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 Experimenteel Onderzoek (OEO, PB04x2) door (2.2k punten)

1 Antwoord

1 leuk 0 niet-leuks
 
Beste antwoord
Eigenlijk zijn alle effectgrooten, op de cohen's d na, varianten van correlaties (r). Een partial eta-squared is bijvoorbeeld een partiele correlatie in het kwadraat.

De verschillen zijn vooral subtiel: hoe het unieke effect van een variabele berekend wordt is in de verschillende effectgrootten anders opgelost, en dat kan nog wel eens consequenties hebben: onder sommige omstandigheden zijn sommige effectgrootten te conservatief, of te liberaal. Om deze reden wordt bijvoorbeeld in factoriele ANOV's de omega-kwadraat geprefereerd.

Al die verschillende effectgrootten kunnen omgerekend worden, of men kan direct de r berekenen. In veel gevallen is er geen probleem mee om dit te doen. Het kan soms zelfs helpen om over verschillende onderzoeken heen een goede vergelijkingsbasis te hebben voor de effecten in verschillende studies, doordat alles op een of andere manier naar r omgerekend kan worden.

Mocht je daarom besluiten dat r the way to go is, dan is dat geen probleem, maar het is dan nog steeds handig om van de overige typen r (dus omega, eta, phi, etc.) op de hoogte te zijn, omdat soms per context het beter is om die overigen te prefereren.
door (63.4k punten)
geselecteerd door
Dankjewel weer Ron voor je heldere uitleg!
Nog een kanttekening, en ik kan er naast zitten (en dan corrigeert Ron me hopelijk :-)):

De interpretatie van een $r$ die is omgerekend van een $d$ is iets anders dan de interpretatie van een $r$ die is berekend aan de hand van twee interval-variabelen. Dat komt omdat een dichotome variabele veel minder variantie kan hebben, waardoor een $r$ van .3 niet precies hetzelfde is als die het verband tussen een dichotome en een intervalvariabele uitdrukt, dan als hij het verband tussen twee intervalvariabelen uitdrukt.

Pas dus op met het vergelijken van $r$'s die uit verschillende soorten verbanden zijn berekend!
Inderdaad, de interpretatie van dichotome variabelen in combinatie met intervalvariabelen zijn tricky. Hoewel de punt-biseriele correlatie wiskundig equivalent is aan de pearson correlatie, moet er bij het vertalen van de correlatie in mensentaal altijd rekening mee gehouden worden dat de dichtome variabele geen 'schaal' is.

Dit doet mij trouwens denken aan mijn eerste publicatie, in Addiction, waar 'dus' ook een fout in staat (ik was nog jong :-)):

Only associations found in at least two samples, of magnitudes corresponding to a medium (Cohen's d = 0.5 [42], r = 0.24) or large effect size (d = 0.8 and r = 0.37), are considered.

(http://onlinelibrary.wiley.com/doi/10.1111/j.1360-0443.2007.02041.x/full)

Ik kende de richtlijnen voor $r$ nog niet, en had de $d$-richtlijnen dus omgerekend :-)

(Dit laat trouwens wel mooi zien dat dat omrekenen inderdaad niet zonder gevaar is . . . De grenswaarden worden anders.)
Hallo Ron en Gjalt-Jorn,

Wat heerlijk enthousiast zijn jullie weer met het beantwoorden van mijn vraag. :-)

Even voor de zekerheid of ik alles goed heb begrepen: als je direct de r berekent, heeft dit als voordelen dat:

1. je over verschillende onderzoeken een goede vergelijkingsbasis hebt

2. het voor een beginneling (zoals ik) goed is om te weten dat het direct berekenen van de r altijd een goede manier is om de effectgrootte te berekenen (ten minste, op mijn statistiekniveau dan).

3. maar dat je moet oppassen als je gaat omrekenen! Dan is r niet altijd de juiste weg.

Begrijp ik het zo goed?

Groetjes! Ivonne
...