Samenvattingen en studiehulp bij Discovering statistics using IBM SPSS statistics van Field - Boektool

  Tools

De hele tekst op deze pagina lezen? Alle JoHo tools gebruiken? Sluit je dan aan bij JoHo en log in!
 

Aansluiten bij JoHo als abonnee of donateur

The world of JoHo footer met landenkaart

Samenvattingen en studiehulp bij Discovering statistics using IBM SPSS statistics van Field

Boeksamenvattingen - TentamenTests

JoHo: crossroads via bundels
JoHo worldsupporter.org: gerelateerde samenvattingen en studiehulp

Boeksamenvatting per hoofdstuk

Samenvattingen per hoofdstuk bij de 5e druk van Discovering statistics using IBM SPSS statistics van Field - Bundel

Samenvattingen per hoofdstuk bij de 5e druk van Discovering statistics using IBM SPSS statistics van Field - Bundel

Study guide with Discovering statistics using IBM SPSS Statistics by Field

Study guide with Discovering statistics using IBM SPSS Statistics by Field

Study guide with Discovering statistics using IBM SPSS Statistics

Online summaries and study assistance with the 5th edition of Discovering Statistics using IBM SPSS Statistics by Field

Studying Discovering Statistics by Field

  • About the book: The book is pleasant to use, as far as possible given the subject, because it takes into account that many people who work with SPSS are not necessarily fans of statistics, but only see it as an inescapable tool.
  • Study tips: Field can use as many cat pictures in his books, the material remains difficult for many students. Invest a little in your relationship with the book: You will have to use it a lot during the rest of your studies, so at least aim for a love/hate relationship.

Related content on joho.org

Wat zijn de veelgebruikte symbolen in de statistiek? - Chapter 0
Waarom dwingt een duivelse docent een student tot statistiek? - Chapter 1

Waarom dwingt een duivelse docent een student tot statistiek? - Chapter 1

In dit hoofdstuk wordt het belang van statistiek besproken, evenals de fundamentele concepten ervan. Er zijn gegevens nodig om verschillende vragen te beantwoorden. Daarom onderstreept een docent het belang van het werken met cijfers voor studenten, omdat deze cijfers een vorm van data zijn en onderdeel uitmaken van het onderzoeksproces.


Waarom is statistiek belangrijk?

Voor het beantwoorden van diverse vragen is data nodig. Een docent dwingt een student te werken met getallen, omdat deze getallen een vorm van data zijn en behoren tot het onderzoeksproces. Er kunnen naast getallen ook andere vormen bestaan van data. Wanneer onderzoeken gebruik maken van data op basis van cijfers is dit een kwantitatieve methode. Onderzoeken waarbij taal wordt gebruikt als basis voor onderzoek, wordt een kwalitatieve methode genoemd. De kwalitatieve en kwantitatieve methoden zijn complementair aan elkaar. Dit wil zeggen dat de ene methode niet beter of slechter is dan de andere methode.

Hoe ziet het onderzoeksproces eruit?

Het onderzoeksproces bestaat uit een aantal stappen. De eerste stap is observatie. Hierbij wordt iets waargenomen wat iemand nieuwsgierig maakt. Een onderzoeker heeft een vraag die hij of zij graag beantwoord wil hebben. Om te kijken of de observatie klopt moeten gegevens verzameld worden. Voor het verzamelen van deze gegevens heeft een onderzoeker variabelen nodig. Een variabele is hetgeen dat gemeten wordt om tot een antwoord op de vraag te komen.

In het kort bestaat het onderzoeksproces uit de volgende stappen:

  1. Het formuleren van een onderzoeksvraag.
  2. Het zoeken en lezen van relevante theorie.
  3. Het opstellen van hypothesen.
  4. Het maken van voorspellingen.
  5. Het verzamelen van data om de voorspellingen te testen.
  6. Het analyseren van data.

Hoe vindt men iets om te verklaren?

Op veel verschillende manieren kan men iets vinden om te verklaren. Door bijvoorbeeld het nieuws te kijken op de televisie kan een onderzoeksvraag ontstaan. Door het kijken naar een bepaald programma, kan men een observatie hebben over iets wat gaande is in de wereld. Vervolgens moet er data verzameld worden en is het belangrijk variabelen op te stellen en te definiëren om hetgeen te meten wat men wil onderzoeken.

Op welke manier worden hypothesen getoetst?

De volgende stap in het onderzoeksproces is het toetsen van een theorie en het opstellen van hypothesen. Dit wordt gedaan door data te verklaren. Data kan worden verklaard met behulp van een theorie. Op basis van een theorie kan een voorspelling gedaan worden. Deze voorspelling op basis van een theorie wordt een hypothese genoemd. Om te spreken van een hypothese moet het gaan om een uitspraak die met behulp van wetenschappelijke methodes bewezen of verworpen kan worden. Een hypothese is een verklaring voor een bepaald fenomeen of een set observaties. Wanneer de verzamelde gegevens de theorie of hypothese tegenspreken, is er sprake van falsificatie.

Wat is het verschil tussen een afhankelijke en een onafhankelijke variabele?

Als men gegevens wil verzamelen is het belangrijk dat we ons twee dingen afvragen: (1) wat wordt er gemeten en (2) hoe wordt het gemeten? Om de hypothesen te kunnen testen moeten de variabelen gemeten worden. Variabelen zijn waarden die kunnen variëren tussen mensen, tussen situaties of tussen verschillende momenten in de tijd. Bij de meeste hypothesen zijn er twee variabelen, namelijk de oorzaak en de uitkomst.

De variabele die gezien wordt als de oorzaak van een bepaald effect wordt de onafhankelijke variabele of ook wel de predictor genoemd. Bij een experimentele opzet wordt deze term gebruikt om te benadrukken dat de onderzoeker deze variabele gemanipuleerd heeft. De variabele die verandert door veranderingen in de onafhankelijke variabele wordt de afhankelijke variabele of uitkomstvariabele genoemd.

Wat wordt bedoeld met een meetniveau?

Variabelen kunnen op verschillende manieren gemeten worden. Het verband tussen wat gemeten wordt en de cijfers die uitdrukken wat je meet, wordt het meetniveau (level of measurement) genoemd. Variabelen kunnen categorisch of continu zijn en kunnen verschillende meetniveaus hebben. Een categorische variabele bestaat uit verschillende categorieën. Je kan maar in één categorie per keer ingedeeld worden, je hoort niet een beetje bij de ene categorie en een beetje bij de andere categorie. Een voorbeeld van een categorische variabele is de indeling tussen mannen en vrouwen. In dit geval heeft de variabele slechts twee categorieën; een man of een vrouw. Je kunt niet allebei zijn. Een variabele met twee categorieën wordt een binaire variabele genoemd.

