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?
