Beknopt theorie analyses
T-toetsen
Wanneer gebruik je deze
Je maakt een schatting op basis van een steekproef, twee gemiddelden worden vergeleken, dichotoom.
1. Independent: twee onafhankelijke groepen gemiddelden vergelijken
2. Paired: herhaaldelijke metingen vergelijken
3. One-sample: steekproef vs. verwachte waarde
Voor- en nadelen
+ De T-verdeling houdt rekening met onzekerheid in variantie bij een kleine steekproef, hangt af van aantal
vrijheidsgraden.
-Alleen te gebruiken voor vergelijken van twee gemiddelden
-Als je meerdere losse t-toetsen doet binnen meer populaties, grotere kansen op maken type1 fout
-Je weet uiteindelijk óf er een significant verschil is, maar niet hoe sterk/zwak dat effect is
Assumpties
1. Deelnemers van de studie zijn onafhankelijk
2. Homogeniteit van de varianties (levenes test)
3. Normaliteit van kwantitatieve data (histogram, PP/QQplot)
H0 en H1
H0 = varianties van de steekproeven zijn gelijk - bovenste rij levene’s test
H1 = Varianties zijn niet gelijk - onderste rij levene’s test
H0 = er is geen verschil in gemiddelde tussen … en …
Belangrijkste interpretatie van output SPSS:
Moet je benoemen welke t toets is gebruikt a.d.h.v. output van SPSS? Kijk naar je verkregen gegevens over
je steekproef > voor en na metingen interventie/twee metingen binnen 1 steekproef etc.
Voorbeeld antwoorden op tentamen:
- Benoem altijd de losse gemiddelden van de twee groepen én het verschil tussen de twee
gemiddelden!
- Het gemiddelde verschil tussen .. en … is wel/niet statistisch significant: T(df=…) = …., P = ….
- De levene’s test geeft aan dat er wel/geen significant verschil is in de varianties van de twee
groepen dit gaat over assumpties ook. H0= gelijk, kijk naar de p waarde.
o BI benoemen obv levene’s test H0/Ha
- Het werkelijke verschil ligt met 95% BI tussen de … en … (noem specifieke uitkomst)
Conclusie: wel/geen gemiddeld verschil tussen X en X, geschatte verschil = …, 95% BI
1
, ANOVA
Wanneer gebruik je deze
Verwachtingswaarden voor meer dan twee populaties vergelijken. Kwantitatieve gegevens met meer dan
twee onafhankelijke (categoriale) groepen. Categoriale factor relateren aan continue uitkomst.
Voor- en nadelen
+Je maakt optimaal gebruik van de totale steekproefomvang
+Minder kans op het maken van een type-1 fout, wanneer je allemaal losse t-toetsen doet heb je per toets
alpha kans op het maken van deze fouten. Hierbij verwerp je onterecht een H0
-Je weet uiteindelijk óf er een significant verschil is, maar niet hoe sterk/zwak dat effect is
-Je weet uiteindelijk niet in wélke groep het verschil anders is, geen onderlinge verhouding van effecten
Assumpties
1. Homogeniteit: variabiliteit van alle ‘behandelingen’ is hetzelfde > in boxplot zie whiskers en box
voor de variantie van de gegevens
2. Normale verdeling van gegevens > histogram
H0 en H1
H0 = Ucategorie 1 = Ucategorie 2 = Ucategorie 3 etc.
H0 = er is geen verschil in de populatie gemiddelden
H1 = in minstens een van de (noem specifieke gegevens, maar praat niet over populaties) is er wél een
verschil
Kwaliteit beoordelen
F-waarde geeft aan of de regressie in zijn totaal statistisch significant is, betere voorspelling van de
uitkomst door de determinant toe te voegen of niet en alleen met gemiddelde.
Belangrijkste interpretatie van output SPSS:
ANOVA-output geeft een overall toetsing van het effect.
PostHoc aanvragen wanneer je verschillende categorieën wilt zien om te weten wélke afwijkt.
Voorbeeld antwoorden op tentamen:
- Benoem altijd de losse gemiddelden van de twee groepen én het verschil tussen de getoetste
twee groepen oid.
- F-waarde of de regressie significant is mét de determinant betere voorspelling?
o De ANOVA geeft een F(…); p=0,05 geeft een significant overall effect aan
We mogen concluderen dat de gemiddelde … bij een van de … anderes is dan een van de
andere.
o Vanuit de posthoc analyse blijkt dat de (benoem groep) een wel/niet significant
lagere/hogere score heeft dan de (benoem referentie van deze) (meandiff=…..; p=…..)
Zo interpreteer je de richting van de gevonden effecten juist!!!
