interpreteren van kwadratisch effect

Question

Hoe moet ik de uitkomsten van een groeimodel precies interpreteren als ik een significant eerste interactie effect heb waaruit blijkt dat klachten afnemen (de verschilwaardes met controlegroep zijn groot en in de -)  en tegelijkertijd ook een significant kwadratisch interactie effect heb waaruit blijkt dat de klachten juist, wel heel miniem in de +, toenemen.

Ik merk dat ik niet helemaal goed begrijp wat dat kwadratische effect nu eigenlijk zegt. Moet ik die los van het eerste effect zien en dus concluderen dat er een mogelijkheid is dat het model rekening houdt met dat over een langere tijd er helemaal geen positieve effecten (klachten die afnemen) te verwachten zijn maar eerder hele lichte negatieve effecten (klachten nemen heel klein beetje toe) of moet ik de kwadratische effecten meenemen/optellen met het eerste effect en concluderen dat de effecten na verloop van tijd stabiliseren en iets minder positief worden?

Answer 1

Ik denk dat dit gaat over de eindopdracht. Het is daarbij van belang om de veranderingen in de tijd grafisch weer te geven. Als je een model hebt waarbij naast de lineaire effecten ook (sign) kwadratische effecten (= parabolisch /kromlijnig) in de tijd hebt, dan zijn kromlijnige verbanden dus zinvol om de data te beschrijven. Daarnaast kunnen ook interacties tussen een factor en de variabele tijd (en tijd^2) relevant zijn. Het is zaak om in zo'n model alle hoofdeffecten, alle twee-weginteracties en hogere-orde interactties op te nemen (bijv. Conditie X Tijd X Tijd^2). Een plaatje dat het verband tussen tijd en de afh variabelen weergeeft voor de verschillende condities kan je verder inzihct geven in de aard van de verschillen. De gemiddelde voorspelde scores op de afh variabele kun je daarbij plotten. Is dit een antwoord op jouw vraag?  

MvG, Rolf

Comments

Ik geloof het wel. Tenminste als ik dus begrijp dat de lineaire en kwadratische effecten niet los van elkaar staan maar dat ze tegelijkertijd een rol spelen. (en het dus niet zo is dat omdat het kwadratische effect significant is alleen die verschilwaardes ertoe doen en ze de eerdere verschilwaardes van het lineaire effect te niet doen)

---

Je kunt een model zien als een complexe vergelijking met meerdere componenten. Denk aan een eenvoudige parabool y = b1*X + b2*X^2 + a.  Deze is opgebouwd uit een intercept a, een lineaire trend en een kromlijnige trend die samen één enkele curve vormen. Zo kun je ook kijken naar een model met meerdere complexe termen. Door voro de verschillende condities een plaatje te maken met tijd op x-as en de afh variabel op y-as, krijg je nizihct de aard van de verbanden en verschillende trends.

MvG, Rolf

---

Ja precies, ik was weer in verwarring geraakt maar het is me nu echt helder, dank!