MOB samenvatting stappen in R en rapportage

Samenvatting werken in R MOB


Kolommen en rijen selecteren

 Data_a<-Data[c(1:10), c(1:20)]
o Voor komma rijen, na komma kolommen
o Leeglaten = alle rijen/kolommen
 Rijen kolom selecteren adhv variabele
o Data_a<-Data[which(Data$V1==”naam1” | Data$V1==”naam2”), ]

NA’s verwijderen

 Data_compleet<-Data[complete.cases(Data), ]

Data samenvoegen

 Data<-rbind(Data_a, Data_b)
 Data<-data.frame(D$V1, D$V2, D$V3)




1

, H2: Observeren


Interbeoordelaarsbetrouwbaarheid nagaan

Categorische variabele Variabele van interval – of
ratio niveau
2 beoordelaars Cohen’s Kappa ICC
Meer dan 2 beoordelaars Fleiss Kappa ICC


Cohen's Kappa

 categorisch, 2 beoordelaars
 Soms heeft dataset ook randinformatie -> nieuw object aanmaken met enkel variabelen die
observaties bevatten
 pakket: library(irr)
 Functie: kappa2(Data1)
 Stappen
o Dataset aanmaken
 OnderzoekerA <- c("A", "A", "A", "A", "B", "B", "B", "A", "B", "B")
 OnderzoekerB <- c("A", "A", "A", "A", "B", "B", "B", "B", "A", "A")
 Data1 <- data.frame(OnderzoekerA, OnderzoekerB)
 Data1
o Cohen’s Kappa berekenen
 library(irr)
 kappa2(Data1)
 Interpretatie
o Vuistregel Landis & Koches




o De Cohen’s kappa bedraagt… . Met betrekking tot de
interbeoordelaarsbetrouwbaarheid kunnen we stellen dat er weinig tot
geen/beperkte/matige/sterke/zeer sterkte tot volledige overeenkomst is tussen de
beoordelaars.

Fleiss' Kappa

 categorisch, > 2 beoordelaars
 pakket: library(irr)
 Functie: kappam.fleiss(Data1)
o gedetailleerd per coderingsstrategie: kappam.fleiss(Data1, detail=TRUE)
 Stappen
o dataset aanmaken


2