Als een variabele bestaat uit meer dan twee categorieën die aan elkaar gelijk zijn, wordt dit een nominale variabele genoemd. Een voorbeeld van een nominale variabele is religie (Jodendom, Christendom, Islam, et cetera). Hoewel deze categorieën ook kunnen worden weergegeven met cijfers (bijvoorbeeld 1 = Jodendom; 2 = Christendom; 3 = Islam), is het niet mogelijk om wiskundige berekeningen uit te voeren met deze cijfers. Deze cijfers geven namelijk niet een rangorde aan bij een nominale variabele. Een voorbeeld van een nominale variabele die wordt weergegeven met cijfers is het rugnummer van een speler in een teamsport. Een hoger rugnummer betekent niet dat iemand een betere speler is. Nominale data kan alleen gebruikt worden om te kijken naar frequenties, dus hoe vaak een bepaalde speler scoort, of hoeveel mensen een bepaald geloof hebben.

Bij een ordinale variabele bestaan er ook verschillende categorieën, maar deze categorieën hebben een bepaalde rangorde. Ordinale data geven bijvoorbeeld een bepaalde volgorde aan. Er wordt echter niet aangegeven hoe groot het verschil is tussen de categorieën. De top drie van een wedstrijd geeft aan wie beter is dan de ander. Dit geeft een volgorde, maar zegt niet hoeveel beter de winnaar was dan de nummer twee en drie. Bij het volgende meetniveau heb je geen categorische variabele meer, maar is de variabele continu. Een continue variabele is een score die elke waarde kan aannemen die op de meetschaal wordt gebruikt. De intervalvariabele is een vorm van een continue variabele. Bij de intervalvariabele is het verschil tussen alle getallen gelijk. Een voorbeeld hiervan is een schaal waarbij je aangeeft hoe aardig je iemand vindt op een vijfpuntsschaal. Het verschil tussen 1 en 2 is hierbij even groot als het verschil tussen 4 en 5. Dit meetniveau wordt het meest gebruikt bij statistische testen. Nog een stap verder is de ratio variabele. De ratio variabele heeft dezelfde voorwaarden als de intervalvariabele, alleen heeft de ratio variabele een absoluut en betekenisvol nulpunt. Dit betekent dat je de getallen van een ratio variabele kan vermenigvuldigen. Een voorbeeld hiervan is reactietijd. Een milliseconde duurt altijd even lang, dus de verschillen tussen de milliseconden zijn gelijk, maar daarnaast kun je ook zeggen dat 200 milliseconden twee keer zo lang is als 100 milliseconden. Een continue variabele hoeft niet altijd continu te zijn, het kan ook een discrete variabele zijn. Een echte continue variabele kan alle mogelijke waarden aannemen, maar bij een discrete variabele kunnen alleen bepaalde waarden (meestal alleen hele getallen) gekozen worden. Als je aangeeft hoe aardig je iemand vindt op een vijfpuntsschaal, is dat wel een continuüm, waarbij 2.98 een betekenisvolle waarde is, maar je kunt alleen de cijfers 1, 2, 3, 4 en 5 werkelijk kiezen. Je kunt niet daadwerkelijk 2.98 invullen.

Wat wordt bedoeld met een meetfout?

Onderzoekers willen het liefst een meting die hetzelfde is over tijd en over situaties. Het liefst wil hij of zij een accurate meting die niet beïnvloed wordt door wie of waar de meting wordt gedaan. Er is vaak een verschil tussen de gemeten waarde en de werkelijke waarde. Dit verschil noem je de meetfout. Als je een goed instrument hebt, is de meetfout klein. Bij vragenlijsten over gevoelige onderwerpen heb je vaak een grotere meetfout, omdat niet alleen de werkelijke situatie de antwoorden van de participanten beïnvloedt. Er zijn namelijk ook andere factoren, zoals sociale wenselijkheid, die meespelen.

Wat wordt bedoeld met de begrippen validiteit en betrouwbaarheid?

Een manier om de meetfout zo klein mogelijk te maken, is door eigenschappen van het meetinstrument vast te stellen die iets zeggen over hoe goed het meetinstrument zijn werk doet. Een manier om dat te bepalen, is met behulp van de validiteit. De validiteit laat zien of het instrument daadwerkelijk meet wat je wilde meten. Criterium validiteit betekent dat je kunt vaststellen of je instrument meet wat je wil meten aan de hand van objectieve criteria. Dit kan op twee manieren gebeuren:

  • Als je tegelijkertijd data verzamelt met het nieuwe instrument en bestaande criteria toetst, meet je de gelijktijdige validiteit.
  • Als je de data van je nieuwe instrument gebruikt om latere observaties te voorspellen, meet je de voorspellende validiteit.

Het probleem met criterium validiteit is dat het niet altijd gebruikt kan worden, omdat er vaak geen objectieve criteria bestaan voor wat je wil meten. Bijvoorbeeld als je wil weten hoe aardig iemand wordt gevonden. Een andere vorm van validiteit is inhoudsvaliditeit. Dit gaat over de mate waarin de items op een vragenlijst overeenkomen met het construct en of de vragen het fenomeen volledig dekken.

Een instrument moet valide zijn, maar dat is nog niet voldoende. Het moet daarnaast ook betrouwbaar zijn. Betrouwbaarheid betekent dat het instrument dezelfde uitkomst geeft bij dezelfde condities. Dus een betrouwbare weegschaal geeft altijd hetzelfde gewicht als het werkelijke gewicht hetzelfde is. Als een instrument niet betrouwbaar is, kan het ook niet valide zijn. Een instrument dat onder dezelfde omstandigheden namelijk verschillende uitkomsten genereert, meet per definitie niet wat het hoort te meten. De makkelijkste manier om de betrouwbaarheid te toetsen, is door de test te herhalen (test-hertest betrouwbaarheid). Een betrouwbaar instrument geeft dan op beide testen een vergelijkbaar resultaat.

Wat wordt bedoeld met een correlationele onderzoeksmethode?

