Thema 2 Moderatie Flashcards
Moderatie analyse
Wanneer een variabele het effect van een andere variabele op een criteriumvariabele beïnvloedt, spreken we van moderatie. Rekenkundig gezien betekent dit dat er een interactie-effect aanwezig is. Interactie-effecten zijn eerder behandeld in het Onderzoekspracticum experimenteel onderzoek (EO). Bij EO waren de predictoren alleen van nominaal meetniveau. De analyses die hierbij horen, worden meestal variantieanalyses genoemd. In deze cursus wordt ook de interactie tussen predictoren van intervalmeetniveau behandeld. Moderatie zullen we in principe behandelen in de situatie met twee meetmomenten, al zal blijken dat in sommige gevallen ook een enkel meetmoment wordt gebruikt.
moderatie
Een moderator is een variabele die het effect van de predictor op de afhankelijke variabele beïnvloedt. Voor mensen die hoog scoren op de moderator, is het effect van de predictor op de afhankelijke variabele anders dan voor mensen die laag scoren op de moderator. Bijvoorbeeld, mensen die hoog scoren op de eigenschap veerkracht zullen anders reageren op tegenslagen dan mensen die laag scoren op veerkracht. De relatie tussen het hebben van tegenslagen en psychische klachten zal dan anders zijn, afhankelijk van de veerkracht die men heeft. In een moderatiemodel is er sprake van een predictor en een moderator die met elkaar interacteren. In dit voorbeeld is het hebben van tegenslagen de predictor en veerkracht de moderator. Tussen deze twee variabelen is er een interactie. Interactie tussen twee variabelen betekent heel algemeen dat de twee variabelen een gezamenlijk effect hebben op een afhankelijke variabele, waarbij het effect van de één afhangt van de ander. Een moderatiemodel is een speciale vorm van interactie, waarbij aan de variabelen een rol wordt toegekend van predictor en moderator. Moderatie komt dus voort uit een theorie, terwijl interacties het rekenkundige equivalent daarvan zijn.
Theoretisch gezien kan een moderatie-effect verschillende vormen aannemen: een moderator kan een effect of een verband laten verschijnen of versterken. De tegenhanger daarvan is dat een moderator een verband kan afzwakken of laten verdwijnen. In de derde situatie kan het verband positief of negatief worden afhankelijk van de waarde van de moderator.
Als er sprake is van moderatie, dan kan je de hoofdeffecten niet zonder meer interpreteren, maar moet je de moderator hierin betrekken.
a. Wat is moderatie? Wat is de relatie tussen de begrippen ‘moderatie’ en ‘interactie’?
b. Geef aan welke fouten een onderzoeker maakt die het volgende beweert: ‘Uit mijn statistische analyses blijkt dat Y wordt veroorzaakt door X, want het hoofdeffect van X is significant. Verder blijkt dat Z een moderator is van het effect van X op Y, want de interactie is significant.’
c. Bedenk zelf drie voorbeelden van situaties in de psychologie waarbij er sprake kan zijn van een moderatie-effect. Wat is in die voorbeelden de moderator, en wat is de predictor?
a. Interactie tussen twee variabelen betekent heel algemeen dat de twee variabelen een gezamenlijk effect hebben op een afhankelijke variabele, waarbij het effect van de één afhangt van de ander. Moderatie is een speciale vorm van interactie, waarbij aan de variabelen een rol wordt toegekend van predictor en moderator. Moderatie komt dus voort uit een theorie en interacties zijn het rekenkundige equivalent daarvan. Een moderator kan het effect van een predictor op een afhankelijke variabele versterken of afzwakken.
b. In de eerste plaats kan vrijwel nooit worden geconcludeerd dat er een causaal verband is; dat kan alleen bij een perfect uitgevoerd experiment. De onderzoeker kan dus niet beweren dat Y wordt veroorzaakt door X. In de tweede plaats kan hij/zij niet meer spreken van hoofdeffecten als er sprake is van moderatie. Het verband (effect) hangt namelijk af van een andere variabele. Tot slot kan hij/zij uit een significante interactie niet concluderen dat Z een moderator is. Het is namelijk mogelijk dat X de moderator is en Z de predictor. De rol van de variabele volgt uit de theorie of redenering en niet uit de analyse. De analyse geeft in het beste geval ondersteuning voor de theorie.
c. Drie voorbeelden van moderatie in de psychologie:
-Het effect van werkdruk op burn-out wordt gemodereerd door veerkracht.
