| Practicum 4: ANOVA en ANCOVA
Let op:
Stel in SPSS de juiste opties in via ‘edit’ en ‘options’:
● Bij het tabblad 'general': klik op 'display names'
● Bij het tabblad ‘output labels’: zet alle labels op ‘names and labels’ en op ‘values and
labels’
● Druk altijd op ‘Paste’, nooit op ‘Ok’: dan kan SPSS jouw syntax niet lezen
● Als er bij Sig. .000 staat dan noteer je dit als p < .001 !!!!!!!
ANOVA = Analysis of Variance = variantie-analyse
● Onderzoekt verschillen tussen groepsvariabelen
● Hierbij hoef je de x-variabelen niet eerst te veranderen naar een dichotome variabele
(dus met 0 en een 1 i.p.v. hoe het nu staat met een 1 en 2)
ANCOVA = Analysis of Covariance
Vraag 1
Open de datafile “OP_Week4.sav” vanuit Canvas. Dit is wederom een fictieve dataset, met
daarin variabelen uit het onderzoek waar jullie zelf aan hebben deelgenomen. Dit keer is de
social media voorkeur (SNSvoorkeur) toegevoegd. Bij social media voorkeur zijn drie
groepen gecreëerd op basis van meest gebruikte social media platform per participant: 1 =
Facebook, 2 = YouTube, en 3 = WhatsApp. Je wilt toetsen of deze drie groepen van elkaar
verschillen in mate van subjectief welzijn. Voer deze variantieanalyse uit. Vraag om de
Descriptives (voor gemiddelden en SDs), (estimates of) effect sizes en de toets voor
homogeniteit van de varianties. Vraag ook om de zogenaamde post hoc test - kies de
Bonferroni correctie - om na te gaan welke groepsgemiddelden nu precies significant van
elkaar verschillen. Je hebt namelijk vooraf geen specifieke verwachtingen daarover, je
verwacht alleen dat er een effect van social media voorkeur is. Rapporteer de resultaten en
interpreteer ze.
Uitvoering 1
Eerst draaien we een frequentie-analyse:
1) Analyze > Descriptives > Frequencies
a) Selecteer ‘SuBW’ en ‘SNSvoorkeur’
Let op: SNSvoorkeur bevat nominale variabelen, omdat we Facebook of WhatsApp ook
nummer 1 had kunnen geven. Het is enkel om de groepen van elkaar te onderscheiden.
Daarom gebruiken we ANOVA.
1) Analyze > General Linear Model > Univariate
a) Dependent Variable → Selecteer ‘SuWB’
b) Fixed Factors (groepsvariabelen) → Selecteer ‘SNSvoorkeur’
c) Options → Vink aan:
i) ‘Descriptives statistics’
ii) ‘Estimate of effect size’
iii) ‘Homogeneity tests’
d) Post Hoc → sleep ‘SNSvoorkeur’ naar ‘Post Hoc Test for’
i) Vink aan: ‘Bonferroni’
,Tabel ‘Descriptive Statistics’
Je ziet hier het gemiddelde binnen de groepen van de steekproef. Je wil toetsen of deze
verschillen significant zijn. Je ziet nu al in deze tabel dat er verschillen zijn.
● Std. Deviation → spreiding rondom het gemiddelde
○ Std. Deviation in het kwadraat = variantie
● Het is niet de bedoeling dat één van de Std. Deviations heel erg afwijkt (in dit geval
3.0) → Ik denk: de steekproef moet eerlijk verdeeld zijn in groepen
● H0 = variantie is laag/gelijk binnen de groepen (de Std. Deviations in de tabel)
Tabel van homogeneity: ‘Levene’s Test of Equality of Error Variances’
● Deze tabel laat de homogeneity zien en toetst of de hoeveelheid binnen de
groepsverschillen te veel afwijkt.
● Je wil dat deze test niet significant is (want dan zijn er niet veel verschillen en dan is
de ‘Descriptives Statistics’ tabel wél significant. Als dat het geval is dan behouden we
de H0 = er zijn geen verschillen binnen de varianties)
○ Hiervoor lees je de Based on Mean af en kijk bij Sig.
