Je hebt drie of meer groepen, één gemiddelde per groep en een onderzoeksvraag die begint met “verschillen deze groepen?”. Dan kom je vrijwel altijd uit bij een ANOVA in SPSS. De toets zelf staat in drie klikken klaar. Lastiger is alles eromheen: welke variant past, wat doe je als Levene significant is, en waarom zegt een significante F nog niet welke groepen verschillen?

In dit artikel lopen we de hele ANOVA door aan de hand van één voorbeeld met oefendata: van het ontwerp en de aannames tot de post-hoc test en de APA-zin in je resultatenhoofdstuk. Onderaan download je een gratis checklist.

ANOVA in het kort

Een ANOVA (variantieanalyse) toetst of de gemiddelden van drie of meer groepen van elkaar verschillen. De F-waarde is de verhouding tussen de variantie tússen de groepen en de variantie bínnen de groepen. Is p < .05, dan verschilt minstens één groep. Welke, dat lees je af aan de post-hoc test.

Wat is variantieanalyse (ANOVA) en waarom geen reeks t-toetsen?

Bij drie groepen zou je drie t-toetsen kunnen doen: A met B, A met C en B met C. Dat lijkt logisch, maar elke toets heeft 5% kans op een vals positief resultaat, en die kansen stapelen zich op. Bij drie toetsen is de kans op minstens één onterechte conclusie ongeveer 14%, bij zes toetsen al 26%. Een ANOVA lost dat op door alle groepen in één toets te vergelijken en de foutkans op 5% te houden.

De naam misleidt een beetje: je analyseert variantie, maar je conclusie gaat over gemiddelden. De logica is eenvoudig. Liggen de groepsgemiddelden ver uit elkaar, vergeleken met de spreiding binnen de groepen, dan is toeval een onwaarschijnlijke verklaring. De F-waarde wordt dan groot en de p-waarde klein.

Welke ANOVA past bij jouw onderzoek?

De juiste ANOVA hangt af van het aantal factoren (onafhankelijke, categorische variabelen) en van de vraag of dezelfde mensen meerdere keren zijn gemeten. Deze tabel helpt je kiezen. Twijfel je of een ANOVA überhaupt de juiste toets is, gebruik dan onze keuzehulp voor statistische toetsen.

Jouw situatie Variant Menu in SPSS
Eén factor, 3+ onafhankelijke groepen One-way ANOVA Compare Means > One-Way ANOVA
Twee factoren, onafhankelijke groepen Two-way ANOVA General Linear Model > Univariate
Zelfde personen, 3+ metingen Repeated measures ANOVA General Linear Model > Repeated Measures
Groepen én metingen Mixed ANOVA General Linear Model > Repeated Measures
Factor plus continue controlevariabele ANCOVA General Linear Model > Univariate

Nulhypothese en hypothesen formuleren voor je ANOVA

Schrijf je hypothesen op voordat je SPSS opent. De nulhypothese van een one-way ANOVA is altijd hetzelfde: alle populatiegemiddelden zijn gelijk (H0: μ1 = μ2 = μ3). De alternatieve hypothese is niet dat alle groepen van elkaar verschillen, maar dat minstens één groep afwijkt. Die nuance is belangrijk, want veel studenten formuleren H1 te sterk en komen dan in de knoop met hun post-hoc resultaten.

Voorwaarden van variantieanalyse controleren in SPSS

Een examencommissie of begeleider leest eerst of je de voorwaarden hebt gecontroleerd. Doe dat dus vóór je de F-waarde bekijkt en noem het kort in je methode- of resultatenhoofdstuk.

Aanname Hoe controleer je het? Wat als het niet klopt?
Afhankelijke variabele op interval- of rationiveau Volgt uit je meetinstrument Kruskal-Wallis
Onafhankelijke waarnemingen Volgt uit je onderzoeksopzet Repeated measures of multilevel
Normaliteit per groep Histogram, Q-Q-plot per groep Bij n > 30 per groep is ANOVA robuust; anders Kruskal-Wallis
Gelijke varianties Levene-toets Welch-toets en Games-Howell

De Levene-toets draait de gewone logica om: hier wil je een niet-significant resultaat. Is p > .05, dan is er geen aanwijzing dat de varianties verschillen. Is p < .05, dan gebruik je de Welch-toets, die je in hetzelfde menu aanvinkt. Dat is geen noodoplossing maar een gangbare keuze; noem het gewoon in je tekst.

