Samenvatting EPB
Wat is een P-waarde?
Een P-waarde zegt iets over de kans. De kans dat de resultaten puur door toeval zijn verkregen. Over
het algemeen geldt: Hoe kleiner de p-waarde, Hoe sterker het bewijs tegen de nul-hypothese (dat er
geen verschil of effect is tussen groepen). De p-waarde geeft aan of een verschil/samenhang ok
voorkomt in de populatie en geeft dus aan of je kan spreken van effect tussen twee variabelen.
Een p-waarde onder de 0,05 is statistisch significant (er is een effect). Het verschil/samenhang is
geen toeval en verwerp je de nul-hypothese.
Een p-waarde boven de 0,05 is niet statistisch significant (er is geen effect). Het verschil/samenhang
is toeval.
Voordat je aan je onderzoekt begint bepaal je hoe klein de p-waarde moet zijn voor het verwerpen van
je nul-hypothese, dit is de significantie grens. Als de p-waarde kleiner is dan de significatie grens dan
verwerp je de nul-hypothese. Meestal is de significantie grens, 0,05 (p-waarde 0,05).
Het kan zijn dat iets klinisch relevant is, maar niet statistisch significant.
De keuze voor de significantie grens bepaald de kans op een fout in je onderzoek. Je kan twee
verschillende fouten maken. Type I fout en Type II Fout.
Type I fout Je verwerpt onterecht de nul-hypothese. Maar in werkelijkheid klopt de nul-
hypothese. Je denkt een effect te hebben gevonden maar eigenlijk bestaat deze niet. De kans op het
maken van een Type I fout word aangegeven met alpha. Een alpha α-niveau van 0,05 betekent dat er
een kans van 5% is om een Type I-fout te maken als de nulhypothese waar is. Dit wordt vaak
aangeduid als het niveau van statistische significantie.
Type II fout je houdt onterecht de nul-hypothese aan. Maar in werkelijkheid klopt de nul-
hypothese niet! Je denkt er is geen effect maar eigenlijk is er wel een effect. De kans op het maken van
een Type II-fout wordt aangegeven door de bèta (β) -waarde. Het wordt beïnvloed door factoren zoals
steekproefgrootte, effectgrootte en het gekozen niveau van statistische significantie. Een Beta van 0,1
geeft een 10% kans op een Type II fout.
Voorbeelden:
- Een p-waarde onder de 0,05 geeft geen 100% zekerheid. Bv. een p-waarde van 0,045, dan
verwerp je de nul-hypothese, maar dit zegt ook dat er een 4,5% kans is dat het resultaat per
toeval is. Dus is er 4,5% kans dat de nul-hypothese toch waar is (Type I fout).
- Een significantie grens van 0,05 geeft een kans van 5% op Type I fout.
- Een significantie grens van 0,01 geeft een kans van 1% op Type I fout.
Echter maak je de significantie grens niet standaard kleiner, want zo voorkom je wel een Type I fout,
maar je vergroot de kans op een Type II fout.
Hoe kleiner de p-waarde moet zijn voordat je de nul-hypothese verwerpt, hoe groter de kans dat je
onterecht de nul-hypothese aanhoudt. Terwijl er wel sprake is van een effect.
Er is een relatie tussen Type I en Type II fouten, maar deze is niet eenvoudig. Als de kans op een
Type I fout verkleint, dan word de kans op een Type II fout vergroot.
Bij Alternatieve hypothese aannemen, heb je kans H0 is waar H0 is niet waar
op een Type I fout
Verwerpen H0 A type I fout B is geen fout
Bij nul-hypothese aannemen, heb je kans op een Aannemen Ha
Type II fout. Aannemen H0 C is geen fout D type II fout
Verwerpen Ha
, Power Is de kans dat je werkelijk een significant resultaat gaat vinden als die er ook werkelijk is.
Geeft de kracht aan om een effect te vinden er vanuit gaande dat er een effect is. Het streven is een
power van 0,08.
De power van een test kan je uitdrukken in 1-beta, want beta was de kans op een Type II fout (dat er
wel een effect bestaat, maar die je niet vind).
De power wordt bepaald door een aantal factoren:
Het voorkomen van de bestudeerde aandoening,
De grootte van het effect,
De onderzoeksopzet,
Significantieniveau
De grootte van de steekproef.
Wat is een hypothese?
Een hypothese is een voorspelling van de uitkomst van je onderzoek.
In kwantitatieve statistiek wordt er gebruik gemaakt van Nul-hypothese en Alternatieve hypothese.
Deze twee hypotheses zijn elkaars tegen polen. Na je onderzoek verwerp je een van deze hypotheses
en neem je de andere aan. Je kan niet bewijzen dat iets waar is, je kan alleen bewijzen dat iets niet
waar is. De hypothese die je aanhoudt is niet per definitie de waarheid!
