Correlatiecoëfficiënt R Met Rekenmachine T 84 Plus

Bereken de Pearson correlatiecoëfficiënt (r) tussen twee datasets met behulp van de TI-84 Plus methode

Complete Gids: Correlatiecoëfficiënt r Berekenen met TI-84 Plus

De correlatiecoëfficiënt (r) van Pearson meet de lineaire relatie tussen twee variabelen. Met een TI-84 Plus grafische rekenmachine kun je deze waarde snel en nauwkeurig berekenen – essentieel voor statistiek in psychologie, economie en natuurwetenschappen.

Wat is de Correlatiecoëfficiënt r?

De Pearson correlatiecoëfficiënt (r) is een maatstaf voor de lineaire relatie tussen twee continue variabelen. De waarde varieert tussen -1 en +1:

• r = 1: Perfecte positieve lineaire correlatie
• r = -1: Perfecte negatieve lineaire correlatie
• r = 0: Geen lineaire correlatie
• 0 < |r| < 0.3: Zwakke correlatie
• 0.3 ≤ |r| < 0.7: Matige correlatie
• |r| ≥ 0.7: Sterke correlatie

Stapsgewijze Handleiding voor TI-84 Plus

1. Data invoeren:
   • Druk op STAT → 1:Edit
   • Voer X-waarden in onder L1 en Y-waarden onder L2
   • Gebruik DEL om bestaande data te wissen
2. Correlatie berekenen:
   • Druk op 2nd → CATALOG (boven 0)
   • Scroll naar “DiagnosticOn” en druk op ENTER (2x)
   • Druk op STAT → CALC → 8:LinReg(a+bx)
   • Druk 3x op ENTER om de berekening uit te voeren
3. Resultaten interpreteren:
   • De r-waarde wordt weergegeven als “r=”
   • R² (coëfficiënt van determinatie) wordt ook getoond
   • Let op: r² geeft het percentage variantie in Y dat verklaard wordt door X

Praktisch Voorbeeld: Studietijd vs Examenscore

Stel we hebben de volgende data (studie-uren vs examenscore):

Student	Studie-uren (X)	Examenscore (Y)
1	5	82
2	7	88
3	4	76
4	9	91
5	6	85

Met de TI-84 Plus:

1. Voer X-waarden in L1: 5,7,4,9,6
2. Voer Y-waarden in L2: 82,88,76,91,85
3. Activeer DiagnosticOn
4. Voer LinReg(a+bx) uit
5. Resultaat: r ≈ 0.9486 (sterke positieve correlatie)

Belangrijke Statistische Concepten

Wetenschappelijke Bronnen

Volgens de National Institute of Standards and Technology (NIST), is de Pearson correlatiecoëfficiënt de meest gebruikte maatstaf voor lineaire associatie in kwantitatief onderzoek. De formule voor r is:

r = Σ[(x_i – x̄)(y_i – ȳ)] / √[Σ(x_i – x̄)² Σ(y_i – ȳ)²]

Waar x̄ en ȳ respectievelijk de gemiddelden van X en Y voorstellen.

Veelgemaakte Fouten en Oplossingen

Fout	Oorzaak	Oplossing
ERR:DIM MISMATCH	Ongelijk aantal X en Y waarden	Controleer of L1 en L2 evenveel items bevatten
Geen r-waarde zichtbaar	DiagnosticOn niet geactiveerd	Activeer DiagnosticOn via CATALOG
Verkeerde r-waarde	Data niet correct ingevoerd	Controleer elke waarde in L1 en L2
R² maar geen r	Oude OS-versie	Update je TI-84 Plus via TI Education

Geavanceerde Toepassingen

Met de TI-84 Plus kun je ook:

• Meervoudige regressie: Voor relaties tussen meerdere variabelen
• Residuals analyseren: Via STAT → CALC → 9:Residuals
• Voorspellingen doen: Met de verkregen regressievergelijking
• Correlatie testen: Via STAT → TESTS → E:LinRegTTest

Interpretatie van Resultaten

De American Psychological Association (APA) beveelt aan om bij het rapporteren van correlaties altijd aan te geven:

1. De exacte r-waarde (afgerond op 2 decimalen)
2. De steekproefgrootte (n)
3. De p-waarde of significantieniveau
4. Het betrouwbaarheidsinterval (indien relevant)

Bijvoorbeeld: “Er werd een sterke positieve correlatie gevonden tussen studietijd en examenscore, r(8) = .95, p < .01.”

Vergelijking met Andere Methoden

Methode	Toepassing	Voordelen	Beperkingen
Pearson r	Lineaire relaties tussen continue variabelen	Robuust, veel gebruikt, interpreteerbaar	Alleen lineair, gevoelig voor uitbijters
Spearman’s ρ	Monotone relaties, ordinale data	Non-parametrisch, werkt met rangordes	Minder krachtig dan Pearson voor lineaire data
Kendall’s τ	Kleine steekproeven, ordinale data	Goed voor kleine n, exacte p-waarden	Minder efficiënt voor grote datasets
TI-84 Plus	Snelle berekeningen, educatief gebruik	Draagbaar, visuele weergave, exacte waarden	Beperkte datasetgrootte, geen geavanceerde opties

Praktische Tips voor Onderzoek

• Steekproefgrootte: Minimaal 30 datapunten voor betrouwbare resultaten
• Normaliteit: Controleer of data normaal verdeeld is (via histogram)
• Lineair verband: Maak eerst een scatterplot om lineariteit te checken
• Uitbijters: Verwijder extreme waarden die de correlatie vertekenen
• Causaliteit: Onthoud: correlatie impliceert geen causaliteit!

Aanbevolen Leesmateriaal

Voor diepgaande kennis over correlatieanalyse:

• Laerd Statistics – Uitgebreide uitleg met voorbeelden
• Khan Academy – Gratis statistiekcursussen
• NIST Engineering Statistics Handbook – Officiële handleiding

Veelgestelde Vragen

Hoe weet ik of mijn correlatie significant is?

De significantie hangt af van:

1. De grootte van r
2. De steekproefgrootte (n)
3. Het gekozen significantieniveau (meestal α = 0.05)

Gebruik deze vuistregel voor α = 0.05:

n	Kritieke r-waarde (tweezijdig)
5	0.878
10	0.632
20	0.444
30	0.361
50	0.279
100	0.197

Is |r| groter dan de kritieke waarde voor jouw n? Dan is de correlatie significant.

Kan ik correlatie berekenen met categoriale data?

Nee, Pearson r vereist continue (interval/ratio) data. Voor categoriale data:

• Gebruik Cramer’s V voor nominale variabelen
• Gebruik Point-Biserial voor dichotome vs continue variabelen
• Gebruik ANOVA voor meerdere groepen

Wat als mijn data niet lineair is?

Opties voor niet-lineaire relaties:

1. Transformaties: Log, vierkantswortel, of inverse transformatie toepassen
2. Polynomiale regressie: Via TI-84: STAT → CALC → 6:QuadReg, 7:CubicReg
3. Spearman’s ρ: Voor monotone (niet-perfect lineaire) relaties
4. LOESS: Lokale regressie voor complexe patronen

Hoe rapporteer ik correlaties in APA-stijl?

Volg dit format:

Er werd een significante positieve correlatie gevonden tussen [variabele X] en [variabele Y], r(n – 2) = [r-waarde], p [< of >] [.05/.01], met een [zwakke/matige/sterke] effectgrootte volgens Cohen (1988).

Voorbeeld:

Er werd een significante positieve correlatie gevonden tussen studietijd en examenscore, r(43) = .78, p < .01, met een sterke effectgrootte volgens Cohen (1988).