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
Ik onderzoek het effect van Interactieniveau op Ontspannen bij multileveldata. Interactieniveau kent 4 niveaus. Wat ik wil weten is of de effecten voor de verschillende niveaus op Ontspannen significant van elkaar verschillen (binnen de multileveldata). Als ik op zoek hoe ik dat moet doen dan kom ik op twee verschillende manieren uit, die verschillende resultaten geven. De twee manieren zijn pairwise comparison of contrasten. De syntax met contrasten geeft aan dat de vergelijkingen die ik heb ingevoerd allemaal significant van elkaar verschillen, ook tussen het 3de en 4de niveau. Terwijl er bij pairwise comparison wordt aangegeven dat er geen significant verschil is tussen het 3de en 4de niveau (wel tussen de andere niveaus).

Mijn begeleider heeft aangeraden de vraag hier te stellen.

Deze syntax geeft een pairwise comparison voor de verschillende niveaus gecorriceerd met de Bonferonni test:

MIXED mOntspannen BY Interactieniveau

/CRITERIA=CIN95

/FIXED=INTERCEPT Interactieniveau | SSTYPE(3)

/METHOD=REML

/PRINT=SOLUTION TESTCOV

/RANDOM=INTERCEPT Interactieniveau | SUBJECT(subjID)

/REPEATED=SessionInstance | SUBJECT(subjID) COVETYPE(AR1)

/EMMEANS=TABLES(Interactieniveau) COMPARE ADJ(BONFERONNI).

De syntax met contrasten ziet er min of meer hetzelfde uit, behalve dat het EMMEANS commando anders is en het TEST commando is toegevoegd:

...

/EMMEANS=TABLES(Interactieniveau)

/TEST='CONTRAST of Interactieniveau' Interactieniveau -6 2 3 1; Interactieniveau 1 3 -6 2; Interactieniveau 2 -6 1 3; Interactieniveau -6 1 2 3 divisor=4.

De vraag is welke van deze twee manieren de beste of juiste manier om er achter te komen of de verschillen tussen de interactieniveaus significant zijn. De interactieniveaus laten een verschillend effect zien op ontspannen, maar zijn die verschillen significant.

Verder heb ik ook een aantal vragen bij de contrasten, die zijn vooral belangrijk wanneer blijkt dat ik voor mijn vraag het beste een test met contrasten kan gebruiken.

- Wat meet ik hier precies met contrasten? (ik denk dat ik hiermee meet of de verschillen tussen de niveaus significant zijn, maar is dat ook echt zo?)

- Zijn mijn contrasten zo goed gekozen? De verwachting is dat het hoogste niveau zorgt voor de meeste ontspanning. Het gaat om de aanwezigheid, afwezigheid, passieve of actieve interactie van/met een huisdier. De contrasten zijn als volgt verdeeld:

afwezig = interactieniveau1 = contrast -6

aanwezig = interactieniveau2 = contrast 1

passieve interactie = interactieniveau3 = contrast 2

actieve interactie = interactieniveau 4 = contrast 3

- is de divisor een getal wat staat voor het aantal testen of voor het aantal contrasten? (ik dacht het aantal testen)
in Longitudinaal Onderzoek (PB17x2) door (120 punten)

1 Antwoord

0 leuk 0 niet-leuks
Dag Eline,

/ Het is niet zo duidelijk hoe je design in elkaar zit. Ik zie een repeated statement met AR1, wat suggereert dat er meerdere metingen zijn gedaan. Het is van belang om te weten of je veranderingen in de tijd wilt meenemen als onderdeel van een vraag naar de effectiviteit van een interventie.

/Jouw vraag over contrasten staat daar m.i. mee in verband. Ik begrijp trouwens de 4 categorieën over interactieniveau niet goed (zijn dat 4 verschillende condities?)