Er zijn grofweg twee manieren om data te verzamelen, namelijk met correlationeel onderzoek (cross-sectioneel onderzoek) en experimenteel onderzoek. Bij correlationeel onderzoek wordt geobserveerd wat er in de wereld gebeurt zonder het te manipuleren. Dit is goed voor de ecologische validiteit, omdat men de natuurlijke situatie observeert. Sommige onderzoeken kunnen alleen op deze correlationele manier worden uitgevoerd, omdat het onmogelijk of onethisch is om bepaalde variabelen te manipuleren. Het nadeel van deze methode is echter dat het niet mogelijk is om een uitspraak te doen over causaliteit.

Wat wordt bedoeld met een experimentele onderzoeksmethode?

Bij experimenteel onderzoek wordt een variabele gemanipuleerd om te kijken of het de andere variabelen beïnvloedt. Bij veel onderzoeken wordt gekeken of de ene variabele (de predictor) de oorzaak is van de andere variabele (de afhankelijke variabele). Men kan volgens Hume pas spreken van een oorzakelijk verband als:

  • Oorzaak en gevolg elkaar nauw in de tijd opvolgen.
  • De oorzaak voorafgaat aan het gevolg.
  • Het gevolg nooit voorkomt zonder dat de oorzaak heeft plaatsgevonden.

Bij veel onderzoeken worden de variabelen tegelijkertijd gemeten. In veel gevallen weet men dan niet welke variabele de oorzaak is en welke variabele het gevolg weergeeft. Het kan zijn dat er een derde variabele in het spel is (tertium quid) die de oorzaak is van beide andere variabelen. Dit wordt ook wel de verwarrende variabele genoemd. Een voorbeeld is het verband tussen borstimplantaten en zelfmoord. Een laag zelfbeeld is hierbij zowel de oorzaak van het nemen van een borstvergroting als de oorzaak van het ondernemen van zelfmoordpogingen.

John Stuart Mill (1865) heeft nog een criterium toegevoegd aan de criteria van Hume, namelijk dat alle andere verklaringen van het oorzaak-gevolg effect uitgesloten moeten zijn. Wanneer de oorzaak afwezig is, mag het gevolg ook niet aanwezig zijn. Bij experimenteel onderzoek is het doel zo goed mogelijk de oorzaakgevolg relatie tussen variabelen te vinden. Experimenten vergelijken situaties (condities of treatments) waarin de vermeende oorzaak afwezig is met de conditie waarbij de oorzaak aanwezig is. De deelnemers kunnen op twee verschillende manieren meedoen aan een experiment. Dit kan met een binnen-groep ontwerp en in een tussen-groep ontwerp.

Welke twee methoden van dataverzameling bestaan er?

Zoals hierboven vermeld kunnen deelnemers op twee verschillende manieren meedoen aan een experiment. Dit kan met een binnen-groep ontwerp en in een tussen-groep ontwerp. Bij een binnen-groep ontwerp doen dezelfde deelnemers het experiment een aantal keer onder verschillende omstandigheden. Bij een tussen-groep ontwerp heb je verschillende deelnemers onder verschillende omstandigheden.

Welke twee typen variatie bestaan er?

Niet-systematische variatie is het kleine verschil in prestatie tussen twee condities dat niet door de bekende factoren verklaard kan worden. Zelfs als alle variabelen gelijk blijven, is er alsnog meestal een klein verschil in scores tussen verschillende condities of verschillende momenten. Dit komt bijvoorbeeld door verschillen in vaardigheid in de taak tussen mensen of verschillende tijdstippen van de dag. Systematische variatie is het verschil tussen de twee condities die ontstaat door de manipulatie van de conditie. Bijvoorbeeld, in het ene geval krijgen chimpansees een beloning voor hun gedrag, en in het andere niet. Het verschil in gedrag wordt nu veroorzaakt door manipulatie. Dit wordt de systematische variatie genoemd. De rol van de statistiek is om te ontdekken hoeveel verschil er is in prestatie en welk deel van de variatie dan systematisch is en welk deel niet systematisch is. Bij het binnen-groep ontwerp is er minder niet-systematische variatie dan bij het tussen-groep ontwerp. Bij het tussen-groep ontwerp kunnen de personen in de verschillende groepen namelijk andere eigenschappen hebben.

Wat wordt bedoeld met het begrip randomisatie?

Om de niet-systematische variatie zo klein mogelijk te houden en de test zo nauwkeurig mogelijk te maken, maken wetenschappers gebruik van randomisatie. Randomisatie is belangrijk omdat andere bronnen van systematische variatie verwijderd worden, waardoor men zeker weet dat veranderingen veroorzaakt worden door de experimentele manipulatie. In het binnen-groep ontwerp (in-group design) zijn er nog twee belangrijke bronnen van systematische variatie. Dit zijn twee soorten effecten:

  1. Oefeneffecten (practice effect). Dit houdt in dat deelnemers zich de tweede keer anders kunnen gedragen bij de test, omdat ze bekend zijn geworden met de test.

  2. Vervelingseffecten (boredom effects). Dit houdt in dat deelnemers zich in de tweede test anders kunnen gedragen, omdat ze door de eerste test verveeld en / of moe zijn geworden.

Om deze effecten zo klein mogelijk te houden worden er bij verschillende deelnemers verschillende volgordes van conditie gegeven (counterbalancing). Dit houdt in dat de ene persoon eerst conditie 1 en dan 2 krijgt. De andere krijgt vervolgens eerst conditie 2 en daarna 1. Wie welke conditie het eerst krijgt wordt gerandomiseerd, dus willekeurig toegewezen.

In het tussen-groep ontwerp wordt er gerandomiseerd door de deelnemers willekeurig toe te wijzen aan de verschillende condities. Mensen verschillen immers in eigenschappen, die mogelijke confounders (verwarrende variabelen) zijn. Als de participanten at random verdeeld zijn over de condities, is deze variatie deel van de niet-systematische variatie. De groepen verschillen dan niet op een systematische manier van elkaar, anders dan in de experimentele manipulatie.

Wat wordt bedoeld met frequentie distributies?

Zodra een onderzoeker alle gegevens verzameld heeft, gaat hij of zij de data analyseren. Hierbij is het handig om een grafische weergave te maken van de gegevens. Dit kan met een frequentieverdeling (ook wel een histogram genoemd). In deze grafiek is te zien hoe vaak een bepaalde score voorkomt in je data. De grafiek is handig bij het uitrekenen van de proporties.

Een onderzoeker krijgt de ideale situatie wanneer er een verticale lijn door het midden van een histogram getrokken wordt. Beide helften zijn symmetrisch. Dit wordt een normale verdeling genoemd. Een normale verdeling is een belvormige curve. Dit betekent dat de meeste scores rond het midden van de verdeling zitten. Veel fenomenen zijn normaal verdeeld. Meestal staat de frequentie op de verticale as en de score op de horizontale as.

