Summary onderzoekenpracticum inleiding data-analyse

-
207 Flashcards & Notes
2 Students
  • This summary

  • +380.000 other summaries

  • A unique study tool

  • A rehearsal system for this summary

  • Studycoaching with videos

Remember faster, study better. Scientifically proven.

PREMIUM summaries are quality controlled, selected summaries prepared for you to help you achieve your study goals faster!

Summary - onderzoekenpracticum inleiding data-analyse

  • 1.1 Inleiding en ethiek

  • 1.1 Waarom wordt wetenschap beoefend?
    De wetenschap biedt systematische methoden van informatieverzameling en -verwerking om de realiteit in kaart te brengen zonder last te hebben van verstoringen in ons geheugen en onze informatieverweking. 

    Leren over de realiteit is wenselijk zodat we de realiteit naar onze hand kunnen zetten.
  • 1.1 Wat is de empirische onderzoekscyclus en uit welke fasen bestaat het?
    empirische onderzoekscyclus =
    Vijf fasen in het systematische proces van wetenschappelijk onderzoek vormen samen de empirische onderzoekscyclus (= onderzoek waarbij data worden verzameld).

    Fasen:
    1. onderzoeksvraag formuleren
    2. studie ontwerpen
    3. data verzamelen
    4. data analyseren
    5. rapporteren

    In de praktijk lopen de fasen een beetje door elkaar heen omdat het een iteratief proces is. 
  • 1.1 Waarom zijn ethiek en integriteit heel belangrijk in wetenschappelijk onderzoek en in de psychologie in het bijzonder?
    Twee redenen:

    1. De objecten van onderzoek zijn meestal mensen. Die steken tijd en moeite in deelname en kunnen schade ondervinden door deelname. Het is dus belangrijk om geen onderzoek uit te voeren waarbij de investering en risico niet in verhouding staan tot de opbrengsten.

    2. Onderzoek wordt meestal uitgevoerd met publieksgeld. Daarom moet men zorgen dat het onderzoek de moeite van de investering en kosten waard isrealiseerbaar is, en dat alle stappen transparant en herleidbaar zijn.
  • 1.1 Wat is de achtergrond en rol van ethiek bij wetenschappelijk onderzoek bij mensen?
    Achtergrond van ethiek:
    • 1947, naar aanleiding van de experimenten in WOII werd de Nuremberg Code geformuleerd.
    • 1964, op basis van de eerste code werd de eerste versie van de Helsinki Declaratie geformuleerd.

    Hoewel beide richtlijnen oorspronkelijk zijn geformuleerd voor medisch onderzoek, worden de onderliggende principes beschouwd als een basis voor ethische besluitvorming bij wetenschappelijk onderzoek. Om die besluiten te nemen zijn er ethische commissies opgericht.

    Rol van ethiek:
    • kosten versus mogelijke opbrengsten.
    • bescherming van de deelnemers.
    • anonimiteit van deelnemers.
    • wordt er goed met de data omgegaan.
  • 1.1 Hoe gaat de ethische toetsing in Nederland en bij de OU in zijn werk?
    Wet Medisch Onderzoek =
    WMO =
    In NL zijn de principes van de Declaratie van Helsinki geïmplementeerd in de WMO. Deze wet bepaald dat onderzoek dat onder de WMO valt niet uitgevoerd mag worden als een Medisch Ethische Toetsings Commissie (= METC) het onderzoek niet eerst heeft getoetst en goedgekeurd. 

    Het meeste psychologische onderzoek is niet medisch-wetenschappelijk en valt dus niet onder de WMO. Daarom is er een ethische code ontwikkeld voor al het sociale en gedragswetenschappelijke onderzoek in Nederland. Bij de OU wordt deze gedragscode toegepast door de
     commissie Ethische Toetsing Onderzoek (cETO). Al het mensgebonden onderzoek bij de Open Universiteit wordt door de cETO getoetst.
  • 1.1 Wat is het belang, de rol en de aard van een Informed Consent?
    Informed Consent =
    een overeenkomst tussen de onderzoekers en de deelnemers aan een studie. Dit is een garantie dat deelnemers volledig vrijwillig meedoen en niets doen dat ze niet willen. 
  • 1.1 Welke onderdelen bevat het Informed Consent?
    Onderdelen Informed Consent:
    In zo’n overeenkomst geven de deelnemers aan dat ze
    • de gelegenheid hebben gehad om de achtergrond-informatie te lezen.
    • de gelegenheid hebben gehad om vragen te stellen.
    • de gelegenheid hebben gehad om over hun deelname na te denken.
    • begrijpen dat ze op elk moment met het onderzoek kunnen stoppen zonder consequenties en zonder opgave van reden.
    De onderzoeker verplicht zich bovendien tot het volledig anonimiseren van de data. Dit laatste is belangrijk omdat data bij wetenschappelijk onderzoek openbaar gemaakt moeten worden.
  • 1.1 Wat is Full Disclosure en waarom is het belangrijk?
    Full disclosure =
    Dit houdt in dat volledige openheid wordt gegeven over het onderzoeksproces. Dit om fraude te voorkomen.
  • 1.1 Wat is Datamanagement en waarom is het belangrijk?
    Omdat data de primaire uitkomsten zijn van wetenschappelijk onderzoek, moet onderzoek vergezeld gaan van een datamanagement plan =
    Hierin wordt o.a. beschreven:
    • hoe data tijdens het onderzoek worden opgeslagen; 
    • hoe deze worden geanonimiseerd; 
    • wie toegang houden tot de niet-geanonimiseerde (versleutelde) data; 
    • en hoe deze na afloop van het project langdurig worden opgeslagen. 

