Factorial designs zijn onderzoeksopzetten die het mogelijk maken om meerdere onafhankelijke variabelen of factoren te onderzoeken.
Dit hoofdstuk verkent het effect van verschillende type programma's op de schoolprestaties van vijfjarige kinderen.
Effecten van Televisie Kijken op Schoolprestaties
Onderzoekresultaten:
Kinderen van 5 jaar die veel educatieve programma's keken, zoals Sesame Street en Mister Rogers' Neighborhood, behaalde hogere cijfers op de middelbare school dan hun leeftijdsgenoten die minder educatieve televisie keken (Anderson et al., 1998).
Kinderen die veel niet-educatieve televisieprogramma's keken, hadden relatief lage cijfers op de middelbare school in vergelijking met hun leeftijdsgenoten.
Gegevensmatrix en Grafiek
Afbeelding 11.4 toont een datamatrix en een grafiek die de hoeveelheid tijd laten zien die kinderen aan televisie besteden.
Er is geen hoofdeffect aangetoond van het kijken naar veel televisie: de cijfers voor studenten die veel TV keken zijn gelijk aan die van studenten die een kleine of gematigde hoeveelheid TV keken.
De grafiek laat echter een interactie zien:
De effectiviteit van het kijken naar TV hangt af van het type programma.
Educatieve programma’s zijn gerelateerd aan een toename in cijfers;
Niet-educatieve programma’s zijn gerelateerd aan een afname in cijfers.
Gemiddelde Effecten
Het gemiddelde van deze twee resultaten produceert een nulwaarde voor het hoofdeffect.
Het hoofdeffect beschrijft de resultaten echter niet nauwkeurig:
Het zou onjuist zijn te concluderen dat er geen relatie bestaat tussen de hoeveelheid tijd die aan televisie kijken wordt besteed en de toekomstige schoolcijfers.
Interacties en Hoofdeffecten
De aanwezigheid van een interactie kan hoofdeffecten verhullen of vervormen.
Bij significante interacties moet men de gegevens zorgvuldig bekijken voordat men de hoofdeffecten geloofwaardige waardeert.
Onafhankelijkheid van Hoofdeffecten en Interacties
In een tweefactorenstudie kunnen onderzoekers drie sets gemiddelde verschillen evalueren:
Gemiddelde verschillen van het hoofdeffect van factor A.
Gemiddelde verschillen van het hoofdeffect van factor B.
Gemiddelde verschillen van de interactie tussen de factoren A en B.
Deze drie sets zijn onafhankelijk en kunnen elke combinatie van hoofdeffecten en interacties tonen.
Data Analyse: Voorbeelden van Effecten
Afbeelding 11.5 toont verschillende mogelijkheden met betrekking tot de effecten:
Fig. 11.5a:
Gemiddelde verschil tussen niveaus van Factor A, maar geen gemiddelde verschil voor Factor B en geen interactie:
Hoofdeffect voor Factor A is 10 punten hoger voor de bovenste rij dan voor de onderste rij.
Geen effect voor Factor B, omdat beide kolommen dezelfde gemiddelde waarde hebben.
A-effect blijft constant binnen elke kolom.
Fig. 11.5b:
Toont zowel een A-effect als een B-effect, maar geen interactie:
A-effect is een 10-punten verschil tussen rijen.
B-effect is een 20-punten verschil tussen kolommen.
A-effect is constant binnen de kolommen, wat wijst op geen interactie.
Fig. 11.5c:
Toont een interactie zonder hoofdeffecten voor Factor A of Factor B:
Geen gemiddelde verschil tussen rijen (geen A-effect) en geen gemiddelde verschil tussen kolommen (geen B-effect).
Mean verschillen binnen rijen en kolommen kunnen niet worden verklaard door hoofdeffecten en duiden op een interactie.