Mediatoren en moderatoren Flashcards
Mediatieanalyse
Modellen met uitsluitend directe en indirecte effecten
Hayes macro’s
SPSS sneltoetsen voor mediatie en moderatie. Je moet er een boek voor hebben zodat je modellen op kunt zoeken
Verschil padanalyse en procesanalyse
Bij padanalyse kijk je niet naar interactie, bij procesanalyse wel
Verschil confounder en mediator
Een confouncer is een noodzakelijke uitbreiding, als je deze niet meeneemt krijg je een vertekend beeld (ooienvaars en babys).
Een mediator is geen noodzakelijke uitbreiding, zonder deze krijg je hetzelfde totaal causaal effect
LLCI
Lower Limit conficence interval
basis mediatiemodel
Model met 1 mediator
Wanneer spreek ge van gemodereerde mediatie?
Als de sterkte van indirecte effecten afhangt van andere variabelen
Stap 1 mediatieanalyse
Vertalen van hypotheses naar een statistisch model
Stap 2 mediatieanalyse
Schatten van effecten in de data met afzonderlijke regressieanalyses
Hoe heeft een mediatie effect op een totaal causaal effect
Niet, als je deze niet meeneemt krijg je eenzelfde waarde voor het totale causale effect
Bootstrapping
– We beschouwen de voorliggende steekproef als een representatie van de populatie.
– We genereren een groot aantal ‘nieuwe’ steekproeven (bijv. 5000) met dezelfde steekproefgrootte door willekeurige personen uit de voorliggende steekproef te trekken met teruglegging. Elke steekproef wordt een bootstrap sample genoemd. Omdat we eenheden samplen met terugleggen kunnen personen meerdere keren in de steekproef voorkomen, daardoor ziet elke bootstrap sample er net iets anders uit. Dus uiteindelijk hebben we 5000 verschillende bootstrap samples.
– Voor iedere bootstrap sample wordt het indirecte effect geschat. Dit levert 5000 verschillende schattingen, waarbij de verschillen volledig toe te schrijven zijn aan sampling errors. De standaarddeviatie van de gerealiseerde
bootstrapwaarden is een schatting van de standaardfout (ENG: standard error) => in Hayes aangeduid met bootSE
– Vervolgens wordt op de gebruikelijke manier het 95% betrouwbaarheidsinterval opgesteld:
schatting effect +/- 1.96 x bootSE.
– Ligt de waarde 0 BINNEN het interval, dan is het indirecte effect NIET significant!
Wat is het voordeel van bootstrappen
Het voordeel van de bootstrap is dat je niet hoeft aan te nemen dat de data normaal verdeeld zijn; je neemt
wel aan dat de steekproevenverdeling van de schatting normaal verdeeld is (minder strenge aanname).
Hoeveel bootstraps moet je doen voor eenvoudige modellen?
5000 of meer. Voor complexere meer
Wat wil moderatie zeggen?
“De sterkte van het effect van X op Y hangt af van een derde
variabele Z” (niets meer, en niets minder!)
Conditionele effect
Het effect van X op Y voor één specifieke waarde van Z
noemen we het conditionele effect. Het is het effect van X op
Y onder de conditie dat Z = ……
Wat heb je wanneer je geen conceptueel onderscheid maakt tussen de variabelen bij moderatie
Wanneer we geen conceptueel onderscheid maken tussen de
variabelen, dan spreken we van interactie tussen X en Z. In
het voorbeeld: variabelen X en Z interacteren in hun effect op
Y, zonder dat we één van beide variabelen als moderator
aanwijzen.
Modelleren
(wiskundig) samenvatten, beschrijven, en/of structureren van data
Interpreteren
inhoudelijke betekenis geven
Typische vragen modelleren
- Hoe stel je model op?
- Wat betekenen de modelparameters?
- Welke (statistische) aannames worden gemaakt?
- Schatten van modelparameters en significantie
Typische vragen interpreteren
- Wat is het antwoord op de onderzoeksvraag gegeven de resultaten?
