Opleidingsniveau als moderator

Question

Hallo,

Ik wil graag het modererend effect door leeftijd en opleidingsniveau op de samenhang van werkgeheugencapaciteit (onafhankelijke variabele) en de mate van mindfulness (afhankelijke variabele) nagaan. Leeftijd en opleidingsniveau zijn de moderatoren.

Ik had bedacht om dit met een meervoudige regressie-analyse te toetsen (is dat een goed uitgangspunt?). Echter vraag ik me af of de variabele opleidingsniveau geschikt is als moderator in een meervoudige regressie-analyse. Het is immers een categorische variabele?

Moet ik dan gebruik maken van bijvoorbeeld 2 dummy variabelen voor opleiding (laag, midden, hoog)? Of kan ik opleidingsniveau als een quasi-continue variabele beschouwen?

Alvast hartelijk dank voor het meedenken, waardeer ik zeer.

Met vriendelijke groet,
Louise

Answer 1

Ik zou opleiding sowieso nooit als quasi-continue beschouwen. Je kunt opleiding wel als ordinaal zien. Door dummies te maken verlaag je het meetniveau naar nominaal, waardoor je in wezen informatie weggooit (de rangorde van categorieen verlies je).

Het effect van de ordinale variabele in de regressieanalyse is meestal minder problematisch dan het powerverlies van meetniveauverlaging is. De enige assumptie die gaat wringen, is dat in de regressie een ordinale variabele behandeld wordt alsof de sprong van 1 naar 2 even groot is als de sprong van 2 naar 3. Vaak wordt die assumptie met ordinale variabelen slechts in lichte mate geschonden, wat voor een regressie dan niet zo'n probleem wordt. Pas bij extreme spronggrootteverschillen kan een lineaire regressie problemen krijgen van het vinden van een goed model, maar vaak duid dat ook al op een probleem dat niet puur rechtlijnig is, en zo'n probleem kan ook optreden bij de continue predictoren.

Kort gezegd: opleiding als ordinaal handhaven en dan als 'interval' in de regressieanalyse gebruiken gaat veel vaker goed dan niet. Voor de zekerheid kun je altijd nog een scatterplot maken om te zien of opleiding een bij benadering tamelijk rechtlijnig verband met Y heeft (door te zien of de stijg/daling enigszins gelijk oploopt per sprong). Als daar gekke dingen gebeuren kun je altijd nog besluiten om dummies te maken (meetniveau verlagen), of in het ergste geval categorieen samenvoegen,