H15 - Mixed design ANOVA
Mixed designs: Repeated measures en independent designs kunnen gecombineerd worden. Dit is
een mixed design. Je hebt hiervoor dus minstens 2 onafhankelijke variabelen nodig, maar het kan
complexer worden met nog meer onafhankelijke variabelen, bv 2 between groups en 1 within of
andersom. Echter zijn interactie-termen met 2 variabelen al moeilijk te interpreteren, laat staan met 3.
Het advies is om maximaal 2 of 3 onafhankelijke variabele te nemen als je de interactieterm wil
interpreteren. ANOVA is wederom een lineair model, waarbij je nu wederom een predictor b
toevoegt(en interactie hiermee).
Assumpties in mixed designs: Lineair model, dus alle vormen van bias gelden weer. Omdat mixed
designs zowel een between-group als within-group hebben, heb je zowel te maken met homogeniteit
van de variantie als sphericiteit(Greenhouse-Geisser bij schending). De bootstrap button is helaas
afwezig.
What do men and women look for in a partner?
Stel dat mannen en vrouwen gaan speeddaten. Ze krijgen allemaal een date met 9 personen die
verschillen in uiterlijk en charisma. De afhankelijke variabele is rating van hoe graag ze een date met
deze persoon willen van 0 tot 100%. Elk persoon beoordeelt dus 9 mensen die variëren in
aantrekkelijkheid en persoonlijkheid.
Dus uiterlijk heeft 3 levels en is een within factor.
Persoonlijkheid(charisma) heeft 3 levels en is ook een within factor.
Gender is een between-groups factor, omdat zowel mannen en vrouwen beoordelen.
Mixed ANOVA in SPSS:
Ook hier eerst kijken naar outliers dus data plotten en kijken of er problemen zijn met normaliteit.
Levene's test checken en Mauchly's test. Bij specifieke hypotheses planned comparisons doen en bij
geen specifieke hypotheses post hoc tests doen. Ook effect sizes weergeven.
Er zijn totaal 9 within condities vanwege 3 keer 3.
Analyze General linear model Repeated measures.
Het is handig om je within factoren in een bepaalde volgorde in het model te gooien, bv als er een
baseline categorie is kan je dit doen om vervolgens simpele contrasten te doen. Bij aantrekkelijkheid
kan je bv gemiddeld als norm kiezen(logisch toch), en bij charisma ook. Voer deze variabele dan bv
als laatste in(volgorde van de rest maakt niet uit), zodat je later simpele contrasten kan doen.
Bij contrast kies je dan de laatste als baseline dus wordt alles hiermee vergeleken.
Je kan ook een plot maken door een interactie-effect te maken van uiterlijk x charisma x gender. Bv
gender bij 'separate plots', charisma bij 'separate lines' en uiterlijk bij 'horizontale as'. Klik op add.
Output voor mixed factorial ANOVA:
Allereerst zie je welke variabelen je hebt gekozen en descriptive statistics voor elke conditie. Je ziet de
Mauchly's test van sphericiteit voor elk repeated measures effect. Ook Levene's test is zichtbaar voor
alle combinaties van repeated-measures variabelen. Vervolgens zie je het belangrijkste deel: de tabel
met de tests of within-subjects effects. De hoofdeffecten en interactie-effecten zijn zichtbaar. Je krijgt
ook veel overbodige output; zo hoef je bv maar naar 1 rij te kijken(afhankelijk van Mauchly's test).
Hoofdeffecten zijn niet belangrijk als er een significant interactie-effect is. Doordat we nu twee within
factoren erin hebben in plaats van 1, wordt interpretatie al een stuk moeilijker. Er zijn nu veel
interactie-effecten en tabellen die je kunt zien, namelijk tussen alle levels, per geslacht etc. Ook aan
error bars kun je zien of BI's al dan niet overlappen om een conclusie te trekken met betrekking tot de
hoofdeffecten. Ook kun je naar simpele contrasten kijken, bv aantrekkelijk vs gemiddeld, en lelijk vs
gemiddeld. Aan de gemiddelden kun je bovendien zien welke hoger scoort.
