Interactie-effecten en factoriële ontwerpen

6 belangrijke vragen over Interactie-effecten en factoriële ontwerpen

Welke ‘variantiebronnen’ zijn binnen een 2x2 factorieel ontwerp aan te wijzen die de verschillen (de variantie) in score op de afhankelijke variabele kunnen verklaren?

Binnen een 2x2 factorieel ontwerp zijn er drie ‘variantiebronnen’ aan te wijzen die de verschillen (de variantie) in score op de afhankelijke variabele kunnen verklaren: de condities van onafhankelijke variabele A, de condities van onafhankelijke variabele B, en de wisselwerking tussen die twee condities (A × B). A en B zijn beide hoofdeffecten (Main Effects); A × B is het interactie‐effect (Interaction Effect).

Waaruit is de totale variantie in de score op de afhankelijke variabele opgebouwd bij een factorieel ontwerp?

  1. Variantie verklaard door experimentele condities (SSm) die weer is opgebouwd uit variantie verklaard door de condities van de onafhankelijke variabelen en de variantie verklaard door de interactie tussen die condities.
  2. Onverklaarde verschillen (SSr) in score op de afhankelijke variabele. De R in SSr staat voor residuele verschillen (residuals), ook wel within error variance of kortweg error genoemd. De beste term is binnengroepenvariantie (within group error variance).

Wat moet je doen als je in een factoriële variantieanalyse een significant interactie-effect constateert?

In het geval een interactie‐effect statistisch is aangetoond, moeten er daarna altijd enkelvoudige hoofdeffecten (Simple Main Effects) worden getoetst. Nagegaan moet worden of het verwachte enkelvoudig effect van de A-condities op de scores van de afhankelijke variabele in de B1-conditie significant is, maar ook of hetzelfde geldt voor het effect van de A-condities in de B2-conditie. In SPSS kunnen die condities als volgt geselecteerd worden: Split File op de B-variabele en doe een variantieanalyse met als onafhankelijke variabele de A-condities.
  • Hogere cijfers + sneller leren
  • Niets twee keer studeren
  • 100% zeker alles onthouden
Ontdek Study Smart

Hoe herken je een interactie-effect in een plot?

Interactie‐effecten kunnen herkend worden doordat de verschillende lijnen die de gemiddelden op de afhankelijke variabele weergeven niet evenwijdig lopen. Het niet parallel lopen van de lijnen dient uiteraard statistisch bevestigd te worden aan de hand van de toetsing van een interactie‐effect.

Hoe herken je een Cross-over-effect?

Interactie‐effecten kunnen in een plot herkend worden doordat de verschillende lijnen die de gemiddelden op de afhankelijke variabele weergeven niet evenwijdig lopen. Kruisen de lijnen elkaar, dan spreekt men van een cross‐over‐effect. Overigens is het zo dat niet ieder interactie‐effect een cross‐over‐effect inhoudt. Dus de lijnen hoeven elkaar niet altijd te kruisen.
In je analyse herken je een cross-over-effect doordat er een significant hoofdeffect is voor een onafhankelijke variabele die bij de betreffende analyse eigenlijk geen effect zou moeten hebben.

Wat zijn gemengde ontwerpen (Mixed Designs, of Mixed Measures)?

Combinaties van tussen‐ (between‐subjects design) en binnen‐personenontwerpen (within‐subjects designs). Bijvoorbeeld: een 2 (Dictator: Hitler vs. Martin) × 2 (Testzin: Wel vs. Niet) × 3 (Retentiescore: Vijf minuten vs. Week vs. Maand) gemengd tussen‐ en binnen‐personenontwerp met herhaalde metingen op de laatste factor.

De vragen op deze pagina komen uit de samenvatting van het volgende studiemateriaal:

  • Een unieke studie- en oefentool
  • Nooit meer iets twee keer studeren
  • Haal de cijfers waar je op hoopt
  • 100% zeker alles onthouden
Onthoud sneller, leer beter. Wetenschappelijk bewezen.
Trustpilot-logo