JoHo

Als we meer dan twee groepen willen onderzoeken, dan moeten we al gauw veel afzonderlijke t-testen uitvoeren. Het probleem hierbij is dat de kans op een type-I-fout toeneemt, wanneer we meer t-toetsen uitvoeren. Een type-I-fout is de kans dat we de nulhypothese verwerpen, terwijl deze in werkelijkheid wel waar is. Als we één t-toets uitvoeren, dan is de kans op een type-I-fout 5%, maar hoe meer testen we uitvoeren, hoe hoger dit percentage wordt. Onderzoekers proberen de kans op een type-I-fout zo klein mogelijk houden. Dit doen ze door een strenger alfaniveau te hanteren. Dit kan onder andere door gebruik te maken van de Bonferroni-aanpassing (‘Bonferroni adjustment’). Hierbij wordt de alfa (vaak 5%) gedeeld door het aantal t-testen dat uitgevoerd moet worden. Als we bijvoorbeeld tien t-testen willen uitvoeren, dan moeten we een alfa van (0.05 / 10 = ) .005 gebruiken, in plaats van een alfa van .05. Het probleem is echter, dat door het gebruik van de Bonferroni-aanpassing de kans op een type-II-fout toeneemt. Zoals in eerdere hoofdstukken is uitgelegd, is de type-II-fout de kans dat de nulhypothese wordt behouden, terwijl deze in werkelijkheid niet juist is. De kans dat de t-toets effecten mist die eigenlijk wel aanwezig waren, wordt groter door het toepassen van de Bonferroni-aanpassing. Dit komt doordat het alfaniveau zo laag is.

Om deze reden wordt ANOVA (‘analysis of variance’) geprefereerd boven de Bonferonni aanpassing. ANOVA wordt gebruikt voor designs die meer dan twee condities bevatten.