Dit is een site voor studenten van de Open Universiteit. Voordat je een vraag kunt stellen moet je even een account aanmaken (dit systeem is niet gekoppeld aan je OU studentnummer en wachtwoord).

Welkom bij het vraag- en antwoord systeem van de onderzoeks-practica van de studie psychologie bij de Open Universiteit.

Houd er, als je een vraag stelt, rekening mee dat je de richtlijnen volgt!

Wat betekent '80% power' ?

0 leuk 0 niet-leuks
In bron 'Kwalitatief onderzoek: Steekproeven' staat:

" ... maar met bijvoorbeeld een experiment met twee groepen waarin een gemiddelde effectsize wordt verwacht, is de rol van toeval al behoorlijk afgenomen met 64 deelnemers per groep (de studie heeft dan 80 procent power, dus als er inderdaad een verband is met een gemiddelde effect size, zal dat verband in 80 procent van de studies kunnen worden aangetoond). "

Waarom heeft een experiment met 64 deelnemers per groep 80% power? Hoe wordt dit berekend?

Wordt 'power' niet ook door andere factoren bepaald dan alleen steekproefgrootte (randomisatie, meenemen van confounders, enz) ?

 

Dankjewel alvast!
gevraagd 13 december 2015 in Kwalitatief Onderzoek (oude cursus Observatie & Interview) door Ting (770 punten)

1 Antwoord

1 leuk 0 niet-leuks

Power is een functie van twee zaken. De eerste is de effect size: hoe groot een bepaald verband is. De tweede is de steekproefomvang: deze bepaalt immers hoe snel een verband significant is. Bij grote steekproeven zijn zwakke of zelfs triviale verbanden significant, maar bij kleine steekproeven moeten verbanden veel groter zijn om gedetecteerd te worden (i.e. om significant te worden).

Randomisatie en confounders betreffen beiden validiteit, geen power. Randomisatie is een instrument om conclusies te trekken over causaliteit: zonder randomisatie kun je slechts tentatieve conclusies trekken over validiteit. Confounders bedreigen je validiteit, tenzij je ze identificeert en in je model opneemt als covariaat.

Je kunt ook covariaten in een model opnemen om meer power te krijgen. Die covariaten hoeven dan geen confounders te zijn; als ze maar variantie in je afhankelijke variabele verklaren die niet wordt verklaard door je voorspeller, leidt opname van die covariaten in je model tot een afname van de onverklaarde variantie. Omdat de variantie die je voorspeller verklaart dan hetzelfde blijft (aangenomen dat de covariaat niet samenhangt met je voorspeller), verklaart je voorspeller dus relatief meer van de afhankelijke variabele. Zoals je merkt zijn effect sizes, en is power, in de context van multivariate designs al wat complexer: effect sizes en power hangen dan af van je volledige model, inclusief de samenhang tussen je voorspellers.

De power wordt berekend met software zoals G*Power, of in R, met het package 'pwr', waarbij deze commando's:

install.packages('pwr');
library('pwr');
pwr.t.test(d=.5, n=64);

Deze output geven:

     Two-sample t test power calculation 

              n = 64
              d = 0.5
      sig.level = 0.05
          power = 0.8014596
    alternative = two.sided

NOTE: n is number in *each* group


Overigens, mocht je je afvragen hoe je eigenlijk weet hoe sterk een verband is: dat weet je nooit. Als je immers wist hoe sterk een verband in de populatie was, hoefde je het niet langer te onderzoeken. Je baseert je schatting van hoe groot het effect wellicht is op de wetenschappelijke literatuur.

Die schatting 'gooi' je dan in R. Als je bijvoorbeeld een middelsterke correlatie (r=.3) verwacht, en je wil 90% kans hebben om die te detecteren met je studie, dan doe je:

pwr.r.test(r=.3, power=.9);

En dan krijg je:

     approximate correlation power calculation (arctangh transformation) 

              n = 111.8068
              r = 0.3
      sig.level = 0.05
          power = 0.9
    alternative = two.sided


Zie voor meer informatie over hoe je power berekent:

?pwr

En http://oupsy.nl/help/30/hoe-weet-ik-hoeveel-proefpersonen-deelnemers-ik-nodig-heb

beantwoord 18 december 2015 door gjp (69,380 punten)
bewerkt 18 december 2015 door gjp
...