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!

Output bij vraag 5 en 7 van opdracht 4.1.. Waarom gebruik je een 'full factorial' model bij vraag 5 en een 'custom' bij vraag 7

0 leuk 0 niet-leuks

Hey,

Het blijkt (na enig zoekwerk en proberen de output van de terugkoppeling te krijgen) dat je voor vraag 7 een 'custom' model moet runnen (met mainaffects, en dan maken die interactie-effecten eigenlijk niet uit, moet je gewoon niet naar kijken als je ze niet nodig hebt) en voor het antwoord op vraag 5 heb je een 'full factorial' model nodig.

Kan iemand mij eens uitleggen waarom je dat telkens moet doen (en of je dat telkens moet doen, en wanneer je dat precies moet doen), want de heer Field is voor mij daarover niet echt duidelijk?

bedankt,

Patrick

gevraagd 14 maart 2017 in Experimenteel Onderzoek (PB0402 en S05281) door Patrick (840 punten)

1 Antwoord

0 leuk 0 niet-leuks

Normaal run je een full factorial model als je alle interacties, inclusief dus alle hogere orde interacties, wil toetsen. In alle andere gevallen bouw je een custom model, waar je de interactietermen in opneemt die je wil toetsen.

Je draait nooit een model met interactietermen waar je niet in geïnteresseerd bent. Twee redenen waarom dit fout is:

  • Je moet onnodig zwaar corrigeren voor multiple testing: voor de 'oninteressante interacties' bereken je immers ook p-waarden, dus de kans op een Type 1-fout wordt onnodig groter; je moet hiervoor dus zwaarder corrigeren dan nodig.
  • Je offert vrijheidsgraden voor de 'oninteressante interacties' op die van je errorterm afgaan, die daardoor onnodig groot is. Je hebt dus minder power, en dus meer kans op een Type 2-fout.

Je hebt dus zowel meer kans op een Type 1-fout (vanwege de multiple testing) als op een Type 2-fout (vanwege de opgeofferde vrijheidsgraden).

Bij variantie-analyse is het bovendien vaak zo dat je zwaar underpowered bent voor hogere orde interacties (drieweg, vierweg, vijfweg etc interacties). Bovendien, zelfs als je per cel de honderden deelnemers hebt die je nodig hebt om hoge orde interacties op een zinvolle manier te toetsen, dan zijn deze bijna niet te interpreteren. Tweeweg-interacties vinden veel mensen al lastig; drieweg-interacties zijn voor experts nog wel te interpreteren, maar vierweginteracties zijn al lastig - en worden bijna nooit voorspeld door de theorie waar je mee werkt.

Dus, als je een factorieel design hebt met bijvoorbeeld vier factoren, en variantieanalyse gebruikt, dan bouw je normaal een custom model waarin je alleen de hoofdeffecten opneemt, en de interacties waar je expliciet hypothesen over hebt geformuleerd. Voor de vierweg interactie die je zou kunnen toetsen ben je waarschijnlijk zo zwaar underpowered dat die toets geen zin heeft: de kans op statistische artefacten is veel te groot.

Het zijn trouwens 'main effects'. Main affects zijn hele belangrijke emoties :-)

Dus: bij anova bestel je alleen een full factorial model als je ook echt geïnteresseerd bent in de interactietermen. Zonee, dan mag je niet een full factorial model bestellen en gewoon niet naar de interacties kijken: dan moet je een custom model bouwen.

beantwoord 14 maart 2017 door gjp (63,910 punten)
...