Samenvatting Statistiek voor de psychologie (Statistiek 2 deel B)
Boek: Statistiek voor de psychologie, GLM en non-parametrische toetsen (Jules L. Ellis)
Hoofdstuk 1 t/m 8 + aantekeningen van de hoorcolleges
Hoorcollege 1 – Design en analyse
Data en vraagstelling -> design -> analyse.
Wanneer er een within-subjectfactor is, is een indeling van de metingen altijd nodig (dit wordt
weergegeven in een tabel).
-> dit is nodig, omdat de within-subjectfactor en de afhankelijke variabelen dan niet in de data staan
(in SPSS).
Voorbeelden van designs:
- T-toets voor gekoppelde paren (gaat over tijd -> A+C = B+D) => repeated measures ANOVA
- Twee t-toetsen voor onafhankelijke steekproeven (A=C? en B=D?) => MANOVA
- Correlatie en regressie (het effect van correct1 op correct2) => ANCOVA
Hoofdstuk 1 – Design en analyse
1.1
Bij het specificeren van een design beschrijf je:
- De afhankelijke variabelen (AV’s) + meetniveaus (-> meestal kwantitatief)
- De within-subjectfactoren + niveaus (als ze er zijn ook de indelingen van de metingen)
- De between-subjectfactoren + niveaus
- De covariaten + meetniveaus (-> meestal kwantitatief)
-> covariaten zijn kwantitatieve, onafhankelijke variabelen waarvan wordt onderzocht of zij correleren
met een afhankelijke variabele.
-> in een design alleen variabelen noemen die relevant zijn.
-> in een design beschrijf je van elke variabele de functie in de analyse.
1.2
Bij een ANCOVA heb je een covariaat.
Bij een multiple-regressieanalyse heb je een predictor.
-> is eigenlijk hetzelfde, maar je geeft het een andere naam (ligt aan de analyse).
Between-subjectfactor is de indeling van subjecten.
Within-subjectfactor is de indeling van de metingen.
Sessie Variabelen Afhankelijke variabele Sessie Meting
1 R1, W1, L1 Read 1 R1
2 R2, W2, L2 2 R2
3 R3
3 R3, W3, L3
4 R4
4 R4, W4, L4 5 R5
5 R5, W5, L5 Write 1 W1
2 W2
3 W3
Een maat is een afhankelijke variabele die 4 W4
bestaat uit meerdere metingen. 5 W5
Listen 1 L1
2 L2
3 L3
4 L4
5 L5
,1.3
Variabelen R1 t/m R5 kun je op twee manieren in het design gebruiken:
- Als 5 verschillende afhankelijke variabelen (zo krijg je antwoord op: heeft de methode invloed
op R1? Heeft de methode invloed op R2? Enz.)
- Als 1 afhankelijke variabele met een within-subjectfactor van 5 niveaus (zo krijg je antwoord
op: zijn de gemiddelden van R1 t/m R5 verschillend? En of de methode invloed heeft op de
somscore R1+R2+R3+R4+R5?)
1.4
Zie figuur 1.1 op blz. 23 voor het kiezen van een analyse.
1.6
Andere benamingen van de termen; between, within en total.
Between Within Total
Regression Residu Total
Hypothesis Error Total
Model Error Total
Explained Unexplained Observed
In SPSS betekent ‘Corrected Total’ de ‘normale total’.
1.7.1
Een beknopt rapport omvat:
- De specificatie van het design
- De naam van de soort analyse
- De belangrijkste elementen van de toetsing (F, df’s, p-waarde, R^2 of eta^2)
- De beslissingen in woorden (gebruik de termen ‘significant’ en ‘non-significant’.
Hoorcollege 2 – Multiple regressie analyse
Regressie: a + b * X Y= b * X + a
Voorspelde score kan je uit de output van SPSS halen -> R Square (zie slide 9 van hoorcollege 2).
Residu = Y – Yvoorspeld
Variantie: 1. Scores invoeren
2. shift S-VAR, knop 3 op rekenmachine
3. kwadrateer dit getal
-> dit heb je nodig om R^2 te berekenen
-> R^2 = voorspelde variantie/totale variantie
ANOVA-tabel:
SS = variantie * (N-1)
-> regressie = voorspelde variantie * (N-1)
-> total = totale variantie * (N-1)
-> residu = totaal – regressie
b (b-gewichten/regressiegewichten) kan je vervangen door B (betekent dan ‘in de populatie’).
Hoofdstuk 2- Multiple regressie analyse
2.1
Een Multiple regressie analyse (MRA) onderzoekt het verband tussen:
, - 1 kwantitatieve afhankelijke variabele (criterium) en
- meerdere kwantitatieve onafhankelijke variabelen (OV’s) (predictoren)
-> dit wordt gebruikt om te voorspellen, niet verklaren.
2.1.1
b = hellingscoëfficiënt
a = intercept
r = correlatiecoëfficiënt
r^2 = proportie verklaarde variantie
2.2
Yvoorspeld = b0 + b1 * predictor 1 + b2 * predictor 2 + …+ k * predictor k
-> b0 t/m bk zijn b-gewichten
-> predictoren zijn scores van subjecten
2.3
Lees het korte voorbeeld van een MRA op blz. 40 t/m 42.
Criterium = Bulimia (kwantitatief)
Predictoren = Ineffectiveness, Perfectionism, Interpersonal distrust, Interoceptive awareness,
Maturity fears, Ascetism, Impulse regulation, Social insecuirity (allen kwantitatief)
Op welke wijze hangt Bulimia af van deze predictoren?
Hoe sterk is die relatie?
Predictor b-gewicht
Ineffectiveness .2249
Perfectionism .0683
Interpersonal distrust -.0927
Interoceptive awareness .0823
Maturity fears -.0292
Ascetism .1002
Impulse regulation .2532
Social insequirity -.0305
Voorspelde Bulimia = .2249 * Ineffectiveness
+ .0683 * Perfectionism
+ -.0927 * Interpersonal distrust
+ *
+ *
+ *
+ *
+ *
-> regressievergelijking. Hiermee kan voor elke persoon een voorspelde score berekend worden.
H0: R^2 = 0 (in de populatie).
Het toetsen van de hypothese verloopt via een ANOVA-tabel.
SStotaal = (N-1) * de variantie van de geobserveerde scores van Bulimia.
SSregressie = (N-1) * de variantie van de voorspelde scores.
2.4.5
B = populatie-regressiegewichten.
