Hoofdstuk 12 T-test

12.1 Intro

Om het verschil tussen de twee onafhankelijke groepen te toetsen wordt de t-test gebruikt (independent samples t-test). Om een verschil in gemiddelden tussen twee variabelen te testen wordt de gepaarde t-test gebruikt (paired samples t-test).

12.1.1 Voorbeeld data

Voor dit voorbeeld zullen we de statistiekangst dataset gebruiken. Deze dataset staat beschreven in het hoofdstuk Datasets.

12.2 jamovi

Voor het vergelijken van twee groepen kies in het tabblad “Analyses” de “T-tests”. Kies de Independent Samples T-Test. Sleep de afhankelijke variabele, in dit geval de toename (of afname) van de statistiekangst (dif_Angst) naar het blok Dependent Variables en de variable Cursus naar de Grouping Variable Vervolgens kun je bij “Additional Statistics” ook “Effect Size” aanklikken, zie het hoofdstuk over Cohen’s d (13) voor meer informatie. De test die standaard is aangevinkt in jamovi is Student’s t. Deze test gaat ervan uit dat de varianties van de groepen aan elkaar gelijk zijn. Om een analyse te doen waarbij je deze assumptie niet maakt, kun je Welch’s t aanvinken. Je kunt ze ook allebei aanvinken, zo kun je zien wat het verschil is.

De onderliggende R-code voor een Student’s t-test ziet er zo uit:

jmv::ttestIS(
    formula = dif_Angst ~ Cursus,
    data = data,
    vars = dif_Angst,
    effectSize = TRUE)

Het toevoegen van Cohen’s d aan de berekening van een t-test is vrij gemakkelijk. Je hoeft alleen een extra regel toe te voegen met effectSize = TRUE.

Voor het vergelijken van twee variabelen kies je in het tabblad “Analyses” de “T-tests”. Kies vervolgens de Paired Samples T-Test. Sleep de twee afhankelijke variabelen, die je wil vergelijken, in dit geval de statistiekangst voor en na de interventie (Angst1 en Angst2) naar het blok Paired Variables. Je kan ook de Effects size optie met het betrouwbaarheidsinterval aanvinken.

De onderliggende R-code ziet er zo uit:

jmv::ttestPS(
    data = data,
    pairs = list(
        list(
            i1="Angst1",
            i2="Angst2")),
    effectSize = TRUE,
    ciES = TRUE)

12.3 R

In R zijn er diverse packages waarmee je een t-test voor onafhankelijke groepen uit kunt rekenen. Om het verschil in de toename of afname in statistiekangst te toetsen tussen beide cursussen in basis R:

t.test(statistiekangst$dif_Angst ~ statistiekangst$Cursus)

Hierbij wordt er standaard vanuit gegaan dat de varianties ongelijk zijn.

In het rosetta package kan de volgende functie worden gebruikt:

rosetta::meanDiff(statistiekangst$dif_Angst ~ statistiekangst$Cursus, var.equal = "no")

Hierbij is nu aangegeven met de optie var.equal = "no" dat de varianties in beide groepen niet gelijk is. Dit is beter, maar als je zeker weet dat de varianties wel gelijk zijn, dan kun je deze parameter wijzigen naar "yes".

De gepaarde t-test kan in basis R simpelweg met dezelfde functie worden uitgevoerd als de onafhankelijke t-test, met de extra parameter paired = TRUE:

t.test(statistiekangst$Angst1, statistiekangst$Angst2, paired = TRUE)

12.4 SPSS

De syntax in SPSS voor de onafhankelijke t-test is als volgt.

T-TEST 
    /VARIABLES = dif_Angst
    /GROUPS = Cursus(1,2).

SPSS geeft je bij een t-test niet de mogelijkheid om te kiezen of de varianties gelijk of ongelijk zijn. In plaats daarvan krijg je altijd allebei de opties in één tabel. Je kunt in de output zien dat de eerste regel ervan uitgaat dat de varianties gelijk zijn, en de tweede regel ongelijk.

Voor de gepaarde t-test kent SPSS de volgende syntax.

T-TEST PAIRS = Angst1 WITH Angst2.

12.5 APA style report

Voor het rapporteren van een t-test zijn standaarden opgesteld. Hier worden de APA-7 regels toegepast. Bij het uitvoeren van een t-test is het gebruikelijk om ook de effectmaat Cohen’s d te rapporteren. Meer informatie hierover vind je in het hoofdstuk Cohen’s d (13). Enkele voorbeelden van het rapporteren van de resultaten staan hieronder:

Ouderen hadden significant meer last van eenzaamheid dan jongeren, t(32) = 2.94, p = .006, d = 0.76, 95% CI [0.46, 1.06].

De 25 participanten in de experimentele conditie (M = 480, SD = 34.5) hadden in vergelijking met de 28 participanten in de controlegroep (M = 425, SD = 31) een significant betere score op de test, t(51) = 2.1, p = .04, d = 0.34, 95% CI [.05, .63].