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
In tabel 6.1.1 staan de tentatieve kwalitatieve labels voor de verschillende waarden van Cohen's d. Hier staat 'Samenhang'. Deze benaming snap ik niet, omdat correlatie samenhang is en Cohen's d weergeeft wat het gestandaardiseerde verschil tussen gemiddelden is.

Ik heb bij een opdracht waar ik een gepaarde T-toets heb uitgevoerd een Cohen's d berekend met uitkomst 0,17 = triviaal. Dit betekent toch niet dat er geen samenhang is, maar juist dat er geen significant verschil is tussen de gemiddelden?

Door bovenstaande ben ik ook in verwarring hoe ik Significantie in de tabel verkregen via SPSS 'Paired Samples Test' moet interpreteren. Significantie = ,001. Dus significant. Maar wat zegt dit en waarover zegt dit nou wat? (Ik dacht zelf: je kunt met vrij veel zekerheid zeggen dat het verschil tussen de twee variabelen klopt zoals berekend) ??
in Inleiding Onderzoek (OIO, PB02x2; was Inleiding Data Analyse, IDA) door (460 punten)
Wanneer er een niet-significantie p-waarde wordt gevonden in de gepaarde t-toets (>0,05) en de nulhypothese dat er geen verband is tussen de 2 gemiddelden in stand blijft. Hoe interpreteer ik dan de Cohen's d van 0,095?

1 Antwoord

0 leuk 0 niet-leuks

Je stelt dat correlatie samenhang is. Dat klopt niet.

Correlatie is een maat voor samenhang. Net als Cohen's $d$. En de $t$-waarde. Die laatste heeft als nadeel dat hij niet alleen afhankelijk is van hoe sterk de samenhang is, maar ook van de steekproefomvang. De correlatie en Cohen's $d$ zijn gestandaardiseerd, en hebben daar geen last meer van.

Dus: een verschil tussen twee gemiddelden is samenhang.

Die twee gemiddelden komen uit twee groepen. Die groepen zijn niets meer dan meetwaarden van een dichotome variabele. Als je bijvoorbeeld mannen en vrouwen vergelijkt op hun intelligentie, betreft dit de variabelen geslacht en intelligentie. Als de gemiddelde van mannen en vrouwen in de steekproef dermate ver uit elkaar liggen in vergelijking met de standaardfout dat het aannemelijk is dat die gemiddelden in de populatie ook verschillen, dan is er dus samenhang tussen geslacht en intelligentie.

Of je groepen vergelijkt is dus niets anders dan een ander perspectief op hetzelfde: het analyseren van een verband.

Alle statistiek (behalve univariate statistiek) gaat om verbanden.

Het is dus een misverstand (en fout) om te denken dat er twee soorten analyses zijn: analyses waarbij je naar een verband kijkt, en analyses waarbij je groepen vergelijkt. Bij al deze analyses doe je hetzelfde, en kijk je naar een verband. Je kunt categorische variabelen zien als variabelen die door middel van hun meetwaarden (man of vrouw; hun categorieen, dus) groepen creeeren - maar dit verandert niets aan het feit dat het gewoon variabelen zijn, en dat je een verband analyseert.

Dus, samenhang bestuderen zegt niets over of je correlaties gebruikt of Cohen's $d$ (of omegakwadraat). Deze worden allemaal gebruikt voor samenhang. Het enige dat je weet als er een correlatie wordt gebruikt, is dat alle variabelen het intervalniveau hebben, terwijl je bij Cohen's $d$ weet dat een van de variabelen het intervalniveau heeft en de andere dichotoom is.

Een Cohen's $d$ van 0.17 betekent inderdaad dat het verband in je steekproef erg zwak is. Natuurlijk kan het verband in de populatie nog steeds heel sterk (of afwezig) zijn: hoe plausibel dat is, kun je zien aan het betrouwbaarheidsinterval van Cohen's $d$.

De $p$-waarde is de kans op een verband (samenhang) dat zo sterk is als dat wat jij in je steekproef hebt gevonden, aangenomen dat er in de populatie geen verband bestaat (Cohen's $d = 0$).

Als deze kans erg laag is (bijvoorbeeld $.001$ of lager) dan betekent dat dat de kans dat je dat verband in je steekproef vindt als de nulhypothese klopt, heel klein is. Binnen het kader van de nulhypothese toetsing wordt dit geinterpreteerd als evidentie dat de nulhypothese wellicht niet klopt, en dat het aannemelijk is dat het getoetste verband bestaat in de populatie.

Dus, je zou dan inderdaa concluderen dat deze dataset suggereert dat het onderzochte verband bestaat: in die zin klopt jouw interpretatie.

