MOD 5 : meer over toetsen en intervallen

wat is de P-waarde niet ?

de kans dat de nulhypothese waar is

P waarde dient als een maatstaf voor de

sterkte van het bewijs tegen de nulhypothese,

wat is (arbitrair gekozen) meestal het alfa-niveau

0.05

statistisch significant

de teststatistiek een overeenstemmende P-waarde heeft dat kleiner dan alfa is,

dit zegt niets omtrent de praktische significantie

praktisch significante resultaten

worden verkregen uit gegevens die ertoe leiden dat een persoon of een bedrijf dit opmerkt, actie onderneemt of een bedrijfsvoering verandert

het betrouwbaarheidsinterval geeft een indicatie van de

effectgrootte in de populatie

twee soorten fouten bij hypothesetoets

• Type 1

• type 2

Type 1 fout

de nulhypothese is waar, maar we verwerpen deze ten onrechte

als significantieniveau alpha, dan stel je de kans op een type 1 fout in op alpha

Type II fout

de nulhyppothese is niet waar, maar we verwerpen deze niet

= beta

welke type fout is in theorie erger

type 1 fout,

wanner we H0 foutief verwerpen trekken we een streke conclusie, wanneer we H0 niet verwerpen geven we enkel aan dat er niet voldoende bew is om H0 te verwerpen

→ maar natuurlijk afhankelijk van situatie tot situatie

xelke waarde alpha of beta is het moeilijkst te bepalen

beta

omdat we de werkelijke waarde van de parameter niet kennen

wanneer H0 waar is wordt er 1 parameter vooropgesteld, maar wanneer H0 niet waar is, zijn er veel mogelijke waarden

hoe beta bepalen

je stelt een relevante waarde voor Ha in, gebaseerd op de effectgrootte die je wilt kunnen detecteren

“hoe groot moet het verschil tov de nulhypothesewaarde zijn om (economisch) relevant te zijn”

geobserveerde effectgrootte in de steekproef

het verschil tussen de nulhypothesewaarde en de geobserveerde statistiek (of omgekeerd)

werkelijke effectgrootte in de populatie

het verschil tussen de nulhyôthesewaarde en de werkelijke populatieparameter (of omgekeerd)

kans op beta verlagen voor alle alternatieve parameters door alpha te verhogen

door het gemakkelijker te maken om de nulhypothese af te wijzen, is de kans groter dat we deze afwijzen, of deze nu waar is of niet

hoe kan je beide soorten fouten tegelijk verminderen

door meer gegevens te verzamelen (en dus een hogere steekproefgrootte te hebben)

de power / onderscheidend vermogen van een toets

is de kans dat de toets terecht een valse nuulhypothese verwerpts

wanneer de power van onze test hoog is, hebben we meer zekerheid dat de test niet zwak is om een foutieve nulhypothese te detecteren

power formule

1 - beta

1- de kans dat een toets een foute nuulhypothese niet verwerpt

wanneer stijgt de power

met de effectgrootte

omdat het makkelijker is om grote effecten te detecteren