Deze samenvatting is gebaseerd op het studiejaar 2013-2014.

Week 1: Schaling en Normering

Opdracht 1

1. Psychometrie is de studie naar procedures die gebruikt worden om psychologische fenomenen te meten. Deze psychologische fenomenen zijn vaak niet direct meetbaar. Bepaald gedrag van mensen wordt door een test gerelateerd aan deze achterliggende psychologische fenomenen.
2. Een voorbeeld van een psychologische meting is de IQ-test, welke betrekking heeft op niet direct observeer baar gedrag, namelijk je intelligentie. Ook een tentamen is een goed voorbeeld. Hierbij wordt je hoeveelheid kennis over een bepaald onderwerp getest, ook dit is niet direct observeer baar gedrag.
3. Een psychologische test is een systematische procedure om het gedrag van twee of meer mensen met elkaar te vergelijken op individueel niveau. De dimensies die hierbij van belang zijn volgens Furr & Bacharach (2008):

• Inhoud
• Soort response (open of gesloten)
• Methode van afname (individueel of groep)
• Gebruiksdoel (criterium of norm; bij criterium wordt er gekeken naar een vast punt en bij de norm naar het gemiddelde. Bij criterium kan iedereen een ‘winnaar’ zijn.
• Tijdslimiet (speed of power)

De IQ test is een voorbeeld van: norm referenced en power.

4. Differentiële psychologie houdt zich bezig met de verschillen tussen mensen. O&O en KLIG houden zich hier veel mee bezig, bij hun staat het individu centraal. Bij COG en S&O staan de wetmatigheden meer centraal en speelt differentiële psychologie een minder grote rol.
5. Meten is het toekennen van getallen aan gedrag of gebeurtenissen De betekenis van deze getallen hebben betrekking tot het psychologische fenomeen. Schalen is het toekennen van waarden aan psychologische attributen, ofwel meetniveaus.

• Nominaal; Identiteit van de categorie, welke wederzijds uitsluitend en exclusief moeten zijn. (bv. Sekse)
• Ordinaal: Nominaal + rangorde
• Interval: Ordinaal + kwantiteit van de rangorde. Dus 3-2 = 8-7. Bijv. IQ test.
• Ratio: Interval + vast nulpunt. Dus 6*2 = 12. Dit geldt niet voor een IQ test.

f) + g en h

Opdracht 2

1. De codes van de tien vormen van necrofilie uit het artikel van Aggrawal (2009), voldoen niet helemaal aan een nominale schaal. Niet alle categorieën zijn namelijk wederzijds uitsluitend; dat betekent dat een persoon in meerdere categorieën zou ingedeeld kunnen worden. Ook is er geen sprake van wederzijde uitputting.
    
2. Er is een klein beetje sprake van een ordinale schaal. Er is wel ordening in de codes, maar dit zijn veel verschillende soorten. Bovendien stellen we bij a) dat het geen nominale schaal is en dit is een voorwaarde voor de ordinale schaal.
    
3. Als er een nul zou bestaan zou dat een absolute nul zijn: afwezigheid van necrofilie. Deze vraag is alleen relevant wanneer we te maken hebben met een ratio-schaal.

Absoluut nulpunt: kenmerk volledig afwezig

Relatief nulpunt: willekeurig gekozen nulpunt (gemiddelde z-score voor intelligentie). Een relatief nulpunt heeft alleen zin bij een interval-schaal.

Opdracht 3

1. Het voorbeeld item uit de BDI voldoet officieel niet helemaal aan de eisen. De categorieën zijn niet wederzijds uitsluitend. Maar mensen geven waarschijnlijk toch het meest passende antwoord.
2. Er is sprake van een soort ordening, maar er is geen sprake van een ordinale schaal omdat er ordening is in heel veel verschillende aspecten (frequentie, intensiteit, wanhoop)
3. Er is waarschijnlijk geen interval schaal. Beoordelingsonderzoek laat ongelijke intervallen zien.
4. Geen ratioschaal, want er is ook geen intervalschaal.

