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!

Is pearson's r zowel bepaling effectgrootte als toets voor bivariate verbanden?

0 leuk 0 niet-leuks
In de bron"non parametrische data analyse wordt op pagina 14 pearson's r vermeld als effectgrootte en op pagina 15 wordt Pearson r genoemd als toets voor bivariate verbanden die beide van interval niveau zijn. Is Pearson r zowel de naam voor de toets áls de naam voor de effectgrootte?
Voor de chi kwadraat toets zijn als ik het goed begrijp cramer's V en de Odds ratio de aangewezen effectgrootten, en voor ANOVA zowel Cohen's D, eta kwadraat (maar met bias) en omega kwadraat (voor kleinere steekproeven geen bias). Cohen's d kan dan ook weer bij de t-toets als effectgrootte gerapporteerd worden, maar klopt het dan ook dat voor de Pearson r toets de pearson r effectgrootte vermeld moet worden.
Ik vind het allemaal wat verwarrend. Heb ik het zo goed begrepen?
gevraagd 30 mei 2018 in Kwalitatief Onderzoek (oude cursus Observatie & Interview) door Margot Geijs (220 punten)

1 Antwoord

0 leuk 0 niet-leuks

Het is ook wat verwarrend :-)

De verwarring wordt deels veroorzaakt door historie. Vroeger hadden mensen geen beschikking over computers, en daarom was het heel waardevol als voor toetsing een beperkt aantal verdelingen gebruikt konden worden: de z-verdeling, de t-verdeling, de F-verdeling, en de chi-kwadraat verdeling.

Toetsing bestond er dan meestal uit dat uit de relevante datareeksen een van die vier statistieken werd berekend. Omdat die verdelingen bekend waren, en er tabellen van beschikbaar waren, kon je dan makkelijk kijken wat de bijbehorende p-waarde was.

Tegenwoordig kunnen we van elke verdeling waarvan de vorm bekend is, de p-waarde uitrekenen.

Vroeger werd Pearson's r dus altijd omgerekend naar de t-waarde om de bijbehorende p-waarde te kunnen bepalen. Tegenwoordig kan de exacte verdeling van Pearson's r worden gebruikt.

Hetzelfde geldt voor Cohen's d: vroeger deden mensen een t-toets en berekenden ze daana apart Cohen's d. Nu kun je in principe gelijk Cohen's d berekenen en de verdeling van Cohen's de gebruiken om de bijbehorende p-waarde te berekenen: je hebt t niet meer nodig als tussenstation.

Naast dat er dus vier toetsingsgrootheden waren (z, t, F en chi-kwadraat) die veel werden gebruikt om p-waarden uit te rekenen (dus, om te toetsen) werden effectgroottes uitgerekend om uit te drukken hoe sterk twee variabelen samenhingen. Die effectgroottes waren idealiter onafhankelijk van de schaalverdeling van de betreffende variabelen, zodat ze over studies vergeleken konden worden.

Nu voldoet Pearson's r aan beide eisen. Hij is onafhankelijk van de schaal van de variabelen, en de verdeling is bekend. Je kunt Pearson's r dus zowel als toetsingsgrootheid als als effectgrootte gebruiken. Desalniettemin rapporteert software bij de toetsing van Pearson's r vaak nog de t-waarde, om historische redenen.

Dus, je overzicht klopt:

  • voor kruistabellen gebruik je Cramer's V (en als de kruistabel twee bij twee is, kun je ook de Odds Ratio gebruiken);
  • voor anova gebruik je normaal omega^2 (of eventueel eta^2, maar die is inderdaad gebiased, dus die kun je beter vermijden. Cohen's d gebruik je normaal niet bij anova, want die kun je alleen berekenen als je maar 2 groepen hebt, en dan doe je normaal een t-toets in plaats van een variantie-analyse);
  • voor de t-toets gebruik je normaal Cohen's d;
  • En de correlatie is Pearson's r, dus dan ben je snel klaar: want dat is al een effectgrootte.
Helpt dit?
beantwoord 30 mei 2018 door gjp (63,300 punten)
...