Oefeningenreeks 4: SEM mediatie en moderatie

Transcriptie

1 Oefeningenreeks 4: SEM mediatie en moderatie 3 soorten structurele vergelijkingsmodellen. Met structurele vergelijkingsmodellen kan je een uitspraak gaan doen over latente variabelen en we kunnen deze eveneens gaan meten. In de psychologie is dit bijzonder interessant, omdat we vaak werken met niet-observeerbare, latente variabelen. Voorbeeld: NEO-PI-R is een indicator voor de factor persoonlijkheid. De indicator zal niet perfect de latente variabele meten, en er is dus altijd een meetfout. δδ1 NEO-PI-R Persoonlijkheid Stress Cortisol εε3 δδ2 HPI 1 Stresstest εε4 2 Burn-out Biomarker1 εε5 Biomarker2 εε6 Met SEM kunnen we alle mogelijke interrelaties gaan toetsen. We hebben 2 soorten variabelen: exogeen (vertrekken enkel pijlen uit) en endogeen (waar minstens 1 pijl in toekomen. Deze staan vaak gegroepeerd: alle exogene onder mekaar en alle endogene onder mekaar. Het bovenstaande is een volledige SEM: het heeft zowel een structuurmodel als een meetmodel. - Structuurmodel = waar je de interrelaties in gaat toetsen. - Meetmodel = wat weergeeft hoe je je latente variabelen gaat meten Berekenen van de vrijheidsgraden - Hoeveel regressiecomponenten hebben we? - Als je een variabele gaat voorspellen a.d.h.v. een andere variabele krijg je ook een predictiefout ( ) - Ook de verschillende indicatoren hebben een meetfout (δδ eeee εε) - Tot slot ook factorladingen tellen Volledige SEM = meet en structuurmodel. Padanalyse = enkel structuurmodel. CFA = enkel meetmodel. Vanaf dat je een meetmodel hebt, moet je ook de meetschaal gaan vastleggen. Meetschaal vastleggen nodig om de parameterschattingen te gaan interpreteren. Hier zijn 2 manieren voor: de ULI en de UVI. Software die wij zien gaat automatisch ULI gebruiken. - Pijl van persoonlijkheid naar NEO-PI-R zal λλ11 zijn, waarbij het eerste cijfer verwijst naar de eerste indicator en de tweede cijfer naar de eerste indicator - Van Persoonlijkheid naar HPI: λλ21 - ULI: eerste factorlading op 1 fixeren - UVI: variantie van de latente factor op 1 fixeren De structuur waarmee je de oefeningen oplost in deze oefensessies ook hetzelfde als op het examen: model tekenen, parameters schatten, ingeven in R, eerst de modelfit nagaan, en als die goed is mag je de parameterschattingen interpreteren.

2 CFA: DATASET 1: THURSTONE 1985 Je kan op het examen ook een variantie-covariantiematrix krijgen ipv een correlatiematrix. Bevat op zich dezelfde informatie. Correlatiematrix iets gemakkelijker te interpreteren. Beschouw een model met drie latente factoren (Verbal, Ability, Word Fluency, Reasoning Ability) met elk hun eigen drie indicatoren. Deze worden verondersteld onderling te correleren. De drie factoren worden verondersteld onderling te correleren. Stel het model grafisch voor, duid alle te schatten parameters aan en geef het aantal vrijheidsgraden. Fit het model en bestudeer de output. Is de standaard aanpak voor cfa in lavaan gebaseerd op UVI of ULI? Is de fit goed? Wat zijn de correlaties tussen de 3 latente variabelen? δδ1 Va1 δδ2 Va2 Verbal Ability δδ3 Va3 df = # datapunten - # parameters δδ4 Wf1 9 factorladingen δδ5 Wf2 Word Fluency 12 varianties (indicatoren + factoren) δδ6 Wf2 3 correlaties (tussen latente variabelen) δδ7 Ra1 = 24 δδ8 Ra2 Reasoning Ability Welke gaan we hier fixeren? ULI: eerste δδ9 Ra3 factorlading per latente variabele op 1 Gefixeerd 24 3 = 21 vrije parameters # datapunten? Variabelen die je niet gebruikt in je analyse, mag je ook niet meenemen in het # datapunten! [px(p+1)]/2 = [9x(9+1)]/2 = 45 datapunten Vrijheidsgraden = = 24 vrijheidsgraden