De volgende vraag is dan: hoe sterk is dat verband? Want ook triviale, verwaarloosbare verbanden kunnen gepaard gaan met hele lage $p$-waarden. In dit geval hebben we een lage $p$-waarde gevonden, maar misschien komt dat wel omdat we een relatief grote steekproef hebben (of om een andere reden heel veel power hebben), en niet omdat het verband noemenswaardig is.

Om die vraag te beantwoorden bereken je een effectgrootte, in dit geval Cohen's $d$; met daar omheen een betrouwbaarheidsinterval, omdat de puntschatting van steekproef tot steekproef kan verschillen, en dus bijna niets zegt. Dat betrouwbaarheidsinterval vertelt je wat de meest plausibele waarden voor Cohen's $d$ zijn in de populatie, en dat is wat je eigenlijk vooral wil weten: hoe sterk is het verband in de populatie?

Als je alleen de puntschatting tot je beschikking hebt, zoals in dit geval, dan kun je alleen zeggen dat deze dataset consistent is met een triviaal, misschien zelfs verwaarloosbaar klein verband (samenhang) tussen de twee variabelen. Oftewel: voor zover de gemiddelden verschillen in de populatie, kan dat een superklein verschil zijn.

Het zou ook een groot verschil kunnen zijn: hoe plausibel dat is, kunnen we niet zeggen zonder betrouwbaarheidsinterval.

Significantie (een $p$-waarde onder je alpha, meestal onder de .05) zegt dus niets over hoe sterk de samenhang is. Die zegt alleen dat je, binnen dat kader van nulhypothesetoetsing, kunt concluderen dat er wellicht een verband (van onbekende grootte) bestaat in de populatie. Dat verband kan verwaarloosbaar klein zijn, of heel sterk: alleen een effectgrootte zoals Cohen's $d$ kan je daar iets over vertellen.

Of, je kunt het ruwe verschil tussen de gemiddelden zelf vergelijken met de standaarddeviatie en de standaardfout, en dan op basis van je kennis over de meetschaal van de intervalvariabele (bijvoorbeeld intelligentie, in het voorbeeld hierbove) zelf de sterkte van het verband interpreteren. Dat is alleen wat lastiger, en vereist forse expertise, en hoef je dus tijdens deze eerste cursus nog niet te kunnen.

Is het zo te volgen? Zonee, voeg dan een opmerking toe met je vragen - of, als het wat uitgebreidere vragen zijn, stel een gerelateerde vraag met de link hieronder.

door (77.8k punten)
Bedankt voor de uitgebreide uitleg!! Ik heb waarschijnlijk naast mijn denkfouten, de fout gemaakt om Cohen's d te gebruiken voor twee intervalvariabelen. Begrijp ik het goed dat ik voor twee intervalvariabelen de effectgrootte correlatie moet gebruiken? Cohen's d moet ik hier helemaal weglaten. Ik heb nu het volgende:

De correlatie is ,580 = sterk positief verband.
Sig = ,001 dus de kans dat je dit verband (,580) in je steekproef vindt als de H0 klopt, is heel klein. Het is aannemelijk dat het getoetste verband bestaat in de populatie.
Ja, uitstekend! Iets accurater zou zijn "dit verband of een sterker verband". De $p$-waarde is eigenlijk de kans op $r \leqslant -.58$ plus de kans op $r \geqslant .58$, beide kansen berekend onder aanname dat $r = 0$ in de populatie, oftewel, onder aanname dat de nulhypothese waar is. Maar als je dat in je hoofd hebt bij jouw definitie is het ook goed :-)

Fijn zeg, helder. Heel blij mee. Een vraag, en echt niet om flauw te doen, maar voor het Begrip. Onderstaand staat er en ik wil graag weten of je bij 'Oftewel: voor zowel de gemiddelde verschillen ...' mogelijk 'gemiddelden' bedoelt, als zelfst nw ipv als bijv naamwoord bij 'verschillen'. In het eerste geval snap ik het namelijk, in het tweede geval niet - en dan volgt de vraag natuurlijk waar die gemiddelde verschillen dan mee vergeleken worden.

" Als je alleen de puntschatting tot je beschikking hebt, dan kun je alleen zeggen dat deze dataset consistent is met een triviaal, misschien zelfs verwaarloosbaar klein verband (samenhang) tussen de twee variabelen. Oftewel: voor zover de gemiddelde verschillen in de populatie, kan dat een superklein verschil zijn. "

Ja, goed punt! Dat is een typo - daar had gewoon een n moeten staan! Gelijk even aangepast :-)
...