-Het effect van sociale normen op alcoholgebruik wordt gemodereerd door emotionele stabiliteit.
-Het effect van strafdreiging op goed gedrag wordt gemodereerd door interne normen.
moderatie met dichotome moderatorvariabelen
De situatie waarbij de afhankelijke variabele van intervalniveau is en er twee dichotome predictorvariabelen zijn, wordt meestal geanalyseerd met variantieanalyse (ANOVA). Een voorbeeld is de vraag of een managementbaan invloed heeft op de ervaren stress en of deze invloed verschilt tussen mannen en vrouwen. Met andere woorden: modereert sekse het effect dat het soort werk op stress heeft? Het soort werk is in dit voorbeeld de predictor en heeft twee categorieën: leidinggevend en niet-leidinggevend. De afhankelijke variabele is de gerapporteerde stress op het werk en sekse is de moderator.
Een hypothese kan zijn: leidinggevend werk t.o.v. niet-leidinggevend werk leidt tot meer stress, en dit effect is sterker bij vrouwen dan bij mannen.
In een moderatiehypothese worden de drie variabelen (predictor, moderator en afhankelijke variabele) betrokken en er wordt ook duidelijk gemaakt hoe de moderator het effect van de predictor op de afhankelijke variabele beïnvloedt.
De data van dit voorbeeld staan in het bestand Moderatie.sav. In tabel 1 staan de variabelen uit dit bestand samengevat. Merk op dat de variabele sekse niet gecodeerd is als dummyvariabele (waarden 0 en 1), maar gecentreerd is rondom 0, dat wil zeggen: mannen en vrouwen hebben respectievelijk de waarden -0.5 en 0.5. Deze codering maakt voor de interpretatie van de regressieanalyses, die later worden getoond, geen verschil, alleen voor de waarde van het intercept.
Eerst descriptives met standaardeviatie en means en dan;
Om dit model te analyseren is een ANOVA met twee factoren de geschikte aanpak. We hebben namelijk te maken met dichotome predictoren. Dat kan in SPSS met de procedure Univariate (in General Linear Model).
Bij het design staan de effecten opgesomd die geschat moeten worden. Dat zijn allereerst de hoofdeffecten van het soort werk en sekse. Daarna volgt de interactie tussen deze twee variabelen (Swerk*Sekse) en een dergelijke interactieterm vormt de essentie van een moderatieanalyse. In sommige procedures, zoals de UNIANOVA-procedure, kun je de interactie simpelweg aangeven met een sterretje tussen de variabelen. In andere, zoals bij REGRESSION, moeten we de interactieterm eerst zelf construeren met het COMPUTE-commando.
Wanneer dit interactie-effect significant is, dan is dit een aanwijzing dat er sprake is van moderatie!!! Of de interactie ook belangrijk is, kunnen we zien aan de grootte van het interactie-effect en zichtbaar maken in een figuur (via het /PLOT-commando). Verder geven we achter /PRINT het commando op dat we de effectgrootte η2 (etakwadraat) willen zien, een maat die aangeeft hoe groot het effect van een variabele is.
Dit voorbeeld geeft de volgende output (tabel 2), waarin we zien dat sekse, het type werk en de interactie tussen sekse en het type werk significant zijn. Er lijkt dus sprake van moderatie; om te begrijpen hoe deze moderatie er precies uitziet, is er in de syntax ook een figuur (plot) opgevraagd, zie figuur 3.
Meestal wordt gekeken of het interactie-effect statistisch significant is, wat wil zeggen dat het effect (binnen een gegeven foutmarge, meestal 5 procent) afwijkt van 0. Een significant resultaat laat zien dat het effect geen nul is, maar nog niet of het ook groot en dus belangrijk of interessant is. Een tweede aspect is dus om te kijken naar de grootte van het effect, bijvoorbeeld via een figuur of naar de schattingen van de parameters van het effect of naar de etakwadraat.
Moderatieanalyse met moderator en predictor op intervalniveau
Centreren en standaardiseren.
