uditing kan vervalste data onthullen, zoals aangetoond in de blootstelling van LaCour's frauduleuze Science paper. Tijdschriften zouden basis verificatie praktijken kunnen aannemen om data authenticiteit en wangedrag te voorkomen.

verwijderd studies met erg veel invloed en vullen het dan met de misscende info

om ontbrekende resultaten de detecteren ze onthullen niet de onderliggende effecten maar ze bevestigen meer dat er een publicatiebias is.

my side dus mijn favoriete overtuigingen.

catagorieeen

worden berekend met resiudal mean squares maar zijn niet onafhankelijk dus de type 1 fout wordt niet meteen gecorriceerd. als we spreken van onafhankelijk dan controleren we de type 1 meteen

een manier van analyseren waarbij je het effect van een onafhankelijke variable ziet op alle levels van een andere waardoor je de interacties kan ontleden en interpeteren dus het effect van een type gezicht op elk level van alchohol elke vergelijking geeft een f statisitiek om te kijken of er echt een verschil is.

in b zie je kloven vergelijkbaar met alle alcholniveaus en bij a echt een verschil opeens bij een hogere alchohol

het effect van een variable hangt af van het niveau van de andere

zonder een covariate wordt veel van de ruis niet uitlegd waardoor dezze een grote rol heeft en de groepsverschillen kleiner worden

ook een predicor

de variance die wel uitgelegd word dan verwijderd de ancova een deel van de treatment en dit leidt tot error

meet bijdrage nadat de effecten van andere factoren zijn verwijderd

het controleren voor de covariatie is het regressie onderdeel en het vergelijken van groepsgemiddelende het anova het corriceert groepsvergelijkingen voor de invloed van een covariaat zodat de effect zuiverder worden geschat. deze gecorriceerde groepsgemiddelende zonder de covariaat noem je adjusted means

als je covariates er bij in neemt

glm is het raamwerk waar bijn a alle standaard toetsen onder vallen zoals t testen anova regressie en anvoca

je kiest analyses die hier op aanslaan bij de selfserving bias

hoe p hacking tot stand komt

dit zegt de p dus helemaal neit true given the data p geeft dat het voorkomt uit kans

de covariate die gecontroleerd wordt is continious in een ancova

heel gemakkelijk om deze de schuld te geven.

als ze het in de limieten benoemne

de maten van verschillen verschillen voor correlatie of effectsize, 10 30 50 20 50 80. effectsizes stappen van 30 vanaf 20

dit is niet de betekenis van significant alleen dat de kans klein is dat het komt door kans

kan liberaren zijn in kleine steekproeven dus de neiging omteveel significante verschillen te vinden ook wanneer deze er niet zijn

conservatief betekend dat je voorzichtig bent met verweroen en dus streng bent op alpha

heeft een lage power dit is conservatief en is strikt op type 1

lsd is fisher en voert onbeperkte paarvergelijking zonder correctie hierdoor controleert het type 1 niet

doen aan correcties voor multiple testing

voordeel is dat je voordat je de data ziet een specifieke hypothese hebt wat leidt tot een hogere power omdat je het aantal testen beperkt en je hoeft minder correcties toe te passen

dus voor een quadratic waar 3 richtingsveranderingen inzitten moet je minimaal 3 groepen

zijn liniare combinaties van groepsgemiddelden die getest worden wanneer er een natuurlijke orde is van laag naar medium naar hoog. deze contrasten hebben minimaal 3 groepen nodig en er zijn vormen

cotrasten die wel afhankelijk zijn en hierdoor error verhogen je komt hieraan als je dezelfde groep meerdere keren gebruikt

betekend onafhankelijk, en geld voor gewicten welke worden toegewezen aan groepen om te bepalen op wat voor manier groepsgemiddelden worden vergeleken

hoe groot en zwaar het efefct is van groepsverschillen

dus bepaalde constraten, eerst word de contrast groep vergeleken met alle experimentele groepen en als je iets uit het conntrast haalt kan het niet terugkomen

ootstrapping is een statistische techniek die wordt gebruikt om de nauwkeurigheid van schattingen te beoordelen en betrouwbaarheidsintervallen te berekenen zonder aannames te maken over de verdeling van de data. Het is een herhalingsproces waarbij steekproeven worden genomen uit de oorspronkelijke dataset, met vervanging, om een groot aantal nieuwe steekproeven te genereren. Deze steekproeven worden vervolgens gebruikt om de variabiliteit van een statistiek te schatten.) opvallend het neemt herhaaldelijk een steekproef uit een sample met teruglegging wat betekend dat elke observatiie meerdere keren kan worden geslecteerd in een enkele steekproef het vereeist geen aanames over de verdeling van de data waardoor je het kan gebruiken als iets niet normaal verdeeld is.

want als er echt geen verschil is dus 0 heeft gelijk dan is f 1 dan weet je niet verwerpen dus dan maak je minder snel een false positive. het vergelijkt de verklaarde variatie en de onverklaarde variatie met elkaar

mean squeres vermindereen de afhankelijkheid van de grote van de aantal nummers op de totale optelsommen. Mean squares zijn een manier om de som van kwadraten te normaliseren door de vrijheidsgraden (degrees of freedom, df). Dit maakt het mogelijk om de variatie per eenheid te vergelijken, ongeacht de steekproefgrootte. dit zijn deze vormen mean square for the model, residuals en total. deze standaardiseren variatie zodat de variatie per eenheid kan worden vergeleden want de sommen zijn afhankelijk van n. mean of squares zijn dus onafhankelijk

hoeveel van de verschillende scores voorkomen door de verschillende behandelingscondities

verschil elk geobserveerd punt zowel goed als error en de grand mean vervolgens kwadradeer je dit. je moet het zien als een waargenomen datapunt min de mean en dit in het kwadraad

parameters bepalen de vorm van het model hoe groter de coefficienten hoe groter de afwijking tussen het nulmodel en het model

meerdere dummys als je meerdere groepsgemiddelden wil vergelijken

meer dan 2 means duid op anova

wat rapoteer je als het gaat om de repeated t/test. effectsize, mean differences, en de p waarde en confidence intervals

mean differences en wel de df moeten wel bij een normale t

echte verschillen zijn makkelijker te vinden in een repeated design omdat deze foutvariante verminder en zo de power toeneemt. de error verminderd omdat het corricceert voor individuele verschillen

als effect size groter is dan de confidence interval dan heeft er een nauwkirge schatting van het effect weergegeven

als 0 niet in het confidence interval is benoemd versterkt dit de conclsuie dat er een effect is

effect sizes geven hoeveel groepen verschillen en confidence intevals geven de range

zorgt voor nauwkeurigheid en consistentie als je twee steekproeven vergelijkt waarvan de sample size verschilt

populatiegemiddelen onder de ho dus deze zijn vaak 0

observed difference is het verschil tussen de steekproef gemiddelen. deze steekproeven hebben we namelijk geobserveerd. het verwachte verschil si het verschil tussen populatiegemiddelden

wanneer de geobserveerde verschillen in gemiddelen groter zijn dan de standaard error dan kan er of geen effect zijn of wel omdat het twee verschillende populaties zijn. dit zijn de twee opties maar stel het verschil tussen de geobserveerde verschillen en de se is heel groot dan is de kans dat het om t2 gaat veel groter

dit komt omdat je niet met de volledige variable werkt dus gebruik je minder informatie en heb je minder power