aannames

Aannames zijn veronderstellingen die ten grondslag liggen aan een redenering, model of onderzoeksontwerp. Ze geven aan onder welke condities de afleiding of conclusie geldig is. Aannames kunnen expliciet worden gesteld door de onderzoeker of impliciet blijven in de gebruikte methode.

Verschillende domeinen hanteren verschillende soorten aannames. In de logica en filosofie zijn aannames premises die samen met regels van inferentie tot conclusies leiden. In de statistiek en empirisch onderzoek bestaan aannames zoals verdelingsvormen, onafhankelijkheid van observaties, homoscedasticiteit en lineariteit. Bij causaliteit spelen aannames zoals uitsluiting van confounding en ignorabiliteit een sleutelrol. In datawetenschappen geldt vaak de veronderstelling dat de trainingsdata representatief zijn voor de beoogde populatie.

Het expliciet maken van aannames is belangrijk omdat de geldigheid van conclusies vaak afhankelijk is van deze voorwaarden. Als aannames onwaar of onvolledig blijken, kunnen resultaten vertekend raken. Daarom worden aannames vaak getoetst of beoordeeld via diagnostische tests, robuustheidsanalyses, of gevoeligheidsanalyses waarbij gekeken wordt hoe resultaten veranderen bij afwijkende aannames.

Voorbeelden: bij lineaire regressie bestaan aannames als lineariteit, geen of weinig multicollineariteit, onafhankelijkheid van residuen, homoscedasticiteit en normaal verdeelde fouten. Bij experimentele studies is randomisatie een sleutelveronderstelling om bias te beperken. Bij causaliteitsstudies wordt vaak aangenomen dat alle relevante confounders gemeten en gecontroleerd zijn (no unmeasured confounding).

Behandeling van aannames omvat het kiezen van geschikte modellen, data-transformaties, robuuste of niet-parametrische methoden, of het doen van gevoeligheidsanalyses. Het rapporteren van aannames helpt lezers de reikwijte en potentieel bias van de bevindingen te beoordelen.