De datasets

waar ze vandaan komen, en wat elke kolom betekent

Waarvoor deze pagina is: hier staat per databestand waar het vandaan komt en wat elke kolom precies betekent — met de eenheid erbij, wat erin staat, en hoeveel er ontbreekt. Geen les, naslag. Hij staat achteraan omdat je hem niet vooraf hoeft te lezen; je slaat hem open op het moment dat je in een oefening denkt: wácht, wat is dat eigenlijk? Vanuit elke oefening loopt er een pijltje hierheen, in de strook met data bovenaan.

Het zijn er acht, samen 60 kolommen. Zoek je er één op: de inhoudsopgave hiernaast noemt elk bestand bij naam, en elke kolom staat letterlijk zo geschreven als in het bestand — dus zoeken op snaveldiepte werkt.

In elke tabel staat bij wat erin staat het laagste en het hoogste getal dat erin voorkomt, of bij een woordkolom alle waarden met hoe vaak ze voorkomen — ja (74) betekent dus: het woord ja, 74 keer. Ontbreekt telt de lege plekken. Die getallen zijn niet ingetypt maar bij het bouwen van deze bladzij uit de bestanden zelf gehaald, zodat er nooit 342 kan staan als het bestand allang iets anders zegt. Wat wél met de hand geschreven is, is de betekenis — dát een kolom snaveldiepte heet zegt de data, maar dat het de hóógte van de snavel is en niet de breedte, moet iemand je vertellen.

Belangrijkid is geen meting — en één keer liegt hij hard

Twee bestanden hier hebben een kolom id: penguins.csv en bigfive.csv. In allebei is dat het rijnummer — de eerste rij heet 1, de tweede 2, tot de laatste. Er is niets aan gemeten. Niemand heeft een pinguïn opgetild en er een 137 uit afgelezen.

Dat lijkt onschuldig, en dat is het niet. Gooi je alle getalkolommen van de pinguïns in één correlatiematrix — de tabel die elke kolom met elke andere vergelijkt — dan komt hier uit:

De samenhang tussen id en snavellengte is r = .77.

Zet dat eens naast de metingen die er wél toe doen. Er zijn vier échte maten in dit bestand, en die kun je op zes manieren twee aan twee vergelijken. Van die zes samenhangen is er maar één sterker dan deze — die tussen vinlengte en gewicht (r = .87). Een rijnummer verslaat dus bijna alles wat we echt hebben opgemeten.

En toch zijn de pinguïns niet per rijnummer langer van snavel geworden. Wat er gebeurd is: de drie soorten staan in het bestand in blokken achter elkaar, want ze zijn per soort geteld en zo achter elkaar geplakt. En die soorten verschillen in snavellengte:

soort rijnummers dieren gemiddelde snavellengte r tussen id en snavellengte binnen die soort
Adelie 1 tot 151 151 38.79 mm .01
Gentoo 152 tot 274 123 47.50 mm .21
Chinstrap 275 tot 342 68 48.83 mm .02

Binnen één soort doet id dus vrijwel niets. Het is de soort die samenhangt met de snavel, en id telt de soorten alleen maar af. Dat is precies dezelfde derde speler als in de oefening over correlatie en de scatterplot, waar de soort zich vermomt als een verband tussen snavellengte en snaveldiepte. Hier vermomt hij zich als het rijnummer.

En om te laten zien dat de regel niet “id is stiekem sterk” is: in bigfive.csv staat net zo’n rijnummer, en daar is de grootste samenhang met welk item dan ook r = .05. Ongeveer niets — dat bestand is toevallig niet op iets gesorteerd.

Wat je eraan hebt: een kolom die alleen maar telt, hoort niet in een analyse. Of hij liegt hangt af van de volgorde waarin het bestand staat — en die volgorde zie je niet aan het getal.