De nul-hypothese voorspelt geen effect. Bv. Er is geen verschil tussen…..
De alternatieve hypothese voorspelt wel een effect.
Bij een alternatieve hypothese kan je ook verschil maken in het type. Je hebt een eenzijdige
alternatieve hypothese, dan geeft de hypothese een richting aan van het effect. Bv: er is minder kans
op…. Of er is meer kans op…..
Bij een eenzijdige hypothese kijk je naar de p-waarde aan één kant van de grafiek. Je kijkt naar de
kant waarin je geïnteresseerd bent.
Bij een tweezijdige hypothese kijk je naar beide kanten in de grafiek. Echter doe je dan niet beide
kanten de ware grote van de p-waarde, maar doe je beide de helft van de p-waarde. Bv. p-waarde van
0,05, doe je links en rechts 0,025.
Een tweezijdige alternatieve hypothese geeft de hypothese geen richting aan, maar zegt wel dat er
een verschil is. Maar je zegt niet welke richting het verschil is, het kan dus verschil in meer of minder
zijn. Bv. Er is een verschil tussen…….
Het proces van hypothese testen:
1. Je gaat er in eerste instantie vanuit dat je nul-hypothese waar is.
2. Daarna gebruik je een statistisch model die gebaseerd is op je alternatieve hypothese.
Representeert op je verkregen data en kijk je hoe goed dit model past bij je data.
3. Daarna bepaal je of het model bij je data past. Bereken je de p-waarde. Deze p-waarde geeft
de kans weer dat het resultaat dat is verkregen als de nul-hypothese waar was.
4. Als deze kans klein is (bv. kleiner dan 5% / p-waarde <0,05) verwerpen we de nul-hypothese.
Want er is genoeg vertrouwen in de alternatieve hypothese.
Als je model de data goed verklaard (toetsingsgrootheid is groot en p-waarde is kleiner dan 0,05)
verwerp je de nul-hypothese en houdt je de alternatieve hypothese aan, die wel van een effect uit gaat.
Variabelen
De afhankelijke variabele is afhankelijk van de onafhankelijke variabele.
De variabele die de afhankelijke variabelen zouden kunnen beïnvloeden zijn de onafhankelijke
variabelen.
De uitkomst variabele zijn vaak de afhankelijke variabele.
De voorspellende variabelen zijn ook wel de onafhankelijke variabelen.
Wat is een P-waarde?
Een P-waarde zegt iets over de kans. De kans dat de resultaten puur door toeval zijn verkregen. Over
het algemeen geldt: Hoe kleiner de p-waarde, Hoe sterker het bewijs tegen de nul-hypothese (dat er
geen verschil of effect is tussen groepen). De p-waarde geeft aan of een verschil/samenhang ok
voorkomt in de populatie en geeft dus aan of je kan spreken van effect tussen twee variabelen.
Een p-waarde onder de 0,05 is statistisch significant (er is een effect). Het verschil/samenhang is
geen toeval en verwerp je de nul-hypothese.
Een p-waarde boven de 0,05 is niet statistisch significant (er is geen effect). Het verschil/samenhang
is toeval.
Voordat je aan je onderzoekt begint bepaal je hoe klein de p-waarde moet zijn voor het verwerpen van
je nul-hypothese, dit is de significantie grens. Als de p-waarde kleiner is dan de significatie grens dan
verwerp je de nul-hypothese. Meestal is de significantie grens, 0,05 (p-waarde 0,05).
Het kan zijn dat iets klinisch relevant is, maar niet statistisch significant.
De keuze voor de significantie grens bepaald de kans op een fout in je onderzoek. Je kan twee
verschillende fouten maken. Type I fout en Type II Fout.
Type I fout Je verwerpt onterecht de nul-hypothese. Maar in werkelijkheid klopt de nul-
hypothese. Je denkt een effect te hebben gevonden maar eigenlijk bestaat deze niet. De kans op het
maken van een Type I fout word aangegeven met alpha. Een alpha α-niveau van 0,05 betekent dat er
een kans van 5% is om een Type I-fout te maken als de nulhypothese waar is. Dit wordt vaak
aangeduid als het niveau van statistische significantie.
Type II fout je houdt onterecht de nul-hypothese aan. Maar in werkelijkheid klopt de nul-
hypothese niet! Je denkt er is geen effect maar eigenlijk is er wel een effect. De kans op het maken van
een Type II-fout wordt aangegeven door de bèta (β) -waarde. Het wordt beïnvloed door factoren zoals
steekproefgrootte, effectgrootte en het gekozen niveau van statistische significantie. Een Beta van 0,1
geeft een 10% kans op een Type II fout.