Opdracht 4

Hieronder volgt een berekening van normscores uit de Tabel 3.1(p 34) van Furr & Bacharach

(2008).

Voorbeeld:

IQ score van 90.

Z-score: (90-110)/13 = -20/13

T-score: 10 x (-20/13) + 50 = 34,62

Z(x) = ((ruw-M)/S)

T(x) = (10x ((ruw-M) /s) + 50

Opdracht 5

1. De mediaan is het middelste getal  als je de scores van laag naar hoog zet= 110
2. 1^e kwartiel is het middelste getal van de waarnemingen < van de mediaan = 100
3. 3^e kwartiel is het middelste getal van de waarnemingen > van de mediaan = 120

Week 2: Betrouwbaarheid van testscores

Opdracht 1

1. De betrouwbaarheid van deze test is: Rxx = 75/100 = 0,75. De bijbehorende formule is: Rxx = S²t / S²o =  S²t / (S²t + S²e)
    
2. De standaardmeetfout heeft te maken met error. Je kunt de standaard meetfout op twee manieren berekenen:
   
3. Het 95% betrouwbaarheidsinterval voor Harry’s score:

100 – 1.96*5 < Xb < 100 + 1.96*5

90,20 < Xb < 109,80

De bijbehorende formule is: Xo +/- 1,96 x Sem

4. De betrouwbaarheid van de test met een lagere ware score variantie:

S_o² =85, Rxx = 60/85 = 0,71

5. De betrouwbaarheid van de nieuwe test:

S_e²= 15, 60/75 = 0,80 (kinderen), 75/90 = 0,83 (volwassenen)

Opdracht 2

1. De breuk wordt groter (omdat So 2 kleiner wordt) De betrouwbaarheid wordt kleiner

De formule is: Rxx = S²t / (S²t + S²e)

We kijken naar een heel klein stukje van de score, dus is er sprake van minder variantie. De error variantie (S²e) hangt niet af van de ware scores en blijft daarom gelijk. Verder weten we dat de S²t kleiner wordt. De S²o (S²t + S²e) wordt hierdoor ook kleiner waardoor de betrouwbaarheid (Rxx) omlaag gaat.

2. De standaardmeetfout blijft gelijk (aanname), want de errorvariantie hangt niet af van de ware scores.

Opdracht 3

2. Alternate forms: Rxx = Rxy = 0.50

3. Discrepantie: Mogelijk zijn test X en Y niet parallel, er is dan een onderschatting van de alternate forms.

Opdracht 4

(q = 1-p)

Opdracht 5

1. K = 1: betrouwbaarheid 0.14

K= 2: betrouwbaarheid: 0,25

K = 8: betrouwbaarheid: 0,57

K= 12: betrouwbaarheid: 0,67

K = 16: betrouwbaarheid: 0,73

K = 20: betrouwbaarheid: 0,77

De bijbehorende formules zijn:

Rxx_revised = n * rxx_original /(1 + (n-1) Rxx_original)

n = K_revised / K_original

2. Hoe meer items, hoe betrouwbaarder de test is

3. De gemiddelde correlatie van de test is gelijk aan de correlatie tussen test en paralleltest (dus 1 item test) en dus 0.14. De bijbehorende formule is: Rxx /  (K-(k-1)Rxx) 0,40/(4-(4-1)x0,40) = 0,14

Opdracht 6

1. De correlatie tussen onderliggende ware scores X en Y is 0,20/√0,7x0.8 = 0.27

2. De maximale correlatie als Rx = 1 * √0,7x0.8 = 0,75

Opdracht 7:

• Betrouwbaarheid neemt toe bij een hogere gemiddelde inter-item correlatie (r). Dit is aanvaardbaar wanneer alle items inhoudelijk verschillen maar wel dezelfde construct meten. Dit is onaanvaardbaar als telkens dezelfde items gemeten worden maar in net iets andere woorden.
• Betrouwbaarheid neemt ook toe bij een groter aantal items. Een groter aantal items is aanvaardbaar als de test ondanks een lage r wel een 1 dimensionale structuur heeft (als de errorvariantie per item groot is vergeleken met de ware-score variantie, maar wel volledig random). Dit is onaanvaardbaar als de test meerdimensionale structuur heeft. Bijvoorbeeld een deel van de items (P) meet positieve gevoelens en een deel  van de items (N) meet ontbreken van negatieve gevoelens. Ook als P-N correlaties nul zijn, is gemiddelde correlatie nog steeds positief (wegens positieve P-P en N-N correlaties) zo kan een groter aantal items ‘compenseren voor de gebruikte dimensionaliteit).

