ONDERZOEKSMETHODEN EN
DATAVERWERKING DEEL 2
MODULE 1: POWER
Leerdoelen
Je kunt:
▪ Het begrip statistische power beschrijven
▪ Het belang van power en powerberekeningen in onderzoek uitleggen
▪ Definiëren wat statistische inferentie is (herhaal Ch.23 – OM deel 1)
▪ Definiëren wat Type I en Type II fouten zijn (herhaal Ch.23 – OM deel 1
▪ Definiëren wat statistische power is (herhaal Ch.23 – OM deel 1)
▪ De begrippen central distribution, non-central distributionen non-centrality parameter binnen statistische power correct
plaatsen
▪ Het verschil duiden tussen een a priori en een post hoc power analyse (herhaal Ch.23 – OM deel 1)
▪ De verschillende determinanten van statistische power benoemen en hun invloed op elkaar naga an
A. VOORBEREIDING: HET BEGRIP POWER (https://www.youtube.com/watch?v=Rsc5znwR5FA)
De p-waarde bekom je door het vergelijken van de gemiddelden van twee
steekproeven
▪ p-waarde <0,05 wijst op een significant verschil en dus het verwerpen van
de nulhypothese
Power is de kans dat we de nulhypothese correct zullen verwerpen
▪ de kans dat we een correcte p-waarde van <0,05 zullen krijgen
▪ een hoge probabiliteit tot correct verwerpen van de H 0 = een kleine p-
waarde ➔ een grote power
Veel overlap tussen twee distributies en een kleine sample size ➔ een lage power
Power kan verhoogd worden door het aantal metingen te doen stijgen = het aantal
sample sizes (steekproeven) doen toenemen
, Power analysis vertelt ons hoeveel metingen we moeten verzamelen voor een goede
hoeveelheid power
B. SLIDES EN HANDBOEK
1.1 inferential statistics – get started (again) : korte herhaling
▪ sample (steekproef) selecteren uit populatie (I) → metingen doen in die
steekproef (II)→ statistische toets ➔ sampling distribution of the statistic (III)
▪ hoe groter de steekproef, hoe meer representatief deze is voor de populatie en hoe
kleiner de sampling error
▪ variabiliteit in scores van berekende gemiddelden worden beschreven met de
standaarddeviatie
o x aantal herhalingen van samples onderzoeken = sampling distribution of
means
▪ Het gevonden gemiddelde van het totaal van de herhaalde metingen = een
normaalverdeling
▪ De spreiding van de verdeling = standard error of the mean
o schatting obv kenmerken van steekproef (standaarddeviatie gedeeld door
wortel van het aantal (patiënten, proefdieren…) in sample)
o hoe groter het aantal van aanwezigen in de sample, hoe kleiner de
variabiliteit → hoe kleiner standard error of the mean
▪ gunstig want dan betrouwbaarheidsinterval bouwen (95%CI) :
onzekerheid waar het werkelijke (populatie)gemiddelde zal liggen
kan je daarmee afbakenen ➔ probabiliteitspercentage : 95% of
99%
▪ dit betekent dat 95% het ware populatiegemiddelde bevat en 5%
niet
o als standard error of the mean (gebruikt om CI af te bakenen) kleiner
wordt, dan wordt onzekerheid over waar werkelijke gemiddelde ligt ook
kleiner
wanneer is power analyse aan de orde?
▪ Bij statistische significantie-toetsen
➔ Null-hypothesis significance testing (NHST)
o H0 : geen effect/geen verschil/geen relatie
o HA: wel een effect (= meestal de theorie)
▪ Non-directioneel: er is een verschil
▪ Directioneel: er is een verschil en A is beter/groter/meer dan B
2
, De NHST gaf een significant resultaat De NHST gaf geen significant resultaat (p > 0,05)
☺ : H0 kon verworpen worden : H0 kon niet verworpen worden
:
☺ : I’m happy, my study has more potential to get ?: there is no effect in reality
published (+ publication bias) ?: the study was under-powered to detect the difference that is
present in reality
☺ : a reviewer probably won’t ask about power
: reviewers ask for a post-hoc power analysis
1.2 Truth table
Note: sampling distributions are called Central Distributions when H0 is true
▪ = distributie rond de waarde 0 : geen correlatie en geen verschil
▪ Verschil kan in beide richtingen liggen (+ of -)
▪ Zone van ‘Fail to reject H 0’ : betrouwbaarheidsinterval CI
▪ Als onderzoeker weet je niet waar de werkelijkheid zit => je kan enkel iets besluiten
op basis van jouw sample
o Vergelijking van de twee groepen
o T-toets waarde => besluit formuleren
3
, Sampling distributie als H 0 waar is ( = O) : central distribution
- Er is geen verschil tussen de twee groepen
- Meestal uitslag rond de nul, maar soms in de richting van een +/ - verschil
Sampling distributie als H 0 vals is ( > 0) : noncentral distribution
- Vaak een verschil vinden rond het werkelijke verschil (delta), maar soms ook
>/</geen verschil
Non-centrality parameter NCP = maat om te zeggen hoe ver twee distributies uit elkaar
liggen
1.3 Power Analyse
Sampling distributie als Ho waar is