Voorbeelden:
- Een p-waarde onder de 0,05 geeft geen 100% zekerheid. Bv. een p-waarde van 0,045, dan
verwerp je de nul-hypothese, maar dit zegt ook dat er een 4,5% kans is dat het resultaat per
toeval is. Dus is er 4,5% kans dat de nul-hypothese toch waar is (Type I fout).
- Een significantie grens van 0,05 geeft een kans van 5% op Type I fout.
- Een significantie grens van 0,01 geeft een kans van 1% op Type I fout.
Echter maak je de significantie grens niet standaard kleiner, want zo voorkom je wel een Type I fout,
maar je vergroot de kans op een Type II fout.
Hoe kleiner de p-waarde moet zijn voordat je de nul-hypothese verwerpt, hoe groter de kans dat je
onterecht de nul-hypothese aanhoudt. Terwijl er wel sprake is van een effect.
Er is een relatie tussen Type I en Type II fouten, maar deze is niet eenvoudig. Als de kans op een
Type I fout verkleint, dan word de kans op een Type II fout vergroot.
Bij Alternatieve hypothese aannemen, heb je kans H0 is waar H0 is niet waar
op een Type I fout
Verwerpen H0 A type I fout B is geen fout
Bij nul-hypothese aannemen, heb je kans op een Aannemen Ha
Type II fout. Aannemen H0 C is geen fout D type II fout
Verwerpen Ha
, Power Is de kans dat je werkelijk een significant resultaat gaat vinden als die er ook werkelijk is.
Geeft de kracht aan om een effect te vinden er vanuit gaande dat er een effect is. Het streven is een
power van 0,08.
De power van een test kan je uitdrukken in 1-beta, want beta was de kans op een Type II fout (dat er
wel een effect bestaat, maar die je niet vind).
De power wordt bepaald door een aantal factoren:
Het voorkomen van de bestudeerde aandoening,
De grootte van het effect,
De onderzoeksopzet,
Significantieniveau
De grootte van de steekproef.
Wat is een hypothese?
Een hypothese is een voorspelling van de uitkomst van je onderzoek.
In kwantitatieve statistiek wordt er gebruik gemaakt van Nul-hypothese en Alternatieve hypothese.
Deze twee hypotheses zijn elkaars tegen polen. Na je onderzoek verwerp je een van deze hypotheses
en neem je de andere aan. Je kan niet bewijzen dat iets waar is, je kan alleen bewijzen dat iets niet
waar is. De hypothese die je aanhoudt is niet per definitie de waarheid!
De nul-hypothese voorspelt geen effect. Bv. Er is geen verschil tussen…..
De alternatieve hypothese voorspelt wel een effect.
Bij een alternatieve hypothese kan je ook verschil maken in het type. Je hebt een eenzijdige
alternatieve hypothese, dan geeft de hypothese een richting aan van het effect. Bv: er is minder kans
op…. Of er is meer kans op…..
Bij een eenzijdige hypothese kijk je naar de p-waarde aan één kant van de grafiek. Je kijkt naar de
kant waarin je geïnteresseerd bent.
Bij een tweezijdige hypothese kijk je naar beide kanten in de grafiek. Echter doe je dan niet beide
kanten de ware grote van de p-waarde, maar doe je beide de helft van de p-waarde. Bv. p-waarde van
0,05, doe je links en rechts 0,025.
Een tweezijdige alternatieve hypothese geeft de hypothese geen richting aan, maar zegt wel dat er
een verschil is. Maar je zegt niet welke richting het verschil is, het kan dus verschil in meer of minder
zijn. Bv. Er is een verschil tussen…….
Het proces van hypothese testen:
1. Je gaat er in eerste instantie vanuit dat je nul-hypothese waar is.
2. Daarna gebruik je een statistisch model die gebaseerd is op je alternatieve hypothese.
Representeert op je verkregen data en kijk je hoe goed dit model past bij je data.
3. Daarna bepaal je of het model bij je data past. Bereken je de p-waarde. Deze p-waarde geeft
de kans weer dat het resultaat dat is verkregen als de nul-hypothese waar was.
4. Als deze kans klein is (bv. kleiner dan 5% / p-waarde <0,05) verwerpen we de nul-hypothese.
Want er is genoeg vertrouwen in de alternatieve hypothese.
Als je model de data goed verklaard (toetsingsgrootheid is groot en p-waarde is kleiner dan 0,05)
verwerp je de nul-hypothese en houdt je de alternatieve hypothese aan, die wel van een effect uit gaat.
Variabelen
De afhankelijke variabele is afhankelijk van de onafhankelijke variabele.
De variabele die de afhankelijke variabelen zouden kunnen beïnvloeden zijn de onafhankelijke
variabelen.
De uitkomst variabele zijn vaak de afhankelijke variabele.
De voorspellende variabelen zijn ook wel de onafhankelijke variabelen.