En let op wat hier níét staat. Verderop kom je D, DxG, mooi en laag_geboortegewicht tegen. Ook dat zijn geen nieuwe metingen maar omgerekende kolommen, en bij elk staat dat erbij — maar dat is géén verbod. DxG hoort júíst in een analyse thuis; daar is hij voor gemaakt. Het verschil met id is dat je bij een omgerekende kolom wéét waar hij vandaan komt, en hem dus niet naast zijn eigen bron in hetzelfde model zet.

diamantjes.csv — de twaalf steentjes uit het boek

⬇ Download — diamantjes.csv

Deze twaalf zijn van ons. Ze komen niet uit een archief maar uit het boek zelf: Anna tot en met Leen zijn de steentjes waarmee Boekie het hele verhaal vertelt, van het gemiddelde in hoofdstuk 1 tot de kraai in hoofdstuk 12. Zo weinig rijen dat je ze in één oogopslag overziet, met net genoeg kolommen om alles op te oefenen — en klein genoeg om elk getal met de hand na te rekenen als je het niet gelooft.

Eén ding is er met opzet aan gedraaid, en dat hoor je te weten als je ooit een oudere uitdraai tegenkomt: op 9 augustus 2026 is bij elk steentje 0.6 karaat opgeteld. Daarvóór was het gemiddelde precies 1.00 en nu is het 1.60.

Waarom dat gedaan is — je kunt dit gerust overslaan tot je bij hoofdstuk 4 bent. Verderop leer je centreren: van elke waarde het gemiddelde aftrekken, zodat de nul op het gemiddelde komt te liggen. Met een gemiddelde van precies 1.00 is dat hetzelfde als 1 aftrekken, en dan zie je niet gebeuren wat er gebeurt. Er zit nog een tweede winst aan. De regressielijn heeft een startpunt: wat hij voorspelt bij nul karaat. Met deze getallen is dat een negatieve glans — en een steen van nul karaat bestaat niet, dus dat startpunt slaat nergens op. Geen adres waar niemand woont, maar een adres dat niet bestáát. Precies de reden om te centreren, en veel makkelijker uit te leggen als je het ziet gebeuren. Zo’n verschuiving raakt trouwens alléén dat startpunt: de helling, r, R² en p blijven exact hetzelfde.

Eén rij is één diamantje. Het bestand heeft er 12, met 9 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
naam De naam van het steentje, twaalf namen op alfabet. — Anna (1) · Bram (1) · Cees (1) · Dora (1) · Else (1) · Faas (1) · Geer (1) · Hans (1) · Ida (1) · Joop (1) · Kees (1) · Leen (1) geen
karaat Het gewicht van het steentje. karaat (1 karaat = 0.2 gram) van 1.0 tot 2.1 geen
glans Hoe fel het steentje glanst, op een schaal van 0 tot 100. punten van 20 tot 80 geen
gladheid Hoe goed het geslepen is, van ruw tot spiegelglad, op een schaal van 0 tot 10. punten van 1 tot 8 geen
merk Het merkje van de slijperij dat in de steen staat. — golfje (6) · sterretje (6) geen
D Hetzelfde als merk, maar als getal: 1 voor een sterretje, 0 voor een golfje. Geen tweede meting — een omcodering van de kolom ernaast. 0 / 1 van 0 tot 1 geen
DxG D × gladheid, het product van die twee kolommen. Ook geen meting maar een uitgerekende kolom; hij ligt klaar voor de moderatie-oefening. 0 / 1 × punten van 0 tot 8 geen
gepakt Pakte de kraai dit steentje die nacht op? 1 is ja. 0 / 1 van 0 tot 1 geen
mooi 1 als de glans boven de 50 ligt. Geen enkele oefening gebruikt deze kolom nog; hij staat er uit een eerdere versie van het werkboek. 0 / 1 van 0 tot 1 geen

penguins.csv — pinguïns bij Antarctica

⬇ Download — penguins.csv

Tussen 2007 en 2009 liep bioloog Kristen Gorman met haar collega’s over drie eilandjes van de Palmer-archipel, vlak bij het Amerikaanse onderzoeksstation op Antarctica. Ze zochten nesten van drie pinguïnsoorten — Adélie, Gentoo en Chinstrap (de stormbandpinguïn, met dat zwarte streepje onder zijn kin) — en van elk beest dat ze te pakken kregen noteerden ze de snavel, de vin en het gewicht. De vraag onder dat werk ging niet over ons: ze wilden weten hoe mannetjes en vrouwtjes van dezelfde soort in maat verschillen, en hoe dat samenhangt met wat er in zee te eten valt.

