Onderwerp 1: Independent samples t-test
Subject variabele: kenmerk dat varieert tussen participanten en niet gemanipuleerd (aangepast) kan
worden door de onderzoeker, bv. oogkleur of sociaaleconomische status (SES)
Matched subjects design:
1. Participanten worden verdeeld in groepen o.b.v. relevante subjectvariabelen
2. Individuen binnen een groep worden random verdeeld over de condities
Voorbeeld: 1. Onderzoeker deelt participanten in 3 groepen in o.b.v. hun SES (laag, gemiddeld en
hoog). 2. Participanten uit de groep ‘laag’ worden random verdeeld over de experimentele en
controle conditie. Vervolgens wordt dit ook gedaan voor de groepen ‘gemiddeld’ en ‘hoog’.
Oneway within design: alle participanten doorlopen alle experimentele condities
Repeated measures design: participanten worden herhaald gemeten tijdens het onderzoek
- Voordelen: meer power en minder participanten nodig
- Nadeel: order effect: de reactie van een participant wordt beïnvloedt door de volgorde
waarin de condities hebben plaatsgevonden. 3 verschillende vormen hiervan:
o Practice: proefpersoon presteert beter op een taak omdat diegene de taak in een
eerdere conditie al gedaan heeft
o Fatigue: proefpersoon presteert slechter op een taak in latere condities omdat
diegene moe of verveeld is geraakt
o Sensitization: na herhaaldelijke metingen gaat de proefpersoon de hypothese van
het onderzoek raden (hypothesis-guessing), dit kan hun reactie beïnvloeden
een oplossing voor dit nadeel is: counter-balancing waarbij verschillende proefpersonen
worden onderzocht in een verschillende volgorde van de condities
Bij een independent samples t-test worden 2 groepsgemiddelden met elkaar vergeleken. De vraag
hierbij is: komen deze 2 gemiddelden uit dezelfde populatie?
Andere termen voor deze test zijn: between-subjects t-test of two samples t-test.
- 1 continue afhankelijke variabele
- 1 categorische onafhankelijke variabele met 2 categorieën
Formule independent samples t-test:
t = toets statistiek
𝑥̅1 = gemiddelde 1
s12 = variantie 1
n1 = aantal participanten in groep 1
Aantal vrijheidsgraden (degrees of freedom (df)) = n kleinste_groep – 1
Formele hypothesen:
Nulhypothese (H0): µgroep1 = µgroep2
Alternatieve Hypothese (HA): µgroep1 ≠ µgroep2
Onderwerp 2: Paired samples t-test
Bij een paired samples t-test worden steeds 2 metingen van dezelfde participant met elkaar
vergeleken. De vraag hierbij is: Is er een verschil tussen de populatiegemiddelden voor en na de
manipulatie van een variabele? Dus: wijkt het gemiddelde verschil af van 0?
Andere namen die gebruikt worden voor deze test zijn: within-subjects t-test, dependent samples t-
test en repeated-samples t-test.
, - 1 continue afhankelijke variabele
- 1 categorische onafhankelijke variabele met 2 categorieën waarbij iedere participant in
iedere categorie voorkomt
Formule paired samples t-test:
t = toets statistiek
𝑥̅ - µ0 = d = gemiddeld verschil
Sd = standaarddeviatie van d
n = aantal participanten
df = n – 1
Formele hypothesen:
H0: µd = 0
HA: µd ≠ 0
Onderwerp 3: Cohen’s d
De ‘grootte’ van de p-waarde geeft niet de grootte van het effect aan bij een hele grote steekproef
zal een klein verschil al snel significant worden.
d
De Cohen’s d geeft aan in hoeverre 2 verdelingen NIET met elkaar overlappen. De
Cohen’s d is een effectgrootte of effectsize voor de t-toets. Hoe groter d is, hoe
minder overlap er is tussen de 2 verdelingen (zie afbeelding hiernaast). Bij d = 0
dan is er een perfecte overlap van 2 verdelingen.
Formule Cohen’s d voor de independent samples t-test:
d = toets statistiek
𝑥̅1 = gemiddelde 1
Sp = gepoolde variantie
Formule Cohen’s d voor de paired samples t-test:
d = toets statistiek
𝑥̅1 = gemiddelde 1
Sd = standaarddeviatie van d
r = correlatie tussen 𝑥̅1 en 𝑥̅2
Onderwerp 4: Non-parametrische t-toetsen
Centrale limietstelling stelt dat hoe groter een steekproef is, hoe meer de steekproevenverdeling
gaat lijken op een normaalverdeling
Iedere statistische test heeft assumpties waaraan voldaan moet worden om de test uit te kunnen
voeren. Een t-test heeft de volgende assumpties:
- Normaliteit: aanname dat de verdeling van de afhankelijke variabele normaal verdeeld is.
o Richtlijn hierbij is: bij N ≥ 30 benadert de verdeling een normaalverdeling
o Kan gecheckt worden m.b.v. een histogram
- Gelijke varianties: aanname dat de varianties van beide verdelingen gelijk zijn
Subject variabele: kenmerk dat varieert tussen participanten en niet gemanipuleerd (aangepast) kan
worden door de onderzoeker, bv. oogkleur of sociaaleconomische status (SES)
Matched subjects design:
1. Participanten worden verdeeld in groepen o.b.v. relevante subjectvariabelen
2. Individuen binnen een groep worden random verdeeld over de condities
Voorbeeld: 1. Onderzoeker deelt participanten in 3 groepen in o.b.v. hun SES (laag, gemiddeld en
hoog). 2. Participanten uit de groep ‘laag’ worden random verdeeld over de experimentele en
controle conditie. Vervolgens wordt dit ook gedaan voor de groepen ‘gemiddeld’ en ‘hoog’.
