Hoorcollege 8

causaliteit:

• correlatie (covariantie)
• tijdsvolgorde (temporal precedence)
• interne validiteit (alternatieve verklaringen uitsluiten)

begrijpen (basic), beinvloeden (applied) van de werkelijkheid => causaal verband nodig.

experimenteel onderzoek -> controle -> voorwaarden makkelijker voldoen

beste manier voldoen aan voorwaarden:

• gerandomiseerd onderzoek (vergelijking tussen 2 verondersteld gelijke groepen)
• onderzoeker manipuleert een variabele

PICO:

• Populatie
• Interventie: experimentele conditie, gemanipuleerde variabele (onafhankelijk)
• Comparison: van onderzoeksgroep en de controlegroep
• Outcome: wat gebeurd er met de gemeten variabele (afhankelijk)

heeft het tussentijds reviseren van aantekeningen effect op leerprestaties van studenten?

p = studenten i = tussentijds reviseren van aantekeningen c = … o = leerprestaties

correlationeel = invloed van natuurlijke variatie in variabelen meten experimenteel = variabele manipuleren in een gecontrolleerde (lab)setting

temporal precedence verzekeren door te manipuleren te doen voor het meten van de afhankelijke variabele

uitsluiten alternatieve verklaringen =>

bedreigeingen van interne validiteit:

• design confounds: is de gemanipuleerde variabele het enige verschil in de behandeling van de groepen
• selectie effect: zijn de groepen überhaupt wel vergelijkbaar bij aanvang: zijn er geen grote verschillen in samenstelling van groepen

groep moet vergelijkbaar zijn mbt afhankelijke var. en alle andere var (want je weet niet of die effect zouden kunnen hebben) indelen door:

• natuurlijke indeling (toevallige plekken bij binnenkomen, eigen keuze deelnemers)
• selectie op basis v persoonskenmerken
• willekeurige toewijzing (randomisatie)

!! welke typen groepen in een experiment

doel van randomisatie:

• gemiddelde en spreiding (scores)
• op alle variabelen (gemeten en ongemeten)
• bij aanvang vergelijkbaar

moet je checken of het ‘gelukt’ is? -> er is discussie over (hangt ook af van steekproefgrootte, maar je kan alleen bekende/gemeten variabelen checken) (want rechttrekken op basis van gemeten kenmerk kan op ongemeten kenmerk scheef trekken) (dus je kan niet zoveel met ‘checken’; is alleen later voor interpretatie miss handig)

soms randomisatie niet mogelijk: niet ethisch of praktisch onhaalbaar (ethisch: bijv mogelijk betere behandeling niet geven in medisch onderzoek) (praktisch: bijv niet handig om de helft van een klas een andere methode te geven)

soms kan het maar gaat het mis:

• deelnemers in experimentele groep delen dingen met deelnemers in de controlegroep (= contaminatie, daarom blind)
• deelnemers houden zich niet aan de behandeling/instructies
• beinvloeding door de onderzoeker (zowel bewust als onbewust) (daarom dubbelblind)

^^vorm van design confounds

populatie –(aselecte steekproef)–> steekproef –(randomisatie)–> experimentele groep en controlegroep ^^externe validiteit ^^interne validiteit

statistisch gezien is 2x aselecte steekproef hetzelfde als 1x aselect+randomisatie

wanneer mag generaliseren: steekproef -> populatie (mits interne en externe validiteit ok)

NHST

• formuleren hypotheses (h0 en ha)
• keuze & berekenen van een toetsingsgroothei
• kans bepalen op resultaat of nog extremer gegeven h0
• h0 wel of niet verwerpen

• conclusie schrijven (extra stap)

als h0, dan geen verschil => manipulatie heeft geen effect

nieuwe soort hypothese = statistische hypothese (wiskundige repr. van h0 en ha) h0 => \mu_{revisie} = \mu_{recopy} ha => \mu_{revisie} > \mu_{recopy}

correlatie = r-toets, r_s-toets causatie = t-toets (M1 - M2)

dus: mag generaliseren + is het verschil groot?

verschil afhankelijk van de meeteenheid en schaal dus: relatief verschil tussen de groepen

• verschil in gem. M1 - M2
• spreiding in scores SD1 en SD2
• grootte van groepen n1 en n2

correlatie verschilt per steekproef. zelfde hier: M1 - M2 ook. standaardfout (SE) berekenen aan de hand van de gegev. hierboven

t = (M1-M2)/SE

hierdoor cancellen we eenheden elkaar uit => zelfde schaal tussen ongv. -3 en 3 stap op de schaal is 1x de standaardfout

grotere t => grotere verschillen (t = 1 is één standaardfout, dus dat is ongv de meest logische waarde in geval van h0)

in geval van nulhypothese:

• weinig verschillen tussen groepen
• dus t laag
• dus hoge t = goed, want dan nulhypothese niet geldig

aan de hand van t kan de computer p berekenen (want t = equivalent van r, dus gwn weer overschrijdingskans, opp voor extremer)