Het is echt veldwerk, en dat zie je terug. De bron telt 344 dieren; bij twee daarvan is een van de maten niet gelukt, en die hebben wij eruit gelaten. Bij negen van de overgebleven dieren is de sekse nooit vastgesteld — die staan er wél in, met dat ene veld leeg. De metingen zijn vrij beschikbaar (CC0).

De snavel in profiel: lengte loopt van voor naar achter, diepte is de hoogte van boven naar onder.

Eén rij is één pinguïn, één keer opgetild en opgemeten. Het bestand heeft er 342, met 7 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
id Het rijnummer, meer niet — zie de waarschuwing hierboven. Géén meting aan een pinguïn. — van 1 tot 342 geen
soort De pinguïnsoort. — Adelie (151) · Gentoo (123) · Chinstrap (68) geen
sekse Zoals de onderzoekers het in het veld opschreven, in het Engels. Bij een aantal dieren is het niet vastgesteld en blijft het veld leeg. — male (168) · female (165) 9
snavellengte De lengte van de snavel, van waar hij begint tot de punt. millimeter van 32.1 tot 59.6 geen
snaveldiepte De hoogte van de snavel, niet de breedte: hoe hoog het profiel is van boven naar onder. Zie het tekeningetje hierboven. millimeter van 13.1 tot 21.5 geen
vinlengte De lengte van de flipper, de vleugel waarmee een pinguïn zwemt. millimeter van 172 tot 231 geen
gewicht Wat het hele beest weegt. gram van 2700 tot 6300 geen

luchtkwaliteit.csv — een zomer boven New York

⬇ Download — luchtkwaliteit.csv

Van 1 mei tot en met 30 september 1973 werd er elke dag boven New York gemeten. Het ozon komt van de New York State Department of Conservation, die tussen één en drie uur ’s middags op Roosevelt Island mat; de weergegevens komen van de National Weather Service. En let op: elk getal komt van een ándere plek in de stad. De zon is gemeten in Central Park, de wind en de temperatuur op vliegveld LaGuardia. Dat is geen slordigheid maar de gewone gang van zaken bij luchtmetingen — en het is meteen een goede reden om voorzichtig te zijn met “de temperatuur van die dag”.

Ozon op straatniveau is het spul waar smog van komt, en het ontstaat als zonlicht op uitlaatgassen inwerkt — dus je verwacht meer ozon op warme, zonnige, windstille dagen. De bron telt 153 dagen; op een deel daarvan mislukte de ozonmeting. Wij hebben de dagen overgehouden waarop die wél lukte — en ook binnen die dagen ontbreekt de zonnestraling er nog vijf keer. Dat hoort erbij: een meetreeks met gaten is de normale toestand, geen fout.

Eén rij is één dag. Het bestand heeft er 116, met 5 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
ozon De gemiddelde hoeveelheid ozon in de lucht, tussen 13:00 en 15:00 uur. ppb (delen per miljard) van 1 tot 168 geen
zon Hoeveel zonnestraling er die ochtend tussen 08:00 en 12:00 op de grond viel. Op een paar dagen is dit niet gemeten. langley van 7 tot 334 5
temp_F De hoogste temperatuur van die dag. In graden Fahrenheit, niet Celsius: de koudste dag hier is 57 °F, oftewel 13.9 °C, en de warmste 97 °F, oftewel 36.1 °C. graden Fahrenheit van 57 tot 97 geen
wind De gemiddelde windsnelheid, gemeten om 07:00 en om 10:00 uur. mijl per uur van 2.3 tot 20.7 geen
maand In welke maand de dag viel: 5 is mei, 9 is september. maandnummer van 5 tot 9 geen

plantgroei.csv — dertig plantjes, drie potjes voer

⬇ Download — plantgroei.csv

Een klein en oud kweekexperiment, bekend geworden doordat statisticus Annette Dobson het in 1983 als schoolvoorbeeld in haar boek zette. Even veel plantjes als potten, en per pot één plant: tien kregen gewoon water, tien het ene voer, tien het andere. Aan het eind werden ze alle dertig geknipt, gedroogd en gewogen. Gedroogd, want nat gewicht is vooral water, en water zegt niets over groeien.

