1. Basisbegrippen
Een moderatie-effect onderzoekt of de relatie tussen een onafhankelijke
variabele (predictor) en een afhankelijke variabele verandert afhankelijk
van de waarde van een andere variabele (moderator).
2. Stappenplan: Meervoudige Regressie met Moderatie in Jamovi
Stap 1: Dataset voorbereiden
1. Open Jamovi en laad je dataset (.csv, .xlsx, .sav, etc.).
2. Zorg ervoor dat de variabelen correct zijn ingesteld:
o Afhankelijke variabele (Y): Continue schaal.
o Predictor (X) en Moderator (M): Continue of categorische
schaal.
3. Voor een moderatie-effect moet je een interactieterm toevoegen:
o Interactieterm=X×M. Dit kan automatisch in Jamovi worden
gedaan.
Stap 2: Meervoudige regressie uitvoeren
1. Ga naar Analyses > Regression > Linear Regression.
2. Sleep de variabelen naar de juiste velden:
o Dependent Variable: Sleep je afhankelijke variabele (Y).
o Covariates: Sleep je predictor (X), moderator (M), en hun
interactieterm (X×M).
3. Klik op Model:
o Voeg de predictor, moderator en interactieterm afzonderlijk
toe aan het model.
o Controleer of de interactieterm correct is opgenomen.
Stap 3: Aannames controleren
De aannames voor meervoudige regressie met moderatie zijn hetzelfde als
voor standaard lineaire regressie.
3.1 Lineariteit van relaties
, Test:
o Gebruik scatterplots om de relaties tussen X, M en Y te
controleren.
o Controleer residual plots om te zien of residuen willekeurig
verspreid zijn.
Oplossingen bij schending:
o Pas een transformatie toe op X, M of Y (bijv. logaritmisch of
kwadratisch).
o Overweeg een niet-lineair model (bijv. polynomiale regressie).
3.2 Geen multicollineariteit
Test:
o Controleer de VIF-waarden in Jamovi via "Diagnostics".
o VIF > 10 wijst op ernstige multicollineariteit.
Oplossingen bij schending:
o Center X en M (door hun gemiddelde af te trekken) om
multicollineariteit te verminderen.
o Overweeg dimensionale reductie, zoals Principal Component
Analysis (PCA).
3.3 Homoscedasticiteit
Test:
o Residual plots: Controleer of de spreiding constant is over alle
waarden van de voorspellers.
Oplossingen bij schending:
o Gebruik robust standaardfouten (optioneel in Jamovi via
aanvullende modules).
o Pas een transformatie toe op Y (bijv. logaritmisch of
worteltransformatie).
3.4 Normaliteit van residuen
Test:
Een moderatie-effect onderzoekt of de relatie tussen een onafhankelijke
variabele (predictor) en een afhankelijke variabele verandert afhankelijk
van de waarde van een andere variabele (moderator).
2. Stappenplan: Meervoudige Regressie met Moderatie in Jamovi
Stap 1: Dataset voorbereiden
1. Open Jamovi en laad je dataset (.csv, .xlsx, .sav, etc.).
2. Zorg ervoor dat de variabelen correct zijn ingesteld:
o Afhankelijke variabele (Y): Continue schaal.
o Predictor (X) en Moderator (M): Continue of categorische
schaal.
3. Voor een moderatie-effect moet je een interactieterm toevoegen:
o Interactieterm=X×M. Dit kan automatisch in Jamovi worden
gedaan.
Stap 2: Meervoudige regressie uitvoeren
1. Ga naar Analyses > Regression > Linear Regression.
2. Sleep de variabelen naar de juiste velden:
o Dependent Variable: Sleep je afhankelijke variabele (Y).
o Covariates: Sleep je predictor (X), moderator (M), en hun
interactieterm (X×M).
3. Klik op Model:
o Voeg de predictor, moderator en interactieterm afzonderlijk
toe aan het model.
o Controleer of de interactieterm correct is opgenomen.
Stap 3: Aannames controleren
De aannames voor meervoudige regressie met moderatie zijn hetzelfde als
voor standaard lineaire regressie.
3.1 Lineariteit van relaties
, Test:
o Gebruik scatterplots om de relaties tussen X, M en Y te
controleren.
o Controleer residual plots om te zien of residuen willekeurig
verspreid zijn.
Oplossingen bij schending:
o Pas een transformatie toe op X, M of Y (bijv. logaritmisch of
kwadratisch).
o Overweeg een niet-lineair model (bijv. polynomiale regressie).
3.2 Geen multicollineariteit
Test:
o Controleer de VIF-waarden in Jamovi via "Diagnostics".
o VIF > 10 wijst op ernstige multicollineariteit.
Oplossingen bij schending:
o Center X en M (door hun gemiddelde af te trekken) om
multicollineariteit te verminderen.
o Overweeg dimensionale reductie, zoals Principal Component
Analysis (PCA).
3.3 Homoscedasticiteit
Test:
o Residual plots: Controleer of de spreiding constant is over alle
waarden van de voorspellers.
Oplossingen bij schending:
o Gebruik robust standaardfouten (optioneel in Jamovi via
aanvullende modules).
o Pas een transformatie toe op Y (bijv. logaritmisch of
worteltransformatie).
3.4 Normaliteit van residuen
Test:
