Samenvatting Passer H9 - Factorial Designs

SV Passer Hoofdstuk 9 – Factorial Designs
Basis karakteristieken van factorial design
Een factorial design bevat 2 of meer onafhankelijke variabelen en combineert alle levels van elke
onafhankelijke variabelen met alle levels van andere onafhankelijke variabelen.

Voorbeeld:
Een experiment heeft een 2x2 factorial design. Dit houdt in dat er 2 nummers betrokken zijn die ons vertellen
dat er 2 onafhankelijke variabelen zijn.
Het feit dat het eerste getal een 2 is betekent dat die variabele uit 2 levels bestaat. Bij deze hetzelfde bij het
tweede getal.
2 (1e onafhankelijke variabele met 2 levels) x 2 (2e onafhankelijke variabele met 2 levels) = 4
 dus er zijn 4 condities.

Het aantal onafhankelijke variabelen en het aantal levels kan veranderen.
Voorbeeld: Het kan ook 3 x 2 x 4 zijn.

Beschrijven van levels en condities
De individuele cellen van een factorial design worden vaak beschreven met een naam. Elke onafhankelijke
variabele krijgt een apart symbool/naam
Voorbeeld:
Het 2 x 2 design wordt beschreven als A en B. De levels hierbij worden dan A 1, A2 en B1, B2, want beide
variabelen hebben 2 levels.

Beschrijven van toewijzing aan condities
Een between-subject factorial design is een factorial design waarbij elke participant deelneemt aan 1 conditie.
Een within-subject factorial design is een factorial design waarbij elke participant deelneemt aan alle condities.
Een mixed-factorial design is een factorial design dat ten minste 1 between-subject variabele en 1 within-
subject variabele bevat.

Voordelen van factorial design
 Onderzoeken van algemene effecten van meerdere onafhankelijke variabelen
De onderzoeksvragen stellen de vraag of een variabelen een main effect hebben. Dit komt voor wanneer
een onafhankelijke variabele een algemeen effect heeft op een afhankelijke variabele.

 Onderzoeken van interacties tussen onafhankelijke variabelen
Het onderzoeken van 2 onafhankelijke variabelen in hetzelfde experiment zorgt ervoor dat we kunnen
bepalen of de manier waarop een onafhankelijke variabele gedrag beïnvloedt, afhankelijk van het level van
de tweede onafhankelijke variabele, verschilt.

In een onderzoek komt interaction voor wanneer de manier waarop een onafhankelijke variabele een
afhankelijke variabele beïnvloed verschilt, afhankelijk van het level van de andere onafhankelijke variabele.

Factorial designs:
- Geeft onderzoekers de mogelijkheid om de validiteit van soorten theorieën, zoals over voorspelde
interacties rondom causale factoren, te meten.
- Worden gebruikt om hypotheses over interacties te testen die niet gebaseerd zijn op theorieën.
- Geeft onderzoekers de mogelijkheid om te ontdekken of onafhankelijke variabelen interactie hebben
wanneer de onderzoeker geen formele hypothese in gedachte heeft.


 Onderzoeken van moderator variabelen

, Een moderator is een variabele dat de sterkte of richting van een relatie tussen de onafhankelijke en
afhankelijke variabele kan veranderen. Het effect van de onafhankelijke variabele hangt af van het level
van de moderator.

Eén van de meest voorkomende strategieën voor het testen van een veronderstelde moderator variabele,
of voor het ontdekken of een variabele een moderator kan zijn, is om het mee te nemen in een factorial
design en te onderzoeken of het een interactie effect veroorzaakt.

 Andere voordelen
- Efficiënter te creëren
- Onderzoekers wensen vaak om te onderzoeken of situationele factoren verschillende effecten
hebben op verschillende soorten mensen.

Limitaties van factorial design
1. Wanneer het aantal onafhankelijke variabele stijgt en het aantal levels binnen elke onafhankelijke
variabele stijgt, kan het totaal aantal condities snel stijgen boven beheersbare proporties.

Het begrijpen van main effects en interaction
Mogelijke uitkomsten bij een 2 x 2 design
Voor een factorial design met 2 onafhankelijke variabele (dus in deze 2 x 2), zijn er 8 mogelijke combinaties van
mogelijke uitkomsten. Voor elke variabele zal er wél of géén main effect zijn. En er zal wel of geen A x B
interactie zijn. Dit samen zorgt voor 8 mogelijke combinaties.

De statistiek in een cel (cel gemiddelde) representeert de gemiddelde score van de kans.
Het marginale gemiddelde staat naast elke rij en onder elke kolom en is het gemiddelde van elke cel
gemiddelden voor die specifieke rij of kolom.

Voorbeeld  blz 280 en 281 lezen voor beter begrip experiment.
Relatie tot verdachte Aantal getuigen Marginale gemiddelde
1 getuige 3 getuigen
Dochter 70% 70% 70%
(conditie 1) (conditie 2)
Buurman 50% 50% 50%
(conditie 3) (conditie 4)
Marginale gemiddelde 60% 60%

Cel gemiddelde representeert de gemiddelde score van de participant van de kans dat de verdachte dit misdrijf
begaan heeft.
a) Is er een main effect van nummer van getuige?
Hierbij onderzoek je de marginale gemiddelde aan de onderkant van elke kolom. Je pakt conditie 1 en 3
samen om te kijken naar de resultaten van nummer 1. Je pakt conditie 2 en 4 samen om te kijken naar de
resultaten van nummer 3.
De marginale voor beide nummers zegt dat deelnemers die werden blootgesteld aan 1 en 3 alibi-getuige
gemiddeld geloofden dat er 60% kans was dat de verdachte het misdrijf begaan had.
Geen algemeen verschil in score  geen main effect

b) Is er een main effect van getuige-verdachte relatie?
Om deze vraag te beantwoorden vergelijk je de gemiddelde score van de 90 participanten die blootgesteld
zijn aan de dochter getuigen met die van de gemiddelde score van de 90 participanten die zijn blootgesteld
aan buurman getuigen  Marginale score van de rijen vergelijken.
Conditie 1 en 2 samennemen (70%) en 3 en 4 (50%). Deze verschillen zijn significant. De scores van
participanten wordt beïnvloed door het feit dat een getuige een dochter of buurman was.
c) Is er een nummer van getuige x getuige-verdachte relatie interactie?