![Image](https://www.worldsupporter.org/sites/default/files/styles/medium/public/bundle/wereldbol_summaries_joho_single_boek_1_150x190px_0.png?itok=PgQm9J5z)
Hoorcollege 2
MlR:
- >1 continuous predictor variable
- 1 continuous depedent variable
Simple ANOVA
- 1 categorical predictor variable (factor)
- 1 continuous dependent variable
Factorial ANOVA:
- >1 categorical predictor variable
- 1 continuous dependent variable
ANOVA
- ANOVA doet comparing group means.
- ANOVA kan ook twee gemiddelden vergelijken, dan is het hetzelfde als een t-test.
- We avoid type 1 error inflation door ANOVA te gebruiken
- ANOVA verklaart de between-group variation met de within-group variation
Residuals is hoever een individuele meting weg ligt van het groepsgemiddelde
We kijken hoe ver ligt elk groep gemiddelde van de grand gemiddelde af. Dit is between-group variance.
Within-group variance:
- Hoe ver liggen de punten van hun eigen groep gemiddelde af. Dit zijn de residuals.
- Dat is de unexplained variance, oftewel de within-group variance.
Een ANOVA assumption:
- Observations independent. De deelnemers beïnvloeden elkaar niet.
Dan gaan we nu naar Factorial ANOVA:
- Meer dan 1 factor, meer dan 1 independent variable.
- Bij marginal means zijn we echt geïnteresseerd in alleen maar factor A of factor B. Dit is het main effect van therapy type (factor A). We testen de nulhypothese: m1. = m2.
- Het tweede main effect dat we onderzoeken is individuele therapie vs groepstherapie. Dit is factor B. We kijken naar de marginal means van factor B.
- Ook hier doen we weer een nulhypothese dus m.1 = m.2
- Dan hebben we ook nog de vraag: interacteren deze twee main effects met elkaar.
Alleen naar de plots kijken is niet genoeg.
- Je kijkt naar 1 factor dus daarom een simple ANOVA.
- Is dit verschil significant? Tussen deze twee verschillende gemiddelden.
- We weten er is een verschil, maar welke richting weten we niet.
- Dit kan ook met de Bayesian ANOVA.
Twee factoren met elk 2 levels. Dit is een 2x2 design.
- 1 factor is type: dat is speciesism of racism.
- 1 factor is prejudiced vs non-prejudiced
- De derde rij is kijken naar het interactie-effect.
Dit is afkomstig uit het artikel dat hoort bij dit college:
- Main effect van prejudiced vs non-prejudiced is als enige significant.
- Laatste kolom is de effect size. partial eta kwadraat.
- Deze gebruiken we in een factorial ANOVA omdat het voor elk effect uitlegt wat de invloed is van de factor, terwijl we controllen voor de andere factoren. Isolatie van het effect waar je interesse in hebt.
- Prejudiced vs non-prejudice heeft een groot effect.
- Ze zijn bijna parallel. Dus het interactie-effect is niet significant.
- Ook de verschillen tussen racisme en speciesisme zijn heel klein, dus niet significant.
- Prejudiced vs unprejudiced is een duidelijk significant verschil.
We hebben een significant interactie effect. Nu willen we meer specifiek weten. Dit doen we met simple main effects analysis.
- Geen main effect voor level of type condition. Speciesism is niet significant.
- Bij level of person condition zijn beide uitkomsten significant.
- Simple main effects analysis doen we alleen als we een significant interactie-effect hebben gevonden in de main ANOVA.
H0 = all means equal
- De hypotheses zijn niet heel specifiek. Als we een factor hebben met 4 levels. Dan weeet je niet in welke groep/level het verschil nou zit.
- Je kan specifieke hypothesen hebben: welke richting het effect op gaat ofzo.
- ‘’Er is een verschil tussen deze 4 groepen’’ is erg vaag. Het is specifieker als je zegt waar het verschil zit.
Post hoc test / follow up test.
- Post hoc test is net als de simple main effect. Je vindt een effect, en dan wil je weten waar het verschil daadwerkelijk zit. Je ziet welke gemiddelden verschillen van anderen. Dat is anders dan we hier doen.
