Dit is een site voor studenten van de Open Universiteit. Voordat je een vraag kunt stellen moet je even een account aanmaken (dit systeem is niet gekoppeld aan je OU studentnummer en wachtwoord).

Welkom bij het vraag- en antwoord systeem van de onderzoeks-practica van de studie psychologie bij de Open Universiteit.

Houd er, als je een vraag stelt, rekening mee dat je de richtlijnen volgt!

Interpretatie ANOVA-tabel significantie bij MRA

0 leuk 0 niet-leuks
Ik heb 2 vragen:

1) Hoe worden de resultaten uit de ANOVA-tabel van MRA geinterpreteerd? Ik heb gevonden dat deze gegevens laten zien of je volledige model significant is. Maar wat doe je daarmee? In detabel Coefficients staat bijv. dat het hoofdeffect en het interactie-effect niet significant zijn. Hoe valt het samen dat het volledige model significant is?

2) Ik heb in tabel Model summary, in model 1, significante hoofdeffecten (ik heb een predictor en een moderator). Geen significante interactie. In de tabel Coefficients (model 2) heb ik nu alleen een significante hoofdeffect, die van de moderator (bij mij is dat de sekse). Klopt het dat het significante hoofdeffecten gevonden in model 1 zijn dan eigenlijk toe te schrijven aan sekse en niet aan de predictor? Wat ik probeer te zeggen, moet je alleen in de tabel Coefficients kijken voor de interpretatie van de hoofdeffecten en interactie-effecten? En moet je toch noch visualisatie doen als er geen interactie is?
gevraagd 21 september 2015 in Psychologisch Survey (PS) door irevial (260 punten)
bewerkt 22 september 2015 door irevial

1 Antwoord

0 leuk 0 niet-leuks

Bij een regressie-analyse (het onderscheid tussen 'enkelvoudige regressie' en 'multiple regression analysis' of MRA bestaat eigenlijk niet: regressie werkt altijd hetzelfde) staat in de anova-tabel de uitkomst van een F-toets waarbij de variantie die je model verklaart wordt vergeleken met de residuele variantie (dus, de variantie die je model niet kan verklaren). Dus:

$$F = \frac{ \text{MS}_\text{Verklaard door je model} }{ \text{MS}_\text{Onverklaard (dus error of residuee) } }$$

In de praktijk betekent dit dat als je minimaal 1 significante voorspeller hebt, deze anova significant zal zijn. Echter, als een voorspeller maar net significant is, kan het zijn dat deze anova net niet significant is (de aannames voor een anova zijn iets anders dan de aannames voor de toetsen van regressie-coefficienten), en als geen van je voorspellers significant is, dan kan het model als geheel nog steeds significant zijn, als je voorspellers samen maar net genoeg variantie verklaren.

Met betrekking tot je tweede vraag bedoel je neem ik aan dat je de interactie nog niet in model 1 hebt gestopt? (je zegt dat hij niet significant is - maar dat kan alleen als hij wel in het model zit - en als dat zo is, wat is dan het verschil tussen model 1 en model 2?)

Zoja, dan heb je gelijk: de hoofdeffecten die je lijkt te zien in model 1 bestaan eigenlijk niet - want er is sprake van interactie.

Interactie is gedefinieerd als volgt (een van de weinige definities die je echt uit je hoofd moet leren voor de rest van je leven):

Interactie betekent dat het effect van de ene variabele
afhankelijk is van het niveau van de andere variabele.

Als dit het geval is, kun je natuurlijk niet spreken van een 'hoofdeffect' - want het effect verschilt, afhankelijk van, in jouw geval, geslacht. Er is dus geen algemeen effect - alleen twee 'simple effects', eentje voor mannen en eentje voor vrouwen (aangenomen dat je geslacht dichotoom hebt geoperationaliseerd).

Ho, wacht even. Heb jij in model 2 niet de interactie, maar de moderator toegevoegd? Want dat klopt niet - je mag nooit een interactieterm in je model opnemen als niet allebei de variabelen ook in je model zitten!

beantwoord 23 september 2015 door gjp (70,230 punten)
Ik wil graag een en ander verduidelijken. Ik heb wel de interactie-term in model 2 toegevoegd. Ik heb dus in model 1 een predictor staan en 1 moderator, en in model 2 de interactie-term predictor x moderator. Dat is toch juist?

Ik zie in model 1 dat hoofdeffecten significant zijn. In model 2 zie ik dat alleen het effect van sekse significant is, maar het effect van predictor en interactie-effect zijn niet significant. Ik heb het geinterpreteerd dat niveau van afhankelijke variabele anders is voor mannen dan voor vrouwen. Klopt dat?

Ah, ok. Dus je interactie maakt een van de moderatoren niet meer significant, maar is zelf ook niet significant. Dat zou kunnen suggereren dat je niet eerst je moderator hebt gestandaardiseerd. Hoe zit het met collineariteit?

(zie http://oupsy.nl/help/35/wat-zijn-de-vif-en-tolerance-bij-regressie-analyse en http://oupsy.nl/help/258/correlaties-tussen-tussen-predictoren-regressieanalyses)

Als er geen sprake is van collineariteit kun je concluderen dat de interactie niet significant is, en je model zonder interactie rapporteren. Maar het blijft een vreemd geval - ik zou hier heel nauwkeurig naar kijken, ook naar je verdelingen en plotjes etc. Dat is echter dermate gedetailleerd dat hier geen hulp geboden kan worden. Als dit in een onderwijssituatie gebeurt, bijvoorbeeld voor een verslag, dan zou ik simpelweg het proces rapporteren, en dus heel voorzichtig zijn in je conclusies.

...