Hoofdstuk 19 Factoriele ANOVA

19.1 Intro

Factoriele ANOVA is een uitbreiding van de gewone oneway ANOVA naar meerdere factoren. Er zijn hier dus twee of meer nominale variabelen die ieder twee of meer categorieen, de experimentele condities, bevatten. We kunnen het effect van elk van de variabelen bekijken, en ook van het interactie effect tussen beide variabelen.

19.1.1 Voorbeeld dataset

In dit voorbeeld gaan we werken met de dataset sportcasus. Informatie over deze dataset is te vinden in hoofdstuk 3 en informatie over hoe je data kunt laden staat beschreven in hoofdstuk 4. Hier willen we testen of de sportscore door de interventie (type informatie) is beinvloed en of dit effect eventueel afhangt van de leeftijdsklasse.

19.2 jamovi

In het tabblad “Analyses” kun je klikken op “ANOVA”. Klik in het menu dat verschijnt vervolgens op de tweede optie evneens “ANOVA” genaamd. Selecteer de variabele die je wilt vergelijken, in dit geval sportscore2 en verplaats deze naar het vak “Dependent Variables”. Selecteer vervolgens de factoren die je wilt gebruiken en verplaats deze naar het vak “Fixed Factors”, in dit voorbeeld voorlichting en leeftijd. Nu verschijnt automatisch de F-test aan de rechterkant van het scherm. Het model dat je toets bevat nu automatisch alle termen, dus bij twee variabelen wordt ook de interactieterm tussen deze twee bijgevoegd. Als je dat niet wil, kan je het model menu uitklappen en daarin de interactieterm verwijderen, door deze term te selecteren en dan op het pijltje naar links te klikken. Je kan effect sizes aanvinken die dan meteen worden getoond in de tabel. De checks van de assumpties kun je in jamovi direct opvragen door onder het kopje “Assumptions” de verschillende plots aan te klikken.

Daarnaast kun je ook andere informatie toevoegen, zoals de gemiddelden per groep, of post-hoc toetsen. Ook is het mogelijk om contrasten te specificeren per variabele.

In de syntax ziet een Factoriele ANOVA er als volgt uit:

jmv::ANOVA(
    formula = sportscore2 ~ voorlichting + leeftijd + voorlichting:leeftijd,
    data = data,
    effectSize = c("eta", "omega"))

Je kunt het probleem ook benaderen als een lineair model met twee interacterende nominale predictoren. Het grote voordeel hiervan is dat je ook schattingen krijgt voor iedere aparte categorie van het effect op de afhankelijke variabele. Voor deze analyse ga je in het “Analyses” tabblad naar “Regression” en “Linear regression”. De dependent variabele is wederom sportscore2 en bij “Factors” zet je de twee nominale predictoren. Vouw nu het menu “model Builder” open en selecteer beide predictoren. Vouw het onderste pijltje open en selecteer “interaction”. Hiermee wordt de interactieterm toegevoegd aan het model. Het menu kent nog meer opties. Zo kan de F tests worden opgevraagd, de betrouwbaarheidsintervallen van de geschatte parameters en de geschatte gemiddelden.

19.3 R

In R kun je met de rosetta package een ANOVA uitvoeren met de functie fanova. Met deze functie kun je zowel One-Way ANOVAs als factoriële ANOVAs uitvoeren afhankelijk van hoe je het model opbouwt. Voor ons voorbeeld kun je de volgende code gebruiken:

rosetta::fanova(dat=sportcasus, 
                y='sportscore2', 
                between=c('voorlichting', 'leeftijd'))

Let op: soms kan de functie fanova een foutmelding geven, met name als je een bestand hebt geïmporteerd vanuit SPSS met de haven package. Om zeker te weten dat de analyse werkt, kun je voor de zekerheid even je databestand (nogmaals) converteren naar een dataframe met dat <- as.data.frame(dat).

19.4 SPSS

In SPSS moet je naar “Analyze”, “General Linear Model”, en dan “Univariate”. Hieronder zie je hoe je de analyse kunt doen via General Linear Model.


UNIANOVA sportscore2 BY voorlichting leeftijd
  /CONTRAST(voorlichting)=Helmert
  /METHOD=SSTYPE(3)
  /INTERCEPT=INCLUDE
  /PLOT=PROFILE(voorlichting*leeftijd)
  /EMMEANS=TABLES(OVERALL) 
  /EMMEANS=TABLES(voorlichting) COMPARE ADJ(BONFERRONI)
  /EMMEANS=TABLES(leeftijd) COMPARE ADJ(BONFERRONI)
  /EMMEANS=TABLES(voorlichting*leeftijd) 
  /PRINT=ETASQ HOMOGENEITY DESCRIPTIVE
  /CRITERIA=ALPHA(.05)
  /DESIGN=voorlichting leeftijd voorlichting*leeftijd.
  
  

Deze analyse specificeert het Helmert contrast voor de vier condities van voorlichting. Tevens wordt er een plot opgevraagd van de scores van de twee leeftijdsgroepen met voorlichting, en tenslotte worden alle verwachte gemiddelden opgevraagd.

19.5 APA style report

Voor het rapporteren van een ANOVA zijn verschillende regels opgesteld. Hier worden de APA-7 regels toegepast. Hieronder enkele voorbeelden voor het rapporteren van een ANOVA:

Een tweeweg ANOVA liet zien dat er een significante interactie was tussen de hoeveelheid water en de hoeveelheid zonlicht op plantengroei, F(3, 117) = 3.19, p = .026, \(\eta^{2}\) = .21.

Een factoriële ANOVA liet zien dat er een significant verschil was tussen heteroseksuele mensen (M = 41.2, SD = 5.7), biseksuele mensen (M = 33.8, SD = 4.9), en homoseksuele mensen (M = 30.1, SD = 8.2) wat betreft gevoelens van discriminatie, F(2, 133) = 38.89, p < .001, \(\eta^{2}\) = .34. Gevoelens van discriminatie verschilden niet tussen mannen (M = 35.7, SD = 7.8) en vrouwen (M = 36.1, SD = 7.3), ongeacht hun seksuele geaardheid, F(1, 133) = 1.23, p = .345. Wel was er een significant interactie-effect waaruit bleek dat gevoelens van discriminatie anders ervaren worden door mannen van seksuele minderheden dan door vrouwen van seksuele minderheden, F(1, 133) = 6.78, p = .008, \(\eta^{2}\) = .11. Post-hoc analyses lieten zien dat… [beschrijving komt overeen met APA report t-toetsen]