Experimenteel en Correlationeel Onderzoek Samenvatting

WEEK 1: CORRELATIES & MATEN VOOR EFFECTGROOTTE

pearson r feiten
-​ symbool voor correlaties = r
-​ pearson r is geschikt bij interval en ratio (numeriek)
-​ de samenhang moet lineair zijn voor pearson r
-​ de correlatiecoëfficiënt ligt tussen -1 en 1
-​ het maakt niet uit welke variabele X is en welke Y

●​ Correlatie & causaliteit
correlatie = is er samenhang tussen 2 variabelen?
causaliteit = is er een effect? hiervoor moet je een experiment uitvoeren waar strenge
voorwaarden aan hangen, namelijk
-​ covariantie: variabelen moeten samenhangen
-​ directionaliteit: oorzaak gaat vooraf aan gevolg
-​ interne validiteit: alternatieve verklaringen uitsluiten

●​ Scatterplots
als je het hebt over een samenhang heb je het over een
-​ richting: positief vs negatief




-​ sterkte: hoe meer de punten op een rechte lijn liggen, hoe sterker het verband




-​ vorm: lineair / niet lineair, homogeen / heterogeen -> zie je een puntenwolk of
meerdere clusters




-​ uitbijters

, ●​ Covariantie
covariantie (sxy) = de mate waarin 2 variabelen samen variëren




als de waarde positief is is het verband positief en andersom
geeft info over sterkte & richting van de samenhang
-​ nadeel: moeilijk te interpreteren, want de waarde is afh van de meeteenheid
-​ oplossing: standaardiseer de covariantie

●​ Pearson r
pearson r:
-​ gestandaardiseerde maat die lineaire verband beschrijft tussen 2 kwantitatieve
(=numerieke) variabelen
-​ de waarde ligt altijd tussen -1 en +1




alternatief:




z -> standaardscores
voordeel: makkelijker te interpreteren want de waarde is niet afh van meeteenheid

●​ Factoren die pearson r beïnvloeden
1.​ niet lineaire verbanden. daarom maak je eerst een scatterplot -> als je ziet dat het
niet lineair is dan is de pearson r geen goed idee
2.​ uitbijters, kan de sterkte van de correlatie beïnvloeden. plot met en zonder uitbijters
en wees hier transparant over
3.​ heterogene subgroepen. als er meerdere clusters zijn moet je hier nader naar kijken
4.​ restriction of range. stel je bekijkt maar een beperkt deel van de scores, dan mis je
een groot deel van de samenhang. dit kan een vertekend beeld geven

( als je meteen ziet of het een positief of negatief verband is, dan kun je ervan uit gaan dat
het verband redelijk sterk is )

, ●​ Voorbeeld handmatige pearson r berekening




de z score geeft aan hoeveel standaarddeviaties de score afwijkt van het gemiddelde

●​ alternatieve correlatiecoëfficiënten
meest gebruikt: pearson correlatiecoëfficiënt r. maar dit kan alleen bij numerieke variabelen
maar er zijn meer varianten, afhankelijk van meetniveau




dichotoom = variabelen met 2 mogelijke waarden

al deze correlaties kan je berekenen met
1.​ de pearson r procedure (met de z scores)
2.​ specifieke formules, maar deze gebruiken we alleen voor de phi coëfficiënt

●​ spearman’s rho (rs)
beschrijft samenyang tussen 2 ordinale/ gerangordende variabele
-​ als scores nog geen rangscores zijn: ze ze om in rangnummers
-​ dan: gebruik pearson correlatie formule om rs te berekenen


rs is robuuste (kan ermee omgaan) variant van pearson r bij uitbijters en/of zwakke
niet-lineariteit

, -​ voorbeeld handmatige berekenen spearman’s rho




●​ punt-biseriële correlatie (rpb)
beschrijft samenhang tussen kwantitatieve en dichotome variabele
gebruik pearson correlatie formule om rpb te berekenen



NB teken van correlatie hangt af van wijze waarop 0 en 1 zijn toegewezen aan groepen
-​ we spreken daarom zelden van een positief en negatief verband bij een
punt-biseriële correlatie want dit verandert als je het omdraait




-> rpb = wortel van eta squared

condities matchen -> houdt in dat bepaalde condities ongeveer gelijk zijn zodat je bepaalde
effecten uitsluit. bv matchen op leeftijd, geslacht

-​ voorbeeld scatterplot punt-biseriële correlatie