Eén eerlijkheidje: de bron noemt zelf geen eenheid bij dat gewicht — er staat alleen dried weight. Wij lezen het als grammen, en dat doen de oefeningen ook, maar dat is onze lezing en niet iets wat in de bron staat.

Eén rij is één plant. Het bestand heeft er 30, met 2 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
groep Welk voer deze plant kreeg: controle is gewoon water, de andere twee zijn de twee soorten voer. — behandeling1 (10) · behandeling2 (10) · controle (10) geen
gewicht Wat de plant droog woog toen hij geoogst werd. gram (zie de kanttekening hierboven) van 3.59 tot 6.31 geen

bigfive.csv — 25 vragen over jezelf

⬇ Download — bigfive.csv

Uit een groot online persoonlijkheidsonderzoek dat psycholoog William Revelle vanaf 2010 draaide (het SAPA-project). Deelnemers kregen uitspraken over zichzelf voorgelegd en gaven per uitspraak aan hoe goed die op hen sloeg, op een schaal van 1 (heel onnauwkeurig) tot 6 (heel nauwkeurig). De uitspraken zelf komen uit de International Personality Item Pool, een vrij te gebruiken verzameling persoonlijkheidsvragen.

Twee woorden uit de bronbeschrijving die je moet meenemen: zelfrapportage en online. Niemand heeft deze mensen gesproken, gemeten of nagevraagd. Ze kwamen op een website terecht, vulden in wat ze van zichzelf vonden, en gingen weer weg. Wie er meedeed heeft zichzelf uitgekozen; wat er staat is wat iemand over zichzelf opschreef. Dat is geen reden om het bestand weg te leggen — het is de manier waarop een groot deel van het persoonlijkheidsonderzoek aan zijn data komt — maar het is wél de reden dat er dingen in staan die niet kúnnen. Eén daarvan staat hieronder, en die is het bewaren waard.

De bron heeft 25 uitspraken en 2800 mensen, en die 25 horen bij vijf trekken van vijf uitspraken elk: vriendelijkheid (A1–A5), nauwgezetheid (C1–C5), extraversie (E1–E5), neuroticisme (N1–N5) en openheid (O1–O5). Ze staan er alle 25 in, met de leeftijd, de sekse en het opleidingsniveau erbij.

Wij houden 2634 van de 2800 mensen over: iedereen die alle tien de neuroticisme- en openheid-uitspraken beantwoordde. Dat is een keuze uit een eerdere versie van dit bestand, en hij is met opzet blijven staan, zodat de oefeningen die er al op rekenen hun getallen houden.

Op de andere kolommen mist dus hier en daar een antwoord — hoeveel precies staat per kolom in de kolom ontbreekt hieronder. Reken je een trek uit, laat die mensen er dan uit vallen. Dus wél rowMeans(...) en niet rowMeans(..., na.rm = TRUE): dat laatste middelt over de vragen die iemand tóévallig wel invulde, zodat wie er één van de vijf beantwoordde een schaalscore uit één vraag krijgt — en in de kolom ziet die er precies zo uit als alle andere.

Zeven van de 25 uitspraken staan omgekeerd. «Ik praat niet veel» hoort bij extraversie, maar wie het eens is met die zin is juist mínder extravert. In de tabel hieronder staat bij elk zo’n item een waarschuwing. Middel je de vijf uitspraken van een trek zonder ze eerst om te keren, dan tel je twee richtingen bij elkaar op en meet je iets anders dan je denkt — hoe hard dat aankomt zie je in de oefening over Cronbachs alfa. De neuroticisme-uitspraken zijn de enige vijf die allemaal dezelfde kant op staan.

Omkeren doe je door de score van 7 af te trekken — de twee uiteinden van de schaal bij elkaar opgeteld. Wie een 2 invulde bij «Ik praat niet veel», krijgt na het omkeren een 5.