Om de interpretatie van het interactie-effect gemakkelijker te maken, zijn alle variabelen gestandaardiseerd, dat wil zeggen dat van de oorspronkelijke variabele het gemiddelde wordt afgetrokken (net als bij centreren) en dat deze gecentreerde variabele wordt gedeeld door zijn standaardafwijking. Een gestandaardiseerde variabele heeft (dus) een gemiddelde van 0 en een variantie (en standaardafwijking) van 1. Alle variabelen zijn na standaardisatie gemeten in standaardafwijkingen! Dat wil zeggen: één eenheid in autonomie omhoog, betekent één standaardafwijking (SD) in autonomie omhoog. De waarde +1 van een gestandaardiseerde variabele correspondeert met een score die 1 SD boven het gemiddelde ligt en de waarde -1 met een score die 1 SD onder het gemiddelde ligt. Het maakt bij gestandaardiseerde variabelen niet uit waarin de oorspronkelijke variabelen zijn gemeten (euro’s, centimeters, kilo’s, of een psychologische schaal), want na standaardisatie zijn alle variabelen gemeten in dezelfde eenheid (namelijk standaardafwijkingen) en zijn daardoor dus goed vergelijkbaar.
Het is belangrijk om de variabelen te centreren of te standaardiseren alvorens de interactieterm te berekenen. Wordt dit niet gedaan, dan kan de interactieterm in sommige gevallen sterk gaan samenhangen met een van de predictoren. Dit wordt collineariteit genoemd en moet vermeden worden in een regressieanalyse.
welke 2 aspecten van een interactie zijn belangrijk bij het bestuderen van de resultaten
Meestal wordt gekeken of het interactie-effect statistisch significant is, wat wil zeggen dat het effect (binnen een gegeven foutmarge, meestal 5 procent) afwijkt van 0. Een significant resultaat laat zien dat het effect geen nul is, maar nog niet of het ook groot en dus belangrijk of interessant is. Een tweede aspect is dus om te kijken naar de grootte van het effect, bijvoorbeeld via een figuur of naar de schattingen van de parameters van het effect of naar de etakwadraat.
Pas de figuur zo aan dat de y-as van 1 tot 13 loopt oftewel in dezelfse schaal als de X as. Wat kun je nu concluderen?
Dubbelklik op figuur en dubbelklik daarna op y-as. In het venster kun je nu de schaalwaarden van de y-as instellen op minimaal 1 en maximaal 13. Het interactie-effect lijkt nu minder spectaculair, maar is nog wel duidelijk zichtbaar. Je kunt nog steeds concluderen dat er een substantieel interactie-effect is, ook al overdrijft het oorspronkelijk plaatje het effect enigszins.
moderatieanalyse met predictor op interval niveau Terwijl de moderator een nominale in dit voorbeeld dichotome variabele is
Als voorbeeld nemen we de volgende vraagstelling is: hangt arbeidstevredenheid af van het maandsalaris? Vervolgens kunnen we ons afvragen of dit verband voor mannen anders is dan voor vrouwen. Een hypothese zou kunnen zijn: ‘Bij mannen bestaat er een sterk positief verband tussen maandsalaris en arbeidstevredenheid’, en ook: ‘Bij vrouwen bestaat er een zwak positief verband tussen maandsalaris en arbeidstevredenheid’.
Men wil arbeidstevredenheid (ATV) voorspellen uit de hoogte van het maandsalaris en sekse. Dus we gaan uit van het volgende regressiemodel:
ATV = b0 + b1 Salaris + b2 Sekse
waarbij b0 het intercept weergeeft, en b1 en b2 de regressiecoëfficiënten zijn die de sterkte van het effect van respectievelijk salaris en sekse op arbeidstevredenheid aangeven.
Arbeidstevredenheid is gemeten op een schaal van 1 tot 12, waarbij 12 maximale tevredenheid aangeeft. Salaris is een variabele die is gemeten op een intervalmeetniveau, en in 10 gelijke groepen ingedeeld met stappen van 300 euro, waarbij de groep tussen 1000 en 1300 euro gelijk is aan 1 (het laagste salaris) en de groep tussen 3700 en 4000 euro gelijk is aan 10 (het hoogste salaris).
Om de interpretatie te verbeteren en omdat we deze stap in vervolganalyses nodig hebben, gaan we de variabele Salaris centreren en noemen deze gecentreerde variabele CSalaris. Meestal wordt er rondom het gemiddelde gecentreerd, maar in dit voorbeeld centreren we om de waarde 5 omdat dit de middelste waarde van de schaal en een rond getal is. Iemand die in de hoogste salarisgroep valt, krijgt dus op de gecentreerde variabele de waarde 5 (10-5) en iemand die oorspronkelijk in groep 5 viel, krijgt de waarde 0.