/ Kijk eens naar wat bronnen over constrasten. Er bestaan verschillende soorten (zie Field, maar ook Maxwell & Delaney - een bijzonder goed boek over exprimenteel onderzoek). De contrasten die jij noemt doen mij eerder denken aan polynoom-contrasten. Als je meerdere experimentele condities/categorieën hebt (waarvan één controlegroep), zijn Helmert constrasten vaak nuttig.

/ Ik vermoed dat je een design hebt, waarbij je goed moet nadenken wat je wilt weten (dus wat je a priori contrasten zijn) en hoe je de analyse inricht.

MvG, Rolf

Kijk eens in de spss documentatie, en lees daarnaast zelf over dummy-codering, contrasten e.d.
door (12.0k punten)
Hallo Rolf,

Bedankt voor je antwoord. Ik zal proberen een beter beeld te schetsen van mijn onderzoek:

Het gaat om een intensief longitudinaal surveyonderzoek met 50 meetmomenten op basis van ESM, respondenten vullen 5 dagen 10x dezelfde vragenlijst in, herhaalde metingen idd.

Het effect van 'interactieniveau' op 'ontspannen' wordt gemeten. Interactieniveau is een variabele met 4 niveaus; afwezig, aanwezig, passief en actief. De niveaus vertegenwoordigen de verschillende niveaus van interactie met je huisdier en zijn gehercodeerd uit twee andere variabelen, de aan of afwezigheid van je huisdier en wat je aan het doen bent met je huisdier; niks, trainen, spelen, verzorgen, knuffelen, etc.

De vraag is of de verschillende interactieniveaus van invloed zijn op ontspannen en of er dus significante verschillen zitten tussen de effecten van de verschillende niveaus.

Het gaat niet om een experiment met verschillende condities.

Een volgende analyse zal met een lag-variabele worden uitgevoerd, die bekijkt wat het effect is van 'interactieniveaus' op ontspannen 1 meetmoment later, waarbij het nog steeds de vraag is of de verschillen tussen de effecten van de verschillende niveaus significant zijn. Maar verder worden veranderingen in tijd niet meegenomen.

Ik zal me verder verdiepen in documentatie over contrasten. Maar, ik ben nog steeds ook benieuwd of mijn vraag beantwoord wordt door in SPSS te kiezen voor Linear Mixed Models, dan in het dialoogvenster Estimated Marginal Means of Fitted Models (EM Means) te kiezen voor de optie compare main effect..?

Groeten,

Eline
Dag Eline,

Ik heb het idee dat de onafhankelijke variabele "interactie-niveau" niet goed is aangemaakt, want aanwezig is m.i. verknoopt met passief en actief. Als je huisdier namelijk aanwezig is ben je ofwel actief of passief met je huisdier bezig. De categorie aanwezig kun je dus beter geheel weglaten, is mijn inschattiing (of klopt mijn redenering niet?). Met contrasten kun je juist goed overweg met zo'n soort variabele met drie categorieën (afwezig, passief, actief), want je dan met een contrast 2 -1 -1 het verschil tussen afwezig en aanwezig nemen en met 0 -1 1 of 0 1 -1 (afhankelijk van wat je verwacht) het verschil tussen de twee niveaus binnen aanwezig.  

Ik weet niet of je lagged variabelen nodig hebt om je onderzoeksvraag te beantwoorden (Wat is je hoofdvraag?). Als je onderzoeksvraag is of er verschillen zijn in mate van onspannenheid afhankelijk van het interactieniveau (afwezig, passief, actief) kun je volstaan met een eenvoudige analyse met SPSS MIXED. Een random intercept waarmee je de verschillen in onspannenheid tussen personen modelleert en daarnaast eventueel een repeated aspect om de herhaalde metingen per persoon te modelleren (bijv. AR1 of TP, zie SPSS documentatie) lijken te volstaan. Maar daarbij is het van belang om de structuur van de data in beschouwing te nemen; er zijn immers 10 metingen op 5 dagen.

Ik neem aan dat jouw begeleider thuis is in dit soort analyses, dus kun je het beste met hem/haar dit soort zaken doornemen. zie ook de cursus longitudinaal onderzoek.

