JoHo

Wat zijn variabelen?

Een variabele is een eigenschap of conditie die veranderlijk is of verschillende waarden heeft voor verschillende individuen (bijvoorbeeld leeftijd). Variabelen kunnen ook eigenschappen van de omgeving zijn (bijvoorbeeld temperatuur). Wanneer je variabelen opneemt in je onderzoek duid je ze vaak aan met een letter. Een onderzoeker kan bijvoorbeeld de relatie onderzoeken tussen roken (X) en longkanker (Y). Als je een verband verwacht, zouden de waarden van Y moeten veranderen bij verschillende waarden van X en omgekeerd. Waarden worden in het algemeen uitgedrukt in getallen, om statistische berekeningen mogelijk te maken. Een variabele die niet verandert en hetzelfde is voor elk individu wordt een constante genoemd.

Wat zijn meetschalen?

Het is van belang om te weten van welk meetniveau je variabele is om vervolgens een goede keuze te maken voor je statistische test (de methode waarmee je je onderzoeksvraag wilt onderzoeken). Een dergelijk meetniveau wordt ook wel een meetschaal genoemd. Er bestaan grofweg vier meetschalen: nominaal, ordinaal, interval en ratio.

Wanneer is een meetschaal van nominaal niveau?

De nominale schaal is een kwalitatieve meetschaal met losstaande categorieën. Bij de nominale meetschaal kan er dus geen volgorde in categorieën worden aangegeven. Veelvoorkomend voorbeelden zijn geslacht (man/vrouw) of nationaliteit.

Wanneer is een meetschaal van ordinaal niveau?

Metingen op ordinaal niveau kennen een natuurlijke ordening. De volgorde is duidelijk, maar de verschillen zijn niet te interpreteren. Een veelvoorkomend voorbeeld is opleidingsniveau (VMBO-HAVO-VWO). Er zit een bepaalde rangorde in deze variabelen (van laag naar hoog), maar de verschillen tussen deze opleidingsniveaus zijn niet allemaal even groot – en zeker niet kwantitatief te duiden.

Wanneer is een meetschaal van interval niveau?

Bij een interval schaal zijn de verschillen tussen scores kwantitatief te duiden en zijn ze gelijk (in tegenstelling tot een ordinale schaal). Het verschil tussen 10 en 11 op een test is net zo groot als het verschil tussen 50 en 51. Een intervalschaal heeft echter geen absoluut nulpunt en daarom kun je niet zeggen hoeveel hoger een waarde is. Een goed voorbeeld hiervan is de Fahrenheit-schaal: 30 graden is niet twee keer zo warm als 15 graden.

Wanneer is een meetschaal van ratio niveau?

Een ratioschaal heeft dezelfde eigenschappen als een intervalschaal, maar een ratioschaal heeft wel een absoluut nulpunt. Zodoende kun je wat zeggen over de relatieve waarde van variabelen ten opzichte van elkaar. 50 centimeter is immers twee keer zo lang als 25 centimeter – maar alleen omdat de verschillen tussen scores altijd gelijk zijn en omdat het nulpunt het ijkpunt is.

Wat is het verschil tussen een discrete en continue variabele?

Bij continue variabelen zijn de verschillen tussen scores gelijk. Meetschalen op ratio en interval niveau vallen dus onder de categorie continue variabelen. Bij discrete variabelen zijn de verschillen tussen scores onduidelijk. Meetschalen op ordinaal en nominaal niveau vallen dus onder de categorie discrete variabelen.

Wat zijn de nul-hypothese (H0) en de alternatieve hypothese (H1)?

Wanneer je statistisch gaat toetsen begin je altijd met de veronderstelling dat er geen effect is tussen de variabelen die je meet. Deze veronderstelling heet de nul-hypothese of H0 (geen effect in de populatie). Met je statistische toets ga je kijken hoe aannemelijk je het kan maken dat het effect wel bestaat. Deze hypothese verwoord je in je alternatieve hypothese of H1.

Stel je meet twee groepen – mensen met alcohol op en mensen zonder alcohol op – en of ze agressief gedrag vertonen of niet. Je vindt een bepaald verschil tussen deze groepen, bijvoorbeeld dat de mensen met alcohol op meer agressief gedrag vertonen dan mensen zonder alcohol op. Je H0 is dat er geen effect is in je populatie, dus dat er tussen alcoholgebruik en agressie geen relatie is en dat het gevonden verschil op toeval berust. Je statistische toets probeert het tegenovergestelde te bewijzen, de H1: er is wel een relatie tussen alcoholgebruik en agressie en het gevonden verschil berust niet op toeval. Dit kan je statistisch toetsen.

Wat zijn de p-waarde en de alpha (α)?

Iedere statistische test heeft een p-waarde. De p-waarde is een getal tussen 0 en 1 en staat gelijk aan de kans dat je in je test het huidige effect vindt, terwijl er eigenlijk geen effect in je populatie is. Dit is dus de kans dat je op basis van je statistische test H1 aanneemt, terwijl H0 eigenlijk waar is in de populatie. Heeft je test een p-waarde van 0,30, dan is de kans dus 30% groot dat wat je vindt in je test niet overeen komt met wat er gebeurt in je populatie. Dat is best een grote kans dat je test niet representatief is voor je populatie en daarom zal je met zo'n p-waarde niet snel H0 verwerpen.

Stel nu dat je een p-waarde vindt van 0,01 dan is de kans dat H0 waar is voor je populatie dus 1% groot. In dat geval kan je op basis van je theoretisch kader H1 vaak aannemen. De grens van het wel of niet aannemen van de H1 heet alpha (α) en wordt in het algemeen van te voren vastgesteld. De waarde van α verschilt per vakgebied: bij de medische wetenschappen mogen fouten eigenlijk niet voorkomen omdat deze grote gevolgen kunnen hebben. Een foutmarge van 1% (een α van 0.01) kan dan al snel te hoog zijn. In de sociale wetenschappen ligt dit anders en is een foutmarge van 5% (een α van 0.05) niet ongewoon. Alpha (α) wordt vaak vastgesteld op 0.1, 0.05, of 0.01.

Wat zijn type I fouten en type II fouten en wat is de power van een statistische test?

Statistiek blijft een vorm van kansberekening, dus er is per definitie een kans dat het mis gaat. Stel dat je op basis van je p-waarde, je α en je resultaten uit je test H1 mag aannemen, terwijl er eigenlijk geen effect in je populatie bestaat. Dit kan gebeuren wanneer je per toeval extreme, niet representatieve waardes hebt gemeten met je steekproef uit je populatie. Deze kans is altijd aanwezig en is gelijk aan α. We spreken van een Type I fout als een onderzoeker onterecht de nulhypothese verwerpt en concludeert dat er een significant verschil bestaat in de populatie. Met andere woorden is α dus de kans die je van te voren accepteert op het maken van een type I fout.

Een type II fout is het tegenovergestelde van een type I fout: de H0 wordt niet verworpen terwijl er wel een effect in de populatie is. Je statistische test is er niet in geslaagd om dit effect zichtbaar te maken. De kans op deze fout wordt beta (β) genoemd en de kans op deze fout is dan ook afhankelijk van het onderscheidend vermogen van je test. Het onderscheidend vermogen van je toets wordt de power van je toets genoemd. Hoe hoger de power, hoe kleiner de kans op een type 2 fout. De power van je toets bepalen we dan ook met de formule:

power = 1-β