Normaliteit bekijk je liever met een plot dan met alleen een Shapiro-Wilk-toets. Bij grote groepen wordt die toets al significant bij kleine, onschuldige afwijkingen. Kijk dus vooral of de verdeling per groep scheef is en of er uitschieters zijn.

Stappenplan ANOVA in SPSS

One-way ANOVA uitvoeren in SPSS: stappenplan

Zet je data in lang formaat: één kolom voor de groep (bijvoorbeeld 1, 2, 3 met value labels) en één kolom voor de score. Daarna:

  1. Ga naar Analyze > Compare Means > One-Way ANOVA.
  2. Zet de score bij Dependent List en de groepsvariabele bij Factor.
  3. Open Options en vink aan: Descriptive, Homogeneity of variance test, Welch en Means plot.
  4. Open Post Hoc en vink Tukey aan. Bij ongelijke varianties kies je Games-Howell.
  5. Klik op OK of op Paste, zodat je de syntax kunt bewaren voor je bijlage.

Voorbeeld one-way ANOVA: drie groepen vergelijken

We werken met oefendata die zijn gemaakt voor dit artikel. Negentig studenten zijn in gelijke groepen verdeeld over drie vormen van studiebegeleiding: geen, online of fysiek. De afhankelijke variabele is de score op een toets (0 tot 30). De onderzoeksvraag: verschilt de toetsscore tussen de vormen van begeleiding?

Groep n M SD
Geen begeleiding 30 15.19 4.35
Online 30 16.15 4.44
Fysiek 30 19.16 4.17

ANOVA-tabel lezen: F-waarde en significantie

De Levene-toets is niet significant (p = .852), dus de varianties zijn vergelijkbaar en we lezen de gewone ANOVA-tabel:

Bron Sum of Squares df Mean Square F Sig.
Between Groups 257.00 2 128.50 6.88 .002
Within Groups 1624.50 87 18.67
Total 1881.50 89

De F-waarde is 128.50 gedeeld door 18.67, dus 6.88. Met p = .002 verwerpen we de nulhypothese: niet alle groepen hebben hetzelfde gemiddelde. Maar deze tabel zegt nog niet wélke groepen verschillen, en ook niet hoe groot het verschil is.

Eta kwadraat berekenen als effectgrootte

SPSS kan de effectgrootte tonen, maar je berekent hem ook zo: Sum of Squares between gedeeld door total, dus 257.00 / 1881.50 = .14. Ongeveer 14% van de verschillen in toetsscores hangt samen met de vorm van begeleiding. Volgens de richtlijnen van Cohen is .01 klein, .06 middelgroot en .14 groot. Gebruik die grenzen als houvast, niet als wet; in je eigen vakgebied kan een andere maat gangbaar zijn.

Welch-ANOVA in SPSS bij ongelijke varianties

Is de Levene-toets significant, dan is de gewone F-toets minder betrouwbaar, vooral als de groepen ook nog ongelijk groot zijn. De kleinste groep met de grootste variantie is de lastigste combinatie: de p-waarde kan dan te optimistisch zijn. Heb je in het menu Options de optie Welch aangevinkt, dan staat onder de ANOVA-tabel een extra tabel Robust Tests of Equality of Means.

Je leest daar de Welch-statistiek, twee df-waarden en de significantie. De tweede df is vaak geen geheel getal, en dat hoort zo. Rapporteer die waarde ook, afgerond op twee decimalen, bijvoorbeeld F(2, 54.31). Gebruik daarna Games-Howell als post-hoc test, want Tukey veronderstelt gelijke varianties. Vermeld in je tekst kort waarom je deze route hebt gekozen: “Omdat de Levene-toets significant was, is de Welch-toets gebruikt.”