Wanneer een histogram niet symmetrisch is loopt het scheef. Als het histogram veel scores aan de linkerzijde heeft is het positief scheef en als het veel scores aan de rechterzijde heeft is het negatief scheef. Kurtosis geeft de mate aan waarin de scores zich in de staarten van de verdeling bevinden. Dit is te zien aan hoe puntig het histogram is. Bij een leptokurtic verdeling is de kurtosis positief en loopt het histogram in een puntige grafiek. Bij een platykurtic verdeling is de kurtosis negatief en is het histogram vlakker dan normaal.

Wat wordt bedoeld met de modus?

Men kan berekenen waar het centrum van de frequentie verdeling ligt (centrale tendens). De simpelste methode hiervoor is via de modus: Dit is de score met de hoogste frequentie, dus de score die het vaakst voorkomt. Er kunnen meerdere scores zijn met een gelijke frequentie. Als er twee scores zijn die het meest voorkomen, is de verdeling bimodaal. Bij meer dan twee modes is de verdeling multimodaal.

Wat wordt bedoeld met de mediaan?

De tweede manier om het midden van de verdeling te berekenen is met de mediaan. De mediaan is middelste score wanneer je alle scores qua frequentie op volgorde van klein naar groot neer zet. De positie van de mediaan kan berekend worden met de formule: (n + 1) / 2. Als een onderzoeker 11 scores heeft, is de mediaan dus het zesde cijfer. Als een onderzoeker even aantal scores hebt, valt de mediaan tussen twee scores. Dan wordt de mediaan berekend door het gemiddelde van die twee scores te nemen. Extreme scores en een scheve verdeling hebben weinig invloed op de mediaan. De mediaan kan gebruikt worden met data op ordinaal, interval en ratio meetniveau. Voor nominale data is het niet te gebruiken, omdat deze data niet op volgorde van klein naar groot gezet kunnen worden.

Wat wordt bedoeld met het gemiddelde?

De derde manier om het midden van de verdeling te berekenen is met het gemiddelde. Het gemiddelde bereken je door alle scores op te tellen en te delen door het aantal participanten. In formulevorm:

x̅ = Σ (x / n)

x̅ = het gemiddelde
Σ = het somteken (sigma). Hiermee wordt het optellen van alle scores x genoemd. De x is de score van een deelnemer.
n = het aantal deelnemers, ook wel de steekproefgrootte genoemd.

Het gemiddelde kan beïnvloed worden door extreme scores en door een scheve verdeling. Ook is het alleen te gebruiken bij interval of ratio gegevens. Het voordeel van het gemiddelde boven de mediaan en modus is dat je bij het berekenen ervan alle scores meeneemt. Bij de mediaan en modus worden de meeste scores in de dataset genegeerd.

Hoe ziet de verspreiding van een distributie eruit?

Naast het midden van de verdeling, kan iemand ook geïnteresseerd zijn in de manier waarop de scores verspreid zijn. De range (reikwijdte) van de scores is de hoogste score min de laagste score. Omdat je alleen de hoogste en laagste score gebruikt om de range te berekenen, hebben extreme scores veel invloed. Om deze invloed te verminderen wordt de bovenste 25% en de onderste 25% weggehaald waardoor je de middelste 50% overhoudt. Dit wordt de interkwartielafstand genoemd. Kwartielen zijn de drie waardes die de verdeling in vier gelijke stukken verdelen. De mediaan van de data is het tweede kwartiel. Het eerste kwartiel is de mediaan van de laagste helft, het derde kwartiel is de mediaan van de bovenste helft.

Het nadeel van de range is dat de helft van de data niet gebruikt wordt. Als een onderzoeker ervoor kiest wel alle gegevens te gebruiken, kan hij of zij kijken hoe ver elke score verwijderd ligt van het midden van de verdeling. Deze afwijking of deviatie wordt berekend met: de score – het gemiddelde. De totale deviatie wordt berekend door alle deviaties op te tellen.

Omdat sommige scores boven het gemiddelde liggen, en andere onder het gemiddelde, komt de totale deviatie altijd uit op 0. Hierdoor worden de deviatiescores niet opgeteld. De waarden worden eerst gekwadrateerd en vervolgens opgeteld. Deze opgetelde kwadraten worden de kwadratensom of sum of squares (SS) genoemd. De negatieve waarden worden in het kwadraat positief. Dit houdt in dat de SS altijd groter is dan nul. SS kan ook precies nul zijn wanneer alle scores exact gelijk zijn.

Het probleem met deze kwadratensom is dat de grootte afhangt van het aantal scores dat opgeteld wordt. Hierdoor kunnen de kwadratensommen van verschillende steekproefgroottes niet met elkaar vergeleken worden. Daarom wordt er een gemiddelde spreidingsmaat gebruikt, die de variantie genoemd wordt. De variantie (s²) is de kwadratensom gedeeld door de steekproefgrootte – 1.

Het nadeel van de variantie is dat het een gekwadrateerde maat is. Meestal wordt daarom de wortel van de variantie gebruikt. Dit wordt de standaardafwijking (s) genoemd.

De kwadratensom, de variantie en de standaardafwijking zijn allemaal maten die aangeven hoe ver de data verspreid is rond het gemiddelde. Een grote standaardafwijking betekent een grote spreiding, waarbij er veel scores ver van het gemiddelde zitten, en bij een kleine standaardafwijking zitten alle scores ongeveer rond het gemiddelde. Bij een grote standaardafwijking wordt de verdeling platter, bij een kleine standaardafwijking is de verdeling puntiger. Dit kan lijken op een platykurtic of leptokurtic verdeling, terwijl dat niet zo is.

Op welke andere manier kan een frequentieverdeling gebruikt worden?

