ecologische validiteit = uitbreiding externe validiteit labsetting != realistisch, dus kan je wel generaliseren?

nulhypothese waar maar verworpen -> type I (false positive) (we denken dat een medicijn werkt terwijl het niks doet -> onnodig meer research en mogelijk bijwerkingen) nulhypothese fout maar aangenomen -> type II (miss) (we denken dat een medicijn niet werkt terwijl het eig wel werkt -> we zouden mensen betere behandeling kunnen geven)

de nulhypothese is goed en we houden hem aan => hoge betrouwbaarheid (kans dat dit gebeurt)

type I errors voorkom je door een lagere alfa (alfa bepaalt of we de nulhypothese verwerpen; lagere alfa => meer verworpen H0 => minder false positives) p is de kans dat we dit of extremer vinden onder h0, dus alfa is de maximale kans die we toestaan dat we fout zitten.

type II errors worden veroorzaakt door een range aan factoren (je kan de kans voor deze dus niet bepalen, maar wel schatten)

• beta is de kans dat je de nulhypothese aanneemt wanneer hij verworpen moet worden
• power is de kans dat je de nulhypothese verwerpt als hij verworpen moet worden

(power = 1 - beta)

lage alfa zorgt ervoor dat je sneller een nulhypothese minder snel verwerpt => dus meer type II errors (lage alfa => lage power)

!! grotere steekproef => meer power (ff checken WAAROM dit zo is; het klinkt logisch maar ik wil t ook wiskundig onderbouwd zien)

statistische validiteit:

• significantie: toetsingsgrootheid (r of t) => p < alfa
• relevantie: effectgrootte
• nauwkeurigheid: betrouwbaarheidsinterval
• geschiktheid: juiste toets? voorwaarden voldaan? juist geinterpreteerd?

SD_pooled = gem(SD1, SD2)

verschil groot of klein? (= relevantie)

t => is er uberhaupt een verschil? (relatief tov SE) effect size => hoe groot?

een klein verschil kan ook significant (aka geen toeval) zijn, maar hoeft niet per se de moeite waard zijn in de praktijk

Cohen’s d (standardized mean difference)

SD_pooled = …? d = (M1 - M2)/SD_pooled

zie p. 473 voor SD_pooled

de schaal waarop we effect size aflezen verschil per werkveld (aka 0.5 kan groot zijn in social science maar klein in medische wetenschap)

nauwkeurigheid: betrouwbaarheidsinterval

steekproeffout (M1 - M2 != micro1 - micro2)

steekproeffout rapporteren kan niet omdat verschil in populatie niet bekend is.

De delta M is een puntschatting:

• schijnzekerheid
• niet informatief? <- want steekproeffout

beter: marge aanbrengen, want je weet SE (^want uitspraken doen in onderzekerheid)

puntschatting in t midden, met ‘bars’/’voelsprieten’ die een interval aangeven. waar interval vandaan?? -> ~2 * SE (2 hangt af ingewikkelde statistiek die we niet hoeven te kennen; iets met het betrouwbaarheidsinterval dat is gekozen)

delta M altijd midden, dus de betrouwbaarheidsintervallen verschillen altijd een beetje, maar overlappen wel veel.

het kan zelfs dat delta micro (dus ware populatiewaarde) nieteens in de betrouwbaarheidsinterval ligt.

CI slider (95%) is het getal voor de SE (dus rond de 2); hoger => grotere intervallen, dus grotere kans dat delta micro erin zit, maar je intervallen zeggen wel minder, want breder.

95% betekent 95% zekerheid (niet kans!! (??)) dat de populatiewaarde erin zit.

CI sluit aan op alfa -> logisch, want nul zit vaker in de interval als alfa lager

je wil kleinere interval, dus alfa kan groter, maar dan kans op type I fout groter maar je kan ook de SE verkleinen, dan wordt de interval ook kleiner => grotere steekproef => (of spreiding kleiner maken, maar daar heb je weinig invloed op)