Studie- en scriptietips > 3. Onderzoeksmethoden scriptie

Statistiek in het afstudeeronderzoek: assumpties

Scriptietips Alle onderwerpen

Studietips algemeen

4. Afronding scriptie

Het belang van het testen van statistische assumpties

Bij statistische analyses worden formules gebruikt die zijn ontwikkeld op basis van bepaalde aannames over de dataset. Als deze aannames niet overeenkomen met jouw data, kunnen de resultaten minder betrouwbaar zijn.

Waarom zijn assumpties belangrijk?

Parametrische analyses, zoals Pearson’s correlaties, t-testen en multiple lineaire regressies, gaan bijvoorbeeld uit van een normale verdeling. Dit betekent dat de meeste waarden rond het gemiddelde liggen en dat de frequentie afneemt naarmate een waarde verder van het gemiddelde afwijkt. Ook is een normale verdeling symmetrisch: de verdeling ziet er links en rechts van het gemiddelde hetzelfde uit.

Voordat je een parametrische analyse uitvoert, is het daarom slim om eerst te controleren of je variabelen wel normaal verdeeld zijn. Naast normaliteit bestaan er nog andere assumpties, afhankelijk van de analyse die je wilt gebruiken.

Assumpties per analyse

Elke statistische techniek heeft specifieke voorwaarden waaraan de data moet voldoen. Deze assumpties zijn onder te verdelen in:

Ontwerp-assumpties: deze bepaal je vooraf bij het ontwerpen van je onderzoek. Bijvoorbeeld, als je een variabele meet als ‘ziek’ of ‘niet-ziek’, kun je geen lineaire regressie uitvoeren, omdat die een continue variabele vereist.
Data-assumpties: deze test je nadat je data hebt verzameld. Je hoopt dat je dataset aan de vereisten voldoet, maar dat is niet altijd het geval.

Zo hebben parametrische analyses, zoals Pearson’s r correlaties, t-testen en multiple lineaire regressies, als aanname (assumptie) dat er sprake is van een normale verdeling. Een normale verdeling wil zeggen dat het grootste deel van de scores rondom het gemiddelde van de variabele liggen en hoe verder weg van het gemiddelde hoe minder vaak de score voorkomt (Figuur 1). Bovendien is er sprake van symmetrie, dezelfde afname van scores zie je zowel links als rechts van het gemiddelde.

Wanneer je dus een parametrische analyse wil gaan uitvoeren, is het verstandig om eerst eens te kijken of de variabelen die je in de berekening wilt stoppen wel normaal verdeeld zijn. Zo zijn er, afhankelijk van de analyse die je wil uitvoeren, nog meer assumpties die je kunt testen voor je de resultaten van je analyse gaat interpreteren.

Elke statistische analyse heeft zijn eigen assumpties

In Tabel 1 hieronder zijn de assumpties van enkele veelgebruikte statistische analyses weergegeven. De assumpties zijn hier ingedeeld in ontwerp-assumpties en data-assumpties. De ontwerp-assumpties heb je zelf grotendeels in de hand en bepaal je tijdens je onderzoeksdesign fase. Wanneer je besluit om de afhankelijke variabele op een dichotome wijze te meten (bijvoorbeeld ziek vs niet-ziek) dan vallen analyses die een continue (interval) afhankelijke variabele vereisen, zoals (multiple) lineaire regressie of ANOVA, direct als opties af. De data-assumpties test je nadat de data verzameld zijn. Je hoopt daarbij dat aan de assumpties van de gekozen statistische analyses wordt voldaan, maar er bestaat een kans dat dat niet het geval is.

Wat te doen bij geschonden assumpties?

