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!

Hoe formuleer ik een interactie hypothesis als mijn onafhankelijke variabelen correleren

0 leuk 0 niet-leuks
Ik heb twee onafhankelijke variabelen en een afhankelijke variabel. Ik heb twee hypotheses voor de twee hoofdeffecten. Nou vraag ik me af of ik een derde hypothese moet maken voor de interactieaffect. Theoretisch denk ik dat de ene onafhankelijk variable 'psychologische flexibiliteit als gemeten door een vragenlijst een voorwaarde is voor de ander onafhankelijke variabel 'emotionele regulatie'. Ik vermoed dat de scores op deze twee lijsten met elkaar zullen correleren, maar ik weet niet welke soort (interactie) hypothese ik kan maken met betrekking op de afhankelijke variabel.  Ik kom er niet uit.
gevraagd 28 augustus 2016 in Psychologisch Survey (PS) door Kiwimic (170 punten)

1 Antwoord

0 leuk 0 niet-leuks

Er zijn een aantal redenen om interactietermen in je model op te nemen. De meeste voorkomende is dat je moderatie verwacht. Voordat ik hier verder op in ga, wat belangrijke informatie over het onderzoeken van moderatie.

"Moderatie" is de naam voor het fenomeen dat de ene variabele (de moderator) het effect van een andere variabele (de voorspeller) op een derde variabele (de afhankelijke variabele) verandert ('modereert'). Oftewel: als de moderator een lage waarde heeft, heeft de voorspeller een gegeven effect op de afhankelijke variabele; als de moderator een hoge waarde heeft, is dat effect anders, of verdwenen. Dit kan natuurlijk ook andersom: de verwachting kan ook zijn dat de voorspeller alleen invloed heeft op de afhankelijke variabele als de moderator juist een hoge waarde heeft, maar dat er geen verband is als de moderator een lage waarde heeft. De kern is: het niveau van de moderator bepaalt het effect van de voorspeller op de afhankelijke variabele.

Dit kan worden onderzocht met een interactie, omdat de definitie van een interactie is dat het effect van de ene variabele afhankelijk is van het niveau van een andere variabele (en vice versa: moderatie-analyses hebben geen richting, en zijn dus 'agnostisch' over welke van de twee variabelen in de interactieterm de 'moderator' is). Overigens kun je ook andere dingen onderzoeken met een interactie-term: het is dus belangrijk 'interactie' als iets aparts te zien van 'moderatie'. Een interactie-term kun je altijd in je model stoppen: dit hoeft nergens op te slaan, en je statistisch programma (SPSS of R) gooit er wel resultaten uit.

Moderatie kun je echter niet zomaar onderzoeken (dit geldt ook voor mediatie trouwens). Dit komt omdat moderatie per definitie (letterlijk, per definitie, zelfs) een uitspraak betreft over causaliteit. Moderatie betekent dat het causale effect van de voorspeller op de afhankelijke variabele wordt bepaald door de waarde van de moderator.

Om dit te onderzoeken is dus noodzakelijkerwijs een experimenteel design nodig. Causaliteit is immers niet goed te onderzoeken zonder experiment. Bovendien zijn meerdere meetmomenten nodig. In je design moet je succesvol de moderator manipuleren. Vervolgens moet je succesvol de voorspeller manipuleren. Het effect van die voorspeller op de afhankelijke variabele, die je daarna moet meten, moet dan verschillen afhankelijk van de waarde van de moderator. Dat kun je onderzoeken met een interactie-term.

Als je alleen de voorspeller manipuleert, en de moderator niet (en die dus alleen meet, wat neerkomt op een quasi-experiment), weet je niet zeker of het effect van de voorspellerd wordt gemodereerd door de moderator, of door een andere variabele die misschien samenhangt met de moderator.

Als je alleen de moderator manipuleert, en de voorspeller niet, kun je niets zeggen over een effect van de voorspeller: eventuele samenhang met de afhankelijke variabele kan immers komen omdat beide variabelen samenhangen met andere, onbekende variabelen.

Het onderzoeken van moderatie vereist dus onherroepelijk een experimenteel design (dat wil zeggen: er zijn uitzonderingen waarin bepaalde alternatieve verklaringen op basis van sterke eerdere empirische (of zelfs theoretische) evidentie kunnen worden uitgesloten. Die uitzonderlijke situaties zijn echter, wel, uitzonderlijk :-)). Bovendien heb je meerdere meetmomenten nodig. Vooral dit laatste wordt heel goed uitgelegd door dit toegankelijke artikeltje van Robert Roe: http://www.ehps.net/ehp/issues/2012/v14iss1_March2012/14_1_Roe.pdf. Bestudeer dat dus goed als je geinteresseerd bent in moderatie en/of mediatie.

Als je onderzoeksvraag inderdaad moderatie vereist (dan zou je hypothese bijvoorbeeld iets zijn als: "Het positieve effect van functionele emotieregulatie op welzijn is sterker naarmate mensen psychologisch flexibelere zijn."), dan heb je dus een experimenteel design nodig.

Heb je dit niet, dan heeft het weinig zin om na te denken over een eventuele moderatie-hypothese. Dan loop je het risico een significante uitkomst te vinden, en het niet over je hart te kunnen verkrijgen die uitkomst met voldoende integriteit te rapporteren. Je kunt dan in je discussie misschien de indruk wekken dat je iets kunt zeggen over eventuele moderatie op basis van jouw dataset, wat incorrect en schadelijk is.

Dit klinkt misschien wat 'hard', maar jammer genoeg bepaalt je design de conclusies die je kunt trekken. Als je een cross-sectioneel observationeel design kiest, wat bijvoorbeeld in PS wordt gedaan om het studietje haalbaar te houden, dan zijn de conclusies die je kunt trekken jammer genoeg zeer beperkt.

beantwoord 13 september 2016 door gjp (63,260 punten)
...