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!

0 leuk 0 niet-leuks

Studiecentrum Den Haag

Bron: Multiple regressie analyse

Beste docent,

Hoe interpreteer je een negative b-waarde te midden van overige positieve b-waarden in een multiple regressie analyse (zie uitvoer beneden)? De anova tabel geeft een significant verschil aan.

                  
Model        
                                                        B    Std. Error    Beta        t           sig
1    (Constant)                              1.331    .313                   4.252    .000
    zekere hechting                       .173    .068     .096    2.528      .012
    anstige hechting                      .126    .032    .174     3.992      .000
    vermijdende hechting              -.178    .036    -.185    -4.977    .000
    gepreoccupeerde hechting      .647    .045    .603    14.437     .000

a Dependent Variable: sociotropie                        
 

MvG,

Ezra Niessink

 

in Cross-sectioneel Onderzoek (OCO, PB08x2) door (510 punten)

1 Antwoord

0 leuk 0 niet-leuks
Beste Ezra,

je interpreteerd het antwoord eigenlijk niet anders dan je normaal een negatief effect zou interpreteren: de hoger X, de lager Y.

Bij iedere interpretatie van regressiegewichten in een multipele regressieanalyse raad ik aan om er steeds bij te denken 'het effect van [X] wanneer de andere effecten op nul worden gezet". In de multipele regressie wordt de 'unieke' bijdrage van een variabele berekend door de overige variabelen in de analyse op nul te zetten (en zo weg te filteren).

In dit concrete voorbeeld zou je dus kunnen zeggen, dat wannneer je controleert voor de score op overige hechtingsstijlen, er een negatief effect is tussen vermijdende hechting en sociotropie. Maw: de hoger de score op vermijdende hechting, de minder de score op sociotropie.

Je kunt de B's en de Beta's vervolgens gebruiken om te evalueren welke hechtingsstijlen het grootste unieke gewicht dragen in het voorspellen van iemands mate van sociotropie.

Groet,

Ron
door (63.5k punten)
Bedankt Ron. Minder ingewikkeld dan aangenomen. Mag ik je nog een additionele vraag stellen. Situatie multiple regressie: blok 1 heeft 2 onafhankelijke variabelen x & y. Blok 2 heeft ook de twee onafhankelijke variabelen x & y en het interactie effect tussen de twee variabelen x*y.

Stel nu dat in blok 1 er een hoofdeffect is voor x maar niet voor y.

In blok 2 is er geen significant voor x en ook niet voor y, maar het interactie effect x*y is wel significant. Hoe interpreteer ik dit dan? Derogeert de moderator y dan het effect van x op de afhankelijke variabele? Of is alleen het interactie effect relevant en doet het niet meer significant zijn van het hoofdeffect x er niet meer toe?
Ik zou de uitkomsten van blok 1 niet teveel interpreteren. Dit zou ik puur zien als een baseline om blok 2 tegen te kunnen toetsen. Niet alleen de interactie moet significant zijn, maar je wilt ook een significante toename in R^2 zien.

Wanneer je dan kiest voor een model inclusief interactieeffect, dan zou ik puur dat blok interpreteren. De hoofdeffecten worden eigenlijk dan niet meer geinterpreteerd. Het kan nooit kwaad om ze te toetsen, maar ze zeggen zo weinig. Het kan best zijn dat hoofdeffecten niet significant zijn, omdat de interactie een cross-over interactie betreft (een kruisvorm). Dit is in het geval van pure kruisverbanden dan ook te verwachten. Wellicht helpt het om een plaatje te tekenen van de interactie, zodat je kunt zien of het een cross-over interactie betreft.
...