Samenvatting onderzoeksmethoden en dataverwerking deel 2

Onderzoeksmethoden en dataverwerking deel 2
Module 1 : data analyse – POWER

- Inferential statistics

Population



Sample Sampling distribution of the statistic
Evaluation


• Sample nemen en daarin statistische toets doen
• Spreiding is de standard error of mean (SEM) → hoe kleiner SEM = hoe kleiner variabiliteit
• Betrouwbaarheidsinterval → Onzekerheid kleiner, bij kleiner interval

- Power Analyse

Wanneer doen we dit ? Bij statistisch significante toetsen !!

Nulhypothese toetsen → H0 is meestal dat er geen effect is of geen verschil

 Bedoeling dus om H0 te verwerpen

Wanneer je geen verschil vind, gaat revieuwer u vragen om post-hoc dan een POWER analyse te
doen ➔ Post-hoc is na de studie, je doet dit beter al voor de studie

POWER = de kans om een verschil te vinden als er een verschil aanwezig is

TRUTH TABEL


In werkelijkheid H0 = waar H0 = vals
(onze theorie is fout) (onze theorie is juist)
Ons besluit



POWER
H0 verwerpen Type 1 fout (𝛼) (1-𝛽)
= 0,05 = 0,80
= Er is een verschil en in werkelijkheid is er een verschil




Betrouwbaarheidsinterval Type 2 fout (𝛽)
H0 behouden = 0,95 = 0,20




Buiten betrouwbaarheidsinterval

= reject H0




1

, Blauw = als H0 waar is (central distribution)

Oranje = H0 is vals (noncentral distribution)

Non-centrality parameter NCP = hoe ver ze van elkaar liggen




(1- 𝛼) = (1-type 1 fout) = betrouwbaarheidsinterval

(1-β) = (1-type 2 fout) = POWER




In werkelijkheid H0 = waar H0 = vals
Ons besluit



H0 verwerpen TYPE 1 FOUT POWER




H0 behouden Betrouwbaarheidsinterval TYPE 2 FOUT




- Power analyse

• P → Power (1-𝛽)
• A → Alpha level of significance
• N → Number of subjects (sample size)
• E → Effect size

- Effect size
= is een statistische maat voor hoe sterk het effect van een handeling is vergeleken met een
andere populatie waarop die handeling niet wordt toegepast (controle)

Als de nulhypothese juist is = effect size = 0 ➔ omvang van verschil tussen groepen

r = omvang van de associatie & r ² = omvang van de variantie van de AV, verklaard door OV

2

,verschil met P-waarde → is een probability, terwijl effect size een maat is voor de betekenisvolheid
van een begrip

ES  = power 

Grotere ES → curves gaan verder uit elkaar (𝛽 wordt kleiner en dus een grotere power)

Als 𝛼 , dan 𝛽 en dan POWER  = want kritische waarde schuift op naar links !!

T-toetsen → aftoetsen met kritische T-waarde

Vanaf T-waarde groter dan kritische T-waarde → grotere P-value

Kritische waarde nog hoger → kleinere power (type 2 fout neemt toe)

Tweezijdig toetsen heeft lagere power dan eenzijdig!!!

 Want kritische waarde schuift bij tweezijdig op naar links waardoor grotere type 2 fout

- Steekproefomgang en variantie

• Gebruiken standaardfout van sampling distributie om betrouwbaarheidsintervallen te
estimeren




• Kritische waarde verlaagd ➔ power stijgt ➔ bij :
▪ Kleinere s
▪ Homogene subjecten (kleinere variaties zorgen voor kleiner interval)
▪ Within subjects designs → variabiliteit verkleinen (zelfde patiëntengroep gebruiken)
▪ Grotere n : steekproefomvang
• Kritische waarde voor t-test; r, …zijn lager voor grotere samples ➔ hogere power, kleiner
betrouwbaarheidsinterval

N en/of ơ

 Grotere power!!

- Andere factoren

• Normale verdeling in de populatie ? distributievrije toetsen moeten niet normaal verdeeld
zijn
• Welke statistische procedure ?
Power v/d parametrische toetsen > distributievrije toetsen
• Betrouwbaarheid van de meetwaardes
• Welk design
Power van within subject designs > between-subject design !! lagere variabiliteit




3

, - Estimatie van de power

Als onderzoeker te bepalen :

- hoe groot wens ik kans dat type I fout/ type II maak
 Meestal hanteert men = Type I-fout VS Type II-fout ➔ Ratio 4 : 1 (0,05 en 0,20)
- Wat is gewenste power ? als B = 0,20 → 80%
- Wat is gewenste ‘effect size’

ES uitgedrukt in eenheden van SD :

• Kleine ES : 0,20 s
• Gemiddelde ES : 0,50 s
• Grote ES : 0,80 s

- Power analyse

T-toets uitrekenen met formule of SPSS

Kritische waarde bekijken adhv vrijheidsgraden

 H0 verwerpen indien t-waarde groter dan kritische waarde
 H0 verwerpen indien P-value onder 0,05

Ook Effect size rapporteren naast P-value om betekenis van verschil te duiden !!

- Bayesiaanse statistische data-analyse

Bayesiaanse statistische data-analyse → naast nulhypothese ook kijken alternatieve hypothese

Probabiliteit/evidentie voor H0 wordt afgewogen tov evidentie voor H1

Niet zo een hele sterke evidentie voor alternatieve hypothese, maar wel groter dan H0




4