- Hier zeggen we: we hebben een specifieke hypothese. We zijn in meer geïnteresseerd dan omnibus test.
- Een specifieke hypothese hebben zorgt voor lagere type 1 error. Als je na je data verzamelen nog gaat stunten met je data en je hypothesen dan zorgt dat voor een hogere type 1 error.
H inf = informatieve hypothese
- Dit is specifieker dan ‘’er zit een verschil tussen deze 4 groepen’’
- Dit is specifieker dan ‘’er was een main effect’’
We hoeven niet de omnibus ANOVA te doen, we definiëren 3 contrasten:
- Eerste contrast dat je onderzoekt is dat de eerste twee gemiddelden verschillen. Is de twee gemiddelde groter dan het eerste gemiddelde. De rest doen we keer 0.
- We testen dan of de hele regel gelijk is aan 0. Dat is zo als de gemiddelden van M1 en M2 gelijk zijn aan elkaar. Dat is H0.
- HA: C1>0
- Als het hoger is dan 0. Dan is M2 groter dan M1. Dit is de alternatieve hypothese: dat het niet gelijk is aan 0, maar groter is dan 0.
- Dit doen we ook bij C2 en C3.
- Bij C2 zijn we niet geïnteresseerd in M1 en M4.
- We verwachten hier dat M3 is groter dan M2. Dat is de alternatieve hypothese. Dus dan geldt: HA: C2>0
- Bij C3 denken we dat M4 groter is dan M3. Dat is onze alternatieve hypothese.
- Deze drie moeten alle drie waar zijn. Ze moeten alle 3 significant zijn.
Als we post hoc toetsen doen, hadden we veel meer moeten vergelijken. Dat is een voordeel van contrast testing.
- We kunnen ook alternative contrast: testing for a linear increase. Dit reflecteert ook onze hele hypothese.
- Ze zijn gecodeerd op zo’n manier dat het onze hypothese reflecteert die we verwachten. Dat zetten we in 1 regel.
Dan hebben we nog de bayesian approach to Hinf.
- Hier bekijken we Hinf vs de support voor H0.
- Het is geen ja of nee, we hebben een hoeveelheid hoeveel keer er meer support is. Dat is een voordeel van de bayesian approach. Niet meerdere tests en een powerful approach.
- Omnibus ANOVA is om te kijken of er überhaupt een verschil is. Maar deze analyse vertelt ons niet waar het verschil zit. Dan moet je naar de descriptive tabel kijken. Maar die tabel zegt weer niet tussen welke twee groepen dit verschil dan significant is.
Lineair contrast is: we zijn geïnteresseerd in een lineaire increase. De tweede groep is groter dan de eerste en de derde is groter dan de tweede. We vinden een significant effect bij de lineaire increase. Nu is het opeens wel significant. Dit is een krachtigere analyse. We hebben meer power bij deze. Quadratic term is dat JASP de mogelijkheid dat er kwadratische mogelijkheden zijn. De middelste groep is de hoogste gemiddelde en de eerste en de derde zijn lager.
Tot slot kunnen we dit doen met bayesian informative hypotheses.
Hypothesen vergelijken kan in de Bayes Factor Matrix.
- H2 vs H1 is 1,749x groter.
- Er is meer support voor onze informatieve hypothese dan onze H1 (dat alle gemiddelden aan elkaar gelijk zijn).
- Dit zou niet een heel overtuigend bewijs zijn. De BF is niet gigantisch groot.
- In de middelste tabel heb je ook nog Hu en Hc.
- Hu is unconstrained hypothesis. No constraints on the data, the means have not to be equal. (?)
- Hc is complement. Het complement van de informative hypotheses die we hebben gemaakt.
Frequentist approach, daar zie je niet welke hypothese beter past bij de situatie. Hier wel. Dat kan wel bij de bayesian evaluation of informative hypotheses.
