VAT

Visuele Associatie Test

Normen beschikbaar van deze versie in de ANDI database:

VAT, vorm A en vorm B welke 6 items bevatten (Lindeboom & Schmand, 2003). Van deze score-indexen zijn er normen beschikbaar:

  • VAT A (trial 1 + 2): het aantal correcte (verbale of niet verbale) reactie in de reproductieconditie gesommeerd over trial 1 en 2.
  • VAT B (trial 1+ 2): het aantal correcte (verbale of niet verbale) reactie in de reproductieconditie gesommeerd over trial 1 en 2.
  • VAT A + B: som van VAT A (trial 1 + 2) en VAT B (trial 1 en 2).

N.B. Houd er bij deze test rekening mee dat de gezonde personen in ANDI bijna altijd de test foutloos maken (zie scatterplots) dus dat de resolutie erg beperkt is. De som van beide VAT A + VAT B biedt de beste resolutie.

Data verwerking:

Hier wordt extra informatie gegeven over hoe de data in ANDI tot stand zijn gekomen.

1. Data opschoning:

a. Minimale Klinische grenzen en maximale scores

variabele naam min grens max grens aantal verwijderd percentage verwijderd
VAT__versieA+B 9 24 0 0.0
VAT__A 4 12 0 0.0
VAT__B 4 12 0 0.0

b. Demografische outliers

De modeltermen welke gebruikt worden voor het verwijderen van de outliers en hoeveel personen er worden verwijderd.

variabele naam beste model aantal verwijderd percentage verwijderd
VAT__versieA+B s + a + e 13 6.8
VAT__A a 10 6.6
VAT__B a 3 4.4

s= sex, a= age, e= education (verhage)

2. Normalisatie transformatie

Om een lineaire regressie te kunnen gebruiken is normaliteit van de residuen nodig. Om deze reden is elke variabele in ANDI getransformeerd. Met welke waarde wordt hieronder weergegeven. De beste Box-Cox transformatie voor normaliteit en bij behorende skewness en kurtosis na transformatie.

variabele naam beste box-cox transformatie skewness kurtosis
VAT__versieA+B 6.76 0.009 2.433
VAT__A 12 -1.276 3.625
VAT__B 12 -0.69 1.988

3. Totaal in ANDI

variabele naam min mediaan max N min leeftijd max leeftijd
VAT__versieA+B 15 23 24 177 40 86
VAT__A 10 12 12 141 40 90
VAT__B 9 12 12 65 40 80

4. Scatterplots VAT

De sterkte in kleur van de datapunten geven het aantal observaties aan; hoe intenser de kleur, hoe meer observaties er zijn op die datapunten.

Wanneer u alleen een blauwe lijn ziet, dan liggen alle lijnen voor opleiding op elkaar (en is er dus geen opleidingseffect).