● Levene Statistic = toetsingsgrootheid
H0 betekent altijd = gelijk, is hetzelfde, geen verschil.
Aflezen/uitleg tabel:
● Toetsing = niet significant, want .355 is > p .05→ Zie Based on Mean af en kijk bij Sig.
● Dit betekent dat de varianties bij tabel ‘Descriptive Statistics’ wél significant zijn
● We mogen de gemiddelden uit de ‘Descriptive Statistics’ vertrouwen, omdat aan de
assumptie is voldaan (de Levene’s test tabel is niet significant)
, Tabel ‘Tests of Between-Subjects Effects’
● Hier zien we of de gemiddelden verschillen in populatie
● Gericht op toetsing, je ziet niet direct effecten
● F-toets
○ H0 = de drie gemiddelden uit de groepen zijn gelijk
○ H1 = er is wel een verschil tussen deze drie groepen (we weten alleen nog
niet waar)
Kijk bij de geselecteerde variabele (SNSvoorkeur)
● We zien dat de tabel een significantie weergeeft (.003), dus we verwerpen de H0. De
groepen zijn niet aan elkaar gelijk. We weten alleen nog niet waar de verschillen
zitten.
● Kijk in kolom ‘Partial Eta Squared’ in tabel ‘Tests of Between-Subjects Effects’, hier
vind je de effectsize → η² = .073
○ Effectsize = indicatie voor de sterkte/grootte van het effect van de
groepsvariabelen op het subjectief welzijn.
○ Noteer je als η²
Aflezen/uitleg tabel om F-toets te noteren:
● F(2, 154) = 6.05, p = .003, 2 = .07.
○ F(Df van ‘SNSvoorkeur’, df van ‘Error’) = F van ‘SNSvoorkeur’, Sig. van
‘SNSvoorkeur’, Sig, η²
● Rijen ‘Intercept’ en ‘Total’ gebruiken we niet
● Uit een variantieanalyse met social media voorkeur als onafhankelijke variabele en
subjectief welzijn als afhankelijke variabele kwam een significant hoofdeffect van
social media voorkeur naar voren, F(2, 154) = 6.05, p = .003, 2 = .07.
Let op:
Stel in SPSS de juiste opties in via ‘edit’ en ‘options’:
● Bij het tabblad 'general': klik op 'display names'
● Bij het tabblad ‘output labels’: zet alle labels op ‘names and labels’ en op ‘values and
labels’
● Druk altijd op ‘Paste’, nooit op ‘Ok’: dan kan SPSS jouw syntax niet lezen
● Als er bij Sig. .000 staat dan noteer je dit als p < .001 !!!!!!!
ANOVA = Analysis of Variance = variantie-analyse
● Onderzoekt verschillen tussen groepsvariabelen
● Hierbij hoef je de x-variabelen niet eerst te veranderen naar een dichotome variabele
(dus met 0 en een 1 i.p.v. hoe het nu staat met een 1 en 2)
ANCOVA = Analysis of Covariance
Vraag 1
Open de datafile “OP_Week4.sav” vanuit Canvas. Dit is wederom een fictieve dataset, met
daarin variabelen uit het onderzoek waar jullie zelf aan hebben deelgenomen. Dit keer is de
social media voorkeur (SNSvoorkeur) toegevoegd. Bij social media voorkeur zijn drie
groepen gecreëerd op basis van meest gebruikte social media platform per participant: 1 =
Facebook, 2 = YouTube, en 3 = WhatsApp. Je wilt toetsen of deze drie groepen van elkaar
verschillen in mate van subjectief welzijn. Voer deze variantieanalyse uit. Vraag om de
Descriptives (voor gemiddelden en SDs), (estimates of) effect sizes en de toets voor
homogeniteit van de varianties. Vraag ook om de zogenaamde post hoc test - kies de
Bonferroni correctie - om na te gaan welke groepsgemiddelden nu precies significant van
elkaar verschillen. Je hebt namelijk vooraf geen specifieke verwachtingen daarover, je
verwacht alleen dat er een effect van social media voorkeur is. Rapporteer de resultaten en
interpreteer ze.
