STATISTICS: HOW TO DO LINGUISTICS WITH R
SUMMARY
,CHAPTER 1
WHAT IS STATISTICS?
Het begrip statistics kan verwijzen naar zowel (1) technieken om data te beschrijven en te
analyseren en (2) waarden die zijn afgeleid van een sample
Descriptive statistics = beschrijven de kenmerken van een sample
à measures of central tendency (gemiddelde, mediaan, modus)
à visualisaties
Inferential statistics = het gebruikmaken van de kenmerken van een sample om conclusies
te trekken over de populatie in het algemeen
à vergelijken van twee groepen (of één groep met een bepaalde waarde)
® “Is de uitspraak van mannen beter dan die van vrouwen?”
à associaties van twee variabelen
® “Zijn geslacht een studietype gerelateerd?”
à internal consistency van enquêtevragen
® “Meten bepaalde vragen een bepaald concept?”
Sampling error = het verschil tussen de waarden van de sample en de population
parameter (= waarden van de populatie) ® des te kleiner de sampling error, des te meer
jouw sample de gehele populatie representeert
- random sampling = gelijke kansen om geselecteerd te worden
- representative sampling = sample dat op bepaalde gebieden dezelfde kenmerken hebben
als de populatie
- convenience sampling = sample samenstellen op basis van wie het makkelijkst bereikbaar
zijn
De research hypothesis wordt ook wel de alternative hypothesis genoemd en gaat altijd
samen met een null hypothesis = er is geen verschil tussen verschillende groepen/geen
verband tussen verschillende variabelen
De alternatieve hypothese kan directional (X is meer dan Y, des te groter X des te kleiner Y)
of non-directional zijn (X is niet gelijk aan Y)
® er wordt gebruik gemaakt van een null hypothesis om te voorkomen dat de alternatieve
hypothese bewezen moet worden (dat is namelijk onmogelijk, omdat het vaal veel werk is). In
plaats van dat er dan wordt beweerd dat de alternatieve hypothese correct is, wordt er
beweerd dat het tegenovergesteld incorrect is “reject the null hypothesis”.
De p-value laat de kans zien van het krijgen van een bepaalde waarde of meer extreme
waardes wanneer de null hypothese waar is ® geeft dus aan of the null hypothesis
verworpen kan worden. Wanneer deze waarde lager is dan 0.05, berust je uitkomst niet op
toeval en kan de null hypothesis dus verworpen worden. De waarde waaraan een p-value
moet voldoen heet significance level en geeft aan hoeveel risico je bereid bent te nemen
om een null hypothesis te verwerpen die eigenlijk wel klopt (5% kans in dit geval dus).
® wanneer de null hypothesis wel klopt, maar je hebt hem wel verworpen, heet dit een type
I error.
® een type II error komt voor wanneer een onderzoeker de null hypothesis niet verwerpt,
, terwijl er wel een duidelijk verschil is tussen twee groepen ® dit is vaak een gevolg van
gebrek aan statistical power; des te krachtiger de test, des te meer kans er is dat de null
hypothesis verworpen kan worden
Bij een directional hypothesis dien je een one-tailed statistical test uit te voeren, bij een
non-directional hypothesis is dat een two-tailed test
Ratio- en intervalvariabelen worden ook wel quantitative of numerical variables genoemd,
en nominale en ordinale variabelen worden ook wel qualitative of categorical variables
genoemd.
TYPES OF VARIABLES
à Nominal variables = niet geordend (categorical scale)
à Ordinal variables = wel geordend, maar verschil tussen de waarden is niet uit te
drukken (ranked scale)
à Interval variables = numerische waarde zonder een 0 waarde
à Ratio variables = numerische waarden met een 0 waarde
CHARACTERIZING NOMINAL VARIABLES
Bij nominale variabelen wordt er vaak gebruik gemaakt van een tabel of proportietabel;
> table(dat$gender)
> prop.table(table(dat$gender)
Voor visualisatie kan je gebruik maken van een barplot
> barplot(dat$gender)
CHARACTERIZING NUMERICAL VARIABLES
Bij numerische waarden wordt er vaak gebruik gemaakt van distributiegrafieken;
> plot(density(dat$english_grade)
> hist(dat$english_grade)
CHAPTER 2
INTRODUCTION TO R
Vector = een opeenvolging van enkele variabelen, welke numeric (= opeenvolging van
nummers) of character (= opeenvolging van karakters/letters) kunnen zijn
> vnum <- 1:3
> c(1,2,3)
Nominale variabelen kunnen het best worden weergegeven in factors
> factor()
Numeric vectors kunnen worden gepresenteerd in een matrix
> cbind(1:3, 4:6) ® combineert twee of meer vectors als kolommen
> rbind(1:3, 4:6) ® combineert verschillende rijen
Data kan worden gepresenteerd in data frames (gelijk aan een Excel spreadsheet), waarin
kolommen geselecteerd kunnen worden
SUMMARY
,CHAPTER 1
WHAT IS STATISTICS?