Verder is de variabele sekse ook gecentreerd waarbij mannen zijn gecodeerd als -0.5 en vrouwen als +0.5.
Om dit moderatiemodel te toetsen moeten we de interactieterm tussen sekse en salaris toevoegen aan het model. We kunnen dit doen door de interactieterm Salaris*Sekse te berekenen (met bijvoorbeeld de naam Sal_Sek). Deze term wordt vervolgens aan het regressiemodel toegevoegd bij “METHOD = ENTER Salaris Sekse Sal_Sek”.
Allereerst is de R2 gestegen, dit model verklaart arbeidstevredenheid dan beter dan het model zonder interactie. Het interactie-effect is inderdaad vrij sterk vergeleken met de coëfficiënt van salaris en is statistisch significant. Je kijkt naar B en naar de std error.
Uit de grootte en het teken van de coefficienten of uit een figuur kun je het effect aflezen.
moderatie met interval variabelen
Om de interpretatie van het interactie-effect gemakkelijker te maken, zijn alle variabelen gestandaardiseerd, dat wil zeggen dat van de oorspronkelijke variabele het gemiddelde wordt afgetrokken (net als bij centreren) en dat deze gecentreerde variabele wordt gedeeld door zijn standaardafwijking. Een gestandaardiseerde variabele heeft (dus) een gemiddelde van 0 en een variantie (en standaardafwijking) van 1. Alle variabelen zijn na standaardisatie gemeten in standaardafwijkingen! Dat wil zeggen: één eenheid in autonomie omhoog, betekent één standaardafwijking (SD) in autonomie omhoog. De waarde +1 van een gestandaardiseerde variabele correspondeert met een score die 1 SD boven het gemiddelde ligt en de waarde -1 met een score die 1 SD onder het gemiddelde ligt. Het maakt bij gestandaardiseerde variabelen niet uit waarin de oorspronkelijke variabelen zijn gemeten (euro’s, centimeters, kilo’s, of een psychologische schaal), want na standaardisatie zijn alle variabelen gemeten in dezelfde eenheid (namelijk standaardafwijkingen) en zijn daardoor dus goed vergelijkbaar.
Het is belangrijk om de variabelen te centreren of te standaardiseren alvorens de interactieterm te berekenen. Wordt dit niet gedaan, dan kan de interactieterm in sommige gevallen sterk gaan samenhangen met een van de predictoren. Dit wordt collineariteit genoemd en moet vermeden worden in een regressieanalyse.
Moderatieanalyse met intervalmoderator en intervalpredictor
Om nu het effect van autonomie op bevlogenheid te vinden, moeten we eerst kijken of de interactieterm (b3) voldoende groot en statistisch significant is. Als de interactie namelijk gering is en niet significant (b3 ligt dan in de buurt van 0), dan mogen we b1 gewoon beschouwen als het effect van autonomie op bevlogenheid. Is de interactie wel significant, dan is de interpretatie complexer. De regressieformule kan als volgt worden herschreven:
BVL = b0 + (b1 + b3 AFB) AUT + b2 AFB.
Hieruit blijkt dat de regressiecoëfficiënt van AUT (die gelijk is aan b1 + b3 AFB) afhangt van de waarde van AFB. De formule kan ook worden herschreven zodat de regressiecoëfficiënt van AFB afhangt van de waarde van autonomie (zie hiervoor de verdieping).
De output laat zien dat alle drie de termen vrij hoge regressiecoëfficiënten hebben en dat hun BI’s duidelijk aangeven dat alle effecten groot en statistisch significant zijn. Omdat het interactie-effect vrij sterk en significant is, hangt het effect van autonomie op bevlogenheid af van de betrokkenheid.
We gaan nu het effect van autonomie bekijken voor drie groepen (denkbeeldige) personen:
een groep met een gemiddelde betrokkenheid (die hebben de waarde 0 op AFB, want deze variabele is gestandaardiseerd)
een groep die 1 standaardafwijking boven het gemiddelde betrokkenheidsniveau scoort (waarde +1)
een groep die 1 standaardafwijking onder het gemiddelde betrokkenheidsniveau scoort (waarde -1).