MvG, Rolf
Hallo Rolf,

Bedankt voor je antwoord.

Ik heb daar een andere beleving bij. Regelmatig ben ik in de aanwezigheid van mijn huisdier zonder dat er sprake van interactie is. Ik ben dan bezig met andere dingen (en mijn hond in feite ook). Ik ben bijvoorbeeld aan het studeren en de hond slaapt, aanwezig maar geen interactie. M.i. een andere situatie dan wanneer je er bewust voor kies passief of actief met je huisdier bezig te zijn.

Onze verwachting was dat het effect op ontspannen bij elk volgend niveau zou toenemen. Het minst ontspannen bij afwezigheid van het huisdier en het meest ontspannen bij actieve interactie. De resultaten die we tot nu toe hebben lijken aan te geven dat de mate van ontspannen idd toeneemt bij elk hoger interactieniveau en dat alle verschillen significant zijn behalve tussen het 3de en 4de niveau (passieve en actieve interactie)

De verdeling tussen passief en actief hebben we gecontroleerd doordat respondenten bij elke bewuste activiteit met hun huisdier konden aangegeven in hoeverre ze iets aan het doen waren met hun huisdier. Ze konden dit een cijfer geven, 7 betekent dat je heel erg bezig bent met je huisdier en 1 nauwelijks (bij knuffelen geven ze dit bijvoorbeeld een lagere score dan voor trainen met het huisdier). Dit kwam overeen met de verdeling van activiteiten in niveaus; passieve of actieve interactie.

Gezien jouw opmerking is het te overwegen om de verdeling passief en actief weg te laten en afwezig, aanwezig(geen interactie) en interactie als interactieniveaus te kiezen. Alhoewel de vraag echt was om te onderzoeken welke soort activiteit met het huisdier zorgt voor welke mate van ontspannen. Met deze informatie zou je gericht dierondersteunde therapie kunnen ontwikkelen voor een bepaalde mate van ontspannen bijvoorbeeld. En er is kennelijk wel een oplopend verschil, deze lijkt echter niet significant te zijn voor deze 2 niveaus. M.i. geeft dit toch interessante informatie en zou ik er niet snel voor kiezen om één van de vier niveaus weg te laten uit het onderzoek.

De lagged-variabele komt van het idee dat een ontspannen gevoel vaak even op zich laat wachten na het doen van een activiteit, vandaar dat we dit ook één meetmoment later dan de interactie willen meten.

Dit zijn dan mijn 2 hoofdvragen, wat is effect van het interactieniveau op de mate van ontspannen in het momement en dezelfde vraag voor 1 meetmoment later.

Overigens maak ik me niet zo druk over de lagged-variabele. Het is vooral de vraag of de syntax van hierboven de juiste manier is om de verschillen tussen de niveaus met elkaar te vergelijken. Mijn begeleider en ik twijfelden hierover, vroegen ons af of er nog andere, betere manieren waren (bijvoorbeeld met contrasten) en of de Bonferonni correctie misschien te streng was..

Maar als ik het goed begrijp uit jouw opmerking dan zou bovenstaande syntax een antwoord op mijn vraag (het effect van de interactieniveaus op de mate van ontspannen) moeten geven?
Ik zit kennelijk niet goed genoeg in het onderzoek om mee te denken over de aard van de crucial onafhankelijke variabele. Het waren slechts wat overwegingen die te binnen vielen. Tot slot een paar algemene opmerkingen. Als je van tevoren theoretische verwachtingen hebt tav de verschillen in de afh. variabele (cf. hypotheses) dan kun je met a priori contraten werken (ook binnen SPSS MIXED). Post toetsen (zoals o.a. met Bonferonni-correcties om type I fout te beteugelen) doe je om achteraf te toetsen waar verschillen zijn als je eenmaal een omnibus hoofdeffect hebt aangetoond. Bij gewone ANOVA's is dat niet anders.

Veel succes met de analyses.  

MvG, Rolf
Bedankt Rolf, hier kan ik weer mee verder!
...