De uitspraken staan hieronder in het Nederlands, met het Engelse origineel erachter — dat laatste omdat het echt zo is voorgelegd, en de vertaling van ons is.

BelangrijkEén rij hier kán niet — en je vindt hem alleen door twee kolommen naast elkaar te leggen

De leeftijden lopen van 3 tot 86. Die 3 is raar. Maar hij is niet onmogelijk: iemand kan zich vertypen, of een grapje maken. Kijk je alleen naar de leeftijden, dan zie je een vreemd getal en verder niets — en je hebt geen enkele grond om er iets mee te doen.

Kijk nu naar de kolom ernaast. Diezelfde deelnemer vinkt het hoogste opleidingsniveau aan: hogere opleiding afgemaakt en daarna nog doorgestudeerd. Een kind van 3 met een universitaire graad. Dát kan niet.

Let op wat er zojuist gebeurde. In leeftijd staat een vreemde waarde; in opleiding staat een volstrekt gewone (er zijn er honderden met dezelfde). Geen van beide kolommen valt op als je hem in zijn eentje bekijkt. De fout zit niet in een kolom maar tussen twee kolommen, en die kun je per definitie niet vinden door kolommen één voor één na te lopen. Dat is de handeling die je hier leert: leg er twee naast elkaar en vraag je af of die combinatie kan bestaan.

Hoe zeldzaam dat is, in dit bestand: van de 231 deelnemers onder de achttien geeft er precies één een opleiding op die je vóór je achttiende niet af kunt hebben. Dat is deze.

En de rest van de jonge mensen blijft ook staan. Er zitten 26 twaalfjarigen in dit bestand en 59 zestienjarigen. Die zijn echt: dat is precies wie er op een website een persoonlijkheidstest invult. Een leeftijdsgrens trekken omdat de laagste waarde niet deugt, zou 231 mensen kosten om één rij op te ruimen.

En daarom staat die ene rij er nog in. Wij hebben hem niet weggehaald. Wie hem eruit wil, mag dat — maar dan wel met de reden erbij, want dat is precies wat een onderzoeker hoort op te schrijven.

Waar deze rij níét voor deugt — je kunt dit overslaan tot je bij de assumpties bent. Hij lijkt op een schoolvoorbeeld van een punt dat de regressielijn scheeftrekt, en dat is hij niet. Nagerekend op neuroticisme ~ leeftijd: mét deze deelnemer is de helling −0.011920, zonder hem −0.011893. Dat scheelt 0.2 procent, en dat zie je in geen enkele uitdraai terug.

Dat komt niet doordat hij gewoon is. Hij ligt juist ver weg: zijn leeftijd is de laagste van allemaal. Op de maat die dát meet — leverage, hoe ver een waarneming op de x-as van de rest af ligt — haalt hij 0.0024, en dat is meer dan de 0.0023 waarboven leverage meestal opvallend heet. Hij is dus wel degelijk een leverage-punt, en hij is er niet eens de enige: 92 deelnemers halen die grens.

Maar ver liggen is niet hetzelfde als trékken. Zijn neuroticisme-score is 3.8 en de lijn voorspelt 3.5 voor hem — hij zit vrijwel precies waar de lijn hem verwacht, en aan een punt dat op de lijn ligt valt niets te verzetten. De maat die die twee dingen samenneemt is Cooks D: ver op de x-as én ver van de lijn. Die is hier 0.000095, waar de vuistregel pas bij 1 gaat piepen.

De les bestaat dus uit twee stukken, en ze worden vaak door elkaar gehaald. Ver op de x-as (leverage) en de lijn verzetten (invloed) zijn niet hetzelfde; het eerste is een voorwaarde voor het tweede en geen bewijs ervan. En een punt weegt sowieso naar rato van hoe weinig punten er verder zijn: bij 2634 waarnemingen is dat aandeel piepklein, hoe gek de waarneming zelf ook is. Wil je zien wat één punt met een lijn kán doen, dan heb je een klein bestand nodig — daar zijn de twaalf diamantjes voor. Deze rij hoort bij het nakijken van je data, vóór je gaat rekenen.