Als we dit samen met de gevonden regressiecoëfficiënten invullen in de regressieformule, dan krijgen we (het intercept is 0 vanwege de standaardisatie van alle variabelen, dus dat negeren we voor het gemak) de zogenaamde simple slopes (slope = richtingscoëfficiënt) vergelijkingen
niet gestandaardiseerde variabelen
Wanneer de variabelen niet zijn gestandaardiseerd, kan het effect van de predictor op de afhankelijke variabele nog steeds worden onderzocht voor verschillende waarden van de moderator, zoals voor het gemiddelde en voor plus en min de waarde die correspondeert met 1 SD afwijking van het gemiddelde. In dit geval zijn de waarden die moeten worden ingevuld in de regressieformule niet de waarden -1, 0 en +1, maar het daadwerkelijke gemiddelde en het gemiddelde ± de waarden die corresponderen met één standaardafwijking. Overigens kan het effect van de predictor voor iedere waarde van de moderator worden uitgerekend. In plaats van de gebruikelijke gekozen waarden van plus of min 1 SD, kunnen ook andere waarden worden gekozen die een inhoudelijke interpreteerbare betekenis hebben. Stel bijvoorbeeld dat leeftijd een moderator is, dan zou men de waarden kunnen onderzoeken bij leeftijden van 21 en 50 jaar, hoewel deze mogelijk niet overeenkomen met de grenzen die met plus of min 1 SD corresponderen, maar puur omdat men deze leeftijden interessant vindt om het effect bij te onderzoeken.
Het visualiseren van een interactie-effect
Er zijn verschillende mogelijkheden om een interactie-effect te visualiseren door middel van een figuur. In deze tekst kiezen we voor een Excel-bestand waarmee verschillende soorten van moderatieanalyse kunnen worden gevisualiseerd. Zie hiervoor het bijgevoegde Excel-bestand: Visualisatie van interactie-effecten. Het Excel-bestand bestaat uit vijf tabbladen: ‘Handleiding’, ‘1 numeriek en 1 dichotoom’, ‘2 numeriek’, ‘2 numeriek en 1 dichotoom’ en ‘3 numeriek’. In de handleiding staat beschreven dat dit bestand tweeweginteracties kan visualiseren, maar ook drieweginteracties. Vooralsnog beperken we ons tot de tweeweginteracties, zoals die ook in deze bron zijn behandeld. Er zijn dan twee mogelijkheden: (1) de predictor is numeriek ofwel van intervalniveau en de moderator is dichotoom en (2) beide variabelen zijn numeriek.
Visualisatie van interactie-effecten
Voor de eerste situatie gebruiken we het tabblad ‘1 numeriek en 1 dichotoom’. Nadat je een regressieanalyse hebt uitgevoerd, kun je bij de resultaten de regressiecoëfficiënten vinden, zoals in Tabel 3 en 4, die vervolgens in het Excel-bestand kunnen worden ingevuld onder de kop ‘coëfficiënten’ (kolom C, de roze cellen). Wanneer de predictor niet is gestandaardiseerd, moet je ook de SD van de predictor invullen in kolom C. Als de predictor wel is gestandaardiseerd, dan is de SD gelijk aan 1. De figuur wordt vervolgens automatisch aangepast aan de nieuwe gegevens die je hebt ingevoerd. Ten slotte kun je de labels en de assen nog aanpassen, zodat een figuur ontstaat die het interactie-effect duidelijk weergeeft.
Voor de tweede situatie gebruiken we het tabblad ‘2 numeriek’. Ook in dit tabblad kun je de coëfficiënten en de SD’s invullen in de beige cellen van kolom C en vervolgens de figuur aanpassen naar jouw wensen.
Stappenplan voor een moderatieanalyse
Om een moderatiehypothese te toetsen, zetten we in deze sectie alle stappen bij elkaar die nodig zijn om de moderatieanalyse uit te voeren.
Stap 1 Formuleer de moderatiehypothese zorgvuldig.
Bij moderatie gaat het om het effect dat de moderator heeft op het verband tussen een predictor en een afhankelijke variabele. Het moet in de formulering duidelijk worden wat de rol van elke variabele is en hoe het moderatie-effect er precies uitziet. Meestal bestaat de hypothese uit twee deelhypothesen, waarbij eerst het hoofdeffect wordt geformuleerd en daarna de specifieke rol van de moderator daarin. Voorbeeld: regelmatig appels eten bevordert de gezondheid, behalve bij mensen met een appelallergie. Of: het effect van het regelmatig eten van appels op de gezondheid hangt af van het hebben van een appelallergie. Bij allergische mensen is er een negatief verband tussen het eten van appels en de gezondheid, bij niet-allergische mensen een positief verband. De eerste zin geeft het algemene moderatie-effect aan en in de tweede zin wordt dat effect nader gespecificeerd.