De frequentieverdelingen kunnen niet alleen gebruikt worden om te bekijken hoe vaak bepaalde scores daadwerkelijk voorkwamen, maar ook om een uitspraak te doen over hoe waarschijnlijk het is dat iets voorkomt. Als er 172 zelfmoorden waren, waarvan 36 personen tussen de 30 en 35, betekent dit een proportie van 36 / 172 = 0.21, ofwel 21 %. Met deze proporties kun je inschatten hoe groot de kans is dat een bepaalde score voorkomt. Kansen nemen een waarde aan tussen de 0 (er is geen kans dat het gebeurt) en de 1 (het gaat zeker gebeuren). Om deze kansen te berekenen, maak je gebruik van een kansverdeling. Het gebied onder een deel van de kansverdeling geeft aan hoe groot de kans is dat een bepaalde waarde wordt verkregen. Vaak wordt er bij de normaalverdeling gebruik gemaakt van een standaardverdeling (z-verdeling), waarbij het gemiddelde altijd 0 is en de standaardafwijking altijd 1. Alle data sets kunnen worden omgezet in zo’n standaardverdeling. Dit doe je door de scores te veranderen in z-scores. Dit kan door de score – het gemiddelde te doen, en vervolgens te delen door de standaardafwijking. Deze z-scores kunnen gebruikt worden om in de tabel van de standaard normaalverdeling de bijbehorende proporties op te zoeken. De proportie in de standaard normaalcurve is hetzelfde als de kans op die waarde. Een z-score van 2.6 betekent een score die 2.6 standaardafwijkingen boven het gemiddelde ligt. Een z-score van 2.6 correspondeert bijvoorbeeld met een proportie in de normaalcurve van 0.0044. Dat betekent dat er 0.44% kans is op deze waarde. Het betekent ook dat 99.56% van de curve onder deze waarde ligt, want de hele curve is 1 (100%).

De tabel met de standaard normaalverdeling kan ook gebruikt worden om de vraag te beantwoorden welke range de middelste 95% heeft. Omdat de normaalcurve symmetrisch is, betekent dit dat er 2.5% van de distributie aan beide kanten van het midden zit. Om erachter te komen welke z-score hoort bij de proportie 0.025, zoek je deze waarde in de tabel bij de kolom ‘smaller portion’. De bijbehorende z-score is 1.96. Omdat de verdeling symmetrisch is, is -1.96 de andere grens. De middelste 95% van de curve zit dus tussen de z-scores -1.96 en 1.96.

Op welke manier moet data gerapporteerd worden?

Nadat het onderzoek is afgerond, wordt er een rapport moeten geschreven met hierin de bevindingen en dat insturen naar een wetenschappelijk tijdschrift. Dit wordt ook wel een journal (wetenschappelijk tijdschrift) genoemd. Een wetenschappelijk tijdschrift is een verzameling van artikelen geschreven door onderzoekers gepubliceerd in wetenschappelijke journals. Deze artikelen beschrijven een nieuw onderzoek, publiceren een review van bestaande artikelen of beschrijven een nieuwe theorie.

Het is belangrijk dat een onderzoeker weet op welke manier een onderzoek inclusief gegevens gepresenteerd en gerapporteerd moet worden. Voor het rapporteren worden meestal de regels en richtlijnen van de American Psychological Association (APA) gevolgd. Het is altijd verstandig de specifieke richtlijnen van een bepaald journal te bekijken.

Wanneer data gerapporteerd wordt, is het belangrijk te bepalen of gebruik gemaakt gaat worden van tekst, een grafiek of een tabel. Een onderzoeker moet hierin subsequent zijn. APA biedt de volgende richtlijnen:

  • Kies een manier van presenteren die ervoor zorgt dat de data zo goed mogelijk begrepen wordt.
  • Wanneer je drie of minder getallen presenteert, doe dit dan in de vorm van een zin.
  • Wanneer je tussen de 4 en 20 getallen presenteert, gebruik dan een tabel.
  • Wanneer je meer dan 20 getallen presenteert, gebruik dan een grafiek. Dit is nuttiger dan een tabel.
Waaruit bestaat statistiek? - Chapter 2
Wat zijn de limieten van statistisch onderzoek? - Chapter 3
Hoe ziet de SPSS statistiek omgeving eruit? - Chapter 4
Op welke manieren kunnen gegevens worden verkend met grafieken? - Chapter 5
Wat wordt er bedoeld met het bias beest? - Chapter 6
Wat wordt er bedoeld met een niet-parametrische test? - Chapter 7
Wat wordt er bedoeld met de correlatie tussen variabelen? - Chapter 8
Wat wordt er bedoeld met een regressie? - Chapter 9
Op welke manier kunnen twee gemiddelden met elkaar vergeleken worden? - Chapter 10
Wat wordt bedoeld met moderatie, mediatie en meerdere categorische voorspellers? - Chapter 11
Op welke manier worden verschillende onafhankelijke gemiddelden met elkaar vergeleken? - Chapter 12
Wat wordt bedoeld met een ANCOVA? - Chapter 13
Wat wordt bedoeld met een factor design? - Chapter 14
Wat wordt bedoeld met een repeated measures design? - Chapter 15
Wat wordt bedoeld met gemixte ontwerpen? - Chapter 16
Wat wordt bedoeld met een MANOVA? - Chapter 17
Wat wordt bedoeld met een factor analyse? - Chapter 18
Hoe kun je categoriale variabelen analyseren? - Chapter 19
Wat wordt bedoeld met een logistische regressie? - Chapter 20
Wat wordt bedoeld met een multilevel lineair model? - Chapter 21
Samenvattingen en studiehulp bij Discovering statistics using IBM SPSS statistics van Field - Boektool
Summaries per chapter with the 5th edition of Discovering statistics using IBM SPSS Statistics by Field - Bundle

Summaries per chapter with the 5th edition of Discovering statistics using IBM SPSS Statistics by Field - Bundle

Study guide with Discovering statistics using IBM SPSS Statistics by Field

Study guide with Discovering statistics using IBM SPSS Statistics by Field

Study guide with Discovering statistics using IBM SPSS Statistics

Online summaries and study assistance with the 5th edition of Discovering Statistics using IBM SPSS Statistics by Field

Studying Discovering Statistics by Field

  • About the book: The book is pleasant to use, as far as possible given the subject, because it takes into account that many people who work with SPSS are not necessarily fans of statistics, but only see it as an inescapable tool.
  • Study tips: Field can use as many cat pictures in his books, the material remains difficult for many students. Invest a little in your relationship with the book: You will have to use it a lot during the rest of your studies, so at least aim for a love/hate relationship.

Related content on joho.org

What are the commonly used symbols in statistics? - Chapter 0
Why does an evil teacher force students to learn statistics? - Chapter 1

Why does an evil teacher force students to learn statistics? - Chapter 1

In this chapter the importance of statistics is discussed, as well as its fundamental concepts. Data is required to answer various questions. Therefore, a teacher emphasizes the importance of working with numbers to students, because these numbers are a form of data and a part of the research process.