Post-hoc test in SPSS: Tukey, Bonferroni of Games-Howell

Een post-hoc test vergelijkt alle groepen paarsgewijs en corrigeert daarbij voor het aantal vergelijkingen. Welke test past, hangt af van je data:

Post-hoc test Gebruik je wanneer
Tukey HSD Varianties gelijk, groepen ongeveer even groot. De standaardkeuze.
Bonferroni Weinig, vooraf gekozen vergelijkingen. Strenger bij veel vergelijkingen.
Games-Howell Levene is significant of de groepen zijn ongelijk groot.

In ons voorbeeld is Tukey de logische keuze:

Vergelijking Verschil in M p
Fysiek – Geen 3.97 .002
Fysiek – Online 3.01 .023
Online – Geen 0.96 .667

Fysieke begeleiding scoort dus significant hoger dan beide andere groepen, terwijl online begeleiding niet aantoonbaar verschilt van geen begeleiding. Dat is een interessantere bevinding dan “de groepen verschillen”, en precies de zin die je in je discussie gebruikt.

Two-way ANOVA in SPSS: hoofdeffecten en interactie

Wil je twee factoren tegelijk onderzoeken, bijvoorbeeld coaching (ja/nee) en studievorm (voltijd/deeltijd), dan gebruik je een two-way ANOVA via Analyze > General Linear Model > Univariate. Je krijgt drie resultaten: twee hoofdeffecten en de interactie. Een interactie betekent dat het effect van de ene factor afhangt van de andere.

Een voorbeeld met oefendata, met twintig studenten per cel:

Voltijd Deeltijd
Geen coaching 60.78 55.31
Coaching 66.72 67.07

Coaching heeft een hoofdeffect (F(1, 76) = 50.75, p < .001), studievorm ook (F(1, 76) = 4.24, p = .043), en de interactie is significant (F(1, 76) = 5.48, p = .022). Kijk altijd eerst naar de interactie. Hier zie je waarom: deeltijders winnen met coaching bijna 12 punten, voltijders ongeveer 6. Alleen melden dat "coaching helpt" zou dus een belangrijk deel van het verhaal missen. Volg een significante interactie op met simple effects, dus het effect van coaching per studievorm apart.

Repeated measures ANOVA in SPSS: dezelfde mensen, meerdere metingen

Meet je dezelfde studenten drie keer, bijvoorbeeld stress aan het begin, midden en einde van de scriptieperiode, dan zijn de metingen niet onafhankelijk. Dan gebruik je een repeated measures ANOVA via Analyze > General Linear Model > Repeated Measures. Je definieert eerst de factor (bijvoorbeeld “tijd”) met het aantal metingen en sleept daarna de drie kolommen naar de juiste plek. Let op: hier staan je data dus in breed formaat, met één kolom per meting.

Er komt één extra voorwaarde bij: sfericiteit. De verschillen tussen alle paren van metingen moeten ongeveer even sterk variëren. SPSS toetst dat met de Mauchly-toets. Is die significant, dan is aan sfericiteit niet voldaan en lees je de regel Greenhouse-Geisser af in plaats van Sphericity Assumed. De F-waarde blijft gelijk, maar de vrijheidsgraden worden kleiner en de toets daarmee voorzichtiger. Bij slechts twee metingen speelt dit niet, en dan is een gepaarde t-toets net zo goed.

Als post-hoc gebruik je hier geen Tukey, maar paarsgewijze vergelijkingen met Bonferroni-correctie, via de knop EM Means.

ANOVA-resultaten in een tabel en grafiek presenteren

Een grafiek helpt vooral bij een two-way ANOVA: een lijndiagram met één lijn per groep laat in één oogopslag zien of er een interactie is. Lopen de lijnen niet parallel, dan is dat het teken dat het effect verschilt per groep. Voeg betrouwbaarheidsintervallen toe als foutbalken en begin de y-as niet zomaar bij een hoge waarde, want dan lijkt het verschil groter dan het is.

