Overzicht van SPSS- en statistische
vaardigheden voor het examen
1. Alle vereiste vaardigheden
a. Statistische kennis
Kiezen van de juiste analysetechniek
Je moet op basis van het meetniveau van de variabelen onmiddellijk de correcte analysetechniek
kunnen kiezen. Bij twee metrische variabelen gebruik je een correlatieanalyse (Pearson). Bij een
metrische afhankelijke variabele en een categorische onafhankelijke variabele gebruik je een
variantieanalyse (ANOVA). Bij twee categorische variabelen werk je met een kruistabel, een chi-
kwadraattoets en een associatiemaat (Phi bij 2×2-tabellen, Cramer’s V bij grotere tabellen). Dit inzicht is
fundamenteel: als deze keuze fout is, is de volledige analyse fout.
Correlatie en lineaire regressie (metrische variabelen)
Je moet correlaties kunnen interpreteren naar richting (positief of negatief), sterkte en statistische
significantie. Daarnaast moet je begrijpen dat een significante correlatie niet noodzakelijk een sterk
verband impliceert.
Bij lineaire regressie moet je: - R² en adjusted R² correct interpreteren als verklaarde variantie. -
Regressiecoëfficiënten (B en gestandaardiseerde beta’s) correct duiden. - Kunnen bepalen welke
onafhankelijke variabele het meest doorslaggevend is in een multivariaat model. - Begrijpen dat een
predictor zijn significantie kan verliezen wanneer andere variabelen aan het model worden toegevoegd.
Variantieanalyse (ANOVA) en assumpties
Je moet groepsverschillen analyseren met een one-way ANOVA en daarbij systematisch: - De
homogeniteit van varianties controleren via Levene’s test. - Bij een significante Levene-test
overschakelen op een robuuste toets zoals Brown-Forsythe of Welch. - Begrijpen dat een significante
ANOVA enkel aantoont dát er verschillen bestaan tussen groepen, niet waar die precies zitten.
Post-hoc toetsen
Na een significante ANOVA moet je post-hoc toetsen kunnen interpreteren (zoals Scheffé). Je moet
kunnen aangeven: - Tussen welke groepen significante verschillen bestaan. - Hoe groot die verschillen
zijn (gemiddeld verschil). - Of verschillen statistisch significant zijn op basis van p-waarden.
Samenhang tussen categorische variabelen
Je moet kruistabellen correct kunnen lezen en interpreteren. Daarbij moet je: - Het onderscheid kennen
tussen Phi (voor 2×2-tabellen) en Cramer’s V (voor grotere tabellen). - De sterkte van het verband
interpreteren. - De statistische significantie beoordelen via de chi-kwadraattoets. - Weten dat het teken
van Phi bij nominale variabelen inhoudelijk geen betekenis heeft.
Logistische regressie (binaire afhankelijke variabele)
Je moet logistische regressie kunnen gebruiken wanneer de afhankelijke variabele dichotoom is
(bijvoorbeeld ja/nee, wel/niet katholiek). Daarbij moet je: - Nagelkerke R² interpreteren als maat voor
verklaarde variantie. - De Wald-statistiek en bijhorende p-waarden gebruiken om unieke bijdragen te
beoordelen. - Odds ratio’s interpreteren, inclusief 95%-betrouwbaarheidsintervallen. - Begrijpen dat een
1
vaardigheden voor het examen
1. Alle vereiste vaardigheden
a. Statistische kennis
Kiezen van de juiste analysetechniek
Je moet op basis van het meetniveau van de variabelen onmiddellijk de correcte analysetechniek
kunnen kiezen. Bij twee metrische variabelen gebruik je een correlatieanalyse (Pearson). Bij een
metrische afhankelijke variabele en een categorische onafhankelijke variabele gebruik je een
variantieanalyse (ANOVA). Bij twee categorische variabelen werk je met een kruistabel, een chi-
kwadraattoets en een associatiemaat (Phi bij 2×2-tabellen, Cramer’s V bij grotere tabellen). Dit inzicht is
fundamenteel: als deze keuze fout is, is de volledige analyse fout.
Correlatie en lineaire regressie (metrische variabelen)
Je moet correlaties kunnen interpreteren naar richting (positief of negatief), sterkte en statistische
significantie. Daarnaast moet je begrijpen dat een significante correlatie niet noodzakelijk een sterk
verband impliceert.
Bij lineaire regressie moet je: - R² en adjusted R² correct interpreteren als verklaarde variantie. -
Regressiecoëfficiënten (B en gestandaardiseerde beta’s) correct duiden. - Kunnen bepalen welke
onafhankelijke variabele het meest doorslaggevend is in een multivariaat model. - Begrijpen dat een
predictor zijn significantie kan verliezen wanneer andere variabelen aan het model worden toegevoegd.
Variantieanalyse (ANOVA) en assumpties
Je moet groepsverschillen analyseren met een one-way ANOVA en daarbij systematisch: - De
homogeniteit van varianties controleren via Levene’s test. - Bij een significante Levene-test
overschakelen op een robuuste toets zoals Brown-Forsythe of Welch. - Begrijpen dat een significante
ANOVA enkel aantoont dát er verschillen bestaan tussen groepen, niet waar die precies zitten.
Post-hoc toetsen
Na een significante ANOVA moet je post-hoc toetsen kunnen interpreteren (zoals Scheffé). Je moet
kunnen aangeven: - Tussen welke groepen significante verschillen bestaan. - Hoe groot die verschillen
zijn (gemiddeld verschil). - Of verschillen statistisch significant zijn op basis van p-waarden.
Samenhang tussen categorische variabelen
Je moet kruistabellen correct kunnen lezen en interpreteren. Daarbij moet je: - Het onderscheid kennen
tussen Phi (voor 2×2-tabellen) en Cramer’s V (voor grotere tabellen). - De sterkte van het verband
interpreteren. - De statistische significantie beoordelen via de chi-kwadraattoets. - Weten dat het teken
van Phi bij nominale variabelen inhoudelijk geen betekenis heeft.
Logistische regressie (binaire afhankelijke variabele)
Je moet logistische regressie kunnen gebruiken wanneer de afhankelijke variabele dichotoom is
(bijvoorbeeld ja/nee, wel/niet katholiek). Daarbij moet je: - Nagelkerke R² interpreteren als maat voor
verklaarde variantie. - De Wald-statistiek en bijhorende p-waarden gebruiken om unieke bijdragen te
beoordelen. - Odds ratio’s interpreteren, inclusief 95%-betrouwbaarheidsintervallen. - Begrijpen dat een
1
