• Shuffle
    Toggle On
    Toggle Off
  • Alphabetize
    Toggle On
    Toggle Off
  • Front First
    Toggle On
    Toggle Off
  • Both Sides
    Toggle On
    Toggle Off
  • Read
    Toggle On
    Toggle Off
Reading...
Front

Card Range To Study

through

image

Play button

image

Play button

image

Progress

1/20

Click to flip

Use LEFT and RIGHT arrow keys to navigate between flashcards;

Use UP and DOWN arrow keys to flip the card;

H to show hint;

A reads text to speech;

20 Cards in this Set

  • Front
  • Back

vier soorten misleidingen voor verkeerde data.

1. Sampling bias


2. Observer effects


3. Observer bias


4. Inferential bias

Sampling bias

Een niet representatieve steekproef uit de populatie. Bijvoorbeeld ''gemiddelde iq vrouwen'' meten in je werkgroep. Dit zal ver boven gemiddeld liggen.

twee andere voorbeelden van sampling bias, of steekproefbias.

- Hite's onderzoek (self selected bias). Stuurde 100.000 vrouwen een vragenlijst over mannen, maar vooral de vrouwen die hun ongenoegen wouden uitten antwoordde waardoor het resultaat erg slecht was.


- Digest onderzoek (Random sampling) random mensen vragen naar hun politieke voorkeur door te bellen. In deze tijd hadden vooral rijke mensen een telefoon waardoor de republikeinen hoger stonden.

Manier om goed te denken over een representatieve steekproef?

De populatie goed definieren en dan (hopelijk) iedereen in die populatie dezelfde kans geven om erin te komen. Dit is in de praktijk vaak lastig omdat het niet precies duidelijk is wat deze populatie is en waar deze te vinden is (bv huisvrouwen in nederland)

Sampling bias kan je tegen gaan door middel van

Random sampling (idealerwijs, multifase en systematische)

Idealerwijze random sampling?

1. Maak een lijst van alle personen in de populatie 2. Geef elke persoon een nummer 3. Kies willekeurig nummers 4. Vind de personen die bij de nummers horen.


Bv studenten psychologie = niet iedereen die in de collegezaal zit. (spijbelaars)

Multifase sampling?

Meerdere fasen (bv. Land, provincie, straat, huisnumer).


Bv. random sample van studenten in nederland. Eerst lijst van alle scholen en bij elke school een random groep studenten.



Systematische sampling

elk m-de geval te interviewen, startend bij het n-de geval.


Voorbeeld: Random 4 en 6 getrokken. Dan in een groep de 4e persoon en dan elke 6e persoon in je onderzoek.

Random sampling en representativiteit?

Random sampling garandeert niet dat de steekproef representatief is voor de populatie, maar het maakt het wel onwaarschijnlijk dat de steekproef veel zal verschillen van de populatie.

Andere sampling methodes

Purposive (bepaalde kenmerken bij een steekproef, bv rokers of mensen die gerookt hebben. Dit is niet te generaliseren voor de populatie maar wordt vaak in combinatie gebruikt met andere kwalitatieve en kwantitatieve methodes. Dit verschaft dan specifieke extra informatie)


Convenience sampling (meest gebruikt, wat voor de hand ligt en makkelijk is.)

Observer effects

Gedrag van de proefpersoon wordt beinvloed door de aanwezigheid van een waarnemer.



Voorbeelden van observer effects

Slimme hans (dat paard, kennen we)


Gefaciliteerde falsificatie (met autisten die vervolgens konden typen maar waarbij eigenlijk hun hand begeleid werd)


Suggestieve vragen( met die auto raakte of KNALDE en dan of er glas kapot is)

Voorkomen van observer effects

- Verstoppen (kiekeboe, geen invloed meer)


- Afwachten (eerst laten wennen, bv klaslokaal)


- Misleiding (je anders voordoen zodat mensen je niet doorhebben, ook gaan dineren in een restaurant bv)


- Unobtrusive measures (niet aanwezig zijn maar kijken naar de gevolgen, bv aantal bierflesjes tellen na een feest om te kijken hoeveel alcohol er is gedronken)


- Blind observers (ervoor zorgen dat de observeerders zelf niet op de hoogte zijn van de verwachtingen zodat ze niet kunnen beïnvloedden)

Verstoppen, afwachten en misleiding

- Verstoppen (kiekeboe, geen invloed meer, letterlijk verstoppen als observator)


- Afwachten (eerst de groep aan je aanwezigheid laten wennen, bv klaslokaal)


- Misleiding (je anders voordoen zodat mensen je niet doorhebben, ook gaan dineren in een restaurant bv)

Unobtrusive measures en blind observers

- Unobtrusive measures (niet aanwezig zijn maar kijken naar de gevolgen, bv aantal bierflesjes tellen na een feest om te kijken hoeveel alcohol er is gedronken)


- Blind observers (ervoor zorgen dat de observeerders zelf niet op de hoogte zijn van de verwachtingen zodat ze niet kunnen beïnvloedden)

Observer bias

We zien wat we verwachten te zien.


Bv. zelfde filmpje en ene groep verstellen dat het een sollicitatiegesprek is, maar de andere dat het een patient is.


- Eerste groep aantrekkelijk en innovatief maar de tweede groep defensief en gespannen.


<-- dit laat zien dat onze verwachtingen invloed hebben op wat we zien.


Denk maar aan aantal overtredingen bij feyenoord en dan feyenoord of ajaxfans laten kijken, verschil toch?

Observer bias voorkomen

Blind observing: Niet op de hoogte van de verwachtingen dus kan ook niet weten wat hij graag zou zien.


Objectieve maten: Hand opsteken = alleen als hij boven het hoofd wordt gehouden bv. Duidelijke maten aangeven voor observaties en zo objectief mogelijk maken. Echt fysiek is natuurlijk niet haalbaar maar we kunnen zo dichtbij mogelijk komen.


Meerdere observatoren: Meerdere observatoren hetzelfde gezien? Kans groter dat het er ook is geweest. Dit heet inerobserver reliability en is deels een check op de observer bias.

Correlatie en causaliteit (inferential bias, dit wordt best vaak fout gedaan!)

Correlatie is geen causaliteit maar een ''verband''. Het kan namelijk ook omgekeerd zijn of een 3e confounding factor. Bv ijsverkoop en aantal verdrinkingen. Gaan allebij omhoog maar zon en zomer is een 3e variabele die eigenlijk beide beïnvloed.


Causaliteit is daadwerkelijk een invloed van de een op het ander en geen verband. Hier zijn ook experimenteel onderzoeken voor nodig.

Wanneer representatieve steekproef nodig?

Als er echt een populatie is waarnaar je je resultaten wilt generaliseren.

Inferential bias

Wanneer een correlatie als causaal verband wordt gezien. (wanneer er verkeerde conclusies uit de data worden getrokken)