Week 3: Validiteit van testscores

Opdracht 1

A) Validiteit is de mate waarin bewijs en theorie de interpretatie van testscores ondersteunen die het voorgenomen gebruik van de test met zich meebrengt. Validiteit is dus een toepassing. Een nieuwe titel zou kunnen zijn: Validiteit van interpretatie en toepassingen van testscores. Het gaat namelijk om de interpretatie van de testscores, niet om de testscores zelf.

B) Construct validiteit is de mate waarin testscores geïnterpreteerd kunnen worden als weergave van een psychologisch construct. De vijf theoretische aspecten daarbij zijn:

1. Inhoud: Representatief voor domein?
2. Response: reactie zoals beoogt.
3. Interne structuur: relaties tussen items van de test
4. De associatie met andere variabelen (convergent/discriminant)
5. Gevolgen: gunstig/ongunstig voor proefpersoon; kan gezien worden als ethische richtlijn.

C)Bij inhoudsvaliditeit reflecteert de inhoud van een meting het volle domein van het construct?  Bedreigingen hierbij zijn:

• Construct irrelevante inhoud: items die (gedeeltelijk) irrelevant zijn voor een construct.
• Construct-ondervertegenwoordiging: geen of te weinig items voor sommige deelconstructen. . 

D) Interne structuur houdt in ofde idicatoren (items, substests) voor één construct gerelateerd zijn, vormt het een samenhangend geheel?. Dit kan onderzocht worden met PCA , FA of IRT.

E) Als de psychologische processen die personen ‘verondersteld worden’  te gebruiken niet gelijk zijn aan de psychologische processen die ze daadwerkelijk gebruiken bij het doen van een test, is dit een bedreiging voor de validiteit van de test.

F) Convergente en divergentie evidentie gaan over de relaties tussen testen op basisvan correlaties. Convergentie gaat over correlaties tussen het zelfde kenmerk, divergentie gaat over de correlatie tussen verschillende kenmerken. MTMMM staatvoor multitrait-multimethodmatrix.

G) Bij consequential validity is er geen sprake van test bias. Van test bias is sprake wanneer een test twee verschillende dingen voorspelt/meet.

Opdracht 2

A) De betrouwbaarheid van multi-point is hoog, die van t-p middelmatig en die van selfreport is laag. (schuine diagonaal).

B) Vijf van de zes zijn oke, dus de convergente validiteit is goed.

C) De discriminante validiteit is goed, er is geen correlatie tussen Burn-out en Order.

Opdracht 3

1. Gecorrigeerde correlaties zijn: MP: 0.65, TF: 0.88 en  SR: 0.93

Hierbij is de volgende formule gebruikt:

Opdracht 4

Deze vraag gaat over de verwachte succeskans na het gebruik van een selectietest. De

predictieve validiteit is de correlatie tussen testscore en criteriumscore. De selectieratio is de proportie mensen die nu worden doorgelaten.

A) De base rate is de succeskans zonder selectie test, dus 0.60.

B) Er is een verbetering van 9% na de selectietest

C) De selectieratio moet 0.10 zijn om de beoogde resultaten te krijgen

D) De predicitieve validiteit moet 0.40 zijn met een validiteit van 0.75.