Stap 2 Voer een betrouwbaarheidsanalyse uit op de schalen.
Vaak zullen de begrippen (variabelen) die in de hypothese worden gebruikt bestaan uit scores die zijn samengesteld uit meerdere gemeten variabelen of indicatoren. Voer hiervoor eerst een betrouwbaarheidsanalyse (met eventueel een factoranalyse, zie Onderzoekspracticum cross-sectioneel onderzoek) uit om te kijken of de beoogde operationalisatie van het begrip correct is, of dat er variabelen moeten worden verwijderd. Construeer daarna de nieuwe variabele als het gemiddelde van de gemeten variabelen waaruit de schaal bestaat. Dat kan in SPSS met het commando compute:
COMPUTE X = mean(V1, V2, V3, V4).
EXECUTE.
Achter een of meerdere compute-commando’s moet een execute-commando dat ervoor zorgt dat de commando’s daadwerkelijk worden uitgevoerd.
Stap 3 Centreer of standaardiseer de variabelen.
In het algemeen wordt aangeraden om de variabelen die bij een moderatie zijn betrokken te centreren. Maak dus nieuwe variabelen die bestaan uit de eventueel in stap 2 geconstrueerde begrippen min hun gemiddelde. Vind via de descriptives eerst de gemiddelden van de variabelen en maak de nieuwe gecentreerde variabele (Xc) via het compute-commando:
COMPUTE Xc = X - { gemiddelde van X }.
Bij centreren wordt het gemiddelde van de variabele afgetrokken; daardoor is het gemiddelde van de nieuwe gecentreerde variabele nul. Soms wordt er dan ook nog gedeeld door de standaardafwijking (SD). De nieuwe variabele is dan gestandaardiseerd, wat betekent dat die niet alleen een gemiddelde van nul heeft, maar ook een SD van 1. Standaardiseren is eenvoudig in SPSS via het commando descriptives:
DESCRIPTIVES VARIABLES = {variabelen}
/SAVE.
Wanneer dit commando wordt uitgevoerd, komen de variabelen die hier zijn opgegeven automatisch in het bestand te staan met de letter Z ervoor.
Stap 4 Bereken de interactieterm.
De interactieterm wordt berekend door de predictor en de moderator met elkaar te vermenigvuldigen. Let erop dat dan wel de gecentreerde (of gestandaardiseerde) versies van de variabelen worden vermenigvuldigd. Dit kan weer met het compute commando:
COMPUTE INTER_XZ = Xc*Zc.
Stap 5 Voer een regressieanalyse uit.
In de regressieanalyse worden de predictor en de moderator opgegeven als onafhankelijke variabelen, evenals de interactieterm. Zie de syntax in deze bron voor voorbeelden. Let erop dat voor de predictor en moderator exact dezelfde variabelen worden gebruikt als waarmee de interactieterm is berekend. Dus als de interactieterm is berekend met gecentreerde variabelen, gebruik dan in de regressie ook de gecentreerde variabelen. De interactieterm zelf moet niet worden gecentreerd of gestandaardiseerd.
Stap 6 Interpreteer de resultaten van de analyse.
Kijk in de tabel met de regressiecoëfficiënten niet alleen naar de significantie, maar vooral naar de grootte (effect size) en het betrouwbaarheidsinterval en uiteraard naar het teken (plus of min) van de coëfficiënten. Interpreteer het resultaat zoals in deze bron is gedaan aan de hand van de voorbeelden. Check zorgvuldig of de resultaten overeenkomen met de verwachtingen.
Maak eventueel een figuur van het moderatie-effect om de interactie te visualiseren en daardoor beter te begrijpen, wanneer het interactie-effect statistisch significant of redelijk groot is. Bereken eventueel de simple slopes met de hand of met SPSS.
Stap 7 Schrijf de resultaten op conform de APA-regels.
De APA-manual schrijft voor hoe een regressietabel er uit moet zien en geeft nog veel andere regels over hoe resultaten moeten worden gerapporteerd. Probeer deze regels zo goed mogelijk te volgen. Belangrijk is om de regressiecoëfficiënten, de gestandaardiseerde regressiecoëfficiënten en de betrouwbaarheidsintervallen te rapporteren. Vergeet niet om de resultaten ook te interpreteren, dus geef aan wat de verschillende uitkomsten betekenen.