In addition to numbers, other forms of data exist. Studies based on figures use a quantitative method to do research, while studies that are mainly based on language research use a qualitative method. The qualitative and quantitative method are complementary to each other. This means that they can be used to enhance or emphasize each other.

What does the research process look like?

The research process consists of a number of steps. The first step is observation; something is observed that evokes curiosity. Consequently, a researcher has a question that he or she would like to answer. To determine if the observation is correct, data must be collected. A researcher needs variables to collect this data. A variable is something that is measured to answer the question of the researcher.

The research process is as follows: Formulate a research question -> test a theory -> write a hypotheses -> make predictions -> collect data to test the predictions -> analyze this data.

How do people find something that needs explanation?

One can find something that needs to be explained in many different ways. For example, when watching the news on television, a research question may arise about something that is going on in the world. To formulate an answer to this question, data must then be collected. To collect this data, one must also collect variables that have to be set and defined.

How are hypotheses tested?

After formulating a research question, the next step is to test a theory and to write a hypothesis. A hypothesis is an explanation for a certain phenomenon or a set of observations. A hypothesis is set by explaining data, and data can be explained by using a theory. Based on this theory, a prediction can be made. This prediction based on a theory is called a hypothesis. You can only speak of a hypothesis when it is a statement that can be proven or rejected by using scientific methods. If the collected data contradicts the theory or the hypothesis, a falsification occurs.

What is the difference between a dependent and an independent variable?

If people want to collect data, it is important that we ask two things: (1) what is measured and (2) how is it measured? To test the hypotheses, the variables must be measured. Variables are things that can vary between  people, between situations or over time. With most hypotheses there are two variables; the cause and the outcome.

The variable that is seen as the cause of a certain effect is called the independent variable or the predictor. In an experimental set-up, this term is used to emphasize that the researcher has manipulated this variable. The variable that changes due to changes in the independent variable is called the dependent variable or outcome variable.

What is meant by a measurement level?

Variables can be measured in various ways. The relationship between what is measured and the numbers that express what you are measuring is called the level of measurement.

Variables can be categorical or continuous and can have different measurement levels. A categorical variable consists of different categories. An example of a categorical variable is the division between men and women. In this case the variable has only two categories; a man or a woman. You can't be both. A variable with two categories is called a binary variable.

If a variable consists of more than two categories that are linked to each other, it is called a nominal variable. An example of a nominal variable is religion (Judaism, Christianity, Islam, etc.). Although these categories can also be represented with numbers, it is not possible to perform mathematical calculations with these numbers. These figures do not indicate a ranking with a nominal variable. An example of a nominal variable that is represented by numbers is the back number of a player in a team sport. A higher back number does not mean that someone is a better player. Nominal data can only be used to look at frequencies, for example how often a certain player scores, or how many people have a certain belief.

With an ordinal variable there are also different categories. These categories have a certain rankin, like a specific order. It is however not specified how big the difference is between the categories. A top three in a competition indicates who has done it better than the other. There is a sequence but it does not say how much better the winner was than the number two and three.

At the next measurement level you no longer have a categorical variable but continuous variables. A continuous variable is a score that can assume any value that is used on the measurement scale. The interval variable is a form of a continuous variable. With the interval variable, the difference between all numbers is the same. An example of this is a scale where you indicate how nice think someone is on a five-point scale. The difference between 1 and 2 is the same as the difference between 4 and 5. This measurement level is most often used for statistical tests.

The next measurement level is the ratio variable. The ratio variable has the same conditions as the interval variable, but the ratio variable has an absolute and meaningful zero point. This means that you can multiply the numbers of a ratio variable. An example of this is reaction time; a millisecond always lasts the same length, so the differences between the milliseconds are the same, but you can also say that 200 milliseconds is twice as long as 100 milliseconds. A continuous variable does not always have to be continuous, it can also be a discrete variable. A real continuous variable can take on all possible values but with a discrete variable only certain values can be chosen ​​(usually only rounded numbers). If you indicate how nice you think someone is on a five-point scale, it is a continuum, where 2.98 is a meaningful value, but you can only choose the numbers 1, 2, 3, 4 and 5. You cannot actually enter 2.98.

What is a measurement error?

Researchers prefer a measurement that is the same over time and in different situations. He or she would prefer an accurate measurement that is not influenced by who or where the measurement is made. There is often a difference between the measured value and the actual value. You call this difference the measurement error. If you have a good instrument, the measurement error is small. Questionnaires about sensitive topics often give larger measurement errors because not only the actual situation influences the answers of the participants, other factors such as social desirability also play a role.

What is meant by the concepts of validity and reliability?

One way to minimize the measurement error is to establish qualities of the measuring instrument that say something about how well the measuring instrument is performing. One way to determine that is validity. Validity is whether the instrument actually measures what you wanted to measure. Criterion validity means that you can determine whether your instrument measures what you want to measure based on objective criteria.

This can happen in two ways. If you simultaneously collect data with the new instrument and test existing criteria, you measure the simultaneous validity. If you use the data from your new instrument to predict later observations, you measure predictive validity. The problem with criterion validity is that it cannot always be used because there are often no objective criteria for what you want to measure, such as when you want to know how much someone is liked by others. Another form of validity is content validity. This is about the extent to which the items on a questionnaire match the construct and whether the questions fully cover the phenomenon.

An instrument must be valid but that is not enough. An instrument must also be reliable. Reliability means that the instrument gives the same result under the same conditions. So a reliable scale always gives the same weight if the actual weight is the same. If an instrument is not reliable, it cannot be valid either. Because an instrument that generates different outcomes under the same circumstances does not, by definition, measure what it should measure. So that means that the instrument is not valid. The easiest way to test reliability is to repeat the test (test-retest reliability). A reliable instrument should give the same results on both tests.

What is meant by a correlational research method?

Correlational research observes what is happening in the world without manipulating it. This is good for the ecological validity because the natural situation is observed. Some studies can only be performed in this correlational way because it is impossible or unethical to manipulate certain variables. However, the disadvantage of this method is that it is not possible to make a statement about causality.

What is meant by an experimental research method?

In experimental research, a variable is manipulated to see if it influences the other variables. Many studies look at whether one variable (the predictor/independent variable) is the cause of the other variable (the dependent variable/outcome). According to Hume, one can only speak of a causal connection if:

  • Cause and effect closely follow each other in time.

  • The cause precedes the consequence.

  • The effect never occurs without the cause occurring.