3 Ook op examen: werken in een scriptfile! File New Script Best al scripten voorbereiden thuis voor het examen. Als je nota s wil maken in je script, zet dit dan achter een hekje (#). Alles waar een hekje voorstaat, wordt door R niet uitgevoerd. Geen hekje = errormelding = problemen, dus niet doen. HOE R DOWNLOADEN OP EIGEN COMPUTER? WANNEER JE R GEDOWNLOAD HEBT, MOET JE GOOGLE: DOWNLOAD R CERAN OOK LAVAAN NOG INSTALLEREN IN R. # INSTALLEER LAVAAN MOET JE MAAR 1 KEER DOEN OM R OP JE EIGEN INSTALL.PACKAGES("LAVAAN") COMPUTER TE INSTALLEREN # PAKKET LADEN MOET JE ELKE KEER DOEN. LIBRARY(LAVAAN) DOE DIT OP HET EXAMEN GEWOON IN T BEGIN. Model ingeven in R. Data inlezen. Fitten van het model. (naam model, data = naam dataset) Het model wordt gefit in het woord fit, maar wanneer je dit commando runt gebeurt er op zich niets. Je moet een samenvatting van de fit opvragen en aangeven dat je (1) de fitmaten (fit.measures=true) wil weergeven en (2) de correlaties wil zien (standardized=true)

4 Hoe checken dat je juist bezig bent? (1) Staan hetzelfde aantal observaties in R als in de opgave? (2) Zijn de degrees of freedom (eerste, voor Chi-square) hetzelfde als diegene die je berekend hebt? Als dit niet zo is opnieuw berekenen! Ook: als begeleiders op het examen zeggen dat ze je niet kunnen helpen, betekent dit dat het niet aan je codes ligt, maar aan je model. Misschien ben je ergens een variantie of lading vergeten. X² >.05 = goede fit. Hier X² p=0.031, maar het kan dat dit veroorzaakt wordt door de grote steekproef CFI >.95 = goede fit TLI >.95 = goede fit RMSEA <.05 = goede fit <.08 = oké

5 Er wordt duidelijk gebruik gemaakt van ULI, want de eerste factorlading staat telkens op 1. De factorladingen die significant zijn, moet je gaan aanduiden op je tekening. Een lading die significant is (p<.05) betekent dat het gaat over goede indicatoren voor jou latente variabelen. Als een examenvraag is hoe je het model kan verbeteren, kan je de suggestie doen om niet-significante indicatoren eruit te laten. (Hier is dit niet het geval.) Standardized Latent Variables geeft de gestandaardiseerde covarianties mee, ofwel de correlaties tussen de indicatoren en de factoren. Varianties van de meetfout. Worden eigenlijk normaal niet bevraagd. STRUCTURELE VERGELIJKINGSMODELLEN: DATASET 2: WORLAND 1984 Aanduiden indicatoren Variante Covariantie latentvar =~ ind1 + ind2 A ~~ A A~~ B Effect A~ B (bijvoorbeeld; stress ~ persoonlijkheid)

6 De onderzoekers wilden nagaan of de familiale situatie het gedrag in de klas beïnvloedde via cognitieve vaardigheden en schoolprestaties. Meer bepaald veronderstelden ze een invloed van de familiale situatie op de cognitieve vaardigheden, die een invloed zouden hebben op de schoolprestaties, die op hun beurt een invloed zouden hebben op het gedrag in de klas. Stel het model grafisch voor, duid alle te schatten parameters aan en geef het aantal vrijheidsgraden. Fit het model en bespreek de output. ParPsych FamilialeSituatie Schoolprestaties GedragInDeKlas Reading Arithm Spelling Motiv Extrav Harmon lowses CognitieveVaardigheden Stabil FamilialeSituatie = exogeen Verbal VisSpat Memory Schoolprestaties, CognitieveVaardigheden en GedragInDeKlas = endogeen!! Er worden enkel correlaties verondersteld tussen zuiver exogene variabelen. Hier zien slechts één endogene variabelen. # varianties: 12 (indicatoren) + 4 (factoren) # ladingen: 12 ULI: 12 4 = 8 # structurele relaties: 3 # te schatten parameters: = 27 # datapunten: [12x(12+1)]/2 = 78 # vrijheidsgraden: = 51

7 We zien algemeen genomen een zeer slechte fit van het model met de data. We mogen dus geen interpretaties gaan doen. Op basis van voorgaand onderzoek besloten de onderzoekers om (1) de extraversieschaal weg te laten uit de analyse, (2) cognitieve vaardigheden en schoolprestaties als eenzelfde factor CogAch te beschouwen, (3) correlaties toe te laten tussen de meetfouten van de indicatoren voor cognitieve vaardigheden, (4) correlaties toe te laten tussen de meetfouten van de indicatoren voor schoolprestaties, en (5) correlaties toe te laten tussen de meetfouten van verbale vaardigheden en spellingprestaties enerzijds, en geheugen vaardigheden en leesprestaties anderzijds. ParPsych FamilialeSituatie CogAch GedragInDeKlas Reading Arithm Spelling Motiv Harmon Stabil lowses Verbal VisSpat Memory Stel het aangepaste model grafisch voor, duid alle te schatten parameters aan en geef het aantal vrijheidsgraden. Bespreek de output. Extra oefening.

