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 interactie in multilevel analyse?

0 leuk 0 niet-leuks
Als in een multilevel analyse het groepsgemiddelde niet significant is en niet verschilt per groep, de random slope wel significant is en daarnaast het op niveau 1 gevonden interactie effect varieert over groepen, hoe interpreteer ik dat dan, dus wat kan ik dan zeggen over de gevonden effecten in relatie tot groep (en daarnaast de andere verbanden)?
gevraagd 29 augustus 2018 in Modeleren (SEM en Multilevel Analysis (mixed methods, HLM)) door Rotíste (2,880 punten)
opnieuw getoond 6 september 2018 door Rotíste
Zou je iets meer informatie aan je vraag kunnen toevoegen, desnoods met een simpel getallenvoorbeeld? Wat is je huidige interpretatie van deze situatie? Waarom denk je dat deze interpretatie incorrect is?


Bijv.
Intercept [subject = Klas] 0.28(0.15), p = 0.061  95%CI [0.10, 0.80]
IQ [subject = Klas] 0.20(0.15), p = 0.175 95%CI [0.05, 0.86]
IQ * AANTALc [subject = Klas]  0.01(0.02), p = 0.457 95%CI [0.00, 0.65]     
a DV: Wiskundescore.    

Dan zou mijn interpretatie zijn dat er de gemiddelde wiskundescore niet significant verschilt per klas en dat het effect van iq op het wiskundecijfer niet verschilt per klas en dat het interactie effect van iq*aantalc niet verschilt per klas- ik twijfel omdat dit in de cursus niet aan bod is geweest en omdat op deze site vaak wordt uitgegaan van de betrouwbaarheidsintervallen als criterium en omdat ik niet goed begrijp wat ik allemaal moet benoemen als wordt gevraagd naar het effect van klas op de wiskundescore en hoe "de veronderstelde verbanden beïnvloed worden door de" klas "waarin iemand zich bevindt" 

Je stelt een tamelijk lastige vraag om te beantwoorden. Mijn interpretatie van de vraag komt namelijk neer op: 'hoe lees, interpreteer en rapporteer ik de output van een multilevelanalyse?'. Je kunt als dat een trouwe samenvatting is van je vraag overwegen om de vraag op te knippen, zodat er per vraag een gericht antwoord kan worden gegeven.

Als er 27 klassen zijn die meedoen aan een experiment maar waarvan 14 de ene experimentele stimulus ontvangen en 13 de andere en als je vervolgens vaststelt dat het experiment in het geheel, effect heeft gehad- waarbij volgens verwachting de ene experimentele stimulus meer effect had dan de andere- en je stelt jezelf vervolgens de vraag of ‘klas’ als variabele op het tweede niveau een significant effect heeft op de uitkomst van het experiment dan stel je toch een vraag die in wezen al beantwoord is?

Ik denk dat je niet een juiste interpretatie hebt van de reden om multilevel te gaan. Of 'klas' een invloed heeft is meer een vraag zoals je die in een standaard ANOVA of regressie zou verwachten.

De reden om multilevel te gaan is een methodologische: is de data hierarchisch geordend (vast te stellen zonder statistiek), en in welke mate heeft die 'nesting' een impact op de observaties (vast te stellen door evaluatie ICC en random parameters). Het fixed effect wordt vervolgens 'opgeschoond' door de  variantie die het gevolg is van 'klas'-verschillen uit het fixed effet te filteren.
Dus als gevraagd wordt bij een multilevelanalyse naar de effecten van ‘groep’ dien ik de ICC, de fixed en de randomeffecten ( behoudens het residu) te geven?
Dat klopt. De ICC geeft eigenlijk antwoord op de vraag in hoeverre multilevel 'nodig' is. De random effecten geven de 'variabiliteit' van het fixed model aan, dus in hoeverre de lijnschatting in het fixed-effect contextafhankelijk is. De random-effecten inmodelleren maakt het mogelijk om de variabiliteit steeds 'losser' te laten. Dus met enkel een random intercept kun je toetsen in hoeverre het fixed effect stabiel is per 'groep', maar dat de startwaarden anders kunnen zijn. Met random effects in de slope ben je eigenlijk bezig met 'interactie-effecten'. Maar in plaats dat je per groep een lijn trekt, druk je die variabiliteit in mogelijke modellen per groep uit in variantie. Zie het als een soort 'oneindig' aantal mogelijke regressielijnen binnen een bepaalde betrouwbaarheidsmarge
en met het interactie effect bij de fixed effecten doe ik niets? Ook niet als het een significante verlaging -2LL oplevert als ik het meeneem in de random effecten?

Aub. inloggen or registreren om deze vraag te beantwoorden.

...