Hoofdstuk 11: Factoriële Designs Flashcards
Een factor
een onafhankelijke variabele in een experiment, specifieker degene die twee of meer
onafhankelijke variabelen bevatten.
Een factorieel design
een onderzoeksdesign dat twee of meer factoren bevat.
Dit soort design is vaak vernoemd naar het aantal factoren, vb. een twee-factorendesign of een
drie-factorendesign… Een studie met maar één onafhankelijke variabele is een single-factordesign.
Hoofdeffecte
De gemiddelde verschillen tussen de levels van een factor worden het hoofdeffect van die factor
genoemd. Wanneer de studie wordt gerepresenteerd als een matrix met een factor die de rijen
voorstelt en de tweede factor die de kolommen voorstelt, dan definiëren de gemiddelde verschillen
tussen de rijen het hoofdeffect voor een factor en de gemiddelde verschillen tussen de kolommen
definiëren het hoofdeffect voor de tweede factor. Merk op dat een tweefactorenstudie twee
hoofdeffecten heeft; een voor elk van de twee factoren.
De interactie tussen factoren
Een interactie tussen factoren (of een interactie) komt voor wanneer twee factoren, die samen
voorkomen, gemiddeldeverschillen produceren die niet verklaart worden door de hoofdeffecten van
de twee factoren. Aan de andere kant, als het hoofdeffect voor een factor evenzeer van toepassing is
over alle levels van de tweede factor, dan zijn de twee factoren onafhankelijk en is er geen interactie.
Een interactie
Een interactie bestaat tussen de factoren wanneer de effecten van een factor afhankelijk zijn van de verschillende levels van een tweede factor.
Wanneer de resultaten van een tweefactorenstudie in een grafiek worden gezet, is het bestaan van
niet-parallelle lijnen (lijnen die kruisen) een indicatie van een interactie tussen de twee factoren.
Interacties identificeren
Om een interactie in een datamatrix te identificeren, moet je de gemiddelde verschillen in elke individuele rij (of kolom) vergelijken met de gemiddelde verschillen in andere rijen of kolommen. Als de grootte en de richting van de verschillen in een rij (of kolom) hetzelfde zijn als de overeenkomstige verschillen in andere rijen (of kolommen), dan is er geen interactie. Als de verschillen veranderen van de ene rij (of kolom) tot de andere, dan is er bewijs van een interactie. Maar merk op dat het bestaan van verschillen gewoon een interactie aantoont. Een statistische test is nodig om te bepalen of de interactie significant is.
De tweefactorenstudie laat onderzoekers toe om drie aparte sets gemiddelde verschillen te
evalueren:
- De gemiddelde verschillen van het hoofdeffect van factor A.
- De gemiddelde verschillen van het hoofdeffect van factor B.
- De gemiddelde verschillen van de interactie tussen factoren.
De drie sets gemiddelde verschillen zijn apart en compleet onafhankelijk. Dus het is mogelijk voor de
resultaten van een tweefactorenstudie om elke mogelijke combinatie van hoofdeffecten en
interactie te laten zien!
Een mixed design
een factoriële studie dat twee verschillende onderzoeksdesigns combineert. Een algemeen vb. van een mixed design is een factoriële studie met een between-subjectsfactor en een within-subjectsfactor.
Een gecombineerde strategie studie
gebruikt twee verschillende onderzoeksstrategieën in hetzelfde factoriële design. Een factor is een echte onafhankelijke variabele (experimentele strategie) en een factor is een quasionafhankelijke variabele (niet-experimentele of quasi-experimentele strategie).
Die tweede factor, de quasionafhankelijke variabele, valt gewoonlijk in een van de volgende
categorieën:
- Een reeds bestaand participantkenmerk zoals leeftijd of gender. Merk op dat bestaande
participantkenmerken niet-equivalente groepen creëren; dus is deze factor een
quasionafhankelijke variabele. Designs die een participantkenmerk toevoegen als een
tweede factor zijn persoon-omgevingsdesigns (PxE) of persoon-situatiedesigns. - Tijd. Men vraagt zich af hoe de verschillende behandelingseffecten aanhouden over de tijd.
Merk op dat tijd niet gecontroleerd of gemanipuleerd wordt door de onderzoeker, dus deze
factor is een quasionafhankelijke variabele.
Hogere-orde factoriële designs
complexe designs die drie of meer factoren inhouden.
De logica voor het definiëren en interpreteren van hogere-orde interacties volgt het patroon van
twee-wegeninteracties. Een drie-wegeninteractie zoals A X B X C duidt aan dat de
tweewegeninteractie tussen A en B afhankelijk is van de levels van factor C.
Een eerdere studie uitbreiden en repliceren
Omdat huidig onderzoek de neiging heeft om op vorig onderzoek voort te bouwen, zijn factoriële
designs veel voorkomend en zeer handig. In een single-factor studie, kan een onderzoeker eerder
onderzoek repliceren en uitbreiden. De replicatie houdt in dat men de eerdere studie herhaalt door
dezelfde factor of onafhankelijke variabele exact te gebruiken zoals in de eerdere studie. De
uitbreiding houdt in dat men een tweede factor toevoegt in de vorm van nieuwe condities of nieuwe
participantkenmerken om te bepalen of de vorige gerapporteerde effecten gegeneraliseerd kunnen
worden naar nieuwe situaties of nieuwe populaties.
Variantie reduceren in Between-Subjects Designs
Een probleem voor BSD is het simpele feit dat verschillen tussen participanten kunnen resulteren in
grote variantie voor de scores binnen een behandelingsconditie. Grote variantie kan het moeilijk
maken om significante verschillen op te merken tussen behandelingscondities.
Gelukkig bestaat er een relatief makkelijke oplossing dat de onderzoeker toestaat om de variantie in
groepen te verminderen zonder validiteit op te geven. De oplossing houdt in dat men de specifieke
(potentieel verstorende) variabele als een tweede factor gebruikt en daarmee een
tweefactorenstudie creëert!
Volgorde-effecten in WSD evalueren
Omdat volgorde-effecten de werkelijke effecten van een behandelingsconditie kunnen veranderen/ verstoren, worden ze over het algemeen als verstorende variabelen beschouwd die uit de studie moeten worden verwijderd.
In sommige gevallen wil een onderzoeker echter de volgorde-effecten onderzoeken (waar en hoe groot ze zijn). Het is mogelijk om een onderzoeksdesign te maken dat de volgorde-effecten daadwerkelijk meet en deze van de rest van de data onderscheidt.
Geen volgorde-effecten:
Wanneer er geen volgorde-effecten zijn, maakt het niet uit indien een behandeling eerst of
tweedes wordt gepresenteerd. De data tonen een patroon van geen interactie. Het maakt
geen verschil of een behandeling als eerste of als tweede wordt gepresenteerd, het
gemiddelde blijft hetzelfde.