Steekproefgrootte voor variantieanalyse bepalen met G*Power

Een ANOVA met te weinig respondenten vindt zelfs echte verschillen niet. Bereken daarom vooraf hoeveel mensen je nodig hebt. Het gratis programma G*Power doet dat op basis van drie keuzes: de effectgrootte die je verwacht, de alpha (meestal .05) en de gewenste power (meestal .80). Bij drie groepen en een middelgroot effect (f = .25) kom je op ongeveer 159 respondenten in totaal uit, dus zo’n 53 per groep. Kun je dat aantal niet halen, leg dat dan uit in je methodehoofdstuk en bespreek het als beperking in je discussie.

ANOVA rapporteren in APA 7

Een goede rapportage bevat vier onderdelen: wat je hebt getoetst, de beschrijvende statistiek, de toetsresultaten met effectgrootte en wat dat betekent. Voor ons voorbeeld:

Voorbeeld APA-rapportage ANOVA

Een one-way ANOVA liet zien dat de toetsscore significant verschilde tussen de vormen van begeleiding, F(2, 87) = 6.88, p = .002, η² = .14. Een Tukey post-hoc test toonde aan dat studenten met fysieke begeleiding (M = 19.16, SD = 4.17) hoger scoorden dan studenten zonder begeleiding (M = 15.19, SD = 4.35, p = .002) en studenten met online begeleiding (M = 16.15, SD = 4.44, p = .023). Online begeleiding en geen begeleiding verschilden niet significant (p = .667).

Let op de notatie: statistische symbolen cursief, geen nul vóór de komma bij p en eta kwadraat, de exacte p-waarde behalve bij p < .001, en beide vrijheidsgraden tussen haakjes. In Nederlandstalige scripties blijft de punt als decimaalteken vaak gebruikelijk bij APA, maar check dit in de richtlijn van je opleiding.

Veelgemaakte fouten bij variantieanalyse

  • Post-hoc toetsen uitvoeren en rapporteren terwijl de F-toets niet significant is en je daarvoor geen vooraf geformuleerde reden had.
  • De Levene-toets verkeerd om lezen en juist bij p > .05 overstappen op Welch.
  • Bij een two-way ANOVA de hoofdeffecten interpreteren terwijl een significante interactie ze nuanceert.
  • Alleen p noemen, zonder effectgrootte en groepsgemiddelden.
  • Herhaalde metingen behandelen als onafhankelijke groepen.
  • “Bewezen” schrijven: een ANOVA op bestaande groepen laat een verschil zien, geen oorzaak.

Checklist ANOVA in SPSS downloaden

Alle stappen op één pagina, handig naast je SPSS-venster en om vlak voor het inleveren na te lopen.

Veelgestelde vragen over variantieanalyse in SPSS

Een vaste ondergrens bestaat niet. Als vuistregel wordt vaak minstens 20 tot 30 per groep aangehouden, maar het echte antwoord komt uit een poweranalyse met G*Power, op basis van het effect dat je verwacht.
Ja. One-way ANOVA kan daar goed mee omgaan, zeker als de varianties vergelijkbaar zijn. Kies bij sterk ongelijke groepen of varianties voor Welch en Games-Howell.
Rapporteer het resultaat gewoon, met F, df, p en effectgrootte. Schrijf niet dat groepen gelijk zijn, maar dat er geen significant verschil is gevonden. Bespreek in je discussie de power en je steekproef.
Wiskundig liggen ze dicht bij elkaar. ANOVA vergelijkt groepen; regressieanalyse voorspelt een uitkomst en kan ook continue voorspellers aan. Met dummyvariabelen geeft regressie dezelfde uitkomst als een one-way ANOVA.
Kruskal-Wallis is het non-parametrische alternatief van de one-way ANOVA, Friedman dat van de repeated measures ANOVA.

Tot slot: je variantieanalyse afronden

Een sterke ANOVA herken je niet aan de F-waarde, maar aan het verhaal eromheen: passende variant, gecontroleerde aannames, gerichte vervolgtoetsen en een conclusie die aansluit op je onderzoeksvraag. Loopt je analyse vast of klopt je output niet met wat je verwacht? Bij persoonlijke SPSS-hulp kijken we samen met je mee, zodat je begrijpt wat er staat en het zelf kunt uitleggen aan je begeleider.