In many studies, the variables are measured simultaneously. In many cases it is not known which variable is the cause and which variable represents the effect. It is possible that there is a third variable in the game (tertium quid) that is the cause of both other variables. This is also called the confusing variable. An example is the connection between breast implants and suicide. Low self-esteem is the cause of taking a breast enlargement and the cause of attempting suicide. So, low self-esteem is the confusing variable.

John Stuart Mill (1865) has added another criterion to Hume's criteria, namely that all other explanations of the cause-effect effect must be excluded. If the cause is absent, the effect may not be present either. The purpose of experimental research is to find the cause-effect relationship between variables in as much detail as possible. Experiments compare situations (conditions or treatments) where the alleged cause is absent with the situation in which the cause is present. Participants can participate in an experiment in two different ways: in an in-group design and in a between-group design.

Which two methods of data collection exist?

As mentioned above, participants can participate in an experiment in two different ways. In a within-groups design (also called: within-subject or repeated measures design) the same participants do the experiment a number of times in different conditions. In a between-groups design (also called: between-subjects or independent design) you have different participants in different conditions.

Which two types of variation are there?

Non-systematic variation is the small difference in performance between two conditions that cannot be explained by known factors. Even if all variables remain the same, there is usually still a slight difference in scores between different conditions or different moments. This is due, for example, to differences in skill in the task between people or different times of the day. Systematic variation is the difference between the two conditions that results from the manipulation of the condition. For example, in one condition chimpanzees receive a reward for their behavior, and in the other condition they don't. The difference in behavior is now caused by the manipulation. This is called the systematic variation. The role of statistics is to discover how much difference there is in performance, which part of the variation is systematic and which part is non-systematic. There is less non-systematic variation in the in-group design than in the between-group design. With the between-group design, the people in the different groups can have different characteristics.

What is meant by the concept of randomization?

In order to keep the non-systematic variation as small as possible and to make the test as accurate as possible, scientists use randomization. Randomization is important because other sources of systematic variation are removed, making sure that changes are caused by experimental manipulation. In the inner group design (in-group design) there are two more important sources of systematic variation. These are the two types of effects:

  1. Practice effects. This means that participants can behave differently during the test because they have become familiar with the test.

  2. Boredom effects. This means that participants can behave differently in the second test because they have become bored and/or tired of the first test.

To keep these effects as small as possible, a different order of conditions is given to different participants, this is called counterbalancing. This means that one person first gets condition 1 and then 2, and the other person first gets condition 2 and then 1. Who gets which condition first is randomized, the participants are randomly assigned to either condition 1 or 2.

In the between-group design, randomization is done by randomly assigning the participants to the different conditions. After all, people differ in characteristics, which are possible confounders (confusing variables). If the participants are randomly distributed over the conditions, this variation is part of the non-systematic variation. The groups do not differ from each other in a systematic way other than in the experimental manipulation.

What are frequency distributions?

Once a researcher has collected all the data, he or she wants to analyze the data. In order to do so, it is useful to make a graphical representation of the data. This is possible with a frequency distribution (also called a histogram). This graph shows how often a certain score occurs in your data. This graph is useful when calculating the proportions.

A researcher gets the ideal situation when a vertical line is drawn through the center of a histogram. Both halves are symmetrical. This is called a normal distribution. A normal distribution is a bell-shaped curve, meaning that most scores are around the middle of the distribution. Many phenomena are normally distributed. The frequency is usually on the vertical axis and the scores on the horizontal axis.

When a histogram is not symmetrical, it is skewed. If the histogram has many scores on the left, it is skewed positive. If it has many scores on the right, the histogram is skewed negative. Kurtosis indicates the extent to which the scores are in the tails of the distribution. This can be seen from how pointed the histogram is. With a leptokurtic distribution, the kurtosis is positive and the histogram runs in a pointed graph. With a platykurtic distribution, the kurtosis is negative and the histogram is flatter than normal.

What is meant by the mode?

One can calculate where the center of the frequency distribution lies (central tendency). The simplest method for this is the mode. This is the score with the highest frequency, so the score that occurs most often. There can be multiple scores with the same frequency. If there are two most common scores, the distribution is bimodal. With more than two modes, the distribution is multimodal.

What is meant by the median?

The second way to calculate the center of the distribution is with the median. The median is the middle score when you put all the scores in terms of frequency from small to large. The position of the median can be calculated with the formula: (n + 1) / 2. If a researcher has 11 scores, the median is therefore the sixth digit. If a researcher has an even number of scores, the median falls between two scores. The median is then calculated by taking the average of those two scores. Extreme scores and a skewed distribution have little influence on the median. The median can be used with data at ordinal, interval and ratio measurement level. It cannot be used for nominal data, because this data cannot be arranged in order from small to large.

What is meant by the mean?

The third way to calculate the center of the distribution is with the mean. You calculate the average by adding up all scores and dividing them by the number of participants. In formula form:

x̅ = Σ (x / n)

x̅ is the mean, Σ is the sum sign (sigma). With this, the addition of all scores is called x. The x is the score of a participant. n is the number of participants, also called the sample size.

The average can be influenced by extreme scores and by a skewed distribution. It can also only be used with interval or ratio data. The advantage of the average above the median and mode is that you take all scores into account when calculating them. With the median and mode, most scores in the dataset are ignored.

What does the spread of a distribution look like?

In addition to the middle of the distribution, someone may also be interested in the way the scores are distributed. The range of the scores is the highest score minus the lowest score. Because you only use the highest and lowest score to calculate the range, extreme scores have a lot of influence. To reduce this influence the top 25% and the bottom 25% are removed, leaving you with the middle 50%. This is called the interquartile distance. Quartiles are the three values ​​that divide the division into four equal pieces. The median of the data is the second quartile. The first quartile is the median of the lowest half, the third quartile is the median of the upper half.

The disadvantage of the range is that half of the data is not used. If a researcher chooses to use all data, he or she can see how far each score is from the center of the distribution. This deviation is calculated with: the score - the average. The total deviation is calculated by adding up all deviations.

Because some scores are above average and others below average, the total deviation is always 0. This means that deviation scores are not added. The values ​​are first squared and then added. These summed squares are called the squared sum or sum of squares (SS). The negative values ​​become positive squared. This means that the SS is always greater than zero. SS can also be exactly zero if all scores are exactly equal.

The problem with this squared sum is that its size depends on the number of scores that are added. As a result, the squares of different sample sizes cannot be compared with each other. That is why an average spread measure is used, which is called the variance. The variance (s²) is the squared sum divided by the sample size - 1.