Eén rij is één ingevulde vragenlijst, dus één persoon. Het bestand heeft er 2634, met 29 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
id Het rijnummer, meer niet. Géén meting aan een persoon — zie de waarschuwing hierboven. — van 1 tot 2634 geen
leeftijd Hoe oud deze deelnemer zegt te zijn. Lees eerst de waarschuwing hierboven voor je met deze kolom gaat rekenen. jaren van 3 tot 86 geen
sekse Man of vrouw, zoals de deelnemer het zelf aanvinkte. De bron gaf hier alleen deze twee keuzes. — vrouw (1759) · man (875) geen
opleiding Hoe ver deze deelnemer gekomen is, als trede: 1 middelbare school niet afgemaakt · 2 middelbare school afgemaakt · 3 een deel van een hogere opleiding · 4 hogere opleiding afgemaakt · 5 daarna nog doorgestudeerd. Het staat er als getal omdat de treden een volgorde hebben, en dat is precies wat losse woorden kwijtraken. Let op: wil je de vijf groepen vergelijken, dan moet je er eerst een groepsvariabele van maken — in R is dat factor(opleiding). Zet je het kale getal in een model, dan neem je aan dat elke trede even groot is, en dat is een aanname en geen gegeven. trede 1 t/m 5 van 1 tot 5 209
A1 «Ik trek me weinig aan van wat anderen voelen.» Am indifferent to the feelings of others — omgekeerd gesteld: wie hier hoog scoort, is juist mínder vriendelijk. schaalpunt van 1 tot 6 11
A2 «Ik vraag hoe het met anderen gaat.» Inquire about others’ well-being schaalpunt van 1 tot 6 20
A3 «Ik weet hoe ik iemand moet troosten.» Know how to comfort others schaalpunt van 1 tot 6 18
A4 «Ik houd van kinderen.» Love children schaalpunt van 1 tot 6 11
A5 «Ik stel mensen op hun gemak.» Make people feel at ease schaalpunt van 1 tot 6 14
C1 «Ik ben nauwgezet in mijn werk.» Am exacting in my work schaalpunt van 1 tot 6 18
C2 «Ik ga door tot alles klopt.» Continue until everything is perfect schaalpunt van 1 tot 6 15
C3 «Ik doe dingen volgens een plan.» Do things according to a plan schaalpunt van 1 tot 6 13
C4 «Ik doe dingen half.» Do things in a half-way manner — omgekeerd gesteld: wie hier hoog scoort, is juist mínder nauwgezet. schaalpunt van 1 tot 6 16
C5 «Ik verdoe mijn tijd.» Waste my time — omgekeerd gesteld: wie hier hoog scoort, is juist mínder nauwgezet. schaalpunt van 1 tot 6 12
E1 «Ik praat niet veel.» Don’t talk a lot — omgekeerd gesteld: wie hier hoog scoort, is juist mínder extravert. schaalpunt van 1 tot 6 17
E2 «Ik vind het moeilijk om op mensen af te stappen.» Find it difficult to approach others — omgekeerd gesteld: wie hier hoog scoort, is juist mínder extravert. schaalpunt van 1 tot 6 11
E3 «Ik weet mensen te boeien.» Know how to captivate people schaalpunt van 1 tot 6 17
E4 «Ik maak makkelijk vrienden.» Make friends easily schaalpunt van 1 tot 6 8
E5 «Ik neem de leiding.» Take charge schaalpunt van 1 tot 6 18
N1 «Ik word snel boos.» Get angry easily schaalpunt van 1 tot 6 geen
N2 «Ik raak snel geïrriteerd.» Get irritated easily schaalpunt van 1 tot 6 geen
N3 «Mijn stemming wisselt vaak.» Have frequent mood swings schaalpunt van 1 tot 6 geen
N4 «Ik voel me vaak somber.» Often feel blue schaalpunt van 1 tot 6 geen
N5 «Ik raak snel in paniek.» Panic easily schaalpunt van 1 tot 6 geen
O1 «Ik zit vol ideeën.» Am full of ideas schaalpunt van 1 tot 6 geen
O2 «Ik vermijd moeilijk leesvoer.» Avoid difficult reading material — omgekeerd gesteld: wie hier hoog scoort, is juist mínder open. schaalpunt van 1 tot 6 geen
O3 «Ik til een gesprek naar een hoger niveau.» Carry the conversation to a higher level schaalpunt van 1 tot 6 geen
O4 «Ik denk graag ergens over na.» Spend time reflecting on things schaalpunt van 1 tot 6 geen
O5 «Ik graaf niet diep in een onderwerp.» Will not probe deeply into a subject — omgekeerd gesteld: wie hier hoog scoort, is juist mínder open. schaalpunt van 1 tot 6 geen

