SPSS PROCESS Makro

[Anonymous]

Hoi, ik heb een vraagje over PROCESS makro. Ik toets het verband tussen X en Y en M (mediator).
Mijn vraag is hoe ik de ‘model summary’ kan noteren in de resultaten, hierbij gaat het vooral over R2.
ik heb een model summary van van M op X en van M en X op Y. Hoe kan ik deze rapporteren en wat zeggen deze model summaries precies?

M’n volgende vraag gaat over

[scriptium]

Hallo,

De PROCESS-macro voert in feite gewoon een multipele regressieanalyse uit, met de toevoeging dat er bootstrapping wordt toegepast. Dat wil eigenlijk simpelweg zeggen dat de multipele regressieanalyse een x-aantal keer wordt uitgevoerd (bijv. 5000). Omdat we goede computers hebben is dat tegenwoordig een fluitje van een cent en dus eigenlijk altijd een goed idee.

Zo’n multipele regressieanalyse bestaat, als je het goed doet, uit in ieder geval twee delen: een omnibustoets en een deel met de individuele variabelen. ANOVA en andere analyses bestaan overigens ook uit die twee delen. De ‘model summary’ gaat over die omnibustoets en gaat over het model als geheel. Zo’n omnibustoets vormt altijd de eerste stap om te kijken of je model als geheel iets doet: verklaart de combinatie van alle (niet-afhankelijke!) variabelen in je model significante variantie op de afhankelijke variabele (oftewel: is er samenhang tussen de combinatie van die onafhankelijke variabelen en je afhankelijke variabele). De p-waarde die wordt gegeven bij de “model summary” is een antwoord op die vraag (als die kleiner is dan 0.05, dan kun je stellen dat je model, met alle onafhankelijke variabelen, inderdaad iets voorspelt op je afhankelijke variabele). Je kunt aan de R-kwadraat aflezen wat voor percentage van de variantie door jouw model wordt verklaard. Een wat simplistische analogie: als je afhankelijke variabele wordt voorgesteld als een taart, dan geeft die R-kwadraat aan welk percentage van de taart hoort bij de onafhankelijke variabelen in je model (en daar komt eigenlijk nog een stukje meetfout bij). Let op dat de “intercept” gaat over het deel van de taart dat je juist niet met je model verklaart (het restant).

Als je weet of je model significant is, is dat dan voldoende? Nee: je wil ook weten wat er dan precies gebeurt, en daarvoor moet je verder graven en kijken wat de individuele onafhankelijke variabelen doen in relatie tot je afhankelijke variabele. Dat doe je pas als je model als geheel significant is. Het is dus een tweede stap die je neemt op basis van zo’n omnibustoets (model summary). Het kan best zijn dat het model als geheel significant is, maar dat dat uiteindelijk slechts door 1 variabele wordt “gedragen”, en de rest dus niet significant samenhangt met je afhankelijke variabele. In feite zegt de omnibustoets dus of je black box significant is, en als dat zo is, open je die black box om te kijken wat er precies in het model zelf gebeurt.

Het is scherp als je hebt opgemerkt dat het dus eigenlijk niet zou uitmaken of je de p-waarde van de omnibustoets (model summary) checkt of de p-waarde van de individuele onafhankelijke variabele als je model alleen bestaat uit 1 variabele die een voorspelling doet op je afhankelijke variabele: die p-waarde is dan hetzelfde. Immers, je model bestaat maar uit 1 variabele, en je r-kwadraat wordt dus volledig door die ene variabele bepaald. De omnibustoets is “gelijk” aan de toets van de individuele variabele. Je kan dat in jouw geval checken bij M en X (maar het maakt verder niet uit).

