extra termen

Grotere F betekent juist kleinere residuen (kleinere noemer).

z-toets significant, t-toets niet

Deze bewering is correct. Zelfs bij s = σ krijg je dezelfde teststatistiek, maar de t-verdeling heeft dikkere staarten en dus een hogere kritieke waarde.

Voorbeeld bij df = 10, eenzijdig α = .05: z_krit = 1.645 maar t_krit = 1.812. Een waarde van 1.70 is dus significant bij z, niet bij t.

H0 verwerpen bij kolomorovsmirnov toont

aan dat het niet normaal verdeeld is

Bij gepaarde t-toets… slechts bij benadering t-verdeeld"

Dit is vermoedelijk de foute stelling. Bij een gepaarde t-toets werk je met één reeks verschilscores. Zijn die normaal verdeeld, dan is de statistiek exact t-verdeeld met df = n − 1 — geen benadering.

"Bij laag onderscheidingsvermogen een grotere steekproef nemen"

Correct — de standaardoplossing. Grotere n verkleint SE en verhoogt de power.

"Als mijn steekproef asymmetrisch is, is mijn BI ook asymmetrisch"

Dit is de klassieke foute stelling. Een t-gebaseerd BI is x̄ ± t·SE — dat is per constructie symmetrisch rond het gemiddelde, ongeacht de vorm van je data. Scheefheid bedreigt de geldigheid van het interval (de dekkingsgraad klopt dan niet meer), niet de vorm.

"Niet-parametrische data op een parametrische toets geeft slechtere power"

in een vraag was er iets van b0 zegt iets over sterkte van een verband in regressie

Maat	Wat het zegt
b₀	waarde van Ŷ bij X = 0
b₁	helling: verandering in Y per eenheid X
r / R²	sterkte van het verband

een strenger significantie niveau verlaagt de power

van a 5% naar a 1%

De p-waarde is de kans op dit resultaat of een extremer resultaat, gegeven dat H₀ waar is.

Je hebt een steekproef waarbij s toevallig exact gelijk is aan σ.

De t-toets kan niet-significant zijn terwijl de z-toets dat wel is.

uitspraak over de Wilcoxon rangtekentest

De beslissingsregel is omgekeerd aan die van t, z en χ²: je verwerpt bij een KLEINE V. Omdat V het minimum van beide rangsommen is, wijst een lage waarde net op een sterk en consistent effect.

Welke uitspraak over de chi-kwadraattoets is CORRECT?

De vuistregel is dat alle verwachte frequenties minstens 5 bedragen.

Bij een enkelvoudige lineaire regressie (3)

De som van de residuen is nul.

De regressierechte gaat altijd door het punt (x̄, ȳ).

R² is gelijk aan het kwadraat van de Pearson-correlatie.

uitspraak over de F-ratio bij ANOVA (2)

F kan nooit negatief zijn.

De variantie tussen groepen staat in de teller.

Twee groepen van elk 20 personen worden vergeleken met een ongepaarde t-toets. Een onderzoeker bepaalt de vrijheidsgraden conservatief als min(n₁, n₂) − 1 in plaats van n₁ + n₂ − 2. Welk gevolg heeft dit?

Hij zal minder vaak significant besluiten.

Welke uitspraak over effectgrootte is CORRECT?

Cohen's d gebruikt de standaarddeviatie in de noemer, niet de standaardfout.

Waarom heeft een gepaard design bij gelijke n doorgaans meer power dan een ongepaard design?

De foutvariantie is kleiner doordat interindividuele verschillen wegvallen.

uitspraak over de centrale limietstelling

Ze zorgt dat de steekproevenverdeling van het gemiddelde bij benadering normaal wordt bij voldoende grote n.

Een onderzoeker toetst eenzijdig rechts (H₁: μ > μ₀), maar het steekproefgemiddelde blijkt ver ONDER μ₀ te liggen. Wat volgt daaruit?

De eenzijdige p-waarde is groter dan .50 en je kan H₀ nooit verwerpen.

Waarom is de Kolmogorov-Smirnov-toets ongeschikt wanneer het meetniveau nominaal is?

KS veronderstelt een betekenisvolle ordening van de categorieën.

Welke uitspraak over Spearman en Kendall is CORRECT?

Kendall's tau geeft bij dezelfde data doorgaans een lagere absolute waarde dan Spearman.

Welke normaliteitseis geldt bij enkelvoudige lineaire regressie?

De residuen moeten normaal verdeeld zijn, niet X of Y afzonderlijk.

Shapiro-Wilk toetst normaliteit

Shapiro-Wilk	Betekenis
p > ,05	✔ Geen bewijs tegen normaliteit → t-toets/ANOVA mag
p < ,05	⚠ Data wijken significant af van normaal → overweeg Wilcoxon, Kruskal-Wallis, of transformatie

levenes test

Levene	Betekenis	Actie
Niet significant (p > ,05)	Varianties mag je als gelijk beschouwen	✔ Equal variances assumed (bovenste regel in SPSS)
Significant (p < ,05)	Varianties zijn ongelijk	⚠ Equal variances not assumed (onderste regel)

Niet-parametrische statistische toetsen geven wel informatie over de

effect-grootte

Als σ niet gekend is, volgt de populatie een t-verdeling met n-1

vrijheidsgraden.

nee de steekproevenverdeling niet de populatie

Een 95% betrouwbaarheidsinterval is een interval, rondom het

steekproefgemiddelde, dat in 95% van opeenvolgende

steekproeftrekkingen de populatieverwachting bevat

dit is de juiste uitspraak

Hoe is het mogelijk dat de t toetsingsgrootheid (de t-statistiek) bij de

ongepaarde analyse zoveel groter is dan in de gepaarde analyse, terwijl

het verschil tussen de gemiddelden in beide gevallen (15 ms) hetzelfde is?

Bij de gepaarde analyse wordt de variantie berekend op de verschilscores,

waardoor between-subjects variabiliteit wordt geëlimineerd, waardoor sD

veel kleiner is dan s1 en s2