8 MEDIATIE OF MODERATIE? Soort therapie X c Depressie Y Hier is het effect van X op Y het totaaleffect. Dit noemen we c. Om dit te gaan schatten kunnen we een SEM gebruiken. Vaak in de literatuur zien we dat het niet de soort therapie is die het hem doet, maar wel de therapeutische relatie. Therapeutische relatie is een mediator tussen X en Y. a Therapeutische relatie M b Soort therapie X c Depressie Y Mediatie kan volledig of partieel zijn. Hier gaan we opsplitsen in het direct effect ofwel c en het indirect effect ofwel a x b. Hier is het totaaleffect de som van het direct en het indirect effect, ofwel axb + c. Voor het indirect effect kunnen we twee manieren van berekening gebruiken: - Sobel s test Automatisch gebruikt in lavaan Als je hiermee je betrouwbaarheidsinterval gaat berekenen, gaat dit programma ook de parameterschattingen van axb nemen en dit plus/min 1.96x(SE) doen We gaan er vanuit dat de parameterschattingen normaal verdeeld zijn bij een dergelijke manier van werken Een product is echter niet altijd zo vanzelfsprekend normaal verdeeld Dit zal vaak iets fout teweeg brengen - Bootstrap betrouwbaarheidsinterval Je gaat de software (R) vragen om data te simuleren o.b.v. je eigen steekproef Op basis van de nieuwe, gegenereerde steekproeven ga je een betrouwbaarheidsinterval gaan opbouwen Hier komen geen assumpties aan te pas Het is puur empirisch en dus beter als de Sobel s test Wat moeten we zelf kunnen gaan berekenen? We zijn geïnteresseerd in hoeveel % van het totaal effect verklaard kan worden door de mediator. Dit is de gemedieerde proportie ofwel PPPP Moderatie PPPP = â bb cc = â bb âbb + cc X Y Z Hoe gaan we dit gaan onderzoeken? Dmv het interactie-effect tussen X en Z X Y Z XZ

9 Nu gaan we gaan kijken naar een gemodereerde mediatie: hangt het effect van M op Y af van de waarde van X? Hiervoor gaan we gaan kijken naar het interactie-effect tussen M en X. Therapeutische relatie M Soort therapie X Depressie Y MX DATASET: DEPRSSION Het is bekend dat stress een belangrijke predictor is voor depressie. Nolen-Hoeksema et al. (1993) stelden dat rumineren leidt tot meer depressie, ze maken dus een causaal argument dat iemand die rumineert ook een grotere kans heeft om meer depressieve gevoelens te ervaren. We kunnen nu nagaan of rumineren een mediërende rol heeft in de relatie tussen stress en depressie. Stress Depressie mediatie-analyse met rumineren Rumineren als mediator Het databestand is niet online. Je moet het downloaden vanop Minerva en gewoon op de H-schijf zetten (aparte mappen maakt alleen maar moeilijker!) Het totaaleffect schatten. Wat is de waarde van c? (*)

10 Waarde van totaaleffect en significantie terug te vinden op het lijntje van de predictor. Hier worden ook de paden (a, b, c ) reeds in gespecifieerd. Nieuwe parameter aanmaken (ab) en het model gaan fitten. Resultaten Is er een (totaal) effect van stress op depressie? Bepaal het indirect effect. Is er een direct effect van stress op depressie? Wat betekent dit concreet? Maak gebruik van de Sobel s test en de percentiel-gebaseerde bootstrap om de significantie van het indirect effect te bepalen. Kom je tot hetzelfde besluit? Direct effect hebben we geschat bij (*). Maar je kan het hier ook berekenen door c op te tellen met ab. Je kan dan wel geen uitspraak doen over significantie!

11 Hoe specifieer je dat je het betrouwbaarheidsinterval wil bootstrappen? We komen hier bij beide tot hetzelfde besluit. Het direct effect is niet significant (want 0 valt in het betrouwbaarheidsinterval) en het indirect effect wel (0 valt er niet in). Hangt het effect van rumineren op depressie af van de mate van stress? We gaan dus kijken of er een significante interactie is tussen stress en rumineren en of deze interactie een effect heeft op depressie. Dit gaat om een gemodereerde mediatie. Is het effect van strum op depressie. (strum = interactie tussen rumineren en stress). Hier is geen sprake van een gemodereerde mediatie, want de interactie is niet significant. Extra oefening. Geen tijd meer