Oneway within design: alle participanten doorlopen alle experimentele condities
Repeated measures design: participanten worden herhaald gemeten tijdens het onderzoek
- Voordelen: meer power en minder participanten nodig
- Nadeel: order effect: de reactie van een participant wordt beïnvloedt door de volgorde
waarin de condities hebben plaatsgevonden. 3 verschillende vormen hiervan:
o Practice: proefpersoon presteert beter op een taak omdat diegene de taak in een
eerdere conditie al gedaan heeft
o Fatigue: proefpersoon presteert slechter op een taak in latere condities omdat
diegene moe of verveeld is geraakt
o Sensitization: na herhaaldelijke metingen gaat de proefpersoon de hypothese van
het onderzoek raden (hypothesis-guessing), dit kan hun reactie beïnvloeden
een oplossing voor dit nadeel is: counter-balancing waarbij verschillende proefpersonen
worden onderzocht in een verschillende volgorde van de condities
Bij een independent samples t-test worden 2 groepsgemiddelden met elkaar vergeleken. De vraag
hierbij is: komen deze 2 gemiddelden uit dezelfde populatie?
Andere termen voor deze test zijn: between-subjects t-test of two samples t-test.
- 1 continue afhankelijke variabele
- 1 categorische onafhankelijke variabele met 2 categorieën
Formule independent samples t-test:
t = toets statistiek
𝑥̅1 = gemiddelde 1
s12 = variantie 1
n1 = aantal participanten in groep 1
Aantal vrijheidsgraden (degrees of freedom (df)) = n kleinste_groep – 1
Formele hypothesen:
Nulhypothese (H0): µgroep1 = µgroep2
Alternatieve Hypothese (HA): µgroep1 ≠ µgroep2
Onderwerp 2: Paired samples t-test
Bij een paired samples t-test worden steeds 2 metingen van dezelfde participant met elkaar
vergeleken. De vraag hierbij is: Is er een verschil tussen de populatiegemiddelden voor en na de
manipulatie van een variabele? Dus: wijkt het gemiddelde verschil af van 0?
Andere namen die gebruikt worden voor deze test zijn: within-subjects t-test, dependent samples t-
test en repeated-samples t-test.
, - 1 continue afhankelijke variabele
- 1 categorische onafhankelijke variabele met 2 categorieën waarbij iedere participant in
iedere categorie voorkomt
Formule paired samples t-test:
t = toets statistiek
𝑥̅ - µ0 = d = gemiddeld verschil
Sd = standaarddeviatie van d
n = aantal participanten
df = n – 1
Formele hypothesen:
H0: µd = 0
HA: µd ≠ 0
Onderwerp 3: Cohen’s d
De ‘grootte’ van de p-waarde geeft niet de grootte van het effect aan bij een hele grote steekproef
zal een klein verschil al snel significant worden.
d
De Cohen’s d geeft aan in hoeverre 2 verdelingen NIET met elkaar overlappen. De
Cohen’s d is een effectgrootte of effectsize voor de t-toets. Hoe groter d is, hoe
minder overlap er is tussen de 2 verdelingen (zie afbeelding hiernaast). Bij d = 0
dan is er een perfecte overlap van 2 verdelingen.
Formule Cohen’s d voor de independent samples t-test:
d = toets statistiek
𝑥̅1 = gemiddelde 1
Sp = gepoolde variantie
Formule Cohen’s d voor de paired samples t-test:
d = toets statistiek
𝑥̅1 = gemiddelde 1
Sd = standaarddeviatie van d
r = correlatie tussen 𝑥̅1 en 𝑥̅2
Onderwerp 4: Non-parametrische t-toetsen
Centrale limietstelling stelt dat hoe groter een steekproef is, hoe meer de steekproevenverdeling
gaat lijken op een normaalverdeling
Iedere statistische test heeft assumpties waaraan voldaan moet worden om de test uit te kunnen
voeren. Een t-test heeft de volgende assumpties:
- Normaliteit: aanname dat de verdeling van de afhankelijke variabele normaal verdeeld is.
o Richtlijn hierbij is: bij N ≥ 30 benadert de verdeling een normaalverdeling
o Kan gecheckt worden m.b.v. een histogram
- Gelijke varianties: aanname dat de varianties van beide verdelingen gelijk zijn