Als het gaat om rapporteren zijn de stijlen erg uiteenlopend. De een wil het zus zien, en de ander weer zo. Maak je niet druk over de details, maar zorg er dus wel voor dat het benoemd wordt, en dat je weet wat het betekent. Een goed uitgangspunt is om te beginnen met een beschrijving van je omnibustoets: “Het model met X1 en X2 als voorspellers van Y was significant; F (2, 34) = 3.45, p = 0.01. Het model verklaarde 23.4% van de variantie in Y.” (de getallen heb ik uit de hoge hoed gehaald). Daarna ga je dan in op het model zelf: “Meer specifiek bleek dat X1 een significant positieve samenhang had met Y: B = 0.23, t = 1.23, p = 0.02. X2 had geen positief verband met Y”. Het is een stijldingetje, maar je hoeft normaliter bij niet-significante variabelen verder geen statistiek weer te geven. Maak je niet te druk over details: pas dat gewoon aan nadat je feedback hebt gekregen (zolang je de correcte statistieken maar noemt en weet wat ze betekenen), want ik heb in de vijf jaar dat ik scriptiebegeleiding heb gegeven hier geen enkele lijn in kunnen vinden :-).

Overigens ga je bij mediatie iets verder, omdat je ook het mediatie-effect moet rapporteren. De klassieke manier is om te checken of de relatie tussen X en Y niet meer significant wordt wanneer M in het model verschijnt. Als het goed is kun je in PROCESS ook een total effects model opvragen. Dat is wel handig. Je hebt dan zowel een model met de relatie tussen X en M (de linkerkant van je model), de relatie tussen X en Y (zonder M, het totale effect van X op Y, omdat de “invloed” van je mediator niet eruit is gehaald), en de relatie tussen X+M en Y. Je zou dan verwachten dat het model met de relatie tussen X en Y wel significant is, maar dat de relatie tussen X en Y in het model met M erin juist niet significant is, omdat je je mediator erin hebt gestopt (en er dus wel een relatie is tussen M en Y). Mocht het zo zijn dat de relatie tussen X en Y significant blijft, en je ook een relatie tussen M en Y hebt, dan kun je spreken van “partiele mediatie”. In PROCESS zie je dat aan de hand van de bootstrapped confidence intervallen (LLCI en ULCI heten die geloof ik). Als de nul in dat interval ligt, is de mediatie niet significant. Die twee parameters (de linker en rechtergrens) dien je dus ook te rapporteren. De reden dat je geen p-waarde krijgt voor je mediatie-toets is dat daar juist die bootstrapanalyse is uitgevoerd: er zijn in feite 5000 p-waarden (als je de analyse zo vaak uitvoert), en dat is wat veel van het goede om allemaal op te noemen, en dus krijg je zo’n interval met een linker- en rechtergrens.

Groetjes, Bastiaan

[Anonymous]

Hoi Bastiaan,

bedankt voor de duidelijke feedback. Er is nog een ding wat mij niet duidelijk is.

ik krijg in m’n output verschillende model summaries:

-X op mediator

-x en M op Y

-en dan is er ook nog een kopje ‘total effect model’ waar ook een model summary uitkomt.

Welke van deze drie moet ik gebruiken om de de variantie van X en M op Y te beschrijven? En wat houdt de model summary van ‘total effect model’ in?

 

Alvast bedankt!

[Anonymous]

ik zie dat m’n hele vraag niet goed is verstuurd.

 

Wat ik me hier nog over af vroeg is dat ik vooral focus op de mediatie van het verband. Ik vroeg me hierin af of ik dan zowel de variantie van X op M, van X en Y op M en van X op Y moet beschrijven.  En of bij de ‘total effect model’ wordt gekeken naar de variantie van X op Y, zonder dat de mediatie wordt meegenomen, of begrijp ik het dan verkeerd? ik mis hierin ook de variantie van M op Y, of is dat niet nodig om te beschrijven? Is het daarnaast plausibel om de variantie van X op Y te beschrijven (als m’n idee van dat het total effect model alleen daar naar kijkt klopt), terwijl dit verband niet significant is als ik kijk naar de nadere analyse.