    Naast de data zelf beschrijft het datamanagement plan ook hoe met de
    metadata worden omgegaan. 

    Metadata =
    Data over de data, die nodig zijn om een databestand te begrijpen. Als er bijvoorbeeld een studie wordt gedaan met een vragenlijst, is die vragenlijst nodig om het databestand met de antwoorden van de deelnemers te kunnen begrijpen. In de praktijk kunnen alle producten van een onderzoek als metadata worden beschouwd. Denk bijvoorbeeld aan
    • de ingevulde Informed Consents
    • gebruikte materialen, zoals vragenlijsten
    • de ruwe data, bijvoorbeeld de scores op de vragenlijsten
    • de analysescripts waarmee de data zijn geanalyseerd
    • de uitkomsten van die analyses.

    In een datamanagement plan leggen onderzoekers uit hoe ze al deze producten zullen opslaan en verwerken. 
  • 1.1 Hoe worden de uitkomsten van onderzoek verspreid onder wetenschappers?
    • Besprekingen op congressen
    • Rapporteren in artikelen in wetenschappelijke journals
    • Digitale artikelen
    • Open Acces journal
    • Zoveel mogelijk in het Engels


  • 1.2 Validiteit en betrouwbaarheid

  • 1.2 Wat is betrouwbaarheid en wat is validiteit?





    Perfecte meting is binnen de psychologie onmogelijk doordat de definities van de gebruikte variabelen minder helder zijn. Bij onderzoek wordt de imperfectie (of onzuiverheid) van metingen vaak bestoken in termen van
    validiteit en betrouwbaarheid.

    Betrouwbaarheid =
    • De mate waarin een meting bij herhaling hetzelfde resultaat oplevert. 
    • De stabiliteit van een meetinstrument over herhaalde metingen (er vanuit gaande dat wat gemeten wordt stabiel is).

    Sommige meetinstrumenten zijn accurater dan anderen.De mate waarin de uitkomsten afhangen van zaken die geen invloed zouden moeten hebben zijn niet voor elke test hetzelfde: tijdstip van de dag, type omgeving en afleiding, enz. Bij meetinstrumenten die zeer vatbaar zijn voor dit soort verstorende factoren geldt dat de uitkomst nog relatief weinig zegt over de persoon.

    Validiteit =
    De mate waarin een meetinstrument meet wat het moet meten. (denk aan de schietschijf)

    Om een indruk te krijgen van validiteit worden vaan andere meetinstrumenten afgenomen om dezelfde of gerelateerde dingen te meten.
  • 1.2 Wat is de meetfout?

    Met elk meetinstrument is de uitkomst niet uitsluitend afhankelijk van wat we willen meten, maar ook van externe zaken.

    Meetfout =
    Ruis =
    Measurement error =
    • Het complement van de betrouwbaarheid. 
    • Naarmate er minder meetfout is, is een meting betrouwbaarder, en vice versa.
Read the full summary
This summary. +380.000 other summaries. A unique study tool. A rehearsal system for this summary. Studycoaching with videos.

Latest added flashcards

7.1 Hoe wordt bij de variatienanalyse de p-waarde voor de F-waarde (en dus voor w2) berekend?
x
7.1 Hoe krijg je de variantie (MS) bij variatienanalyse?
MS:
Door de verschillende vormen van SS te delen door het bijbehorende aantal vrijheidsgraden.

Df = k - 1
k = aantal 'dingen, die gebruikt zijn om SS te berekenen

DfT = n - 1
DfM = aantal categorieën/groepen minus 1
DfR = DfT - DfM 
7.1 Welke verschillende variaties heb je bij variatieanalyse?
SST = 
Totale variatie = 
TOTALE variatie van alle groepen samen =
  • Alle datapunten worden vergeleken met het algemene gemiddelde van alle categorieën samen.
  • Dit vertelt ons hoeveel variatie er binnen de data is.

SSM = 
Model variatie = 
Variatie TUSSEN de groepen =
  • De gemiddelden van de categorieën worden vergeleken met het algemene gemiddelde van alle categorieën samen.
  • Dit vertelt ons hoeveel van de variatie verklaard kan worden door het feit dat verschillende condities (in de categorieën) kunnen leiden tot verschillende scores.