Week 4: PCA en Factoranalyse:

Opdracht 1

A) Doel PCA: een groot aantal (interval) variabelen reduceren tot een veel kleiner aantal onderliggende dimensies (componten of factoren). Gebruik PCA: opsporen van latente variabelen / hypothetische constructen / ware scores die ten grondslag liggen aan gedrag. (construct validiteit à interne structuur)

B) Theoretisch gezien is een component onderliggende dimensie in een test (psychologisch construct). Algebraïsch is het een lineaire combinatie (= gewogen som) van variabelen. (zodanig dat zo veel mogelijk variantie wordt verklaard en orthogonaal t.o.v. alle andere componenten). Geometrisch is een component een vector (richting in de variabele ruimte).

C) Een factor lading is de correlatie van variabele met component (factor).Bij een negatieve lading: item correleert negatief met factor, er is een negatief verband (vooral bij contrastfactoren). Als de factorlading nul is dan wordt er geen variantie verklaard.

D) Een communaliteit is de som van de gekwadrateerde componentladingen voor eenvariabele. Als de communaliteit laag is, wordt de variabele niet goed verklaard dooralle componenten en is deze uniek/anders dan de rest. Maar dit hangt af van de context.

E) De eigenwaarde is de som van gekwadrateerde componentladingen per component j. Het geeft de hoeveelheid variantie van alle variabelen tezamen die wordt verklaard door component. Als deze laag is dan voorspeld de component weinig variantie, die variantie wordt dan verklaard door een component met een hogere eigenwaarde. De eigenwaarde kan groter zijn dan1, want de totale variantie bij p gestandaardiseerde variabele is: p x 1 = p

Opdracht 2

A) Op basis van de eigenwaarde moet je kiezen voor 14 componenten, dit is de bovengrens.

B) Op basis van de knik kies je 7 (6 of 8) componenten. Kies dus de 6-factor of nog 1 of 2 meer. Een oplossing met minder componenten is makkelijker te interpreteren dus vaak wordt hierbij voor 6 gekozen.

C) Alle geroteerde oplossingen tussen 1-factor en 14-factor-oplossing zo goed mogelijk interpreteren. Dit is erg veel werk bij 14 componenten, misschien 8.

Opdracht 3

Niet-geroteerd

A) De communaliteiten zijn: 0,760; 0,685; 0,621; 0,435; 0,707. (tel de gekwadreerde factorladingen op per rij, deze zijn gelijk voor de niet-geroteerde  en de geroteerde tabel)

B) De eigenwaarden zijn:

Component 1: 2.272;

Component 2: 0,936.

Rotatie 1: 1,763

Rotatie 2: 2: 1,444

(tel de gekwadrateerde factorladingen op per kolom)

C) Proportie verklaarde variantie:

Component 1: 0,4544

Component 2: 0.197

Rotatie 1: 0.352

Rotatie 2: 2:0.289

(eigenwaarde delen door het aantal variabelen, in dit geval p = 5)

D) Plaatje: Omhoog vector 2 en 4. Naar rechts en onder de Y-as, vector 6, 7, 8.

E) Item 2 en 4 gaan meer over aansporing, je ‘moet’. Dit is afwezig bij item 6,7 en 8 die meer theorieën over anderen zijn.

Opdracht 4

A) Uit de vier-factor oplossing, 1 soort motivatie op elke component. Dus alle items van één motivatie moeten hoog op dezelfde component laden en laag op alle andere componenten.

B) Eigenwaarde: 5. Knik: 4 (3 of 5).

C) Factor 1: positieve ladingen van alle faalangst items en alle angst-voor-afwijzing items.

D) Factor 1: negatieve motivatie

Factor 2: positieve affiliatie-motivatie

E) Factor 1: negatieve motivatie

Factor 2: positieve affiliatie-motivatie

Factor 3: positieve prestatiemotivatie

F) Factor 1: negatieve motivatie

Factor 2: positieve affiliatie-motivatie

Factor 3: onduidelijk

Factor 4: onduidelijk

G) Het4-factor model is minder goed interpreteerbaar dan het 3-factor model

Het grootste probleem: faalangst en angst voor afwijzing worden niet goed van elkaar onderscheiden

Ander probleem: sommige items laden niet op de ‘juiste’ factor.