4
DATAVERWERKING DEEL 2
MODULE 1: POWER
Leerdoelen
Je kunt:
▪ Het begrip statistische power beschrijven
▪ Het belang van power en powerberekeningen in onderzoek uitleggen
▪ Definiëren wat statistische inferentie is (herhaal Ch.23 – OM deel 1)
▪ Definiëren wat Type I en Type II fouten zijn (herhaal Ch.23 – OM deel 1
▪ Definiëren wat statistische power is (herhaal Ch.23 – OM deel 1)
▪ De begrippen central distribution, non-central distributionen non-centrality parameter binnen statistische power correct
plaatsen
▪ Het verschil duiden tussen een a priori en een post hoc power analyse (herhaal Ch.23 – OM deel 1)
▪ De verschillende determinanten van statistische power benoemen en hun invloed op elkaar naga an
A. VOORBEREIDING: HET BEGRIP POWER (https://www.youtube.com/watch?v=Rsc5znwR5FA)
De p-waarde bekom je door het vergelijken van de gemiddelden van twee
steekproeven
▪ p-waarde <0,05 wijst op een significant verschil en dus het verwerpen van
de nulhypothese
Power is de kans dat we de nulhypothese correct zullen verwerpen
▪ de kans dat we een correcte p-waarde van <0,05 zullen krijgen
▪ een hoge probabiliteit tot correct verwerpen van de H 0 = een kleine p-
waarde ➔ een grote power
Veel overlap tussen twee distributies en een kleine sample size ➔ een lage power
Power kan verhoogd worden door het aantal metingen te doen stijgen = het aantal
sample sizes (steekproeven) doen toenemen
, Power analysis vertelt ons hoeveel metingen we moeten verzamelen voor een goede
hoeveelheid power
B. SLIDES EN HANDBOEK
1.1 inferential statistics – get started (again) : korte herhaling
▪ sample (steekproef) selecteren uit populatie (I) → metingen doen in die
steekproef (II)→ statistische toets ➔ sampling distribution of the statistic (III)
▪ hoe groter de steekproef, hoe meer representatief deze is voor de populatie en hoe
kleiner de sampling error
▪ variabiliteit in scores van berekende gemiddelden worden beschreven met de
standaarddeviatie
o x aantal herhalingen van samples onderzoeken = sampling distribution of
means
▪ Het gevonden gemiddelde van het totaal van de herhaalde metingen = een
normaalverdeling
▪ De spreiding van de verdeling = standard error of the mean
o schatting obv kenmerken van steekproef (standaarddeviatie gedeeld door
wortel van het aantal (patiënten, proefdieren…) in sample)
o hoe groter het aantal van aanwezigen in de sample, hoe kleiner de
variabiliteit → hoe kleiner standard error of the mean
▪ gunstig want dan betrouwbaarheidsinterval bouwen (95%CI) :
onzekerheid waar het werkelijke (populatie)gemiddelde zal liggen
kan je daarmee afbakenen ➔ probabiliteitspercentage : 95% of
99%
▪ dit betekent dat 95% het ware populatiegemiddelde bevat en 5%
niet
o als standard error of the mean (gebruikt om CI af te bakenen) kleiner
wordt, dan wordt onzekerheid over waar werkelijke gemiddelde ligt ook
kleiner
wanneer is power analyse aan de orde?
▪ Bij statistische significantie-toetsen
➔ Null-hypothesis significance testing (NHST)
o H0 : geen effect/geen verschil/geen relatie
o HA: wel een effect (= meestal de theorie)
▪ Non-directioneel: er is een verschil
▪ Directioneel: er is een verschil en A is beter/groter/meer dan B
2
, De NHST gaf een significant resultaat De NHST gaf geen significant resultaat (p > 0,05)
☺ : H0 kon verworpen worden : H0 kon niet verworpen worden
:
☺ : I’m happy, my study has more potential to get ?: there is no effect in reality
published (+ publication bias) ?: the study was under-powered to detect the difference that is
present in reality
☺ : a reviewer probably won’t ask about power
: reviewers ask for a post-hoc power analysis
1.2 Truth table
Note: sampling distributions are called Central Distributions when H0 is true
▪ = distributie rond de waarde 0 : geen correlatie en geen verschil
▪ Verschil kan in beide richtingen liggen (+ of -)
▪ Zone van ‘Fail to reject H 0’ : betrouwbaarheidsinterval CI
▪ Als onderzoeker weet je niet waar de werkelijkheid zit => je kan enkel iets besluiten
op basis van jouw sample
o Vergelijking van de twee groepen
o T-toets waarde => besluit formuleren
3
, Sampling distributie als H 0 waar is ( = O) : central distribution
- Er is geen verschil tussen de twee groepen
- Meestal uitslag rond de nul, maar soms in de richting van een +/ - verschil
Sampling distributie als H 0 vals is ( > 0) : noncentral distribution
- Vaak een verschil vinden rond het werkelijke verschil (delta), maar soms ook
>/</geen verschil
Non-centrality parameter NCP = maat om te zeggen hoe ver twee distributies uit elkaar
liggen
1.3 Power Analyse
Sampling distributie als Ho waar is
4
