Toetsen op samenhang en verschil

	Inleiding	Chi-square toets	Independent Sample T-test	Pearson PM toets

Independent Sample T-Test

Om te kijken of er verschillen tussen twee variabelen zijn, worden er toetsen gebruikt. Er zijn veel verschillende toetsen. Het meetniveau van de variabelen bepaalt welke toets of je moet gebruiken. Zo hebben we gezien dat we, om te kijken of er verschil of samenhang is tussen twee nominale of ordinale variabelen de Chi-square toets gebruiken.

Om te kijken of er verschillen zijn tussen ratio of interval variabelen wordt de t-test gebruikt. De verschillen die gemeten worden zijn de verschillen tussen de gemiddeldes. Dit verklaart waarom of we deze toetsen kunnen vinden onder Analyze --> Compare means.

Bij de enkelvoudige toetsen hebben we de One Sample toets al bekeken. We bekijken nu de Independent-Sample T test.

Bij de one sample T Test hebben we de uitkomsten getest aan een door onszelf opgegeven waarde.
Wat vaker voorkomt is te kijken of het verschil tussen de ene waarde en de andere waarde van een variabele op een tweede variabele andere waarden geeft. Zo zou je je kunnen afvragen of er onder de respondenten een verschil is in leeftijd tussen mannen en vrouwen. Als we een onafhankelijke variabele die maar twee waarden kan aannemen (heet een binominale variabele) toetsen met een metrische variabele doen we dat met de Independent-Sample T Test.

Kies je hiervoor (Analyze--> Compare means --> Independent Sample T test) dan krijg je het volgende scherm. Stel het als volgt in.

De waarden (1,2) onder Grouping variabele krijg je door op "Define Groups" te klikken en het de waarden 1 en 2 als volgt in te vullen.

Bedenk hierbij, dat de 1 staat voor male en 2 voor female. Het "Cut point" wordt gebruikt bij ordinale variabelen. Stel je hebt een variabele met de waarden 1 t/m 5 (zeer slecht tot zeer goed) dan kan ik door voor het cut point 3 in te vullen alles van zeer slecht tot noch slecht noch goed, en goed en heel goed splitsen.
De tabellen komen er als volgt uit te zien.

Daarbij zie je in de bovenste tabel dat de er eigenlijk niet zo'n groot verschil is tussen de gemiddelde leeftijd van de mannen (36,23) en de vrouwen (35,47). Dat dit verschil niet significant is blijkt ook uit de tweede tabel. Je ziet daar tweemaal een waarde staan onder Sig. (2-tailed). De bovenste waarde is gebruik je als de variantie (standaard deviatie) gelijk verondersteld wordt, de onderste als dit niet zo is. In de eerste tabel zie je dat de st.Dev ongeveer gelijk zijn, in de tweede tabel wordt dit zelfs getest met de Levene's test. Daar geeft de kolom Sig aan dat er geen significant verschil is tussen de twee standaard deviaties, dus moet je de Sig.(2 tailed) van de eerste rij hebben).

Ga na dat er ook geen significant verschil is tussen mannen en vrouwen wat betreft het bedingen op de prijs. Kijk of je onderstaande tabel kunt maken en interpreteer het resultaat.

Je zou je af kunnen vragen of mensen die vaker via internet aankopen doen, meer bedingen op de prijs. Stel je Independent Sample T test als volgt in:

en bekijk en interpreteer het resultaat.

	Inleiding	Chi-square toets	Independent Sample T-test	Pearson PM toets