Oplossing:

• Misschien zijn de begrippen echt niet te (onder) scheiden constructen, hier kun je niets aan doen
• Alternatief: op zoek naar nieuwe items die faalangst en angst voor afwijzing maximaal onderscheiden.
• Losse items: nadenken over oorzaken en zondig items vervangen door nieuwe.

Week 5: Confirmatieve factoranalyse

Opdracht 1

1. Latente variabelen zijn niet observeer baar en moeten worden geschat. Manifeste variabele daarentegen zijn wel geobserveerd; testscores. In CFA modellen zijn errors en factoren latente variabelen.
2. Een ontbrekende pijl heeft een hele belangrijke reden. Een pijl die niet in het model zit kan namelijk betekenen dat de errors ongecorreleerd zijn, dat er op een variabele geen factorlading is, of dat factoren onderling ongecorreleerd zijn.
3. Als de chi-kwadraattoets significant is dan zegt het model nee tegen de data. Het model wordt verworpen, dit is iets wat we niet willen.
4. Een goede fit betekend dat er een goede overeenkomst is tussen de data en het  model. De Chi-kwadraat is dan niet significant. Echter bij een hoge N zorgen geringe afwijkingen van een perfecte fit toch voor een significante Chi-kwadraat. In dit geval moet je naar de fit kijken en niet naar de significantie van de Chi-kwadraat.
5. Residuen zijn het verschil tussen de werkelijke en terug geschatte covarianties. Deze worden bij CFA gebruikt om te kijken welke parameters er kunnen worden vrij    gemaakt, om zo de fit te verbeteren.

Opdracht 2

Opdracht 3:

1. Er zijn 1634 cases

2. Er zijn 13 variabelen: 1: Cigs 2: Beer 3: Wine 4: Liqour 5: Cocaïne 6: Trauma 7: Drugst 8: Heroïne 9: Marija 10: Hasj 11: Inhalts 12: Hallucn 13: Amphet

3. Een ster betekend dat de parameter geschat is. Als er geen ster staat is deze parameter op 1 gesteld.

4. Dat de varianties tussen de factoren worden geschat

5. Zie model:

6. Chi-kwadraat zegt nee tegen het model. Vrijheidsgraden: V = (13x14)/2 = 91. P = 17 + 13+3 = 33. 91-33 = 58. (model verwerpen)

7. De fit maten zegen ja tegen het model (model aannemen)

8. Fit maten zeggen iets over overeenkomsten. De Chikwadraat zegt iets over de kans dat de data als model kloppen. Maar de Chi-kwadraat wordt te snel significant bij een grotere power, dus dan kan je beter naar de fit maten kijken

1. Het grootste gestandaardiseerde residu is 0.115 (tussen V7 en V11)

10. De residuen zijn redelijk normaal verdeeld. (negatieve en positieve residuen zijn bijna gelijk)

11. Ze zijn identiek omdat de correlaties geanalyseerd zijn

• De ruwe regressie coëfficiënt tussen F3 en V5 = 0,456. F = 18,079 wat groter is dan1,96 dus significant

13. Standaardschattingen toevoegen aan het model bij e

• 1091,44 – 323,91 = 767,53 met 61-58 = 3 vrijheidsgraden. P < 0.001 Dus dit is significant een beter model

Opdracht 4:

1. Ja, geneste modellen

2. Nee, geen geneste modellen

3. Nee, geen geneste modellen.

Week 6: Item-responstheorie

Opdracht 1:

1. De persoonskenmerken en item kenmerken bepalen de respons op een bepaald item volgens de IRT

2. IRT: moeilijkheidsgraad en de discriminatie. KTT: proportie correct-waarde en de item-rest correlatie

3. Bij IRT is het kernbegrip test-informatie (afhankelijk van vaardigheden). Bij KTT is het kernbegrip betrouwbaarheid (populatie-afhankelijkheid, één getal)

4. Het doel van CFA en IRT is het modelleren van continue latente dimensies die ten grondslag liggen aan responsen op test-items. CFA en IRT zijn latente variabele modellen.