JoHo can really use your help! Check out the various student jobs here that match your studies, improve your competencies, strengthen your CV and contribute to a more tolerant world
![Image](https://www.worldsupporter.org/sites/default/files/styles/medium/public/bundle/wereldbol_summaries_joho_single_boek_1_150x190px_0.png?itok=PgQm9J5z)
Studiehulp ARMS - UU (2023-2024)
Aantekeningen hoorcollege 1: MLR - Universiteit Utrecht (2023-2024)
Hoorcollege 1
Frequentist vs bayesian statistics
Frequentist framework:
- p-waarden, BI’s, effect sizes en power analyses
Bayesian framework:
- Wordt populairder
- We testen geen H0, we kunnen ook alternatieve hypotheses testen.
- Het gemiddelde benaderen kunnen we op een frequentist of bayesian manier doen.
- We kunnen ook een hypothese testen: Nederlanders zijn langer dan Belgen.
Likelihood function: wat is de meest likeable gemiddelde waarde.
Je hebt een normaalverdeling:
- Je krijgt een gemiddelde. De likelihood is de waarschijnlijkheid van de data, gegeven het gemiddelde van de populatie.
- Data helemaal links is dus erg unlikely, gegeven het gemiddelde van de populatie.
- Bij de piek is het erg likely (waarschijnlijk).
- Als we nog verder naar rechts gaan, dan daalt de likelihood weer. Likelihood is kans vgm.
Bayesian approach
- Bij bayesian approach kan je tijdens het proces nog informatie toevoegen. Je kan je kennis updaten. Dat geeft de posterior distribution for u.
- Nadeel is: de resultaten zijn afhankelijk van de choice of prior. Dus welke data je prior toevoegt vgm.
Priors in de data
- Je kan van verschillende priors uitgaan
- Bij de prior: we weten helemaal niks.
- De data die we dan toevoegen zorgt voor een verwachting. DIt is bij bayesian statistics. We gebruiken de prior en de data.
- Onze prior was so uninformed. Daarom lijkt de posterior bijna compleet op de data. Dit gebeurt vaak bij frequentic statistics. Daar gebruiken we geen prior.
- De data en de prior zorgen dan voor een andere posterior. De posterior volgt niet gewoon de data. De posterior is een stuk steiler. Dit gebeurt er dus als je al iets weet over de data: de prior. Dit is dus bayesian statistics.
- Als we maar een beetje data hebben, heeft de data niet echt invloed. Als we erg veel data hebben, overruled dat de prior.
- De mode is de hoogste waarschijnlijkheid. Dus de hoogste waarde, maar dit hoeft niet het gemiddelde te zijn
95-betrouwbaarheidsinterval
- Met 95% zekerheid weten we dat de echte populatie in dat interval ligt.
The same data can give different results! Ligt aan je sampling plan
Frequentic statistics:
- we focussen op de H0.
- Hoe waarschijnlijk zijn deze data, als H0 waar is. Dus gegeven H0.
- Deze twee probabilities zijn heel erg verschillend. Ze zijn niet hetzelfde.
Bayesian probability:
- data = person is dead
- H (hypothesis) = shark has bitten person’s head off
Bayesian probability:
- Lage probability. hoofd is eraf gebeten, gegeven het persoon is dood.
- Hele kleine kans dat als iemand dood is, dat dit gebeurd is door een haai
Frequentist probability:
- Person is dead gegeven dat haai je hoofd eraf heeft gebeten. Die kans is groot. Zonder hoofd ben je zegmaar dood.
PMP is the probability of the hypothesis after observing the data. Dit is afhankelijk van de data en the prior.
Bayesian:
- De BF 10 staat voor one zero.
- De waarschijnlijk de probability voor H1 over H0.
- BF10 = 10
- Dan is de support voor
Aantekeningen hoorcollege 2: MLR - Universiteit Utrecht (2023-2024)
Hoorcollege 2
MlR:
- >1 continuous predictor variable
- 1 continuous depedent variable
Simple ANOVA
- 1 categorical predictor variable (factor)
- 1 continuous dependent variable
Factorial ANOVA:
- >1 categorical predictor variable
- 1 continuous dependent variable
ANOVA
- ANOVA doet comparing group means.
- ANOVA kan ook twee gemiddelden vergelijken, dan is het hetzelfde als een t-test.
