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!

Gebruik van macro PROCESS (Hayes) om medierend verband aan te tonen

0 leuk 0 niet-leuks

Ik wil PROCESS gebruiken om aan te tonen dat er een medierend verband is, door middel van (o.a) te laten zien dat de confidence intervals geen 0 bevatten. Daar moet ik bootstrapping voor gebruiken, toch? Of staat dat los van elkaar?

Voor model 1 heb ik een standaard regressie uitgevoerd, omdat PROCESS niet laat zien wat de relatie is tussen de controle variabelen en de afhankelijke variabelen. 

Echter, voor model 2 (waar ik mijn onafhankelijke variabele toevoeg) en model 3 (waar ik mijn mediator toevoeg) gebruik ik wel de macro van Hayes. Nu lukt dat prima, maar één controlevariabele gaat in model 2 heeft opeens een hogere (beta) coefficient dan in model 1. Dit is toch niet mogelijk, lijkt me? 

Is dit de juiste manier om dit aan te tonen, of kan ik het beter op een andere manier doen?

gevraagd 22 juni 2016 in Methodologie door inge667 (140 punten)

1 Antwoord

0 leuk 0 niet-leuks
bootstrapping is een geschikt middel om te evalueren of nul in het confidence interval zit. De p-waarde zal dezelfde conclusie opleveren.

Ik begrijp niet helemaal wat je bedoelt met model 1; wat de controlevariabelen zijn en waarom die niet in het macro van Preacher en Hayes passen, maar bij model 2 wel? Het macro van Hayes zou geen stap 1 en een stap 2 buiten PROCESS nodig moeten hebben. Procedures zoals die van Baron en Kenny (1996) vereisen wel een meerstapsproces. In de macro's van Preacher en Hayes wordt model 1 ondervangen door de direkte verbanden, en wordt mediatie geevalueerd middels de berekening van de indirekte verbanden. Het kan zijn dat ik je vraag echter verkeerd interpreteer.

Als je in model 2 andere variabelen opneemt dan in model 1 (bijvoorbeeld meer), dan is van alles mogelijk. Door multicollineariteit (correlatie tussen predictoren) kan het zijn dat het stuk unieke verklaarde variantie meer uitgesproken is, etc. Dit is erg afhankelijk van de exacte input.
beantwoord 22 juni 2016 door Ron Pat-El (41,340 punten)
...