootheid (voor alle mogelijke
verschillende steekproeven) kan aannemen
• Theoretisch, benaderen, observeren we niet
3