The disadvantage of the variance is that it is a squared measure. Therefore, the root of the variance is usually used. This is called the standard deviation (s).

The sums of squares (SS), the variance (s²) and the standard deviation (s) are all measures that indicate how far the data is spread around the average. A large standard deviation means a large spread, with many scores far from the average. With a small standard deviation, all scores are around the average. With a large standard deviation the distribution becomes flatter but with a small standard deviation the distribution is more pointed. This may resemble a platykurtic or leptokurtic distribution while it is not.

In what other way can a frequency distribution be used?

The frequency distributions cannot only be used to see how often certain scores actually occurred, but also to make a statement about how likely it is that something will occur. If there were 172 suicides, of which 36 were between 30 and 35, it gives a proportion of 36/172 = 0.21, or 21%. With these proportions you can estimate how likely it is that a certain score will occur. Opportunities take a value between 0 (there is no chance that it will happen) and 1 (it will certainly happen). To calculate these opportunities, you use a probability distribution. The area under a part of the probability distribution indicates the probability that a certain value will be obtained. The standard distribution often uses a standard distribution (z distribution). The average is always 0 and the standard deviation is always 1. All data sets can be converted into such a standard distribution. You do this by changing the scores to z-scores. This can be done by doing the score – (minus) the average, and then dividing by the standard deviation.

These z-scores can be used to look up the corresponding proportions in the table of the standard normal distribution. The proportion in the standard normal curve is the same as the probability of that value. A z-score of 2.6 means a score that is 2.6 standard deviations above average. For example, a z-score of 2.6 corresponds to a proportion in the normal curve of 0.0044. That means that there is a 0.44% chance of this value. It also means that 99.56% of the curve is below this value, because the entire curve is 1 (100%).

The table with the standard normal distribution can also be used to answer the question about which range has the middle 95%. Because the normal curve is symmetrical. This means that there is 2.5% of the distribution on both sides of the middle part. To find out which z-score belongs to the 0.025 proportion, look for this value in the table under the "smaller portion" column. The corresponding z-score is 1.96. Because the distribution is symmetrical, -1.96 is the other limit. The middle 95% of the curve is therefore between the z-scores -1.96 and 1.96.

How to report the data?

After the research has been completed, a report must be written containing the findings and sent to a scientific journal. A scientific journal is a collection of articles written by researchers and published in scientific journals. These scientific articles describe a new research, publish a review of existing articles or describe a new theory.

It is important that a researcher knows how a research, including the data, must be presented and reported. For reporting, the rules and guidelines of the American Psychological Association (APA) are usually followed. Standards may vary per journal.

When data is reported, it is important to determine whether text, a graph or a table will be used. A researcher must be consistent. APA offers the following guidelines:

  • Choose a method of presentation that ensures that the data is understood as well as possible.

  • When you present three or fewer numbers, do so in the form of a sentence.

  • When you present between 4 and 20 numbers, use a table.

  • If you present more than 20 numbers, use a graph. This is more useful than a table.

What does statistics consist of? - Chapter 2
What are the limits of statistical research? - Chapter 3
What does the SPSS statistics environment look like? - Chapter 4
In which way can data be explored with graphs? - Chapter 5
What is meant by the bias beast? - Chapter 6
What is meant by a non-parametric test? - Chapter 7
What is meant by the correlation between variables? - Chapter 8
What are the main characteristics of the linear model? - Chapter 9
How can two means be compared? - Chapter 10
What is meant by moderation, mediation and multicategory predictors? - Chapter 11
How are different independent means compared with each other? - Chapter 12
What is meant by an ANCOVA? - Chapter 13
What is meant by a factorial design? - Chapter 14
What is meant by a repeated-measures design? - Chapter 15
What are mixed designs? - Chapter 16
What is meant by a MANOVA? - Chapter 17
What are the main characteristics of an exploratory factor analysis? - Chapter 18
How can categorical variables be analyzed? - Chapter 19
What is meant by a loglinear analysis? - Chapter 20
What is meant by multilevel linear models? - Chapter 21
Summaries and study assistance with Discovering statistics using IBM SPSS statistics by Field - Booktool
JoHo nieuwsupdates voor inspiratie, motivatie en nieuwe ervaringen: winter 23/24

Projecten, Studiehulp en tools:

  • Contentietools: wie in deze dagen verwonderd om zich heen kijkt kan wellicht terecht op de pagina's over tolerantie en verdraagzaamheid en over empathie en begrip, mocht dat niet voldoende helpen check dan eens de pagina over het omgaan met stress of neem de vluchtroute via activiteit en avontuur in het buitenland.
  • Competentietools: voor meer werkplezier en energie en voor betere prestaties tijdens studie of werk kan je gebruik maken van de pagina's voor vaardigheden en competenties.
  • Samenvattingen: de studiehulp voor Rechten & Juridische opleidingen is sinds de zomer van 2023 volledig te vinden op JoHo WorldSupporter.org. Voor de studies Pedagogiek en Psychologie kan je ook in 2024 nog op JoHo.org terecht.
  • Projecten: sinds het begin van 2023 is Bless the Children, samen met JoHo, weer begonnen om de slum tours nieuw leven in te blazen na de langdurige coronastop. Inmiddels draaien de sloppentours weer volop en worden er weer nieuwe tourmoeders uit deze sloppen opgeleid om de tours te gaan leiden. In het najaar van 2023 is ook een aantal grote dozen met JoHo reiskringloop materialen naar de Filipijnen verscheept. Bless the Children heeft daarmee in het net geopende kantoortje in Baseco, waar de sloppentour eindigt, een weggeef- en kringloopwinkel geopend.

Vacatures, Verzekeringe en vertrek naar buitenland:

World of JoHo:

  • Leiden: de verbouwing van het Leidse JoHo pand loopt lichte vertraging op, maar nadert het einde. Naar verwachting zullen eind februari de deuren weer geopend kunnen worden.
  • Den Haag: aangezien het monumentale JoHo pand in Den Haag door de gemeente noodgedwongen wordt afgebroken en herbouwd, zal JoHo gedurende die periode gehuisvest zijn in de Leidse vestiging.
  • Medewerkers: met name op het gebied van studiehulpcoördinatie, internationale samenwerking en internationale verzekeringen wordt nog gezocht naar versterking!

Nieuws en jaaroverzicht 2023 -2024

  

  

Tentamens en tests

   

    

   

Samenvattingen en studiehulp per gerelateerde opleiding

  

 

JoHo: crossroads uit de bundels