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
Vraag 23 van het tweede oefententamen is als volgt:

De Levene's test was niet significant, F (2,1311) = 1,9, p =,16.De groepen verschilden niet significant van elkaar, F(2,1311) = 1,2, p = .30, partial eta-squared = .00,2. De Kolmogorov-Smirnov test was voor de 'geen-studie' groep significant (p <.001), maar niet voor de overige twee groepen (groep tekst p = .13, groep video p = .53).

A. De assumptie van normaal verdeelde residuen is geschonden.

B. Het is altijd zinvol om ervan uit te gaan dat varianties tussen groepen hetzelfde zijn, ondanks dat deze hier toevallig al niet significant verschillen.

Ik begrijp dat B onjuist is omdat het tegenovergestelde juist is (altijd zinvol om ervanuit te gaan dat varianties tussen groepen verschillen), maar ik begrijp niet waarom A juist is op basis van de informatie.
in Experimenteel Onderzoek (OEO, PB04x2) door (1.3k punten)
Waarom is het op basis van de informatie onhelder. Kun je meer info geven over je gedachtenproces? Waar kijk je bijvoorbeeld naar om antwoordoptie A te evalueren, er waarom loop je daar vast?
Ik loop direct al vast bij de assumptie van normaal verdeelde residuen. Wordt hiermee homogeniteit van variantie bedoelt? In dat geval zou mijn gedachtegang zijn dat Levene's test niet significant is en daarmee de aanname van homogeniteit van variantie niet geschonden wordt.

1 Antwoord

0 leuk 0 niet-leuks

Een lineaire model heeft enkele assumpties die gezamenlijk de Gauss-Markov assumpties worden genoemd, of het Gauss-Markov theorema.

Een van die assumpties is dat de meetfout in het model willekeurig is, dus dat de afwijkingen tussen puntenwolk om de regressielijn en de regressielijn uitmiddelen tot nul. In General Linear models wordt deze assumptie versterkt door te stellen dat de error exponentieel afneemt, dus dat het puntenwolkpatroon rondom de regressielijn normaal verdeeld is. 

Deze assumptie is niet echt goed te toetsen. Er zijn toetsen voor, maar het beste kun je in een ANOVA per groep de normaliteit evalueren. Dit is voor een ANOVA hoe je naar 'het model' kijkt. Als je een regressieanalyse doet kun je in alle software meestal de (standardized) residuals opvragen, dus de afwijking van ieder datapunt met de regressie'lijn'. Je kunt de verdeling van deze residuals toetsen zoals je normaal per groep normaliteit evalueert.

Een andere assumptie van een lineair model is wat homoscedasticiteit genoemd wordt: dat de variantie op Y gelijk is voor alle waarden van X. Als X een factor is (een categorische variabele), zoals in een ANOVA, dan komt dit erop neer dat de assumptie is dat de variantie van iedere groep identiek is. Of dit statistish het geval is wordt getoetst met de Levene's test for the equality of variances.

door (63.5k punten)
...