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!

0 leuk 0 niet-leuks

Ik heb een vraag over de terugkoppeling van opdracht 3.3.4:

“Studenten met een verschillende vooropleiding verschillen niet in de mate van statistiekangst die zij hebben voordat zij de cursus deden (F(4, 35) = 1.99, p = .12). De varianties zijn aan elkaar gelijk, maar een post-hoctoets is niet nodig aangezien de omnibustoets niet significant is. De η2 is (afgerond) .19, hetgeen wil zeggen dat 19% van de variantie in statistiekangst verklaard wordt door de vooropleiding. Daarmee is duidelijk dat 81% van de variantie door een of meerdere andere variabelen verklaard wordt.”

Ik zou verwachten dat aangezien de verschillen in statistiekangst niet significant waren een eta-toets niet zinvol is. Als er geen significante verschillen zijn, dan kun je toch ook niets zeggen over de grootte van die verschillen?

 

 

Mijn studiecentrum voor KDA is Groningen

in Inleiding Onderzoek (OIO, PB02x2; was Inleiding Data Analyse, IDA) door (550 punten)

1 Antwoord

0 leuk 0 niet-leuks

Deze verwachting klopt - de verwoording is in dit geval niet helemaal accuraat. 19% van de variantie in statistiekangst wordt verklaard door vooropleiding in de steekproef, want natuurlijk niet interessant is - de steekproef is immers slechts een instrument om te leren over de populatie, waar we wel in geinteresseerd zijn. Dit staat er dus eigenlijk verkeerd (ik neem dit mee voor de revisie waar ik mee bezig ben).

Tegelijkertijd is het wel zo dat het berekenen van effect sizes altijd zinvol is. Ook als een verband niet significant is. Je leert uiteindelijk pas via reviews en meta-analyses welke variabelen echt samenhangen: een enkele studie is altijd te veel onderhevig aan steekproef- en meetfouten en externe factoren om dergelijke conclusies te trekken. En die reviews en meta-analyses hebben de effectsizes nodig. Rapporteer dus altijd je effect sizes, het liefst met hun betrouwbaarheidsinterval erbij.

door (77.8k punten)

Bedankt! Dit klinkt wel logisch. Ik merk dat ik vaak op het verkeerde been gezet wordt door de tekst, waarin hier bijvoorbeeld letterlijk staat dat de studenten NIET verschillen in statistiekangst, in plaats van dat het verschil niet significant is. In het werkboek staat ook: Als de kans op toeval, de p‐waarde dus, echter groter is dan het significantieniveau van 5%, dan wordt geconcludeerd dat het verschil op basis van toeval ontstaan is en dat er geen verschil is tussen de groepen in de populatie. Als het verschil op basis van toeval is ontstaan, dan is er geen effect, en dus ook geen effectsize, lijkt mij. Maar wat ik uit dit antwoord opmaak is dat je op basis van 1 onderzoek niet kunt zeggen dat de gevonden verschillen toeval zijn. Dat klinkt ook veel logischer, ik had al wat moeite met die exacte 0.05 grens en dat er in het werkboek stond dat je bij 0.05 kon concluderen dat het verschil er werkelijk is en bij 0.06 moest concluderen dat het toeval was. Ik heb nu het idee dat de uitleg over p-waardes in het digitale werkboek wat te kort door de bocht is, klopt dat, of is toch het probleem dat de uitleg wel klopt maar ik het niet goed interpreteer?

Dat is inderdaad niet helemaal goed geformuleerd. De p-waarde is niet de kans op toeval. De p-waarde is de kans op deze uitkomsten onder een aantal aannamen. Een van die aannamen is dat de nulhypothese klopt. Een andere is dat de steekproevenverdeling van de betreffende toetsingsgrootheid in de populatie ook echt zo is verdeeld als, bijvoorbeeld, t of F.

In de revisie zal ik zorgen dat alle formuleringen accuraat zijn :-)
...