100% satisfaction guarantee Immediately available after payment Both online and in PDF No strings attached
logo-home
Hoorcollege aantekeningen Advanced Research Methods and Statistics (ARMS) for Psychology $3.22
Add to cart

Class notes

Hoorcollege aantekeningen Advanced Research Methods and Statistics (ARMS) for Psychology

1 review
 41 views  3 purchases
  • Course
  • Institution

Hoorcollege aantekeningen voor het vak Advanced Research Methods and Statistics (ARMS) for Psychology gevolgd aan de Universiteit Utrecht () General Part () Het vak wordt gegeven in het Engels, maar de aantekeningen zijn bijna compleet in het Nederlands geschreven.

Preview 3 out of 16  pages

  • December 12, 2022
  • 16
  • 2022/2023
  • Class notes
  • Irene klugkist
  • All classes

1  review

review-writer-avatar

By: 710M • 1 year ago

reply-writer-avatar

By: stuuudje • 1 year ago

Translated by Google

Dear Meikewellen7, would you like to explain why you think this document is worth 1 star?

avatar-seller
ARMS hoorcollege
aantekeningen
Hoorcollege 1
Frequentist framework: mainstream gebaseerd op 0 hypotheses, p-waarde, confidence intervals,
effect groottes en power analyses
Bayesian framework: toegenomen in aandacht sinds de replicatie crisis
Toegenomen kritiek tegen NHT-fouten, verkeerde interpretaties of resultaten, p-hacking, te veel
nadruk op significantie, studies met te weinig power
- Prior information over µ (naast likelihood function)
Centraal idee/mechanisme: prior kennis is geüpdatet met informatie over de data en samen zorgt dit
voor de Posterior distribution for µ
Voordeel: accumuleren van data (‘vandaag posterior is morgen weer prior’)
Nadeel: resultaten hangen af van de keuze van prior

Beide zijn gebaseerd op empirisch onderzoek en deze informatie wordt
gesorteerd in Likelihood function (bij bayesian en frequensist)
MLE (maximum likelihood estimation): De top in een model

1. Noninformtieve/ignorante prior
(flat/difuse): elke waarde heeft een
gelijke kans
Geen prior informatie, gewoon leren van de data.
 Resultaat hetzelfde als frequentie
2. Flat prior met grenzen: Elke waarde heeft
een gelijke kans, maar met afkap
waarden, nog steeds non informatief en
gelijk met frequentie
3. Normale verdeling prior (flat/difuse):
weinig informatie maar iets meer kans in
het midden
4. Specifieke prior: Je weet waar het
gemiddelde ongeveer zit en hier heeft
een grote kans. Het is specifiek




Wanneer de data en de voorinformatie overeenkomen is de
posterior extra gepiekt, want posterior = data + prior

Bayesian schatting
Posterior distributie zorgt voor gewenste schatting
Posterior mean or mode: gemiddelde van posterior distributie
Posterior SD: SD van posterior distributie
Posterior 95% credible interval: Geeft grenzen voor waar 95% van de posterior massa zich bevindt
Credible interval is typerend voor de bayesiaanse methode




1

, Bayesian oplossing
De bayes condities zijn gebaseerd op geobserveerde data en frequentie op de H0
Pr (Hj|data): De kans dat hypothese Hj wordt support door de data
Pr(data|H0): P-waarde = kans dat de geobserveerde waarde gelijk of meer extreme data is gegeven
dat H0 de waarheid is

PMP= Posterior model probability
 De (bayesiaanse proability van de hypothese na de data)
Er wordt dus daadwerkelijk naar de hypothese gekeken en niet naar of als de hypothese er niet is
 Byesiaanse test is vergelijkend: hypothesis worden tegen elkaar getest en niet los (Bayes
factor)
BF10: P(data|H1)/P(data|H0)
10= support voor H1 is 10 keer sterker dan voor H0
1= support is gelijk
Het gaat hier om support en niet of de hypothese daadwerkelijk waar is