Het begrip statistics kan verwijzen naar zowel (1) technieken om data te beschrijven en te
analyseren en (2) waarden die zijn afgeleid van een sample
Descriptive statistics = beschrijven de kenmerken van een sample
à measures of central tendency (gemiddelde, mediaan, modus)
à visualisaties
Inferential statistics = het gebruikmaken van de kenmerken van een sample om conclusies
te trekken over de populatie in het algemeen
à vergelijken van twee groepen (of één groep met een bepaalde waarde)
® “Is de uitspraak van mannen beter dan die van vrouwen?”
à associaties van twee variabelen
® “Zijn geslacht een studietype gerelateerd?”
à internal consistency van enquêtevragen
® “Meten bepaalde vragen een bepaald concept?”
Sampling error = het verschil tussen de waarden van de sample en de population
parameter (= waarden van de populatie) ® des te kleiner de sampling error, des te meer
jouw sample de gehele populatie representeert
- random sampling = gelijke kansen om geselecteerd te worden
- representative sampling = sample dat op bepaalde gebieden dezelfde kenmerken hebben
als de populatie
- convenience sampling = sample samenstellen op basis van wie het makkelijkst bereikbaar
zijn
De research hypothesis wordt ook wel de alternative hypothesis genoemd en gaat altijd
samen met een null hypothesis = er is geen verschil tussen verschillende groepen/geen
verband tussen verschillende variabelen
De alternatieve hypothese kan directional (X is meer dan Y, des te groter X des te kleiner Y)
of non-directional zijn (X is niet gelijk aan Y)
® er wordt gebruik gemaakt van een null hypothesis om te voorkomen dat de alternatieve
hypothese bewezen moet worden (dat is namelijk onmogelijk, omdat het vaal veel werk is). In
plaats van dat er dan wordt beweerd dat de alternatieve hypothese correct is, wordt er
beweerd dat het tegenovergesteld incorrect is “reject the null hypothesis”.
De p-value laat de kans zien van het krijgen van een bepaalde waarde of meer extreme
waardes wanneer de null hypothese waar is ® geeft dus aan of the null hypothesis
verworpen kan worden. Wanneer deze waarde lager is dan 0.05, berust je uitkomst niet op
toeval en kan de null hypothesis dus verworpen worden. De waarde waaraan een p-value
moet voldoen heet significance level en geeft aan hoeveel risico je bereid bent te nemen
om een null hypothesis te verwerpen die eigenlijk wel klopt (5% kans in dit geval dus).
® wanneer de null hypothesis wel klopt, maar je hebt hem wel verworpen, heet dit een type
I error.
® een type II error komt voor wanneer een onderzoeker de null hypothesis niet verwerpt,
, terwijl er wel een duidelijk verschil is tussen twee groepen ® dit is vaak een gevolg van
gebrek aan statistical power; des te krachtiger de test, des te meer kans er is dat de null
hypothesis verworpen kan worden
Bij een directional hypothesis dien je een one-tailed statistical test uit te voeren, bij een
non-directional hypothesis is dat een two-tailed test
Ratio- en intervalvariabelen worden ook wel quantitative of numerical variables genoemd,
en nominale en ordinale variabelen worden ook wel qualitative of categorical variables
genoemd.
TYPES OF VARIABLES
à Nominal variables = niet geordend (categorical scale)
à Ordinal variables = wel geordend, maar verschil tussen de waarden is niet uit te
drukken (ranked scale)
à Interval variables = numerische waarde zonder een 0 waarde
à Ratio variables = numerische waarden met een 0 waarde
CHARACTERIZING NOMINAL VARIABLES
Bij nominale variabelen wordt er vaak gebruik gemaakt van een tabel of proportietabel;
> table(dat$gender)
> prop.table(table(dat$gender)
Voor visualisatie kan je gebruik maken van een barplot
> barplot(dat$gender)
CHARACTERIZING NUMERICAL VARIABLES
Bij numerische waarden wordt er vaak gebruik gemaakt van distributiegrafieken;
> plot(density(dat$english_grade)
> hist(dat$english_grade)
CHAPTER 2
INTRODUCTION TO R
Vector = een opeenvolging van enkele variabelen, welke numeric (= opeenvolging van
nummers) of character (= opeenvolging van karakters/letters) kunnen zijn
> vnum <- 1:3
> c(1,2,3)
Nominale variabelen kunnen het best worden weergegeven in factors
> factor()
Numeric vectors kunnen worden gepresenteerd in een matrix
> cbind(1:3, 4:6) ® combineert twee of meer vectors als kolommen
> rbind(1:3, 4:6) ® combineert verschillende rijen
Data kan worden gepresenteerd in data frames (gelijk aan een Excel spreadsheet), waarin
kolommen geselecteerd kunnen worden