2
T-toetsen
Wanneer gebruik je deze
Je maakt een schatting op basis van een steekproef, twee gemiddelden worden vergeleken, dichotoom.
1. Independent: twee onafhankelijke groepen gemiddelden vergelijken
2. Paired: herhaaldelijke metingen vergelijken
3. One-sample: steekproef vs. verwachte waarde
Voor- en nadelen
+ De T-verdeling houdt rekening met onzekerheid in variantie bij een kleine steekproef, hangt af van aantal
vrijheidsgraden.
-Alleen te gebruiken voor vergelijken van twee gemiddelden
-Als je meerdere losse t-toetsen doet binnen meer populaties, grotere kansen op maken type1 fout
-Je weet uiteindelijk óf er een significant verschil is, maar niet hoe sterk/zwak dat effect is
Assumpties
1. Deelnemers van de studie zijn onafhankelijk
2. Homogeniteit van de varianties (levenes test)
3. Normaliteit van kwantitatieve data (histogram, PP/QQplot)
H0 en H1
H0 = varianties van de steekproeven zijn gelijk - bovenste rij levene’s test
H1 = Varianties zijn niet gelijk - onderste rij levene’s test
H0 = er is geen verschil in gemiddelde tussen … en …
Belangrijkste interpretatie van output SPSS:
Moet je benoemen welke t toets is gebruikt a.d.h.v. output van SPSS? Kijk naar je verkregen gegevens over
je steekproef > voor en na metingen interventie/twee metingen binnen 1 steekproef etc.
Voorbeeld antwoorden op tentamen:
- Benoem altijd de losse gemiddelden van de twee groepen én het verschil tussen de twee
gemiddelden!
- Het gemiddelde verschil tussen .. en … is wel/niet statistisch significant: T(df=…) = …., P = ….
- De levene’s test geeft aan dat er wel/geen significant verschil is in de varianties van de twee
groepen dit gaat over assumpties ook. H0= gelijk, kijk naar de p waarde.
o BI benoemen obv levene’s test H0/Ha
- Het werkelijke verschil ligt met 95% BI tussen de … en … (noem specifieke uitkomst)
Conclusie: wel/geen gemiddeld verschil tussen X en X, geschatte verschil = …, 95% BI
1
, ANOVA
Wanneer gebruik je deze
Verwachtingswaarden voor meer dan twee populaties vergelijken. Kwantitatieve gegevens met meer dan
twee onafhankelijke (categoriale) groepen. Categoriale factor relateren aan continue uitkomst.
Voor- en nadelen
+Je maakt optimaal gebruik van de totale steekproefomvang
+Minder kans op het maken van een type-1 fout, wanneer je allemaal losse t-toetsen doet heb je per toets
alpha kans op het maken van deze fouten. Hierbij verwerp je onterecht een H0
-Je weet uiteindelijk óf er een significant verschil is, maar niet hoe sterk/zwak dat effect is
-Je weet uiteindelijk niet in wélke groep het verschil anders is, geen onderlinge verhouding van effecten
Assumpties
1. Homogeniteit: variabiliteit van alle ‘behandelingen’ is hetzelfde > in boxplot zie whiskers en box
voor de variantie van de gegevens
2. Normale verdeling van gegevens > histogram
H0 en H1
H0 = Ucategorie 1 = Ucategorie 2 = Ucategorie 3 etc.
H0 = er is geen verschil in de populatie gemiddelden
H1 = in minstens een van de (noem specifieke gegevens, maar praat niet over populaties) is er wél een
verschil
Kwaliteit beoordelen
F-waarde geeft aan of de regressie in zijn totaal statistisch significant is, betere voorspelling van de
uitkomst door de determinant toe te voegen of niet en alleen met gemiddelde.
Belangrijkste interpretatie van output SPSS:
ANOVA-output geeft een overall toetsing van het effect.
PostHoc aanvragen wanneer je verschillende categorieën wilt zien om te weten wélke afwijkt.
Voorbeeld antwoorden op tentamen:
- Benoem altijd de losse gemiddelden van de twee groepen én het verschil tussen de getoetste
twee groepen oid.
- F-waarde of de regressie significant is mét de determinant betere voorspelling?
o De ANOVA geeft een F(…); p=0,05 geeft een significant overall effect aan
We mogen concluderen dat de gemiddelde … bij een van de … anderes is dan een van de
andere.
o Vanuit de posthoc analyse blijkt dat de (benoem groep) een wel/niet significant
lagere/hogere score heeft dan de (benoem referentie van deze) (meandiff=…..; p=…..)
Zo interpreteer je de richting van de gevonden effecten juist!!!
2