slaap_middelen.csv — twee slaapmiddelen, 1905

⬇ Download — slaap_middelen.csv

Het oudste bestand op deze bladzij, en misschien wel het beroemdste. In 1905 gaven de farmacologen Arthur Cushny en Alvin Peebles tien patiënten twee verschillende slaapmiddelen, elk op een andere nacht, en noteerden hoeveel uur extra die persoon ervan sliep vergeleken met een nacht zonder middel. Drie jaar later gebruikte William Gosset — die publiceerde onder de schuilnaam Student, omdat zijn werkgever de brouwerij Guinness hem zijn eigen naam verbood — precies deze tien paren om zijn t-verdeling te demonstreren. De t-toets die je in dit werkboek leert, is hier geboren.

Let op wat een rij ís, want daar gaat het bij deze data om: geen twee groepen mensen, maar tien mensen die allebei de middelen kregen. Middel A en middel B op dezelfde regel horen bij dezelfde persoon. Precies daarom mag je hier de paren vergelijken in plaats van twee losse hopen — en precies daarom staat dit bestand naast de pinguïns in de oefening over de t-toets.

Eén rij is één persoon, die béíde middelen kreeg. Het bestand heeft er 10, met 3 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
id Het volgnummer van de persoon. Ook dit is geen meting; zie de waarschuwing bovenaan. — van 1 tot 10 geen
slaap_middelA Hoeveel uur extra deze persoon sliep van middel A, vergeleken met een nacht zonder middel. Een negatief getal betekent dus: minder geslapen dan zonder. uur van −1.6 tot 3.7 geen
slaap_middelB Hetzelfde, maar voor middel B — bij dezelfde persoon. uur van −0.1 tot 5.5 geen

geboortegewicht.csv — geboortes in een Amerikaans ziekenhuis

⬇ Download — geboortegewicht.csv

Verzameld in 1986 in het Baystate Medical Center in Springfield, Massachusetts, en bekend geworden doordat David Hosmer en Stanley Lemeshow het in 1989 tot het voorbeeld van hun handboek over logistische regressie maakten. De onderzoeksvraag was welke omstandigheden rond een zwangerschap samengaan met een te licht kindje.

De bron heeft tien kolommen — leeftijd van de moeder, haar gewicht, eerdere vroeggeboortes, bloeddruk, doktersbezoeken. Wij houden er drie over, want de oefening gaat over één vraag: hangt roken samen met een laag geboortegewicht? Wil je zelf meer kolommen, dan staat de volledige versie in het R-pakket MASS onder de naam birthwt.

Eén rij is één geboorte. Het bestand heeft er 189, met 3 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
roken Rookte de moeder tijdens de zwangerschap? — nee (115) · ja (74) geen
laag_geboortegewicht Woog de baby minder dan 2500 gram? Dit is géén aparte meting: het is de kolom hiernaast, in twee hokjes geknipt op die grens. Wie beide kolommen in één analyse stopt, laat een variabele tegen zichzelf uitkomen. — nee (130) · ja (59) geen
gewicht_gram Wat de baby bij de geboorte woog. gram van 709 tot 4990 geen

titanic.csv — wie de nacht van 15 april 1912 overleefde

⬇ Download — titanic.csv

Na de ramp stelde de Britse Board of Trade een onderzoek in en telde wie er aan boord was en wie het gehaald had. Die telling — later opnieuw uitgegeven en in 1995 door Robert Dawson voor het onderwijs beschikbaar gemaakt — is de bron van dit bestand.