Nu weet je hoeveel variatie er verklaard moet worden (SST), en hoeveel hoeveel daarvan je kunt verklaren door de condities in de categorieën (SSM). Het restant/residu (SSR) vertelt ons hoeveel van de variatie we niet kunnen verklaren. 

SSR = 
Residual variatie =
Variatie BINNEN de groep =
SST - SSM =
  • De datapunten worden per categorie vergeleken met het gemiddelde van de eigen categorie.
  • Dit vertelt ons hoeveel van de variatie wordt veroorzaakt door dingen die we niet hebben gemeten, zoals meetfout en individuele verschillen.
7.1 Wat is variatieanalyse en hoe werkt het ongeveer?

Variatieanalyse =
Het analyseren van het verband tussen een categorale variabele (3 of meer categorieën) en een continue variabele.

In principe doe je hetzelfde als bij het analyseren van een verband tussen een dichotome en een continue variabele (verschil tussen de gemiddelden), alleen heb je te maken met met 3 gemiddelden.

Je kunt ook hier weer een F-toets gebruiken om te kijken of de afhankelijke variabele significant kan worden voorspelt mbv de groepsgemiddelden. (Je wilt dus mbv de F-toets achterhalen of de groepsgemiddelden significant van elkaar verschillen.)

Daarna gebruik je de specifieke waarden van het model (de beta's) om te zien welk gemiddelden van welke verschilt.


Het hulpmiddel hiervoor is 'ANOVA' (= eigenlijk gewoon een soort F-statistiek die gebruikt wordt als een toets om te kijken of er een lineair model is), een andere vorm van regressieanalyse.

Bij 3 of meer groepen is er altijd een 'controlegroep' waar de andere twee (of meer) categorieën mee vergeleken worden. Op die manier kun je zien hoeveel beide categorieën afwijken van de controlegroep, waardoor je dus ook weet welke van de 2 meer effect heeft.

De voorspelde afhankelijke variabele van een deelnemer = b0 + b1 + b2 + Error
Waarbij de b1 en b2 eerst x1 of x0 gedaan moet worden, afhankelijk van of men wel/niet in die groep zat.

De voorspelling is dus het intercept (gemiddelde) van de controlegroep + de helling van de betreffende groep/categorie.

b0 = het gemiddelden van de controlegroep (= basiscategorie)
b1 = verschil tussen gemiddelden van de controlegroep en groep 1
b2 = verschil tussen gemiddelden van de controlegroep en groep 2

7.1 Hoe verhoudt de power voor de F-toets zich tot de power voor de t-toets?
Bij variantenanalyse moeten ook het aantal groepen worden gespecificeerd op de power op te kunnen zoeken in de tabellen. 

Ze zijn bijna hetzelfde bij 2 groepen deelnemers. 
7.1 Wat is w2?
w2
omega2 =
  • effectgrootte voor variantieanalyse
  • een soort R2
  • altijd beter van eta2

w =
een soort r

w2 = 0.01 = klein effect
w2 = 0.06 = medium effect
w2 = 0.14 = groot effect

Kan niet worden uitgerekend met SPSS, dus moet je met de hand uitrekenen:

w2 = (SSM - (DfM) * MSR) : (SST + MSR)
of
w2 = (F - 1) : (F * ((DfR + 1) : DfM))

w = wortel van w2
7.1 Wat is het verschil tussen Brown-Forsythe  F en Welch's F?
Brown-Forsythe F =
Als de groottes van de groepen ongelijk zijn en de grootste groep de meeste variantie heeft, wordt F kleiner. Dit wordt gecompenseerd.

Welch's F =
Heeft meer power tenzij er een extreem gemiddelde is met een grote variantie.
7.1 Hoe kun je F interpreteren?
F vertelt je alleen maar dát er een verschil is tussen de groepen. Niet waar dat verschil zit of waardoor het wordt veroorzaakt. Waar het verschil zit kun je bepalen mbv de b-waarden.
7.1 Wat is de F-waarde?
F-waarde =
Geeft aan hoeveel van de variatie verklaard kan worden tegenover hoeveel niet verklaard kan worden (en verklaard wordt door ruis/error).

F = MSM : MSR

Als MSR groter is dan MSM, dan is de uitkomst lager dan 1. Dit betekent dat er geen effect is. Dat de mate van variantie die bepaald wordt door ruis groter is dan de mate van variantie die bepaald wordt door het model.

Als er geen effect is (nulhypothese), dan F = 1
Bij F > 1 is er wel effect.

Omdat je wilt weten of de waarde van F significant is moet de F waarde afgezet worden tegen de F-verdeling. Als p <.05, dan is de F significant.
7.1 Tussen welke twee grootheden representeert de F-waarde de verhouding?
Tussen twee gemiddelden