2 criteria of de hypothese waar is:
1) Hoe sensible het is gebaseerd op de huidige kennis (prior)
2) Hoe goed past het nieuwe bewijs (data)

Posterior probabilities of hypotheses (PMP) zijn ook relatieve kansen

Beide frames gebruikende probability theorie
Frequentie: probability is relatief frequentie
Frequentie 95% toevalsinterval: elke keer testen zal 95% van de intervallen de echte waarde hebben
Bayesiaan: probability is de mate van een geloof
Bayesian 95% credibility interval: 95% kans dat de waarde in het interval zit

Multiple regression
Lineare regressie: een lineaire verband gebaseerd op de afstand tussen verticale stippen (error in
prediction) de som hiervan is zo klein als mogelijk

Elke voorspeller heeft een eigen bx


Elke voorspeller heeft een relatie met Y




Model assumpties
- Serieuze overtredingen leiden tot incorrecte resultaten
- Soms zijn er makkelijke oplossingen (uitschieter verwijderen, kwadrateren) en soms niet
- Per model weet wat de assumpties zijn en check ze altijd



2

, MLR gaat uit van interval/ratio variabelen (uitkomsten en voorspellers)

Dummy variabelen: de categorische variabele met 1 of meer dummy variabelen vervangen. Dit is
altijd 0 (vergelijkingsgroep) en 1


Evalueren van het model

Frequentie: schatting van parameters van het model, test met NHST of parameters significant 0 zijn
Bv. H0= R2 = 0 vs. Ha: R2> 0 of β = 0 vs. β ≠ 0
Bayesian: schatting van parameters van het model, vergelijking van support in de date van
verschillende modellen/hypothese door gebruik van de Bayes factor

Adjusted R squared leidt tot een eerlijke schatting in de populatie. Toevoegen van variabelen zorgt
dat R squared altijd stijgt en de aangepaste versie kijkt of het ook echt iets toevoegde
B en β: unieke contributie. Het effect van combinatie van variabele

Hierarchical lineair regression analysis: verschillende modellen maken door verschillende dingen toe
te voegen in stappen. Hiermee test je niet of het een goed model is, maar verbeterd het model bij
toevoeging
 Kijk naar R squared change en is dit statistisch (p-waarde)

Exploration of theorie evaluatie
Frequentie:
Method enter: data-analyse beslist wat er in het model gaat
Method stepwise: (forward/backward): het beste voorspellende model is gebaseerd op de
resultaten van deze sample
Kapitaliseren per ongeluk: er is altijd iets te vinden in een data set

Bayesiaan model selectie: in jasp is het soort van exploratief
BAIN van evaluatief informatieve hypothese geven -> confirmatory

Seminar 1
Je hebt de minste controle over de resultaten ondanks dat dit je carrière ervan afhangt

P-hacking: data verzamelen of selecteren voor statistische analyse tot niet significante resultaten
significant worden
P-HARKING: Je verandert je hypothese of maakt hem pas na je resultaten




3

The benefits of buying summaries with Stuvia:

Guaranteed quality through customer reviews

Guaranteed quality through customer reviews

Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.

Quick and easy check-out

Quick and easy check-out

You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.

Focus on what matters

Focus on what matters

Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!

Frequently asked questions

What do I get when I buy this document?

You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.

Satisfaction guarantee: how does it work?

Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.

Who am I buying these notes from?

Stuvia is a marketplace, so you are not buying this document from us, but from seller stuuudje. Stuvia facilitates payment to the seller.

Will I be stuck with a subscription?

No, you only buy these notes for $3.22. You're not tied to anything after your purchase.

Can Stuvia be trusted?

4.6 stars on Google & Trustpilot (+1000 reviews)

52510 documents were sold in the last 30 days

Founded in 2010, the go-to place to buy study notes for 14 years now

Start selling
$3.22  3x  sold
  • (1)
Add to cart
Added