Twee dingen om te weten. Het eerste: de bron is géén lijst met namen maar een telling, een tabel met aantallen per hokje. Wij hebben die tabel weer uitgeklapt tot één rij per opvarende, zodat je er gewoon een kruistabel van kunt maken. Je krijgt dus wel het juiste aantal mensen, maar er zit geen enkel persoon met een gezicht in. Het tweede: de bronnen zijn het onderling niet eens over de precieze aantallen aan boord en gered. Dit is één telling, niet dé waarheid — en dat is bij historische data eerder regel dan uitzondering.

Eén rij is één opvarende. Het bestand heeft er 2201, met 2 kolommen.

kolom wat het is eenheid wat erin staat ontbreekt
klasse In welke klasse iemand voer, in het Engels zoals de bron het schrijft: 1st, 2nd en 3rd zijn de eerste, tweede en derde klasse, Crew is de bemanning. — Crew (885) · 3rd (706) · 1st (325) · 2nd (285) geen
overleefd Heeft deze opvarende het overleefd? — nee (1490) · ja (711) geen

Waar ze vandaan komen — de bronnen op een rij

Wil je zelf verder graven, of moet je een dataset in een verslag verantwoorden, dan zijn dit de vindplaatsen.

De verwijzingen staan in APA-vorm, want dit is precies een lijstje waar iemand uit overtikt. Bij een artikel staat alleen de tijdschriftnaam met zijn jaargangnummer schuin — de titel van het artikel niet.

bestand oorspronkelijke bron
diamantjes.csv Geen literatuurbron: Bens eigen twaalf steentjes uit De regressieve ruggengraat.
penguins.csv Gorman, K. B., Williams, T. D., & Fraser, W. R. (2014). Ecological sexual dimorphism and environmental variability within a community of Antarctic penguins (genus Pygoscelis). PLoS ONE, 9(3), e90081. https://doi.org/10.1371/journal.pone.0090081 — verzameld door de Palmer Station Antarctica LTER, verspreid als het R-pakket palmerpenguins (CC0).
luchtkwaliteit.csv Chambers, J. M., Cleveland, W. S., Kleiner, B., & Tukey, P. A. (1983). Graphical methods for data analysis. Wadsworth & Brooks/Cole. — De metingen zelf komen van de New York State Department of Conservation (ozon) en de National Weather Service (weer), mei–september 1973; meegeleverd met R als airquality.
plantgroei.csv Dobson, A. J. (1983). An introduction to statistical modelling. Springer. — Meegeleverd met R als PlantGrowth.
bigfive.csv Revelle, W., Wilt, J., & Rosenthal, A. (2010). Individual differences in cognition: New methods for examining the personality-cognition link. In A. Gruszka, G. Matthews, & B. Szymura (Eds.), Handbook of individual differences in cognition: Attention, memory and executive control. Springer. — De uitspraken komen uit Goldberg, L. R. (1999). A broad-bandwidth, public domain, personality inventory measuring the lower-level facets of several five-factor models. In I. Mervielde, I. Deary, F. De Fruyt, & F. Ostendorf (Eds.), Personality psychology in Europe (Vol. 7). Tilburg University Press. Als bfi in het R-pakket psych.
slaap_middelen.csv Cushny, A. R., & Peebles, A. R. (1905). The action of optical isomers: II. Hyoscines. The Journal of Physiology, 32(5–6), 501–510. https://doi.org/10.1113/jphysiol.1905.sp001097 — Bekend geworden via Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554. Meegeleverd met R als sleep.
geboortegewicht.csv Hosmer, D. W., & Lemeshow, S. (1989). Applied logistic regression. Wiley. — Verzameld in het Baystate Medical Center, Springfield, MA, in 1986; als birthwt in het R-pakket MASS.
titanic.csv Dawson, R. J. M. (1995). The “unusual episode” data revisited. Journal of Statistics Education, 3(3). https://doi.org/10.1080/10691898.1995.11910499 — Gebaseerd op de telling van de British Board of Trade uit 1912, heruitgegeven als Report on the loss of the SS Titanic (British Government, 1990). Meegeleverd met R als Titanic.