Experimenteel onderzoek
Causale verbanden: effect van onafhankelijke variabele op Null hypothesis significance testing:
afhankelijke variabele. Daar zijn 3 voorwaarden voor: Stap 1: Toets keuze, hypothese bepalen en significantieniveau
Covariance: er moet een relatie tussen de oorzaak en het gevolg Toets keuze: t-toets, voor onafhankelijke groepen.
zijn. Hypothese formuleren:
Temporal precedence: de oorzaak moet in de tijd voorafgaan aan
het gevolg. Significantieniveau:
Internal validity: het uitsluiten van alternatieve verklaringen, maar
dat is wel erg lastig. Stap 2 Assumpties controleren (t-toets)
Informatie uit methoden deel: kan geschonden worden!
De beste manier om te voldoen aan de drie voorwaarden is middels Is het een aselecte steekproef?
ene gerandomiseerd experiment: groepen worden door Is de afhankelijke variabele minimaal interval meetniveau?
randomisatie ingedeeld, de onderzoeker manipuleert een variabele Is er een onafhankelijke waarneming?
en de onderzoeker zal het effect op een andere variabele gaan Zijn de groepen onafhankelijk en random toegewezen?
meten. Door randomisatie hebben we de grootste kans dat groepen Statistische informatie: kan geschonden worden!
vergelijkbaar zijn. Dat kan het beste door een aselecte steekproef. Geen uitschieters (boxplot), of milde die geen effect hebben.
Scores moeten in beide groepen normaal verdeeld zijn
(histogram).
Experimenteel onderzoek: aan de hand van groepsgemiddelde
Als er geen normaal verdeling is maar n. , dan heeft een
stellen we een effect vast.
schending van deze assumptie geen invloed op de t-toets.
Onafhankelijke/ gemanipuleerde variabele : oorzaak
Robuustheid: We hebben niet aan de voorwaarde voldaan,
Afhankelijke variabele : gevolg : hangen af van...
maar het is niet erg voor de conclusie van de t-toets.
Bij correlationeel onderzoek kunnen de variable inhoudelijk wel
Scores moeten in beide groepen gelijke spreiding hebben.
omgedraaid worden, maar hier niet. Inhoud heeft vaste rol.
Kijk naar de boxplot ok standaardafwijking, moeten ze dicht
bij elkaar liggen.
Onderzoeksvraag: PICO Robuustheid: twee opties, waarbij het geen invloed heeft.
Population: De groep mensen die de onderzoeker wil De grootte (n) van de grootste groep maximaal 4 keer zo
onderzoeken. groot als de grootte (n) van de kleinste groep.
Intervention: Wat is de variabele die je manipuleert De grootste variantie (kwadraat van de
(onafhankelijke variabele) standaardafwijking) maximaal 10x zo groot als de
Comparison: wat zijn de niveaus van de gemanipuleerde kleinste variantie.
variabele.
Outcome: is de gemeten variabele (afhankelijke variabele.
, Als we H0 verwerpen, dan vinden we de alternatieve het meest Stap 3: beschrijvende statistieken t-waarde, df en p-waarde
waarschijnlijk. Er kunnen dus wel fouten gemaakt zijn: Richting controleren: eenzijdige toets
Type I fout (alpha: ): we verwerpen de Nullhypothese, terwijl Steekproevenverdeling: van t wordt bepaald door het aantal
we dat eigenlijk niet zouden moeten doen. vrijheidsgraden (df).
Type II fout (beta: ): we verwerpen de Nullhypothese niet, df = n1-1 + n2- 1
terwijl we dat eigenlijk hadden moeten doen. Hoe groter n, hoe groter df, hoe minder spreiding.
Toetsingsgrootheid t-waarde:
Grote standaardfout, veel spreiding, delen we door een
Type I fout: niet voorkomen, groter getal, dan wordt de uitkomst van de t-waarde klein.
