Evalueren van padmodellen

Question 1

Totaal causaal effect

Answer 1

Direct + Indirect effect

Question 2

X1 -b1> M -b2> X2

Hoe bereken je de toename in X2 als X1 1 eenheid toeneemt

Answer 2

Als X1 met 1 eenheid toeneemt neemt X2 met b1.b2 eenheden toe

Question 3

Van welk type model gaan we uit bij padmodellen

Answer 3

Gestandaardiseerde modellen

Question 4

Decompositieregel

Answer 4

De correlatie tussen 2 variabelen is gelijk aan de som van het directe effect, de indirecte effecten, de schijnrelatie en de onbekende effecten

Question 5

Waaruit is een correlatie opgebouwt

Answer 5

• Directe effecten
• Indirecte effecten
• Schijnrelaties
• Onbekende effecten

Question 6

Wright tracing rules

Answer 6

1. Je ‘loopt’ of altijd met de richting van de pijlpunten mee, of je begint tegen de richting van de pijlen in en wisselt hooguit één keer van richting
2. Je mag dezelfde variabele niet meerdere keren passeren. Elke variabele komt maar één
   keer voor in het pad.
3. Je mag maar 1x een onbekend effect meenemen

Question 7

Werkwijze Wrights tracing rules

Answer 7

1. Je zoekt alle modelijke paden die voldoen aan de spelregels
2. Al deze paden dragen bij aan de correlatie
3. Je telt van elk pad de componenten bij elkaar op

Question 8

Hoe bereken je het indirecte effect?

Answer 8

Het indirecte effect is gelijk aan het product van de padcoëfficiënten!

Question 9

Hoe bereken je het gestandaardiseerde indirecte effect

Answer 9

Het gestandaardiseerde indirecte effect is gelijk aan het product van de gestandaardiseerde
padcoëfficiënten!

Question 10

Verwachte correlaties synoniem

Answer 10

Geimpliceerde correlaties

Question 11

Welke correlatie verwacht je bij enkel een direct effect

Answer 11

de verwachte correlatie tussen twee
variabelen waarvoor het model alleen een direct effect veronderstelt is gelijk aan het gestandaardiseerde effect

Question 12

Welke geimpliceerde correlatie krijg je bij schijnsamenhang?

Answer 12

wanneer er sprake is van een (zuivere) schijnsamenhang, dan is de geïmpliceerde correlatie gelijk aan het product van de gestandaardiseerde padcoëfficiënten die bij de directe effecten horen van de confounder op de andere variabelen.

Question 13

Wat is de geimpliceerde correlatie bij een model met meerdere mediators

Answer 13

de geïmpliceerde correlatie tussen X1 en X2 – volgens dit model – is gelijk aan het product van de gestandaardiseerde padcoëfficiënten

Question 14

2 relevante vragen voor het herleiden van het verband tussen X en Y

Answer 14

1. Hoe vinden we alle directe effecten, indirecte effecten, schijnverbanden en onbekende effecten tussen X
   en Y?
2. En hoe berekenen voor elk van die effecten de bijdrage aan de geïmpliceerde correlatie tussen X en Y?

Question 15

Wat is een parameter?

Answer 15

Alle te schatten coëfficiënten – inclusief de correlaties
(onbekende effecten) tussen de exogene variabelen – zijn
de parameters van het model

Question 16

Wanneer is een model verzadigd?

Answer 16

Wanneer het padmodel evenveel parameters heeft als het aantal unieke correlaties tussen de variabelen in het model, dan is het model verzadigd (Eng: saturated).
De geïmpliceerde correlaties zijn dan precies gelijk aan de geobserveerde correlaties.

Question 17

Hoeveel vrijheidsgraden heeft een verzadigd model?

Answer 17

0

Question 18

Wat is er aan de hand wanneer een model meer parameters heeft dan unieke correlaties?

Answer 18

Wanneer een model meer parameters heeft dan unieke correlaties, dan is het model niet- geïdentificeerd. Dit betekent dat er
geen unieke oplossing is (net zoals 𝑥 + 𝑦 = 5 oneindig veel oplossingen heeft). Het aantal vrijheidsgraden is negatief (df < 0).

Question 19

Wat zijn de vrijheidsgraden bij een niet-geidentificeerd model

Answer 19

Deze zijn negatief

Question 20

Recusiviteit en geidentificeerdheid

Answer 20

Recursieve modellen zijn altijd geidentificeerd

Question 21

Hoe bereken je het aantal unieke correlaties

Answer 21

(aantal variabelen * (aantal variabelen -1) / 2

Question 22

Wanneer kun je iets zeggen over de fit?

Answer 22

Door bij onverzadigde modellen naar de verschillen in geobserveerde en
geïmpliceerde correlaties te kijken kunnen we iets zeggen over de fit

Question 23

Wat als het model minder parameters heeft dan unieke correlaties?

Answer 23

Wanneer het model minder parameters heeft dan unieke correlaties, dan zijn de
voorspelde correlaties en geobserveerde correlaties niet noodzakelijk hetzelfde:
hoe groter de verschillen, hoe slechter de fit!

Question 24

Waar draait modelfit om?

Answer 24

Model fit gaat om de vraag hoe goed het padmodel – dus de hypothesen over de onderliggende causale processen – in staat is om
de geobserveerde correlaties te reproduceren.

Question 25

Residuele correlatie

Answer 25

geobserveerde correlatie – geïmpliceerde correlatie

Question 26

Wanneer heb je een behoorlijke misfit?

Answer 26

Als je residuele correlatie groter is dan 0.1

Question 27

h0 bij de chi kwadraat toets

Answer 27

H0 : alle residuele correlaties zijn gelijk aan 0 (in de populatie)

Question 28

Wat als H0 niet wordt verworpen bij de chi kwadraat toets?

Answer 28

Dus, als H0 niet wordt verworpen (𝑝 > 𝛼), dan vallen de geobserveerde residuele correlaties binnen de steekproevenfluctuaties (kort door de bocht: redelijke kans dat je residuen van deze orde van grootte ziet onder H0). Er is onvoldoende bewijs tegen het model; we houden we het model aan! Het model geeft statistisch gezien een plausibele weergave van de onderliggende causale processen (m.a.w., dit zou het kunnen zijn, maar we weten het niet zeker).

Question 28

Wat als H0 wel wordt verworpen op de chi kwadraat toets

Answer 28

Als H0 wel wordt verworpen (𝑝 ≤ 𝛼) – d.w.z., de 𝜒2-kwadraat toets is significant – dan past het model onvoldoende bij de data en zullen we het model moeten verwerpen. We hebben overtuigend bewijs dat – statistisch gezien – het model geen plausibele verklaring geeft van de onderliggende causale processen. We kunnen het model aanpassen (paden toevoegen!) en dan opnieuw naar de fit kijken.