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
Als voorbeeld oefening 2.6 onder opdracht 4.3.2

Hier is wel een duidelijke verwachting geschetst over welke variable hoger zal zijn. In dit geval: De werkdruk is na 1 jaar hoger bij de grote vestigingen dan bij de kleine.

Door deze verwachting denk ik steeds dat het om een eenzijdige toets gaat maar volgens mij speelt dit helemaal niet mee anova als ik het goed begrijp, omdat het om meerdere variabelen gaat.

Is de hypothese dan onduidelijk en toets anova altijd tweezijdig?
in Anders door (150 punten)

2 Antwoorden

1 leuk 0 niet-leuks
 
Beste antwoord
Dat klopt. De t- en z-verdeling zijn symmetrisch en daarbij maakt 1 of 2 zijdig toetsen uit. F-verdelingen zijn niet symmetrisch en daardoor is er niet echt een een- of tweezijdige keus. Je zou dat een beetje kunnen zien als dat alles standaard 2-zijdig getoetst wordt, terwijl je wiskundig gezien de p-waarde eenzijdig berekent.
door (63.5k punten)
geselecteerd door
0 leuk 0 niet-leuks

Kleine voetnoot: je toetst 'in het echt' nooit eenzijdig. Dit is in de psychologie namelijk bijna nooit te verdedigen; afwijkingen kunnen bijna altijd naar twee kanten. Je mag nooit op basis van een gerichte hypothese eenzijdig toetsen; je toetst namelijk altijd onder aanname dat de nulhypothese waar is, en dus onder de aanname dat je geformleerde hypothese niet waar is. De nulhypothese stelt dat er geen verband is; en tenzij afwijkingen onmogelijk zijn naar de ene of de andere kant, dwingt het kader van nulhypothesetoetsing je dus altijd om tweezijdig te toetsen. Ook met t-toetsen of correlaties. Je kunt immers niet een aanname dat een eventueel verband bijvoorbeeld positief of negatief zal zijn, een aanname die deel uitmaakt van je 'alternatieve' hypothese, stiekem onder je nulhypothese rekenen. De nulhypothese doet juist geen uitspraken over of een verband positief of negatief zal zijn; en dus kan eenzijdige toetsing alleen als een negatieve of positieve afwijking echt onmogelijk is. Dit is bijvoorbeeld het geval als je het aantal keren dat iemand in 2014 heeft gesport in januari meet, en dan toetst of dat in mei is toegenomen. Dat aantal keren kan niet afnemen; in dit geval is eenzijdige toetsing dus wel toegestaan. In alle gevallen waarbij afwijkingen wel beide kanten uit kunnen, dus niet.

door (77.8k punten)
Staat deze (terechte) uitleg intussen ook in de readers van de OU? In mijn versie (2009) van S13121 stond immers dat een- of tweezijdig toetsen afhangt van je ***hypothese***, niet van wat ***theoretisch mogelijk*** is. Bijvoorbeeld "Om de hypothese te toetsen dat slachtoffers van ongewenste omgangsvormen meer gezondheidsproblemen hebben dan mensen die geen slachtoffer zijn van ongewenste omgangsvormen [...] Voor deze hypothese moet er eenzijdig getoetst worden. Daarom moet de p-waarde die daar [in SPSS] vermeld wordt, gehalveerd worden." Als ik het goed begrijp, zou je twee dingen moeten doen: de tweezijdige waarde nemen EN nakijken of het verschil inderdaad in de verwachte richting is.
In de komende revisies wordt dit meegenomen, en zal het onderwijs sowieso beter worden opgezet; dit in verband met verspreiding van superieure methoden, waarbij de nadruk ligt op betrouwbaarheids-intervallen rondom effect sizes, en de beweging weg van de traditionele (maar eigenlijk erg onhandige) nulhypothesetoetsing.
Wanneer wordt de nieuwe methode (ik neem aan magnitude based inferences) ingevoerd? Ik wil daar namelijk graag meer over leren en de dingen die nu in de cursus aan bod komen (opstellen van hypothesen en testen adhv p-waardes) komen zijn dus eigenlijk ook niet zo relevant om te leren?
Dat is nog niet bekend; er is nog geen datum geprikt voor wanneer er wordt gestart met een nieuwe revisie van Kwantitatieve Data Analyse. Overigens is toetsingstheorie in het algemeen nog steeds erg waardevol om te leren (e.g. het verschil tussen de steekproef-scores, de steekproevenverdeling, en de populatieverdeling), net als de informatie over betrouwbaarheidsintervallen! Daarnaast is nulhypothesetoetsing dermate populair, en eisen zoveel journals nog steeds dat er p-waarden worden gerapporteerd, dat ook de NHST informatie nog belangrijk is.
...