Type II fout: kans op het nemen
maar wel bepalen hoe groot de Hebben we weinig spreiding, dan wordt de uitkomst groter.
van de juiste beslissing (power).
kans op deze fout mag zijn. We willen een hoge power, want
Is gelijk aan dan is de kans op II fout klein. .80
5% kans op type I fout. Standaard error: standaardfout, spreiding in de verdeling, SE
Grootte van het verschil: hoe
Keuze hangt af van situatie In JASP geef je aan of het eenzijdig of tweezijdig is.
groter het verschil tussen de
groepen, hoe hoger de
Stap 4: Conclusie trekken over H0 (dichotome beslissing)
power.
p-waarde - significantieniveau = kleiner, dus H0 verwerpen.
Om de absolute grootte van een effect te standaardiseren deel
je deze door de standaarddeviatie, om zo de effectgrootte uit
Stap 5: Inhoudelijke conclusie
drukken in het aantal standaard deviaties. Cohen’s d = de
De experimentele groep heeft een significant hogere gemiddelde
absolute grootte van een effect uitgedrukt in het aantal
rekenscore dan de controlegroep.
standaard deviaties.
Grootte van de steekproef: grote steekproef → minder verschil in
Verschil tussen de groepen: effectgrootte cohen’s d.
Kan tussen of op richtlijnen.
steekproeven. Bij een grote n, wordt de power hoger.
Spreiding van scores: Grote spreiding is meer verschil in
steekproeven. Hoe kleiner de spreiding, hoe hoger de power.
Significantieniveau: hoe groter alpha, hoe hoger de power, maar Schatting van het verschil in populatie:
ook een grotere kans op type I fout. Puntschatting: schatting op basis van een steekproef.
Betrouwbaarheidsinterval (CI): gemiddelde ligt tussen ... en ...
Hoe groot zijn verschillen in de populatie (convedence interval)
P-hacking: data verwijderen, totdat je een significant resultaat .
krijgt. Data verdelen in groepen, totdat er een verschil is tussen de
groepen en het verwijderen van meetinstrumenten uit je Breedte van betrouwbaarheidsinterval is boven- min ondergrens.
onderzoek. Zelfs het onjuist rapporteren van de p-waarde. Liever smal interval, want dan kunnen we preciezer verschil
geven in de populatie. Breedte zegt iets over nauwkeurigheid.
Causale verbanden: effect van onafhankelijke variabele op Null hypothesis significance testing:
afhankelijke variabele. Daar zijn 3 voorwaarden voor: Stap 1: Toets keuze, hypothese bepalen en significantieniveau
Covariance: er moet een relatie tussen de oorzaak en het gevolg Toets keuze: t-toets, voor onafhankelijke groepen.
zijn. Hypothese formuleren:
Temporal precedence: de oorzaak moet in de tijd voorafgaan aan
het gevolg. Significantieniveau:
Internal validity: het uitsluiten van alternatieve verklaringen, maar
dat is wel erg lastig. Stap 2 Assumpties controleren (t-toets)
Informatie uit methoden deel: kan geschonden worden!
De beste manier om te voldoen aan de drie voorwaarden is middels Is het een aselecte steekproef?
ene gerandomiseerd experiment: groepen worden door Is de afhankelijke variabele minimaal interval meetniveau?
randomisatie ingedeeld, de onderzoeker manipuleert een variabele Is er een onafhankelijke waarneming?
en de onderzoeker zal het effect op een andere variabele gaan Zijn de groepen onafhankelijk en random toegewezen?
meten. Door randomisatie hebben we de grootste kans dat groepen Statistische informatie: kan geschonden worden!
vergelijkbaar zijn. Dat kan het beste door een aselecte steekproef. Geen uitschieters (boxplot), of milde die geen effect hebben.
Scores moeten in beide groepen normaal verdeeld zijn
(histogram).
Experimenteel onderzoek: aan de hand van groepsgemiddelde
Als er geen normaal verdeling is maar n. , dan heeft een
stellen we een effect vast.
schending van deze assumptie geen invloed op de t-toets.
Onafhankelijke/ gemanipuleerde variabele : oorzaak
Robuustheid: We hebben niet aan de voorwaarde voldaan,
Afhankelijke variabele : gevolg : hangen af van...
maar het is niet erg voor de conclusie van de t-toets.
