ch3 Flashcards
welke stappen moet je doorlopen van de Null Hypothesis Significance Testing (NHST)
- Stap 1: toetskeuze, hypotheses bepalen en significantieniveau kiezen
- Stap 2: assumpties controleren
- Stap 3: toetsingsgrootheid en p-waarde bepalen
- Stap 4: conclusie trekken over H0 (een van de hypotheses)
- Stap 5: inhoudelijke conclusie en effectgrootte bepalen
wat is het doel van de NHST
We moeten deze stappen zetten voordat we kunnen zeggen wat we in de steekproef vinden en wat dat betekent voor de populatie. Met deze stappen kunnen we aantonen met dat we een uitspraak kunnen doen over wat we in de steekproef vinden, wat dit betekend in de populatie.
Stap 1: hypothesen
- Eerste stelling: nulhypothese (H0)
o Vaststelling van een situatie, geen samenhang tussen de variabelen, geen verschil tussen groepen, of alles blijft zoals het is. Afhankelijk van de onderzoeksvraag die je stelt, zal 1 van deze omschrijvingen in de nullhypothese te zien zijn. In het voorbeeld hebben we het over samenhang, waardoor de nullhypothese in dit voorbeeld zal zijn: er is geen samenhang tussen zelfwaardering en extraversie.
- Tweede stelling: alternatieve hypothese (H1)
o Verandering, samenhang, verschil, effect. Afhankelijk van de onderzoeksvraag die we stellen. In het voorbeeld zal de alternatieve hypothese dus laten zien dat er wel samenhang is tussen de twee variabelen.
wat is de H1 eigenlijk
De alternatieve hypothese is eigenlijk altijd de echtte verwachting of de onderzoeksinteresse van de onderzoeker.
wat is een steekproefverdeling
. Dit is een verdeling van alle mogelijke steekproeven uit een populatie. We gaan de steekproefverdeling gebruiken voor het feit dat verschillende steekproeven uit een populatie verschillende resultaten opleveren. We moeten rekening houden met die verschillen, anders trekken we verkeerde conclusies over de populatie.
steekproeffout
- Als we één steekproef hebben, kan het zomaar zijn dat de correlatie in de steekproef niet exact gelijk is aan de correlatie in de populatie. (we trekken altijd maar een steekproef, dat is dus een lastig gegeven om een uitspraak te doen over de populatie)
- Het verschil tussen deze twee waarden heet steekproeffout. Verschil tussen correlatiecoëfficiënt in de steekproef en correlatiecoëfficiënt in de populatie. Dit verschil tussen de waarde in de steekproef en de waarde in de populatie, noemen we steekproeffout. Dat is een fout die optreedt omdat we een steekproef gebruiken en niet een hele populatie onderzoeken. Dit kunnen we niet uitrekenen maar praten we theoretisch over.
- We willen natuurlijk graag dat de steekproeffout zo klein mogelijk is. Wat kunnen we doen? Dan hebben we veel meer vertrouwen in wat we in de steekproef vinden. Dit kunnen we een beetje zelf beïnvloeden
De steekproef fout is afhankelijk van de grootte van je steekproef. Als we een kleine steekproef gebruiken is er een grotere steekproeffout dan wanneer we een grotere steekproef gebruiken. Kleinere steekproeven leveren dus veel meer variatie in steekproeven op. Bij grotere steekproeven liggen die resultaten veel dichterbij elkaar. Extreme scores hebben minden invloed.
Standaardfout
- Spreiding van correlaties in de steekproevenverdeling noemen we de standaardfout
- Dus wat we net zagen: hoe groter de steekproef, hoe kleiner de standaardfout
andere naam voor p-waarde
overschrijdingskans
wat is de p-waarde
o = kans dat de waarde in de steekproef nog verder van nul ligt dan de geobserveerde waarde.
o = Oppervlakte van de curve
- De p-waarde wordt vermeld in wetenschappelijke artikelen
- De p-waarde is een indicatie van overeenkomst met de situatie in H0
o Grote p-waarde -> veel overeenkomst met de situatie in H0
o Kleine p-waarde -> weinig overeenkomst met de situatie in H0
- De p-waarde is een kans die (door een computerprogramma, zoals SPSS) uitgerekend kan worden
- Kleine p- waarde: alternatieve hypothese meest waarschijnlijk
- Grote p- waarde: null hypothese meest waarschijnlijk.
Significantieniveau
- We hebben een grens nodig, waarmee we de p-waarde kunnen vergelijken, die ons helpt om te bepalen of H0 of H1, het meest waarschijnlijk is. Het helpt ons te bepalen of de p-waarde groot of klein is. Die gaat ons helpen om een keuze te maken tussen H0 en H1
- Dat is het significantieniveau. Wij kiezen die zelf als onderzoeker.
- Duiden we aan met (alfa) griekse letter.
- Het significantieniveau is ook een oppervlakte onder de steekproevenverdeling
- Het geeft het gebied in de steekproevenverdeling aan waarin we zeggen dat we H1 het meest waarschijnlijk vinden.
- Gebruikelijke waarden van : .05 en .01. binnen de sociale wetenschappen zijn dat deze.
- Wanneer de p-waarde groter is dan vinden we H0 het meest waarschijnlijk-> we zeggen: H0 niet verwerpen
- Wanneer de p- waarde kleiner is dan vinden we H1 het meest waarschijnlijk -> we zeggen: H0, verwerpen resultaat is significant.
Waarin is de correlatiecoëfficiënt en de p-waarde verschillend?
De correlatiecoëfficiënt is een getal op de getallenlijn. Die correlatiecoëfficiënt ligt ergens tussen -1 en +1, dus tussen een getal op de getallenlijn. De p-waarde is een oppervlakte onder de curve, dat is een kans. Die drukken we uit in een preportie of een percentage. Dat betekend dat de p-waarde altijd ligt tussen 0 en 1 als het een proportie is of tussen 0 en 100 als het een percentage is. De p-waarde en de correlatiecoëfficiënt horen bij elkaar, maar de een is een getal op de getallenlijn en de ander is een oppervlakte uitgedrukt is een proportie of percentage.
Effectgrootte
- Bij verschillende grootte van n (steekproeven), verschillende steekproevenverdeling (die zien er anders uit)
- De p-waarde hangt onder andere af van hoe de steekproevenverdeling er uitziet.
- Dus grootte van n is van invloed op of een resultaat significant is
- Effectgrootte is een maat die niet afhankelijk is van n
- De effectgrootte vertelt dus iets over de sterkte van de samenhang.
- Maat voor effectgrootte bij correlatie: correlatiecoëfficiënt
- Alleen rapporteren bij statistisch significante samenhang vind. Dus alleen als er sprake is van positieve samenhang ga je die effectgrootte rapporteren.
r= .10
klein effect
r= .30
medium effect