5. Het meetniveau van de itemresponsen en de dimensies verschillen:

• CFA: Intervalniveau en meerdere dimensies
• IRT: Dichotoom (0/1) en één dimensie

6. 1. Het ontwikkelen en verbeteren van test.

2. Equivaleren van tests.

3. Item-bias

4. Person-fit: voorbeeld: afwijkend responspatroon door testangst.

5. computerized adaptive testing.

Opdracht 2

1. Er zijn vier verschillende scorepatronen mogelijk. Als je een bepaald item goed hebt, kan het niet zijn dat je een makkelijkere item (ervoor) fout hebt.

2. De score patronen zijn: 000 100, 110, 111

3. Bij k items zijn er k+1 scorepatronen mogelijk. Hier: 3 + 1 = 4 (Guttman-model)

4. Het model van Guttman is deterministisch; het antwoord wordt volledig bepaald door vaardigheid en moeilijkheid, omdat P (correct) = 0 of 1.

5. Vaardigheid = -0.5 --> 1-0-0

Vaardigheid = 1,5 --> 1-1-1

Klopt in de speadsheet perfect (hier wordt namelijk uitgegaan van juistheidmodel), maar met echte data zijn er meestal wel afwijkingen.

Opdracht 3

1. Het maximum aantal is altijd ^2k met k = aantal items

Het mogelijk aantal scorepatronen is 2³, dit is dus 2x2x2= 8.

000 (alles fout)

100 010 001 (één goed)

101 110 011 (twee goed)

111 (alles goed)

2. Dit model is probabilistisch, dus met getallen tussen 0 en 1.

3. Met een vaardigheid van -0.75 zal het scorepatroon waarschijnlijk 100 zijn.

4. De moeilijkheidsparameter van het item is gelijk aan het vaardigheidsniveau dat nodig is om 0,5 kans op een correct item te hebben (50%)

5. Bij een vaardigheid van 0,8 en een moeilijk van 0 is de kans 0,69 op een goed antwoord

6. Hier is de kans op een goed antwoord 0,10. Kans op fout is dan 1 – 0,10 = 0.90

7. Bij een hoge discriminatie wordt dit een Guttman model

Opdracht 4:

1. Item 2 heeft de hoogste discriminatieparameter

2. Als de discriminatieparameter groter is dan heeft dit item een groter onderscheidend vermogen

3. Als alle discriminatieparameters gelijk zijn hebben we een 1PL model.

4. De discriminatieparameter is te vergelijken met de factorlading

5. Als de discriminatieparameter 0 is dan is dit item niet representatief voor het onderliggende construct

6. De kans is hier 0,83 op een correct antwoord

Opdracht 5

1. Het is te zien dat dit een Rasch model is omdat alle discriminatieparameters gelijk zijn aan elkaar.(1,8286)

2. Item 2 is makkelijk en item 1 is moeilijk, dit geldt ook bij het 2PL model

3. Item 10 heeft het laagst onderscheidend vermogen, dit wordt bepaald door de geschatte discriminatieparameters.

4. 2PL zal betere fit van hebben dan Rasch-model (altijd met meer parameters) maar is het de extra complexiteit wel waard?

-->  In het 2PL lopen de discriminatieparameters niet spectaculair uiteen (range 1,63-2,13) --> winst is maar gering.

5. De kans op een goed antwoord is bij 1PL: 0,68 en bij 2PL: 0,67. Dus bijna dezelfde kans.

6. De hoogste informatie geldt bij een vaardigheid van 1.1995 (als P = 0,5, hoogste punt en β = θ.

7. Als alle informatie item curves bij elkaar worden opgeteld krijg je de test informatie curve

8. Bij een vaardigheid van 0, geeft de test als geheel de meeste informatie. Dit geldt dus voor de leerlingen met een gemiddeld niveau.
    