- We avoid type 1 error inflation door ANOVA te gebruiken
- ANOVA verklaart de between-group variation met de within-group variation
Residuals is hoever een individuele meting weg ligt van het groepsgemiddelde
We kijken hoe ver ligt elk groep gemiddelde van de grand gemiddelde af. Dit is between-group variance.
Within-group variance:
- Hoe ver liggen de punten van hun eigen groep gemiddelde af. Dit zijn de residuals.
- Dat is de unexplained variance, oftewel de within-group variance.
Een ANOVA assumption:
- Observations independent. De deelnemers beïnvloeden elkaar niet.
Dan gaan we nu naar Factorial ANOVA:
- Meer dan 1 factor, meer dan 1 independent variable.
- Bij marginal means zijn we echt geïnteresseerd in alleen maar factor A of factor B. Dit is het main effect van therapy type (factor A). We testen de nulhypothese: m1. = m2.
- Het tweede main effect dat we onderzoeken is individuele therapie vs groepstherapie. Dit is factor B. We kijken naar de marginal means van factor B.
- Ook hier doen we weer een nulhypothese dus m.1 = m.2
- Dan hebben we ook nog de vraag: interacteren deze twee main effects met elkaar.
Alleen naar de plots kijken is niet genoeg.
- Je kijkt naar 1 factor dus daarom een simple ANOVA.
- Is dit verschil significant? Tussen deze twee verschillende gemiddelden.
- We weten er is een verschil, maar welke richting weten we niet.
- Dit kan ook met de Bayesian ANOVA.
Twee factoren met elk 2 levels. Dit is een 2x2 design.
- 1 factor is type: dat is speciesism of racism.
- 1 factor is prejudiced vs non-prejudiced
- De derde rij is kijken naar het interactie-effect.
Dit is afkomstig uit het artikel dat hoort bij dit college:
- Main effect van prejudiced vs non-prejudiced is als enige significant.
- Laatste kolom is de effect size. partial eta kwadraat.
- Deze gebruiken we in een factorial ANOVA omdat het voor elk effect uitlegt wat de invloed is van de factor, terwijl we controllen voor de andere factoren. Isolatie van het effect waar je interesse in hebt.
- Prejudiced vs non-prejudice heeft een groot effect.
- Ze zijn bijna parallel. Dus het interactie-effect is niet significant.
- Ook de verschillen tussen racisme en speciesisme zijn heel klein, dus niet significant.
- Prejudiced vs unprejudiced is een duidelijk significant verschil.
We hebben een significant interactie effect. Nu willen we meer specifiek weten. Dit doen we met simple main effects analysis.
- Geen main effect voor level of type condition. Speciesism is niet significant.
- Bij level of person condition zijn beide uitkomsten significant.
- Simple main effects analysis doen we alleen als we een significant interactie-effect hebben gevonden in de main ANOVA.
H0
.....read more
Aantekeningen Seminar 1 - Universiteit Utrecht (2023-2024)
ARMS seminar 1
Preregistratie en Registerd Reports
- Preregistratie is een korte versie van registered reports
- Wat buiten controle is voor een onderzoeker: Results
- Maar (paradox) wat is het meest belangrijk voor je carrière: Results again
Questionable research practices
- Publication bias: je ziet geen no results.
- Data peeking: zo lang data pakken tot je een significant resultaat hebt.
- Selective reporting = picking statistical analysis.
- De focus ligt op significante resultaten krijgen.
- Na het zien van de resultaten zien, maak je of verander je de hypothese = HARKING
Planned test: van tevoren hebben we een hypothese. alfa is 0.05, dus dat is de type I fout ook.
- Gebaseerd op de gemiddelden besloot je meerdere testen te doen. Dit zorgt voor een grotere type I fout.
- Meerdere tests die je doet? Of je moet het alfa level corrigeren. Of je moet je resultaten anders interpreteren. Dus met een grotere type I fout.
- Wanneer je peekt naar je data, doe je automatisch meerdere tests. Dan gaat je type I fout error omhoog, terwijl je alfa level hetzelfde blijft. Dit is bad research practice.
- HARKING is bad, want het is lack of replication. Niemand zal hetzelfde resultaat terugvinden.
- Exploratory research kan wel: hey ik heb wat onderzoek gedaan en dit is een goede hypothese voor toekomstig onderzoek.
