Gewoonlijk hanteert men p=0,05 als grens van statistische significantie. Indien p≤0,05, dan is de kans dat het gevonden resultaat aan het toeval is te wijten (en we de nulhypothese ten onrechte verwerpen) kleiner of gelijk aan 5%, dit noemt men 'statistisch significant'.
Wanneer de p-waarde kleiner is dan het gekozen significantieniveau kun je stellen dat dat de gevonden uitkomst extreem genoeg is om je nulhypothese te verwerpen.
De p-waarde geeft aan hoe extreem de gevonden waarde voor de toetsingsgrootheid in de verdeling onder de nulhypothese is. Hoe kleiner de p-waarde, hoe extremer de uitkomst. In de praktijk worden waarden van 5% en 1% aangehouden als grens; is de p-waarde kleiner, dan spreekt men van een significante, resp.
Je vergelijkt de twee gemiddelden met een statistische toets (t-toets) en je vindt een eenzijdige p-waarde 0,001 (1 op de 1000). Wat betekent dit? De p-waarde geeft de kans aan dat we dit verschil in lengte of groter vinden als we ervan uit gaan dat de nulhypothese waar is.
Als je met de t-toets geen significant verschil kan aantonen, dan wil dat nog niet zeggen dat er geen verschil is, maar alleen dat het door jouw onderzoek niet aangetoond is.
Wanneer je geen significante resultaten hebt, ga je op zoek naar informatie die helpt te verklaren waaróm dat niet zo is. Vaak ga je hiervoor opnieuw bronnen zoeken. Voor veel studenten voelt dit als terug bij af, maar dat klopt niet.
De nulhypothese stelt dat een gevonden verschil (in effect) of een gevonden verband op toeval berust, m.a.w. dat er in werkelijkheid geen verschil (in effect) of geen verband bestaat.
Met een p-waarde dichtbij 0 kunnen we ervan uitgaan dat de gevonden waarde een werkelijke associatie aanduidt. Gewoonlijk hanteert men p=0,05 als grens van statistische significantie.
Als de p-waarde groter is dan het significantieniveau: Er is voldoende aanleiding om aan te nemen dat de nulhypothese klopt. Je kunt alleen laten zien dat de steekproefuitkomst wel/niet extreem is gegeven de nulhypothese. Is de uitkomst te extreem, dan concludeer je dat de alternatieve hypothese logischer is.
Statistische significantie laat zien dat een effect, verschil of relatie bestaat in een onderzoek, terwijl praktische significantie (relevantie) laat zien dat het effect groot genoeg is om betekenisvol te zijn in de echte wereld.
Aandacht voor de P-waarde voordat het onderzoek start. De P-waarde (Probability value) of verwachtingswaarde speelt een sleutelrol in onderzoek naar de waarschijnlijkheid van een mogelijke gebeurtenis of eigenschap binnen een populatie. Dit is in ieder geval belangrijk als niet de gehele populatie onderzocht kan worden ...
Een significante p-waarde bewijst causaliteit. Werkelijkheid: Statistische significantie geeft alleen de waarschijnlijkheid aan van het verkrijgen van het waargenomen resultaat of een extremer resultaat onder de nulhypothese.
Vaak wordt het 95% betrouwbaarheidsinterval gebruikt. Hiermee zeg je eigenlijk: stel ik zou mijn onderzoek 100 maal herhalen, dan verwacht ik dat de werkelijke waarde (parameter) minstens 95 keer binnen het (voor ieder onderzoek apart opgestelde) 95% betrouwbaarheidsinterval ligt.
Een Type I-fout is een fout-positieve conclusie (false positive), terwijl een Type II-fout een fout-negatieve conclusie (false negative) is. Als je een Type I-fout maakt, verwerp je de nulhypothese ten onrechte. Als je een Type II-fout maakt, verwerp je de nulhypothese ten onrechte niet.
De nulhypothese en alternatieve hypothese zijn twee tegengestelde beweringen waarvan onderzoekers met behulp van een statistische test de bewijzen tegen elkaar afwegen: Nulhypothese (H0): Er is geen effect in de populatie. Alternatieve hypothese (Ha of H1): Er is wel een effect in de populatie.
Statistische significantie weergeven
Als we een antwoordoptie weergeven als statistisch significant, betekent dit dat de waarschijnlijkheid dat een verschil tussen twee groepen toevallig is of puur door een fout in de steekproefgrootte wordt veroorzaakt, minder dan 5% bedraagt. Dit wordt vaak weergegeven als p < 0,05.
In het verwerpingsgebied wordt de nulhypothese (H0) verworpen als de steekproefuitkomst zich in dat gebied bevindt. In dat geval is het te onwaarschijnlijk dat de steekproefuitkomst afkomstig is uit de steekproevenverdeling met als gemiddelde de waarde uit de nulhypothese.
Klinische significantie (ook wel klinische relevantie genoemd) is relevant voor interventie- en behandelingsstudies. Een behandeling wordt als klinisch significant beschouwd als deze het leven van patiënten tastbaar of substantieel verbetert.
Meestal kies je voor een α van 0.05 of 0.01. Bij hypothesetoetsing wordt de verkregen p-waarde (p-value) vergeleken met het significantieniveau om te bepalen of het gevonden verschil of de gevonden relatie statistisch significant is. Als de p-waarde kleiner is dan de gekozen drempelwaarde, is het resultaat significant.
Om de klinische relevantie van studieresultaten voor de dagelijkse praktijk te kunnen beoordelen, moeten we verschillende elementen in rekening nemen: de doelstelling van de studie, de uitkomstmaten, de effectgrootte, de precisie van het effect, de vergelijkende interventie, de representativiteit van de studiepopulatie ...
Een t-waarde is het resultaat van een statistische toets. De waarde bevindt zich in de t-verdeling (of "studentenverdeling") die bij de vrijheidsgraad hoort. De locatie geeft aan hoe groot de kans is dat de t-waarde door toeval wordt verkregen.
Hoe vind ik de kritieke waarde van t in Excel? Je kunt de T.INV() functie gebruiken om de kritieke waarde van t te vinden voor eenzijdige toetsen in Excel. Voor tweezijdige toetsen gebruik je de T.
In de statistiek wordt hiermee bedoeld dat een gevonden resultaat (waarschijnlijk) niet op toeval berust. Bij het toetsen van significantie gaat men uit van de nulhypothese die stelt dat een gevonden associatie of verschil berust op toeval, met andere woorden dat er in werkelijkheid geen associatie of verschil bestaat.
Validiteit is de mate waarin je resultaten geldig zijn en overeenkomen met de werkelijkheid. De validiteit kan worden onderzocht door te bepalen of je daadwerkelijk hebt gemeten wat je wilde meten, bijvoorbeeld door kritisch te kijken naar je onderzoeksopzet en meetinstrumenten.
Om na te gaan of je onderzoek betrouwbaar en valide is, moet je nagaan of je met de onderzoeksmethoden hebt gemeten wat je wilde meten (dus je validiteit) en of wanneer je het onderzoek herhaalt dat je dezelfde resultaten behoudt (betrouwbaarheid).