Week 7: Classificatie en discriminatie analyse

Opdracht 1

1. zeven cut-off points:

Cut-off point X_c:

• diagnose positief (X+) als X is groter of gelijk aan X_c

• diagnose negatief (X-) als X is kleiner dan X_c

voorbeeld X_c = 3,5

obstipatie (Y+) controle (Y-)

2. als we allebei de fouten (positief en negatief) even erg vinden:

3. als we negatieve fouten zwaarder willen laten wegen (2x) dan positieve fouten. Je ziet dat het laagste punt naar links verschuift (eerst 75 en nu 100).

Opdracht 2:

de variabelen vormen een driedimensionale ruimte (snelheid, basale ritmes en complexe ritmes). Afhankelijk van de scores kun je een groep plaatsen in een ruimte. Alle groepen (jazz, rock en klassiek) kun je plaatsen in deze ruimte.

Dit doe je ook voor Jazz = 3,0 en voor Klassiek = 3,7.

De afstand bij Jazz is het kleinst dus Joe hoort bij de jazz groep.

Opdracht 3:

1. Afhankelijk: Groep (= leerstoornis) --> de voorspelling

Onafhankelijk: PERF INFO VERBEXP AGE --> voorspellend

2. De ‘memory groep’ lijkt vooral lager te schoren op INFO dan de andere groepen

(M = 7.00 vs. 11.67 en 9.67).

De ‘perceptie-groep’ lijkt vooral lager te scoren op PERF dan de andere groepen

(M= 87.67 vs. 98.67 en 100.33)

De ‘communicatie-groep’ lijkt vooral lager te scoren op VERBEXP dan de andere groepen (M= 28.33 vs. 36.33 en 38.33)

3. Wilks’lambda = 0.010,

X² (8) = 20.51,

p < 0.01

Dus het antwoord is ja. (let op: Neem altijd de bovenste Wilk’s lambda)

4. Dit moet je bekijken per groep.

PAC = (3+3+3)/9 = 1

Sensitiviteit (memory) = 3/3 = 1

hetzelfde geldt voor perceptie en communicatie

specificiteit (memory) = 3+3+0+0 /6 = 1

hetzelfde geldt voor perceptie en communicatie

5. PAC = (3+3+3)/10 = 0.90 (was 1)

Sensitiviteit: memory: 3/3 = 1

Perceptie: 3/4 = 0.75 (was 1)

Communication = 3/3 = 1 (was 1)

Specificiteit: memory: ( 3+3)/ 7 = 0.86 (was 1)

perceptie (3+3)/ 6 = 1

Communication = (3 + 1+ 3)/7 = 1

Opdracht 4:

1. PAC: (195 + 190) / 400 = 0.9625

Sensitiviteit p(X+ | Y+) 195/200 = 0.975

Valse positieven p(X+|Y-) 10/200 = 0.05

2. Regel van Bayes: rekening houden met hoe vaak de ziekte voorkomt in de hele bevolking (corrigeren).

Bevolking: P(Y+) = 0.0001, dus P(Y-) = 0.9999

P(Y+|X+) = (0,975*0.0001)/(0,975*0,0001 + 0,05*0,9999) = 0,0019

3. Methodologen: P(Y+) = 0,25, dus P(Y-) = 0,75

P(Y+|X+) = (0,975*0,25)/(0,975*0,25 + 0,05*0,75) = 0,867

Een hogere base rate (25%) --> bij een positieve diagnose nu wel een grote kans op discriminantose (86,7%)

4. Zonder diagnose X: voorspel bij iedereen de meest voorkomende categorie: niet ziek.

Diagnose X: Y+ na positieve diagnose X+

Y- na negatieve diagnose X-

Nederlandse bevolking: zonder diagnose X: voorspel altijd Y-, want P(Y-) = 0,9999

PAC met diagnose = (1+9499)/10000 = 0,95

Door gebruik van diagnostische informatie is er sprake van een lagere PAC (0,95) dan zonder gebruik hiervan (0,9999).

5. PAC zonder diagnose:

Voorspel altijd Y- P(Y-) = 0,75

PAC met diagnose = (0,2437 + 0,7125)/1 = 0,95625

De voorspelling zonder diagnose bevat veel meer fouten.