- Impliciet doe je meerdere tests dus het is een hogere wise error rate.
- Meerdere uitkomsten? Maar ze reporteren er maar 1? Dat kan selective reporting zijn, omdat alleen die een significante uitkomst geeft.
Publication bias: Je ziet in de literatuur alleen de significante resultaten.
- Als je de ruwe data niet deelt, kan je het niet repliceren.
- Solution: dead currency zijn resultaten. Resultaten moeten niet zo veel meer waard zijn.
Oplossingen
Registered reports zijn een goede andere manier:
- Replicatiestudies zijn ook welkom bij registered reports.
Registered Reports:
- Er kunnen extra analyses gedaan worden, maar dit mogen dan alleen exploratieve analyses zijn. Anders had het van tevoren vastgelegd moeten worden in het registered report.
- Je stuurt je onderzoeksplan op voordat je het uitvoert
- Op die manier kan je zelf niks veranderen, en houd je je aan je eigen onderzoeksplan
- Je kan afwijken van je plan, zolang je het maar aangeeft en waarom je dit hebt gedaan.
- Er zijn meer nul bevindingen door RR’s. Dat willen we juist zien. Want soms is er gewoon geen effect in de populatie.
Aantekeningen Seminar 2 - Universiteit Utrecht (2023-2024)
Seminar 2
De replicatiecrisis: 67% kon niet gerepliceerd worden.
- Due to inflated Type I error.
- Meerdere tests is hogere Type I error rate.
- Wat kan helpen: open data analysis: dan kan je beter replicatie doen. Is meer transparant.
- JASP is open software, free of use and charge.
Open Data Analyses should be FAIR:
- Findable
- Accesible
- Interoperable
- Reusable
JASP zorgt voor accessibility. Het is gratis, dus iedereen kan erin.
Interoperable
- Je kan in JASP aantekeningen zetten bij je analyse stappen. Dat is interoperable.
- Je kan ook een codeboek gebruiken en aangeven wat wat betekent.
- JASP houdt echt bij wat je hebt gedaan. Dat is ideaal voor interoperable
- Het is dus een soort logboek van je analyses.
Reusable
- Gaat om de license.
- Wat er wel of niet mag gebeuren met jouw data.
- Je kan dus zelf beslissen wat er met jouw open data gedaan mag worden.
- Je moet echt data anoniem maken. Je moet persoonlijke informatie verwijderen.
- Soms is er geen geschikte license. Dan kan je een deel van je data delen
Hoofdboodschap is dus: wees transparant over wat je doet.
Aantekeningen Seminar 3 - Universiteit Utrecht (2023-2024)
ARMS Seminar 3
Closed vs open
- Closed software is paid. SPSS en Mplus zijn voorbeelden.
- Open source software: R en JASP, dit kan minder snel zijn, omdat het gratis is. We kunnen naar de code van anderen bekijken. Het is geen black box meer. Je kan peer review doen.
Als we het hebben over een informatieve hypothese, dan is het in populatie parameters. Dus in griekse letters: mu. Na een analyse, dan moet je post hoc testing doen. Kan tot nu toe niet in 1 test. Bij een inconsistent resultaat, kan je geen bonferroni test doen. Bonferroni is explanatory, je gaat alle mogelijkheden af. Je kan ook contrasts toepassen, dan onderzoek je specifieke hypothesen.
Contrasts
- Meer power, want je onderzoekt alleen degenen die je wil checken
- Je krijgt geen inconsistentie in resulaten, want je onderzoekt specifieke hypothesen. Dit is beter dan alle mogelijkheden onderzoeken zoals bij post hoc toetsen.
- Minder inflated alfa level, omdat je minder tests uitvoert.
- Je krijgt nog steeds een p-waarde. Het test nog steeds niet precies onze informatieve hypothese.
Dan krijg je model selection.
- Bij Bayesian model selection heb je BFs en PMPs.
- Je wil het model met zo weinig mogelijk parameters beschrijven.
- Maar je wil ook de data zo goed mogelijk beschrijven. Maximize the fit.
- Complement is alle andere mogelijkheden.
