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 het Fields boek en in de bronnen staat bij een Factorial ANOVA steeds handig een voorbeeld waarbij Levene´s test uitwijst dat de variances gelijk zijn, maar er staat niet bij wat je moet doen als dit niet het geval is. Bij een one-way ANOVA zou je dan de Welch of Brown-Forsythe robust test gebruiken, maar die is niet vermeld bij een Factorial ANOVA en is ook geen optie die je aan kan klikken in SPSS.
in Experimenteel Onderzoek (OEO, PB04x2) door (150 punten)

2 Antwoorden

1 leuk 0 niet-leuks
 
Beste antwoord
Op p. 436 raadt Field aan om in dit geval te proberen de gegevens te transformeren (zoals in hoofdstuk 5 beschreven staat) en te hopen dat je ze zo homogeen krijgt. Het zal wel aan mijn beginnelingenstatus liggen, maar dat ziet er erg voodoo uit, met heel wat mogelijkheden om de scheidingslijn te overschrijden met "statistische hengelexpedities"  en dan nonsens uit te kramen op basis van je analyses :)

(kortom, als je dit ooit nodig hebt, dan zou ik met de gegevens in de hand naar een Echte Specialist stappen)
door (7.9k punten)
geselecteerd door
Dat had ik wel gezien in het Fields boek, maar daar zijn ze niet erg specifiek en het wordt in de bronnen helemaal niet behandeld, dus ik denk dat het buiten de strekking van het boek valt. Helaas heb ik hiermee te maken in mijn verslag (OPE) dus ik denk dat ik maar iets mompel van ¨eigenlijk moet hier....¨, ik denk niet dat ik het zomaar kan negeren.
Ik denk dat zelfs leken als wij toch nog wat extra raad kunnen halen uit Field.

Ten eerste geeft hij op p. 360 aan wat de gevolgen zijn van gebrek aan homogeniteit. Als je groepen ongeveer even groot zijn, valt het mee. Als de grootste groep de grootste variantie heeft, zul je bijvoorbeeld meer risico hebben op een type II fout (missen van een bestaand effect).

Ten tweede moet je andere post hoc testen gebruiken (zie p. 434). Wat ik denk: als je geen grote verschillen ziet tussen de uitkomsten van Bonferroni en van Games-Howell, zal het allemaal wel meevallen...

Ten derde zegt Field (p. 454) dat je manueel de procedure kunt toepassen van Welch (staat op Fields website) of van Brown & Forsythe (zie p. 380)... als je masochistisch ingesteld bent :)
non parametric Levene's test
0 leuk 0 niet-leuks
Uitstekend antwoord van Luc! Nog een kleine toevoeging. We hebben dit met het groepje docenten besproken, en er is inderdaad geen alternatieve toets voorhanden zoals bij de t-toets. Een oplossing is om in plaats van een anova een serie t-toetsen uit te voeren, waarbij je corrigeert voor multiple testing. Je wilt na een anova in de praktijk immers toch bijna altijd post-hoc toetsen doen om te kijken hoe verschillen nu precies in elkaar zitten. Overigens is het goed om in je achterhoofd te houden dat toetsen op gelijke varianties zoals Levene's test heel snel significant worden bij grote steekproeven. Kijk dus ook altijd even naar de verdeling van je scores (maak bijvoorbeeld histogrammen) om handmatig te kijken of de spreiding echt verschilt.
door (77.8k punten)
Dat betekent dus een extra moeilijkheid voor degenen die met een dergelijke uitslag geconfronteerd worden, zoals ook in mijn geval. Ik vind de opdracht al ingewikkeld genoeg zonder dergelijke 'verrassingen'.
Daar heb je gelijk in, dat het makkelijker zou zijn geweest als er simpele oplossingen zouden zijn. Die zijn er jammer genoeg nog niet. Maar, mocht je hier echt mee zitten, dan is het misschien een uitdaging te kijken of je die kunt uitvinden? :-)
Hier ook iemand die een significante levene heeft bij de eindopdracht van OPE. Ik heb een 2X2 anova uitgevoerd op de variabele sanctiezwaarte (gevolgen bij een overtreding).

Inderdaad is hier geen terugkoppeling van te vinden in de bronnen. Ik vond alleen wel terug bij de stof van KDA over verdelingen dat als de onderzoeksgroep groter is dan 30, afwijkingen vande normaliteit nauwelijks invloed hebben op het resultaat van de toets.

Nu is mijn vraag moet hier uberhaupt iets mee in mijn verslaggeving en zo ja hoe?, ik heb hier echt  even geen idee van?

Ik hoop dat ik antwoord kan krijgen op deze vraag, want het blijft knagen.

 

Vriendelijke groet,

Thamar Vos
Je kunt in je verslag aangeven dat Levene's test significant is. Je kunt vervolgens aangeven dat je sample size dermate groot is dat dit wel eens een type-1 fout zou kunnen zijn (immers, hoe grote je steekproef, hoe kleiner de afwijking die een significant resultaat oplevert), en dat de anova bovendien robuust is tegen schending van deze aanname als je steekproef voldoende groot is. Je kunt dan aangeven dat in dit geval deze uitkomst geen reden is om te twijfelen aan deze uitkomsten.

De aanname van gelijke varianties is nodig omdat anova de variantie binnen alle groepen beschouwt als schatter van de error (meetfout). Als een groep heel veel (of heel weinig) variantie heeft, is er geen sprake van 'een meetfout', maar is de meetfout verschillend per groep, waardoor het anova-model niet langer gebruikt kan worden. Een andere oplossing is dus om de F-ratio herhaald uit te rekenen, waarbij je steeds een andere MS voor de errorterm gebruikt; eentje voor elke groep. Stel je bijvoorbeeld voor dat je vier groepen hebt, met varianties van 50, 200, 250, en 500. Als je groepen even groot zijn, zou Anova die normaal middelen naar 100/4=250 - maar dat zou voor de groepen met varianties van 50 en 500 geen goede representatie zijn van de meetfout in die groepen. Als je de variantie van je effect dan deelt door 50 krijg je de meest liberale uitkomst, en als je deelt door 500 krijg je de meest conservatieve uitkomst. Als zelfs die laatste significant is, weet je redelijk zeker dat er echt een verschil is.
...