Wanneer is het nuttig om een variabele als moderator te testen?

Question

Hallo.

Ik vroeg mij af wanneer het nuttig is om een variabele als mogelijk moderator te testen? Moeten er bepaalde voorwaarden aan verbonden zijn of mag je gewoon een variabele ( zoals bijvoorbeeld leeftijd) testen als mogelijke moderator? Ik kan dit antwoord nergens terug vinden, de meeste sites leggen gewoon uit hoe je het moet uitvoeren. En als ik het uitvoer, moet ik dan een onafhankelijke variabele ook centraliseren?

Mvg

Comments

Ik bedoel een dichotome onafhankelijke variabele centraliseren*

Answer 1

Wanneer je vermoedt dat de relatie tussen je afhankelijke en onafhankelijke variabele zou kunnen beïnvloed worden door een derde variabele, is het nuttig om die laatste als moderatorvariabele te nemen. Je vermoedt dan namelijk een ‘interactie’ tussen de moderatorvariabele en de ‘echte’ onafhankelijke variabele.

Stel dat bijvoorbeeld als onafhankelijke variabele een dichotome (=variabele met 2 mogelijke waardes) variabele hebt: uitgewerkte oefeningen nalezen of zelf nieuwe oefeningen oplossen. Je afhankelijke variabele is de leeropbrengst. Uit de literatuur leer je dat uitgewerkte oefeningen betere opbrengsten geeft (dan zelf oefeningen maken) wanneer de leerlingen nog maar weinig afweten van de leerstof, terwijl dat bij leerlingen met veel voorkennis precies omgekeerd is. In zo’n geval zou je “hoeveelheid voorkennis” kunnen opnemen als bijkomende variabele in je model.

Belangrijke opmerking #1: cruciaal is dat je het vermoeden (dat die variabele een moderator is) onderbouwt! Dus niet “Oh, we hebben de leeftijd van de respondenten, laat ons even nagaan of dat een moderator is”. Dat is een “statistische hengelexpeditie”. De juiste volgorde is: verantwoorden waarom je een variabele als moderator opneemt, hypothese formuleren over de rol van de moderator, metingen en analyses uitvoeren, nagaan of je gegevens de hypothese ondersteunen.

Belangrijke opmerking #2: bij interacties moet je alle onafhankelijke variabelen (moderatoren zijn ook een vorm van onafhankelijke variabelen!) centraliseren (of standaardiseren, vaak nuttig om te resultaten te interpreteren). Dit gaat natuurlijk niet met nominale variabelen. Bij die laatste pas je liefst een andere strategie toe, om te bekomen dat hun ‘gemiddelde’ waarde 0 is, bijvoorbeeld bij dichotome variabelen neem je +0.5 en -0.5 als waarden (en niet 0 of 1). Zie http://eduratio.be/TMP/kraemer.pdf voor de achtergrond hiervan.

Ter informatie: het woord “moderator” heeft alleen een invloed in je MODEL. Het heeft geen invloed op de statistische analyse. Je mag “moderator” en “onafhankelijke variabele” omwisselen in analyses, dat geeft dezelfde resultaten. SPSS hoeft niet te “weten” wat de moderator is en wat de onafhankelijke variabele is.

Luc

Comments

Ik zal even voor de duidelijkheid eens zeggen wat ik allemaal gedaan had eerst:

1) leeftijd: had ik een ancova test gedaan, waardoor ik ook al zag dat inkomen samenhing met de afhankelijke variabele.

2) inkomen: heb ik in 8 groepen gemeten: een interval niveau dus denk ik, ik denk dat deze dan niet in de correlatietabel moet komen hé? Enfin hier heb ik een F test gedaan om te kijken of die samenhing met AV, bleek van wel.
 

3) geslacht heb ik door een chikwadraad test gedaan , wat bleek dat die niet samenhing met noch AV als OV.

---

Ik vrees dat ik een beetje de draad kwijt ben... Je zegt dat je verschillende analyses deed (ancova, correlatie, chi kwadraat...) Het is me nu echter niet duidelijk waarom je deze analyses deed. Wilde je toetsen of de gegevens bepaalde hypotheses (welke?) ondersteunden? Wilde je nagaan of de variabelen aan de voorwaarden voldeden om andere (welke?) toetsen te mogen uitvoeren? Of nog iets anders?

Luc

 

---

Ik wilde nagaan of ze  moesten opgenomen worden als covariaat, daarom heb ik die chikwadraad test enzo gedaan. Maar een covariaat is enkel een continue waarde heb ik begrepen? dus kan eigenlijk inkomen en geslacht niet opnemen als evt covariaat denk ik?

---

De beginneling die ik ben, heeft de neiging om te zeggen: beslissen of je iets wel of niet opneemt als onafhankelijke variabele, covariaat, moderator, mediator... doe je voor je begint met je gevensverzameling, op basis van een model dat je kunt beargumenteren. Eenmaal een variabele in je model zit, dan zou ik die er niet meer uithalen (zelfs als zijn invloed "niet significant" is in jouw meetstaal, laat je die variabele rustig "zijn deel van de variante verklaren"). Daarnaast zou ik (achteraf) geen variabelen toevoegen die niet in je mode zitten, "omdat ze een significante voorspeller blijken te zijn" in jouw meetstaal". Als je tijdens je (exploratieve) analyses invloeden ontdekt die niet in je model zaten, dan kun je daar melding van maken (nuttig voor toekomstig onderzoek), maar om jouw hypotheses te toetsen in jouw model lijken zo'n "extra" variabelen (die je achteraf "ontdekte") me compleet uit den boze.

Kortom, "nagaan of iets moet opgenomen worden" doe je volgens mij op basis van de literatuur (vooraf), niet op basis van de analyse van je meetstaal (achteraf).

Nu even afwachten wat de Echte Specialisten zeggen, dan leren we weer wat bij!

---

Kan ik wel inkomen dat je niet zomaar variabelen mag op nemen als eventuele covariaat. Het zit eigenlijk zo: oorspronkelijk wou ik kijken of je een al dan niet meer schuld krijgt, als je een advertentie ziet zonder of met tekst van een luxe product. Het zou zogezegd een verband moeten geven en er zou ook een mediator variabele in moeten zitten, namelijk het moreel zelfbeeld dat verandert door de advertentie ( hier heb ik voldoende onderbouwing voor in de literatuur)
Leeftijd, inkomen en geslacht zijn maar enkele dingen die ik bevraagd heb, maar ik heb geen aanwijzingen in de literatuur of die wel effectief ook als afhankelijke of moderator variabele kunnen dienen (eigenlijk ook niet aan gedacht voor ik de data ging verzamelen). Ik heb gewoon enkele socio demo's opgenomen omdat iedereen het doet. Ik denk dus dat als ik jou verhaal zo hoor, Luc, deze best achterwegen laat en eenvoudige t-testen ga uitvoeren op de verbanden: adv -> schuld, adv -> moreel zelfbeeld en eventueel moreel zelfbeeld -> schuld. Ik wou eigenlijk de covariaten opnemen omdat voorafgaande thesissen die ik had gelezen, ook allemaal werkte met covariaten. Ik zie nu ook dat leeftijd maar een zwak verband heeft met mijn afhankelijke variabele <0.3. Maar ik denk echter wel dat ik telkens in de paper er bij zet, het verband met de onafhankelijke variabele ( mits een experiment is, dat een beetje ongelijk is verdeelt), om louter aan te tonen dat het experiment gewerkt heeft en er geen verschil bestaan in geslacht, leeftijd en inkomen tussen de groepen.