Titel
Bayesian inference: wat is het, waarom is het nuttig voor jouw onderzoek en hoe kun je Bayesiaanse analyses uitvoeren?
Docent
Angelos Krypotos
Assistant Professor of Clinical Psychology at Utrecht University
Data
Vrijdag 13 en 27 maart 2026
Voorjaar 2028
Inhoud
Sinds 2010 wordt Bayesiaanse inference steeds populairder in de psychologie. Dit heeft vele redenen, zoals de vele voordelen van Bayesiaanse analyses ten opzichte van frequentistische statistieken, en de beschikbare software die het gemakkelijk maakt om dergelijke analyses uit te voeren. Ook konden Bayesiaanse statistieken onlogische bevindingen betwisten, zoals dat toekomstige gebeurtenissen het gedrag van mensen in het verleden kunnen beïnvloeden via magische krachten als ‘psi’ (Wagenmakers et al., 2011). Gegeven het feit dat de wetenschap van de kwantitatieve psychologie doorgaans gebruikmaakt van significantietesten op basis van nulhypothesen, is het van het allergrootste belang dat onderzoekers de voordelen en valkuilen van p-waarden begrijpen, en worden opgeleid in alternatieve manieren van gevolgtrekking. Hier zullen we ons concentreren op Bayesiaanse inference, voornamelijk door rekening te houden met Bayes-factors, maar ook met Bayesiaanse parameterschattingen. De structuur van de module is als volgt:
Historisch overzicht van frequentisten en Bayesiaanse inference
- Voordelen en beperkingen van statistische nul hypothese tests
- Basis van Bayesiaanse inference
- Bayes-factors
- Berekening van Bayes-factors met behulp van JASP voor t-toetsen, regressie en ANOVA's
- Bayesiaanse inference voor computationele modellering
- Rekenmodellen uitvoeren in R (en Python als er nog tijd is)
Aan het einde van de module zullen de studenten in staat zijn om: te begrijpen hoe ze p-waarden correct kunnen interpreteren binnen de Null-Hypothese Significance Testing, de voor- en nadelen van statistische inferentie te begrijpen, analyses uit te voeren in JASP en de resultaten te kunnen interpreteren, weten wat een computationeel model is, Bayesiaanse parameters schatten in R (en Python als er nog tijd is), en de uitkomsten interpreteren.
OpbouwDe module zal bestaan uit de hoofdcolleges en de praktijksessies. Tijdens de oefensessies zullen studenten verschillende analyses uitvoeren in JASP en R. Voor geen van deze programma's wordt voorkennis verondersteld. Huiswerk omvat het voltooien van opdrachten, waaronder het zelfstandig herhalen en interpreteren van de verschillende gepresenteerde analyses. Voor de module krijg je een set gegevens ter beschikking, maar je kunt ook met jouw eigen data werken.
Waarom of wanneer zou je deze module kunnen kiezen?Statistische analyses vormen een belangrijk onderdeel van elk project in de kwantitatieve psychologie. Gezien de toenemende interesse in Bayesiaanse inference is het van het allergrootste belang dat psychologen beter begrijpen hoe ze Bayesiaanse resultaten moeten begrijpen en voor welk soort vragen dergelijke analyses het meest geschikt zijn. Deze module is geschikt voor elk project waarin onderzoekers bewijs willen verzamelen voor de nulhypothese of willen begrijpen hoe Bayesiaanse inference werkt.
Referenties
Wagenmakers, E.-J., Wetzels, R., Borsboom, D., & van der Maas, H. L. J. (2011).
Why psychologists must change the way they analyze their data: The case of psi: Comment on Bem (2011).
Journal of Personality and Social Psychology, 100, 426-432