Wanneer een of meerdere assumpties in je onderzoek niet blijken te kloppen, kan dit de nauwkeurigheid van je resultaten beïnvloeden. Het is belangrijk om dan na te denken over mogelijke oplossingen. Soms zijn er alternatieve analysemethoden beschikbaar of kun je ervoor kiezen om een variabele te transformeren om de schending te corrigeren. In andere gevallen kun je besluiten de analyse toch uit te voeren, omdat je inschat dat de invloed van de schending beperkt zal zijn. Wat je ook kiest, het is essentieel om in je scriptie duidelijk te vermelden dat een assumptie geschonden is en welke stappen je hebt genomen om de resultaten toch op een correcte manier te interpreteren. Dit toont zorgvuldigheid en transparantie in je onderzoeksproces.

Moet ik de assumpties testen in mijn thesis-onderzoek?

Ja! Het controleren van assumpties is een essentieel onderdeel van de analysefase. Door dit goed te doen, zorg je ervoor dat je resultaten betrouwbaar zijn en toon je aan dat je jouw statistische methoden doordacht hebt gekozen.

Docenten verwachten vaak dat je deze tests uitvoert en bespreekt. Gelukkig bieden statistische programma’s zoals SPSS de mogelijkheid om verschillende assumpties automatisch te testen. Soms krijg je zelfs gecorrigeerde resultaten als een belangrijke aanname niet blijkt te kloppen. Voor sommige assumpties moet je extra stappen ondernemen, zoals het maken van grafieken of aanvullende tests.

Wil je zeker weten dat je statistische analyses kloppen? Neem de tijd om je assumpties te testen—het is een kleine moeite die veel problemen kan voorkomen!

Het rapporteren van de assumpties

Hoe uitgebreid rapporteer ik over de assumpties?

Hoewel ik van harte aanbeveel om de assumpties van elke statistische (hoofd)analyse te testen, is het niet aan te raden om heel uitgebreid verslag te doen van de resultaten van die assumptie-testen. Soms kom ik resultatenhoofdstukken tegen waar het overgrote deel, met tabellen en grafieken, gaat over het testen van de assumpties en pas aan het einde worden, in slechts enkele zinnen, de resultaten van de hoofdanalyses gerapporteerd. Dat is niet verstandig. Jouw onderzoek draait om de resultaten van de hoofdanalyses en die moeten dan ook centraal staan in het hoofdstuk.

Maak ik een assumpties paragraaf?

Persoonlijk ben ik geen fan van het maken van één assumpties paragraaf in het resultatenhoofdstuk. Het kan, wanneer je slechts één univariate statistische analysetechniek gebruikt. Bijvoorbeeld als je alleen maar correlatie-toetsen uitvoert, dan kun je in een assumpties paragraaf melden welke variabelen wel en welke niet normaal verdeeld waren, of ze outliers hadden en of ze onderlinge lineaire relaties hadden. Ook kun je daarin aangeven welke acties je hebt ondernomen wanneer een van die assumpties geschonden bleek.

Maar het komt vaker voor dat studenten meerdere statistische analyses uitvoeren. Dan moeten ook meerdere sets van assumpties worden getest. Wanneer je twee multiple regressies uitvoert, worden de assumpties van normaliteit van de residuals, geen outliers, lineaire verbanden, homoscedasticiteit en geen multicollineariteit ook twee keer getest. Het is dan lastig voor de lezer om te onthouden welke assumpties bij welke analyse geschonden waren. Daarom geef ik er persoonlijk de voorkeur aan om de resultaten van de assumptie-tests bij de rapportage van de desbetreffende statistische analyse te lezen.

Meestal raad ik aan om in de data-analyse paragraaf van de methode-sectie aan te geven dat je de assumpties getest hebt en dat alleen als een schending is gevonden dit bij de desbetreffende analyse gerapporteerd zal worden. Zo laat je zien dat je zorgvuldig met de assumpties van alle analyses bent omgegaan, zonder de lezer te veel af te leiden van de resultaten waar jouw thesis om draait.

Judy Nijman
Scriptiebegeleider Topscriptie

Wil jij hulp bij SPSS of een ander statistisch programma zoals Stata, MPlus, Python, JAMOVI, JASP & R?

Neem dan contact met ons op…