Lees hier de samenvatting en de meest belangrijke oefenvragen van Open Methodologie en Statistiek (OpenMenS

• 6 Experimentele designs

• 6.3 Volledig gerandomiseerd ontwerp versus quasi-experiment

• Wat is het verschil tussen een volledig gerandomiseerd ontwerp (completely randomised design) en een quasi-experiment?

  Een volledig gerandomiseerd ontwerp wordt ook wel een zuiver experiment genoemd. In een volledig gerandomiseerd ontwerp wordt randomisatie gebruikt om deelnemers willekeurig toe te wijzen aan experimentele condities of manipulaties. 
  Bij quasi-experimentele ontwerpen gebeurt dit niet. Hoewel dit verschil op papier duidelijk lijkt, kan het in de praktijk soms minder helder zijn. 

• 6.3.3 Gedeeltelijk randomiseren

• Wat ligt er tussen volledige randomisatie en helemaal geen randomisatie?

  ‘Cluster randomisatie’ waarbij er gebruik wordt gemaakt van bestaande clusters van deelnemers (bijvoorbeeld schoolklassen). Deze clusters worden vervolgens random verdeeld over de condities. 
  Voordeel: er wordt gebruik gemaakt van natuurlijke groepen. 
  Nadeel: er vindt niet perfecte randomisatie plaats waaronder de invloed van storende variabelen niet volledig kan worden uitgesloten. 

• 6.3.5.1 Matchen

  Dit is een preview. Er zijn 1 andere flashcards beschikbaar voor hoofdstuk 6.3.5.1
  Laat hier meer flashcards zien

• Wat is precisiecontrole en wat is globale controle?

  Bij precisiecontrole probeert men voor elke proefpersoon in de experimentele groep een bijpassende proefpersoon in de controlegroep te vinden die vergelijkbare kenmerken heeft. Deze paren van proefpersonen worden gematcht. 
  Bij globale controle wordt gestreefd naar gelijke frequenties van belangrijke kenmerken in zowel de experimentele als de controlegroep. Dit is meer een algemene vorm van matchen. Bij globale controle wordt geprobeerd om de kenmerken van individuen gelijkmatig te verdelen over de condities, zonder noodzakelijk exacte overeenkomsten tussen individuen te bereiken. 

• 6.5.2 Pre-experimentele designs

• Welke 3 pre-experimentele designs beschrijven Campbell en Stanley?

  1. One shot case study (er wordt eerst een manipulatie (treatment) uitgevoerd en vervolgens geobserveerd wat het effect is op de proefpersonen);
     
  2. One-groep pre-post design (de proefpersonen worden voor en na de manipulatie geobserveerd);
  3. Pre-experimenteel bestaande groepen nameting only (door het niet-random toewijzen aan condities in combinatie met afwezigheid van een voormeting het vrijwel onmogelijk is om de observaties tussen de groepen goed te vergelijken. 

  
  Zie afbeelding.

• 6.5.3.1 Posttest-only control (alleen nameting met controlegroep)

• Wat zijn de voor- en nadelen van de posttest-only control (alleen nameting met controlegroep)?

  Voordeel: het ontbreken van een voormeting. Een van de interne validiteitsbedreigers is namelijk het testeffect: de voormeting beïnvloedt dan observaties in de nameting.
  
  Nadelen: plafondeffect (er is geen verschil tussen 2 condities waar te nemen, omdat de test te gemakkelijk was voor deze proefpersonen) en bodemeffect (scores zitten dan niet tegen een plafon, maar zijn juist vrijwel allemaal zo laag dat er geen lagere score meer mogelijk is).
  
  Zie afbeelding: zo ziet het schema van een posttest-only control design uit. 

• 9 Validiteit bij experimenten

• 9.3 Bedreigingen voor de externe validiteit

• Wat zijn de 3 soorten bedreigingen voor de externe validiteit?

  ZIe afbeelding voor tabel.

• 9.5 Bedreigingen voor de interne validiteit

• Wat zijn de 10 bedreigingen voor de interne validiteit?

  Zie afbeelding.

• 18 Datascreening

  Dit is een preview. Er zijn 1 andere flashcards beschikbaar voor hoofdstuk 18
  Laat hier meer flashcards zien

• 18.2 Onmogelijke waarden

• Wat zijn onmogelijke waarden?

  Waarden die niet binnen een schaalrange liggen of die niet-bestaande categorieën aanduiden.

• Welke soorten onmogelijke waarden zijn er?

  • Invoerfouten (dubbele invoer);
    
  • waarden die alleen in specifieke context mogelijk zijn;
  • Combinaties van onmogelijke waarden (12 jaar werkervaring en zelf 20 jaar oud zijn).

• Waarom is het belangrijk om nooit ‘codeloos’ data te verwijderen? Het kan met codes door een analysescript te doen of het op zo’n manier te doen dat er een codescript van wordt gegenereerd?

  Zodat als data aangepast moest worden het altijd belangrijk dit repliceerbaar en transparant te doen.