Bij correlationeel onderzoek kunnen de variable inhoudelijk wel
Scores moeten in beide groepen gelijke spreiding hebben.
omgedraaid worden, maar hier niet. Inhoud heeft vaste rol.
Kijk naar de boxplot ok standaardafwijking, moeten ze dicht
bij elkaar liggen.
Onderzoeksvraag: PICO Robuustheid: twee opties, waarbij het geen invloed heeft.
Population: De groep mensen die de onderzoeker wil De grootte (n) van de grootste groep maximaal 4 keer zo
onderzoeken. groot als de grootte (n) van de kleinste groep.
Intervention: Wat is de variabele die je manipuleert De grootste variantie (kwadraat van de
(onafhankelijke variabele) standaardafwijking) maximaal 10x zo groot als de
Comparison: wat zijn de niveaus van de gemanipuleerde kleinste variantie.
variabele.
Outcome: is de gemeten variabele (afhankelijke variabele.
, Als we H0 verwerpen, dan vinden we de alternatieve het meest Stap 3: beschrijvende statistieken t-waarde, df en p-waarde
waarschijnlijk. Er kunnen dus wel fouten gemaakt zijn: Richting controleren: eenzijdige toets
Type I fout (alpha: ): we verwerpen de Nullhypothese, terwijl Steekproevenverdeling: van t wordt bepaald door het aantal
we dat eigenlijk niet zouden moeten doen. vrijheidsgraden (df).
Type II fout (beta: ): we verwerpen de Nullhypothese niet, df = n1-1 + n2- 1
terwijl we dat eigenlijk hadden moeten doen. Hoe groter n, hoe groter df, hoe minder spreiding.
Toetsingsgrootheid t-waarde:
Grote standaardfout, veel spreiding, delen we door een
Type I fout: niet voorkomen, groter getal, dan wordt de uitkomst van de t-waarde klein.
Type II fout: kans op het nemen
maar wel bepalen hoe groot de Hebben we weinig spreiding, dan wordt de uitkomst groter.
van de juiste beslissing (power).
kans op deze fout mag zijn. We willen een hoge power, want
Is gelijk aan dan is de kans op II fout klein. .80
5% kans op type I fout. Standaard error: standaardfout, spreiding in de verdeling, SE
Grootte van het verschil: hoe
Keuze hangt af van situatie In JASP geef je aan of het eenzijdig of tweezijdig is.
groter het verschil tussen de
groepen, hoe hoger de
Stap 4: Conclusie trekken over H0 (dichotome beslissing)
power.
p-waarde - significantieniveau = kleiner, dus H0 verwerpen.
Om de absolute grootte van een effect te standaardiseren deel
je deze door de standaarddeviatie, om zo de effectgrootte uit
Stap 5: Inhoudelijke conclusie
drukken in het aantal standaard deviaties. Cohen’s d = de
De experimentele groep heeft een significant hogere gemiddelde
absolute grootte van een effect uitgedrukt in het aantal
rekenscore dan de controlegroep.
standaard deviaties.
Grootte van de steekproef: grote steekproef → minder verschil in
Verschil tussen de groepen: effectgrootte cohen’s d.
Kan tussen of op richtlijnen.
steekproeven. Bij een grote n, wordt de power hoger.
Spreiding van scores: Grote spreiding is meer verschil in
steekproeven. Hoe kleiner de spreiding, hoe hoger de power.
Significantieniveau: hoe groter alpha, hoe hoger de power, maar Schatting van het verschil in populatie:
ook een grotere kans op type I fout. Puntschatting: schatting op basis van een steekproef.
Betrouwbaarheidsinterval (CI): gemiddelde ligt tussen ... en ...
Hoe groot zijn verschillen in de populatie (convedence interval)
P-hacking: data verwijderen, totdat je een significant resultaat .
krijgt. Data verdelen in groepen, totdat er een verschil is tussen de
groepen en het verwijderen van meetinstrumenten uit je Breedte van betrouwbaarheidsinterval is boven- min ondergrens.
onderzoek. Zelfs het onjuist rapporteren van de p-waarde. Liever smal interval, want dan kunnen we preciezer verschil
geven in de populatie. Breedte zegt iets over nauwkeurigheid.
