Lecture 16: Chi-square t4est

Question 1

wanneer chi square test?

Answer 1

bij categorical independent and categorical dependent variables

één predictor variable!

Question 2

Without other qualification, ‘chi-squared test’ often is used as short for Pearson’s chi-squared test.

Answer 2

oke

Question 3

wat is een andere naam voor de chi square test

Answer 3

Lack-of-fit sum of squared errors

Question 4

waarom heeft chi square ook die andere naam

Answer 4

Lack-of-fit sum of squared errors

omdat het gaat over wat het model predict (expectation) en hoeveel de data deviates hiervan (data)

Question 5

formule x^2

Answer 5

x^2 = sum (observed - model)^2/model

Question 6

waar gaat chi square om, wat meet het?

Answer 6

observed frequencies en frequencies expected by the model -> hoeveel variabelen uit de ene categorie horen bij de andere categorie?

Question 7

df onder de x^2 distribution

Answer 7

df = (r-1)(c-1)

Question 8

dus wat is de df als beiden variabelen binary zijn

Answer 8

df = 1

Question 9

as the degree of freedom increases, the chi square distribution…

Answer 9

moves to the right

Question 10

wat als degrees of freedom = infinity

Answer 10

normal distribution

Question 11

waar kijk je naar bij een chi square test

Answer 11

wat is de probability van jouw gevonden chi square waarde of meer extreme, given that the H0 is true?

Question 12

wanneer kijk je naar de alternatieve hypothese?

Answer 12

als we de power willen weten: de probability of rightfully rejecting the H0

Question 13

welke sums van frequency zijn niet altijd gelijk?

Answer 13

de dependent variable, want daar heb je geen controle over

Question 14

hoe bereken je Eij

Answer 14

Eij = (row total i x column total j)/n

dit gaat dus om de som van de rij * de som van de kolom! hier krijg je uit wat de tabel zou zijn volgens het model, als de events independent zouden zijn. dus dan krijg je de verwachte/predicted values.

Question 15

wat is de probability of event A given B, if events A and B are independent of each other?

Answer 15

P(A|B) = P(A)

want ze zijn toch independent, dus dat maakt dan niet uit. gaat bijvoorbeeld om de probability dat iemand niest (A) gegeven dat Johnny nu een sprongetje maakt (B).

Question 16

P(A and B)

Answer 16

P(A)*P(B)

maar alleen als deze events independent zijn!!!!!

Question 17

wat krijg je uit de formule voor Eij?

Answer 17

de expected frequencies under the null model, if there is no association between the variables (= independent variables). dit vergelijk je dan met jouw gevonden data.

Question 18

wat bereken na het berekenen van Eij

Answer 18

observed data - model predctions

dan krijg je de discrepancy tussen expected and observed. dat square je, en deel je door model frequency.

x^2 = (observed-model)^2/observed

Question 19

hoe visualize je dit in r?

Answer 19

visualize.schiq(chi.squared,df,section=upper)

Question 19

the chi square statistic and the f statistic are always…..

Answer 19

two sided!!!

want de sampling distribution begint bij 0, en heeft alleen maar positieve nummers

Question 20

wat is het verschil tussen one sided en two sided

Answer 20

A one-tailed test looks for an “increase” or “decrease” in the parameter whereas a two-tailed test looks for a “change” (could be increase or decrease) in the parameter.

daarom is de f statistic en chi square two sided: je kijkt alleen maar of er een verandering is. daarna ga je met contrasts kijken waar die verandering is.

Question 20

wat impliceert het feit dat de chi square en f statistic altijd two sided zijn

Answer 20

dat een significante p value niks zegt over welke kant groter/meer effect heeft dan de ander!! het geeft alleen aan dat er ergens een verschil is.

dus in dit voorbeeld: we weten niet of odd/even numbers meer feminine of masculine zijn, we weten alleen dat er ergens een verschil zit.

Question 20

Fishers exact test: wanner gebruik je die?

Answer 20

bij small samples, when the x^2 distribution does not yet suffice.

want als je heel weinig observaties hebt, zijn er heel weinig mogelijke uitkomsten voor de F statistic. -> als je de sample size te klein hebt, heb je geen goede chi square distribution. daarom gebruik je dan fisher.

Question 21

wat doet fishers test?

Answer 21

calculates all the possible permutations, dus alle mogelijke uitkomsten, gebaseerd op de telling. dit geeft dan de p value.

Question 22

wat is de afkapwaarde voor fishers?

Answer 22

cell size < 5

Question 23

yates correction

Answer 23

hier gebruik je het absolute value of de model, en subtract 0.5. en dat square je dan.

Question 24

waarvoor gebruik je Yates correction

Answer 24

to prevent overestimation of statistical significance for small data.

Question 25

wanneer gebruik je Yates correction

Answer 25

at least one cell of hte table has an expected count smaller than 5.

Question 26

limitatie Yates corrections

Answer 26

may tend to overcorrect -> overly conservative results.
meer gebruiken om te kijken of jouw p value opeens enorm veranderd en niet meer significant is.

Question 27

likelihood ratio=

Answer 27

sum of natural logarithms of (observed/model)

Question 28

standardized residuals =

Answer 28

(observed-model) / sqrt(model)

Question 29

hoe bereken je de odds ratio

Answer 29

ad / bc

Question 30

wat laten standardized residuals zien

Answer 30

weg van de measurement scale, in which cells do we find the biggest deviation between models and data?

Question 31

wat is een andere manier om de odds ratio te berekenen:

Answer 31

category 1 dependent variable / category 2 dependent variable (dus de rijen!!)

dus in dit voorbeeld: feminine odds/masculine odds

Question 32

hoe interpreteer je deze odds ratios per categorie

Answer 32

In the feminine responses, there are +- 2.09 times as many even numbers than odd numbers. In the masculine responses, there are +- 0.4 times as many even numbers than odd numbers.

Question 33

je kan dit ook doen met de categorieen van de independent variable (odds ratio)

Answer 33

oke

Question 34

wat is de interpretatie van de gehele odds ratio

Answer 34

For this data, odd numbers received the feminine association +- 5.25 times more often than even numbers received the feminine association.

The odds ratio also accounts for the scores in the other condition: we do not only take into account the femininity of the odd numbers, but also the femininity of the even numbers.

Question 35

test statistic is influenced by … and effect size is influenced by…

Answer 35

magnitude + sample size (effect bij: big effect en small sample, or small effect and big sample size)

magnitude

dus effect size wordt alleen beinvloed door magnitude!!!

Question 36

hoe krijg je de odds ratio in jasp

Answer 36

onder statistics: odds ratio

dit kan alleen bij 2x2 design!

Question 37

highly significance in chi squared betekent niet groot effect!!! want het kan ook gewoon een grote sample zijn geweest. waar moeten we dan naar kijken?

Answer 37

naar de effect size: odds ratio.