BFc = 59
- Dan is jouw informatieve hypothese 59x meer waarschijnlijk dan het complement. Dus dan elke andere volgorde van de informatieve hypothese.
- Voor alles kan je BAIN gebruiken, niet voor repeated measures.
- Information-theoretical model selection: GORIC(A).
- AIC-type kan ook de informatieve hypothese analyseren.
Hier heb je weer dit:
- Je wil het model met zo weinig mogelijk parameters beschrijven.
- Maar je wil ook de data zo goed mogelijk beschrijven. Maximize the fit.
Het selecteert ook de beste informatieve hypothese uit de set
GORICA weights zijn soort PMPs.
- Ratio van GORICA weights is een soort de Bayes Factor.
- Model with the smallest GORICA value is the best model in your set.
- We’re looking for the smallest distance which is the same as the highest support.
- In de GORICA heb je geen priors.
- GORIC(A), de A staat voor approximation.
- Meer advanced models, dan gebruik je de GORICA. GORIC gebruik je gewoon voor ANOVA’s.
Je gebruikt in de software, de naam van de parameter.
- Output in JASP: GORIC value is het kleinst. Dus dat is het beste model. Maar nu weet je alleen o dit is het beste model.
- Je kan dan beter naar de weights kijken, dan kun je de verschillen interpreteren.
Twee failsafe opties.
- De unconstrained kun je gebruiken. Die gebruik je bij meerdere informatieve hypothesen. Alle opties, Including de hypothese die je nu hebt.
- Als dan een van de informatieve hypothesen het beter doet dan de unconstrained. Dan weet je dat hij niet zwak is, dan kan je ze vergelijken.
- Als ze beide slechter zijn dan je unconstrained. Dan heeft het geen nut deze twee Hi te vergelijken, omdat
Online access to all summaries, study notes en practice exams
- Check out: Register with JoHo WorldSupporter: starting page (EN)
- Check out: Aanmelden bij JoHo WorldSupporter - startpagina (NL)
Using and finding summaries, study notes en practice exams on JoHo WorldSupporter
There are several ways to navigate the large amount of summaries, study notes en practice exams on JoHo WorldSupporter.
- Use the menu above every page to go to one of the main starting pages
- Starting pages: for some fields of study and some university curricula editors have created (start) magazines where customised selections of summaries are put together to smoothen navigation. When you have found a magazine of your likings, add that page to your favorites so you can easily go to that starting point directly from your profile during future visits. Below you will find some start magazines per field of study
- Use the topics and taxonomy terms
- The topics and taxonomy of the study and working fields gives you insight in the amount of summaries that are tagged by authors on specific subjects. This type of navigation can help find summaries that you could have missed when just using the search tools. Tags are organised per field of study and per study institution. Note: not all content is tagged thoroughly, so when this approach doesn't give the results you were looking for, please check the search tool as back up
- Check or follow your (study) organizations:
- by checking or using your study organizations you are likely to discover all relevant study materials.
- this option is only available trough partner organizations
- Check or follow authors or other WorldSupporters
- by following individual users, authors you are likely to discover more relevant study materials.
- Use the Search tools
- 'Quick & Easy'- not very elegant but the fastest way to find a specific summary of a book or study assistance with a specific course or subject.
- The search tool is also available at the bottom of most pages
Do you want to share your summaries with JoHo WorldSupporter and its visitors?
- Check out: Why and how to add a WorldSupporter contributions
- JoHo members: JoHo WorldSupporter members can share content directly and have access to all content: Join JoHo and become a JoHo member
- Non-members: When you are not a member you do not have full access, but if you want to share your own content with others you can fill out the contact form
Quicklinks to fields of study for summaries and study assistance
Field of study
- All studies for summaries, study assistance and working fields
- Communication & Media sciences
- Corporate & Organizational Sciences
- Cultural Studies & Humanities
- Economy & Economical sciences
- Education & Pedagogic Sciences
- Health & Medical Sciences
- IT & Exact sciences
- Law & Justice
- Nature & Environmental Sciences
- Psychology & Behavioral Sciences
- Public Administration & Social Sciences
- Science & Research
- Technical Sciences
Add new contribution