- Wat betekenen de resultaten vanuit vakinhoudelijk perspectief; zijn de
resultaten consistent met verwachtingen en/of eerdere studies; is het effect praktische relevant?
Wiskundige interpretatie bij een multiple regressie zonder interactie, bij 𝑌′= 𝑎 + 𝑏1𝑋1 + 𝑏2X2
Als 𝑋1 één eenheid toeneemt, en 𝑿𝟐 blijft constant, dan neemt 𝑌′ met 𝑏1 eenheden toe. Het maakt niet uit welke waarde 𝑋2 heeft, zolang de waarde maar constant blijft
Y′ = 𝑎 + 𝑏1X1 + 𝑏2X2 + 𝑏3( X1 ∙ X2)
Wat zegt a?
𝑎 is de voorspelde waarde (Y′) voor personen met 𝑿𝟏 = 𝟎 én 𝑿𝟐 = 𝟎
Y′ = 𝑎 + 𝑏1X1 + 𝑏2X2 + 𝑏3( X1 ∙ X2)
Wat zegt b1?
𝑏1 is het effect van X1 op Y′ voor 𝑿𝟐 = 0 (= conditioneel effect!!)
Y′ = 𝑎 + 𝑏1X1 + 𝑏2X2 + 𝑏3( X1 ∙ X2)
Wat zegt b2?
𝑏2 is het effect van X2 op Y′ voor 𝑿𝟏 = 0 (= conditioneel effect!!)
Y′ = 𝑎 + 𝑏1X1 + 𝑏2X2 + 𝑏3( X1 ∙ X2)
Wat zegt b3?
𝑏3 is de mate waarin het effect van X1 op 𝑌’ verandert als X2 met eenheid toeneemt (“effect modifier”), en evenzo de mate waarin het effect van X2 op 𝑌’ verandert als X1 met eenheid toeneemt (“effect modifier”)
Algemene regel voor het interpreteren van regressiecoefficienten?
je moet de regressiecoëfficiënten (effecten) altijd in de context van het model bekijken (zoals we dat ook bij padanalyse zagen!).
Hoe ziet het eruit als je het effect van X1 weergeeft als functie van de moderator X2?
𝑌′ = 𝑎 + 𝑏2𝑋2 + (𝑏1 + 𝑏3𝑋2) 𝑋1
3 manieren om te kijken naar de conditionele effecten in inhoudelijk gezien relevante groepen
Een veel gebruikte methode is door te kijken naar de conditionele effecten voor respondenten met een gemiddelde score op de moderator, respondenten met een moderatorscore van één SD onder het gemiddelde, en een moderatorscore van één SD boven het gemiddelde. Je vergelijkt dan drie groepen die verschillen op de moderator: relatief hoog, relatief laag, en gemiddeld.
Een variant is door te kijken naar personen op 16de, 50ste en 84ste percentiel. Deze methode is
met name interessant als de moderator niet normaal verdeeld is (en gezien de algemene
toepasbaarheid is dit de default in Hayes).
Je kunt ook je eigen groepen kiezen! Bijvoorbeeld op basis van normgegevens of klinische (diagnostische) cutoffs. Dit vereist soms wel wat extra stappen.
Johnson Neyman procedure
De Johnson-Neyman-procedure berekent de specifieke waarde(n) van
de moderator waarbij het conditionele effect van X op Y overgaat van niet significant naar significant, of omgekeerd.
Wat te doen bij je moderatieanalyse wanneer er geen significant interactieeffect is?
stap over naar een multiple regressiemodel zonder de interactie-term: bv. Hoe groot is het (partiële) effect van EXP op ADOPT?
Wat te doen bij moderatieanalyse wanneer er wel een significant interactieeffect is?
kijk naar de conditionele effecten (probing) door een inhoudelijke bril:
* Zijn de conditionele effecten allemaal significant (binnen de leeftijdsrange van de onderzochte
groep)?
* Binnen welke leeftijdsgroepen zijn de conditionele effecten significant?
* Hoe groot zijn de effecten, en wat kun je zeggen over de praktische relevantie van de gevonden
effecten?