Uitvoering 1
Eerst draaien we een frequentie-analyse:
1) Analyze > Descriptives > Frequencies
a) Selecteer ‘SuBW’ en ‘SNSvoorkeur’
Let op: SNSvoorkeur bevat nominale variabelen, omdat we Facebook of WhatsApp ook
nummer 1 had kunnen geven. Het is enkel om de groepen van elkaar te onderscheiden.
Daarom gebruiken we ANOVA.
1) Analyze > General Linear Model > Univariate
a) Dependent Variable → Selecteer ‘SuWB’
b) Fixed Factors (groepsvariabelen) → Selecteer ‘SNSvoorkeur’
c) Options → Vink aan:
i) ‘Descriptives statistics’
ii) ‘Estimate of effect size’
iii) ‘Homogeneity tests’
d) Post Hoc → sleep ‘SNSvoorkeur’ naar ‘Post Hoc Test for’
i) Vink aan: ‘Bonferroni’
,Tabel ‘Descriptive Statistics’
Je ziet hier het gemiddelde binnen de groepen van de steekproef. Je wil toetsen of deze
verschillen significant zijn. Je ziet nu al in deze tabel dat er verschillen zijn.
● Std. Deviation → spreiding rondom het gemiddelde
○ Std. Deviation in het kwadraat = variantie
● Het is niet de bedoeling dat één van de Std. Deviations heel erg afwijkt (in dit geval
3.0) → Ik denk: de steekproef moet eerlijk verdeeld zijn in groepen
● H0 = variantie is laag/gelijk binnen de groepen (de Std. Deviations in de tabel)
Tabel van homogeneity: ‘Levene’s Test of Equality of Error Variances’
● Deze tabel laat de homogeneity zien en toetst of de hoeveelheid binnen de
groepsverschillen te veel afwijkt.
● Je wil dat deze test niet significant is (want dan zijn er niet veel verschillen en dan is
de ‘Descriptives Statistics’ tabel wél significant. Als dat het geval is dan behouden we
de H0 = er zijn geen verschillen binnen de varianties)
○ Hiervoor lees je de Based on Mean af en kijk bij Sig.
● Levene Statistic = toetsingsgrootheid
H0 betekent altijd = gelijk, is hetzelfde, geen verschil.
Aflezen/uitleg tabel:
● Toetsing = niet significant, want .355 is > p .05→ Zie Based on Mean af en kijk bij Sig.
● Dit betekent dat de varianties bij tabel ‘Descriptive Statistics’ wél significant zijn
● We mogen de gemiddelden uit de ‘Descriptive Statistics’ vertrouwen, omdat aan de
assumptie is voldaan (de Levene’s test tabel is niet significant)
, Tabel ‘Tests of Between-Subjects Effects’
● Hier zien we of de gemiddelden verschillen in populatie
● Gericht op toetsing, je ziet niet direct effecten
● F-toets
○ H0 = de drie gemiddelden uit de groepen zijn gelijk
○ H1 = er is wel een verschil tussen deze drie groepen (we weten alleen nog
niet waar)
Kijk bij de geselecteerde variabele (SNSvoorkeur)
● We zien dat de tabel een significantie weergeeft (.003), dus we verwerpen de H0. De
groepen zijn niet aan elkaar gelijk. We weten alleen nog niet waar de verschillen
zitten.
● Kijk in kolom ‘Partial Eta Squared’ in tabel ‘Tests of Between-Subjects Effects’, hier
vind je de effectsize → η² = .073
○ Effectsize = indicatie voor de sterkte/grootte van het effect van de
groepsvariabelen op het subjectief welzijn.
○ Noteer je als η²
Aflezen/uitleg tabel om F-toets te noteren:
● F(2, 154) = 6.05, p = .003, 2 = .07.
○ F(Df van ‘SNSvoorkeur’, df van ‘Error’) = F van ‘SNSvoorkeur’, Sig. van
‘SNSvoorkeur’, Sig, η²
● Rijen ‘Intercept’ en ‘Total’ gebruiken we niet
● Uit een variantieanalyse met social media voorkeur als onafhankelijke variabele en
subjectief welzijn als afhankelijke variabele kwam een significant hoofdeffect van
social media voorkeur naar voren, F(2, 154) = 6.05, p = .003, 2 = .07.
