Col4. Factoriële ANOVA Flashcards
Factorieel design
Twee criteria:
1) >= 2 factoren (OV’s, = factoren op basis waarvan je groepen zou kunnen maken)
2) ieder niveau (groep) van de ene factor (bijv sporttype) bevat ieder niveau van alle andere factoren (bijv. mannen en vrouwen)
Drie typen:
- independent factorial design
- dependent factorial design
- mixed design
Independent factorial design
Factoren worden TUSSEN proefpersonen gevariëerd -> group comparisson
- > fact. ANOVA
- iedere pp hoort in 1 cel (= combi van verschillende niveaus van alle factoren)
Dependent factorial design
Factoren worden BINNEN proegpersonen gevarieerd –> repeated measures ANOVA
- iedere pp doorloopt binnen het experiment alle cellen
Mixed design
De ene factor wordt tussen pp gevarieerd, de ander binnen pp
- > repeated measures ANOVA
- bijv herhaald meten van verschillende groepen
Interactie
Hoe de effecten van verschillende factoren elkaar wederzijds beïnvloeden; wat het gecombineerde effect is op de AV
- = de mate waarin effecten van factor 1 op de AV verschillen voor de verschillende niveaus van factor 2
Hoofdeffect
Het effect van één specifieke factor op de AV
Drieweg interactie
Interactie tussen 3 factoren; de interactie tussen factor 1 en 2 is anders voor de verschillende niveaus van factor 3
- HEEL lastig om betekenis aan te verlenen
Intercept
In SPSS-output van fact. ANOVA; = grand mean
- significantie: kijkt of de grand mean van de AV anders is dan 0
- doorgaans niet interessant, tenzij je AV verschilscores zijn
Corrected model
netto effect van alle hoofdeffecten en interacties bij elkaar
- significantie: kijkt of de gemiddelden van alle CELLEN van elkaar verschillend zijn
Gebalanceerd design
Factorieel design waarbij alle cellen evenveel waarnemingen hebben
- dan geld SS(corrected)= SS(fact1) + SS(fact2) + SS(fact1*fact2)
ANDERS NIET! ivm vrijheidsgraden
R^2
Percentage variantie verklaard door het corrected model (= hoofdeffecten + interacties)
Adjusted R^2
Gecorrigeerd obv aantal waarnemingen en variabelen
- omdat R^2 in steekproef vaak overschatting van populatie
Eta squared
Effect size bij ANOVA; percentge verklaarde variantie door een bepaalde factor: SS(effect)/SS(corrected)total
- 0.01= klein
- 0.06= gemiddeld groot
- 0.14 = groot
!! Hoe meer factoren die allemaal bijdragen, hoe kleiner de eta squared voor de losse factoren
Partial eta squared
Gecorrigeerde effect size bij ANOVA; percentage variantie dat door een bepaalde factor wordt verklaard EN NIET door de andere factoren (= de error)
- SS(effect)/ (SSeffect+SSerror)
!! Effect size voor de STEEKPROEF niet POPULATIE
Planned contrast = planned comparisson
Vervolganalyse na ANOVA als je een specifieke verwachting hebt over (de richting van) de verschillen tussen groepen
- lineaire combinatie van variabelen (weegfactoren), waarvan de coëfficiënten opgeteld 0 zijn
- doelgericht testen wat je wilt weten –> minder vergelijkingen -> minder alfa-inflatie + grotere powerc
- aantal contrasten = aantal groepen -1
Orthogonale contrasten
= onafhankelijk; iedere vergelijking toetst andere stukjes van de variantie -> geen alfa-correctie nodig -> gewoon toetsen met t-toets
- !! Bij 3 groepen heb je 2 vergelijkingen binnen één contrast !! Orthogonaal gaat over die 2 vergelijkingen tov ELKAAR
- het PRODUCT van de coëfficiënten OPGETELD = 0
Niet-orthogonale contrasten
= onafhankelijk; de stukjes variantie die in iedere vergelijking getoetst worden overlappen elkaar gedeeltelijk
- Eig wel alfa-inflatie -> voorzichtig met interpreteren van p-waarde
Deviation contrast
Afwijking/ verschil tov de grand mean toetsen:
- 1 vs (1+2+3)
- 2 vs (1+2+3)
Simple contrast
Iedere geroep met dezelfde referentiegroep vergelijken
- 1 vs 2
- 1 vs 3
Helmert Contrast
ORTHOGONAAL
Eerst groep 1 vergelijken met alle latere groepen samen, vervolgens die twee latere groepen met elkaar vergelijken
- 1 vs (2+3)
- 2 vs 3
Repeated contrast
Opvolgende vergelijkingen; eerst 1 met 2 en dan 2 met 3 enz
- 1 vs 2
- 2 vs 3
Difference contrast
ORTHOGONAAL, omgekeerde Helmert
Eerst de eerste twee groepen met elkaar vergelijken, vervolgend de laatste groep vergelijken met die twee eerdere samen
- 1 vs 2
- 3 vs (1+2)
df(hoofdeffect)
n1-1
- n= aantal NIVEAUS van die factor
df(interactie)
df(hoofd1) * df(hoofd2)
- met df(hoofd)= NIVEAUS -1
df(corrected_model)
(n1*n2)-1
- n1= aantal NIVEAUS van factor 1 etc
df(total)
n
- n= totaal aantal PROEFPERSONEN
df(corrected__total)
n-1
- n= totaal aantal PROEFPERSONEN
df(error)
n-(n1*n2)
- n= totaal aantal PROEFPERSONEN
- n1= aantal NIVEAUS van factor 1 etc