Zo kun je bv kijken naar de interactie tussen geslacht en uiterlijk(ook nog eens op elk level bv knap vs
Mixed designs: Repeated measures en independent designs kunnen gecombineerd worden. Dit is
een mixed design. Je hebt hiervoor dus minstens 2 onafhankelijke variabelen nodig, maar het kan
complexer worden met nog meer onafhankelijke variabelen, bv 2 between groups en 1 within of
andersom. Echter zijn interactie-termen met 2 variabelen al moeilijk te interpreteren, laat staan met 3.
Het advies is om maximaal 2 of 3 onafhankelijke variabele te nemen als je de interactieterm wil
interpreteren. ANOVA is wederom een lineair model, waarbij je nu wederom een predictor b
toevoegt(en interactie hiermee).
Assumpties in mixed designs: Lineair model, dus alle vormen van bias gelden weer. Omdat mixed
designs zowel een between-group als within-group hebben, heb je zowel te maken met homogeniteit
van de variantie als sphericiteit(Greenhouse-Geisser bij schending). De bootstrap button is helaas
afwezig.
What do men and women look for in a partner?
Stel dat mannen en vrouwen gaan speeddaten. Ze krijgen allemaal een date met 9 personen die
verschillen in uiterlijk en charisma. De afhankelijke variabele is rating van hoe graag ze een date met
deze persoon willen van 0 tot 100%. Elk persoon beoordeelt dus 9 mensen die variëren in
aantrekkelijkheid en persoonlijkheid.
Dus uiterlijk heeft 3 levels en is een within factor.
Persoonlijkheid(charisma) heeft 3 levels en is ook een within factor.
Gender is een between-groups factor, omdat zowel mannen en vrouwen beoordelen.
Mixed ANOVA in SPSS:
Ook hier eerst kijken naar outliers dus data plotten en kijken of er problemen zijn met normaliteit.
Levene's test checken en Mauchly's test. Bij specifieke hypotheses planned comparisons doen en bij
geen specifieke hypotheses post hoc tests doen. Ook effect sizes weergeven.
Er zijn totaal 9 within condities vanwege 3 keer 3.
Analyze General linear model Repeated measures.
Het is handig om je within factoren in een bepaalde volgorde in het model te gooien, bv als er een
baseline categorie is kan je dit doen om vervolgens simpele contrasten te doen. Bij aantrekkelijkheid
kan je bv gemiddeld als norm kiezen(logisch toch), en bij charisma ook. Voer deze variabele dan bv
als laatste in(volgorde van de rest maakt niet uit), zodat je later simpele contrasten kan doen.
Bij contrast kies je dan de laatste als baseline dus wordt alles hiermee vergeleken.
Je kan ook een plot maken door een interactie-effect te maken van uiterlijk x charisma x gender. Bv
gender bij 'separate plots', charisma bij 'separate lines' en uiterlijk bij 'horizontale as'. Klik op add.
Output voor mixed factorial ANOVA:
Allereerst zie je welke variabelen je hebt gekozen en descriptive statistics voor elke conditie. Je ziet de
Mauchly's test van sphericiteit voor elk repeated measures effect. Ook Levene's test is zichtbaar voor
alle combinaties van repeated-measures variabelen. Vervolgens zie je het belangrijkste deel: de tabel
met de tests of within-subjects effects. De hoofdeffecten en interactie-effecten zijn zichtbaar. Je krijgt
ook veel overbodige output; zo hoef je bv maar naar 1 rij te kijken(afhankelijk van Mauchly's test).
Hoofdeffecten zijn niet belangrijk als er een significant interactie-effect is. Doordat we nu twee within
factoren erin hebben in plaats van 1, wordt interpretatie al een stuk moeilijker. Er zijn nu veel
interactie-effecten en tabellen die je kunt zien, namelijk tussen alle levels, per geslacht etc. Ook aan
error bars kun je zien of BI's al dan niet overlappen om een conclusie te trekken met betrekking tot de
hoofdeffecten. Ook kun je naar simpele contrasten kijken, bv aantrekkelijk vs gemiddeld, en lelijk vs
gemiddeld. Aan de gemiddelden kun je bovendien zien welke hoger scoort.
Zo kun je bv kijken naar de interactie tussen geslacht en uiterlijk(ook nog eens op elk level bv knap vs
