Lecture 25: Moderation analysis

Question 1

moderation definitie

Answer 1

In statistics and regression analysis, moderation occurs when the relationship between two variables depends on a third variable. The third variable is referred to as the moderator variable or simply the moderator. The effect of a moderating variable is characterized statistically as an interaction.

Question 2

dus moderation =

Answer 2

interactie-effect

Question 3

wat voor soorten effecten heb je dus

Answer 3

main effects (b1 and b2)
interaction effects (b3: pred * mod)

Question 4

even naar schrift kijken, vooral voor moderation en mediation

Answer 4

okeeeee

Question 5

full model =

Answer 5

the whole model, with all the main effects and the interaction effect

Question 6

wat kun je zien uit de output die laat zien wat de t values bij A, B en AB zijn

Answer 6

of deze slopes individually significantly verschillen van 0

Question 7

een interactie-effect =

Answer 7

one variable affects the effect of another variable

Question 8

hoe moet je een interactie effect interpreteren

Answer 8

je kan hem interpreteren als A influences B, or B influences A.

hier goed op letten tijdens tentamen!!!!!

Question 9

moderator effect of z on x and y -> hoe moet je dit zien in 3D plot?

Answer 9

door te kijken naar of dit effect depends on the level of z.
daarvoor moet je je 3D plot op splitsen. -> planes of standard deviations.

Question 10

wat doe je bij hypothesis testing van de moderation analysis

Answer 10

kijken of de slope significant verschilt van 0 -> via t statistics.

Question 11

wat is de alternative model en wat is de null model

Answer 11

alternative = predicting with the z, y and x. -> combined, all of these effects make for a significantly better prediction als hij significant is, anders hebben deze factors geen significant betere prediction.

null = predicting the mean

Question 12

wat krijg je met fit in R

Answer 12

dan krijg je de regressie coefficients, die je dus in deze formule kan toevoegen:

outcome = b0 + b1predi + b2modi + b3* bredi * mod

Question 13

hoe kan je met kleine betas toch nog een significant verschil hebben

Answer 13

• very low standard deviation in the predictor variable
• high sample size

leads to

very small standard error, wat leidt tot sneller een groot effect zien.

Question 14

hoe zie je het interactie effect in een 3D plot

Answer 14

door de curve van de plane, dus de buiging die het maakt!

Question 15

wat kan je zien bij de correlation tab

Answer 15

allows you to show your a predictor, for a certain level of your b predictor

hier kan je dus het interactie effect mee zien! als a verschilt voor verschillende levels van b dan is er een interactie effect!

dit laat dezelfde info zien als de cube met de planes: elke lijn is een plane.

Question 16

hoe doe je een moderation analysis in JASP

Answer 16

linear regression -> dependent en independent toevoegen (independent is beiden!!!) -> model: interactie effect toevoegen.

Question 17

wat laat model summary doen

Answer 17

hoe goed de null model vs de alternative model deed in de analysen

Question 18

ANOVA model wat laat die zien

Answer 18

hoeveel beter de alternatieve deed vs de null, bij F statistic

Question 19

wat laat coefficients zien

Answer 19

allows us to zoom in on the predictor variables

Question 20

dus wat kijkt naar full model, en wat naar predictors

Answer 20

full = model summary & ANOVA
predictors = coefficients

Question 21

wat kan je doen om naar de interactie effect te kijken

Answer 21

• kijken naar interactie effect onder coefficients
• de predictor en moderator toevoegen aan null model, en dan kijken naar het interactie effect

Question 22

als je de predictor en moderator toevoegt aan de null model, welke twee waardes laten dan hetzelfde zien en waardoor komt dat

Answer 22

• de F change in model summary model (want dan is het interactie effect het enige verschil)
• de t statistic van de interactie effect onder coefficients

komt doordat F = t^2

Question 23

waar staat een f value gelijk aan

Answer 23

t^2 !!

Question 24

assumpties moderation analysis

Answer 24

• multicollinearity

Question 25

hoe zie je multicollinearity

Answer 25

door collinearity diagnostics: VIF

Question 26

waarom is een hoge multicollinearity bij het interactie effect niet super problematisch

Answer 26

omdat het interactie effect uit zichzelf al bestaat uit de twee predictor variables -> er is dus sowieso een correlation! want dit is een onderdeel ervan. we kijken dus NIET naar de VIF van het interactie effect!!!!!!!!!!!!!!!

belangrijk

Question 27

wat krijg je als je het predictor variable categorical maakt

Answer 27

ANCOVA!

Question 28

wat was een assumptie van ancova

Answer 28

homogeneity of regression slopes

Question 29

hoe check je homogeneity of regression slopes=

Answer 29

means there is no interaction between your covariate and your predictor. maar hier kijken we juist naar -> dus een interactie effect is niet perse erg, maar je moet het dan gewoon in je model doen!!!

Question 30

wat kan je zien bij ancova

Answer 30

het interactie effect, onder descriptives -> plots.