Prikbord van Leonie Groenewoud

Dank voor je antwoord.

ik realiseerde me niet dat de variabelen voor de experimentele conditie voorlichting zijn gemeten en in die zin ook rm zijn! Voor vetconsumptie 1 had ik me dat wel gerealiseerd, maar niet voor de andere variabelen.

Gelijk wel de vraag hoe dat zit met de experimentele conditie kleding. Deze gaat nog vooraf aan de eerste vragenlijst. Zou je dat nog kunnen duiden?

De manova heb ik gedaan, omdat ik - zoals in Field 5e editie, H. 13, p. 581 staat- voor de start met de hoofdanalyse wilde testen of de covariaat onafhankelijk is van de experimentele conditie. Of zoals Field op deze pagina stelt: 'whether experimmental groups differ on the covariate before fitting the model.' Output 13.3 op p. 586 van Field geeft een tabel die je via One Way anova of via general lineair/univariate krijgt. Dit heb ik opgevat als: je moet de eerste assumptie van onafhankelijkheid testen met een 'gewone' anova met de potentiële covariaat als afhankelijke variabele. Maar omdat er twee factoren zijn, conditie en kleding, heb ik dit met een manova gedaan.

Maar goed, ik ga nog maar eens puzzelen.

Ik heb iets te weinig informatie om je vraag goed te beantwoorden, maar ik zou beginnen met afvragen waarom je in een zuiver experimenteel ontwerp covariaten opneemt. Als je een RM-ANOVA doet dan neem je duidelijk niet de voormeting als covariaat op. Deze covariaten weglaten lost denk ik al veel van je problemen op.
Ook is mij niet duidelijk waarom je eerst een MANOVA nodig hebt? Is het niet voldoende om een model te speficeren in de RM-ANOVA waarbij je de covariaat opneemt, inclusief de interactie tussen between-factoren en de covariaat?
Ik zou ook sekse nooit als covariaat kiezen. Veel mensen lijken dit te doen, maar datatechnisch is het een beetje onzinnig, omdat sekse een categorische variabele is, dus als between-subject factor zou moeten worden opgenomen. Ook belangrijk: covariaten gaan niet over ‘hoe ze verdeeld zijn over condities’. De allerbelangrijkste vraag is: hebben de covariaten een (onafhankelijke) covariatie met de afhankelijke variabele? Als dat niet het geval is dan boeit het eigenlijk ook niet of ze gelijk of ongelijk over de groepen verdeeld zijn. Een zéér technisch puntje, maar als de ongelijke verdeling over condities een impact heeft op de resultaten, dan is er sprake van collineariteit tussen predictoren en covariaten; en dan is de covariaat strikt genomen geen covariaat meer, maar een confounder.