Is het de bedoeling om bij het opnemen van een covariaat steeds na te gaan of deze al dan niet correleert met de onafhankelijke variabele?

Question

De vraag gaat dus over covariantie analyses.

Heeft dit te maken met de manipulatiechecks? of sla ik de bal nu helemaal mis?

Answer 1

Dit is iets anders dan een manipulatiecheck. Een manipulatiecheck is een soort 'extra afhankelijke variabele', waar je eigenlijk niet echt in bent geinteresseerd, maar waar je het effect van je manipulaties direct zou moeten zien. Als je bijvoorbeeld stress manipuleert, moeten mensen daar wel echt gestressed van worden - anders kun je niet kijken of die stress iets anders beinvloedt. Een manipulatiecheck zou dan een meting van stress zijn, terwijl je afhankelijke variabele waarschijnlijk iets anders is (namelijk een variabele waarvan je wil weten of hij door stress wordt beinvloedt).

In ancova moet je checken of je covariaat samenhangt met je factor(en) omdat, als die sterk samenhangen, de variantie die je factoren verklaren ook minder wordt. Immers, bij ancova en anova geldt dat alle overlap in verklaarde variantie uit het model wordt gehaald. Normaal verklaart 'sanctie' bijvoorbeeld een deel van de variantie in 'privegebruik bedrijfsmiddelen'. Als 'sanctie' orthogonaal is t.o.v. de andere factoren, is het duidelijk dat dat stukje variantie 'van sanctie is', en kan dat in de analyse dus aan sanctie worden toegekend. Maar, als sanctie samenhangt met een andere factor, bijvoorbeeld 'rechtvaardigheid', dan kan SPSS (of jij) niet bepalen welke van de twee nu echt verantwoordelijk is voor het stukje variantie in privegebruik dat door hen beiden wordt verklaart (de overlap in verklaarde variantie). Die overlap wordt uit het model gelaten.

Bij ancova gebeurt ongeveer[1] hetzelfde. Als je een covariaat toevoegt die dus sterk samenhangt met je factoren, dan verwijder je verklaarde variantie, die eigenlijk bij die factoren hoorde, uit het model. Hun verklaarde variantie wordt dan lager, en daarmee de teller van de F-ratio, en dus daalt de F-waarde. Dat betekent dat de p-waarde stijgt.

[1] Ongeveer, omdat bij ancova het regressiemodel waarmee wordt gecorrigeerd voor de covariaten wordt uitgevoerd voordat de anova wordt uitgevoerd. De covariaten 'pakken' dus alle overlappende variantie voordat de factoren hier aanspraak op kunnen maken.