Lezioni AMD 07-08 - e-Learning
Transcript
Lezioni AMD 07-08 - e-Learning
Metodologie Quantitative Regressione Lineare Multipla M Q Path Analysis II e Moderazione Marco Perugini Milano-Bicocca 1 Lezione: XIX Dalla mediazione alla path analysis Notiamo che il modello considerato per la mediazione, è un semplice modello di path analysis. La path analysis (tra l’altro) consente stimare le relazioni tra variabili strutturate in un modello logico definito X W Y 2 Lezione: XIX Path Analysis al volo La Path Analysis rappresenta dei modelli di relazione tra le variabili secondo un flusso teorico I modelli di Path Analysis sono spesso chiamati “modelli causali” ma NON usate questo termine (la causalita’ non e’ necessariamente nella analisi statistica!) Causalita’ ipotetica: la Path Analysis puo’ essere usata per testare delle relazioni ipotetico-causali e non per trovarle La Path Analysis puo’ essere compresa come un insieme di regressioni multiple a piu’ strati 3 Lezione: XIX Il diagramma di path Il diagramma di path indica precisamente le equazioni del modello ey X3 Le lineee con frecce sono coefficienti di path strutturali (Beta o B), le linee curve sono correlazioni Y X1 Ogni variabile che non riceve una freccia diretta e’ chiamata esogena Ogni variabile che riceve una freccia diretta e’ chiamata endogena X2 ex2 e sono i termini d’errore (residui) 4 Lezione: XIX Dal diagramma di path alle regressioni Un modello di path puo’ essere risolto con una serie di regressioni multiple Regole: Ciascuna linea curva e’ una correlazione semplice tra due variabili Ciascuna variabile endogena richiede una regressione con tutte le variabili che inviano una freccia come VI verso di essa (esclusa la e) In questo esempio abbiamo due regressioni ed una correlazione z y y1z1 y 2 z2 y 3 z3 ey (espresse in punti Z) z2 12z1 e2 r13 ey z3 zy z1 z2 ex2 cov13 r13 s1s3 5 Lezione: XIX Stime I coefficienti di relazione (di path) sono stimati con le regressioni z y y1z1 y 2 z2 y 3 z3 ey r 13 z2 12z1 e2 ey z3 zy z1 Una regressione con Y come VD e X1 X2 X3 come VI Una regressione con X2 come VD ed X1 come VI z2 ex2 Una correlazione tra X1 e X3 I termini di errore sono semplicemente la varianza residua delle equazioni e y 1 Ry 2 ex 2 1 Rx 2 2 6 Lezione: XIX Esempio (MGB Ridotto – Perugini & Bagozzi, BJSP 2001) COMPORTAMENTO PASSATO ATTEGGIAMENTO EMOZIONI POSITIVE ANTICIPATE DESIDERIO INTENZIONE EMOZIONI NEGATIVE ANTICIPATE 7 Lezione: XIX Path analysis COMPORTAMENTO PASSATO ATTEGGIAMENTO EMOZIONI POSITIVE ANTICIPATE EMOZIONI NEGATIVE ANTICIPATE DESIDERIO INTENZIONE Regressione 1 D= ATT+PAE+NAE Regressione 2 INT= DES+CP 8 Lezione: XIX Path analysis Correlazi oni pae pae nae at t des cp intent Correlazione di Sig. (2-c ode) N Correlazione di Sig. (2-c ode) N Correlazione di Sig. (2-c ode) N Correlazione di Sig. (2-c ode) N Correlazione di Sig. (2-c ode) N Correlazione di Sig. (2-c ode) N Pearson Pearson Pearson Pearson Pearson Pearson 1 107 .308** .001 107 .114 .244 107 .088 .368 107 .022 .822 107 .196* .043 107 nae .308** .001 107 1 107 .182 .060 107 .287** .003 107 .269** .005 107 .401** .000 107 at t .114 .244 107 .182 .060 107 1 107 .621** .000 107 .457** .000 107 .453** .000 107 des .088 .368 107 .287** .003 107 .621** .000 107 1 107 .586** .000 107 .768** .000 107 cp .022 .822 107 .269** .005 107 .457** .000 107 .586** .000 107 1 107 .693** .000 107 intent .196* .043 107 .401** .000 107 .453** .000 107 .768** .000 107 .693** .000 107 1 107 **. La correlazione è s ignif ic ativ a al liv ello 0,01 (2-code). *. La correlazione è s ignif ic ativ a al liv ello 0,05 (2-code). 9 Lezione: XIX Path analysis Riepilogo del modell o Modello 1 R R-quadrato a .646 .418 R-quadrato corret to .401 Errore s td. della stima 1. 00344 a. Stimatori: (C ostante), att, pae, nae Coeffici entia Modello 1 (Costante) pae nae at t Coef f icienti non st andardizzati B Errore s td. .469 .584 -. 036 .074 .159 .066 .680 .088 Coef f icienti st andardizzati Beta -. 038 .191 .590 t .803 -. 482 2. 387 7. 701 Sig. .424 .631 .019 .000 a. Variabile dipendent e: des 10 Lezione: XIX Path analysis Riepilogo del modell o Modello 1 R R-quadrato a .825 .680 R-quadrato corret to .674 Errore s td. della stima .89202 a. Stimatori: (C ostante), pb, des Coeffici entia Modello 1 (Costante) des cp Coef f icienti non st andardizzati B Errore s td. -. 079 .325 .665 .082 .392 .072 Coef f icienti st andardizzati Beta .551 .370 t -. 242 8. 057 5. 411 Sig. .809 .000 .000 a. Variabile dipendent e: intent 11 Lezione: XIX Path analysis COMPORTAMENTO PASSATO ATTEGGIAMENTO .37** .59** .11 EMOZIONI POSITIVE ANTICIPATE .18 .31** -.04 DESIDERIO R2=.42 .55** INTENZIONE R2=.68 .19* EMOZIONI NEGATIVE ANTICIPATE 12 Lezione: XIX Dalla path analysis alla mediazione La path analysis puo’ includere al suo interno modelli di mediazione (ad es., Desiderio media l’effetto dell’Atteggiamento sull’Intenzione) Ma un modello di path analysis da solo puo’ assumere un effetto di mediazione ma non testa la mediazione Per testare la mediazione bisogna applicare a parte l’approccio che e’ stato illustrato precedentemente, cioe’ la verifica delle tre condizioni e l’esame del cambiamento del path (mediazione piena e parziale o nulla) 13 Lezione: XIX Mediazione e path analysis I ATTEGGIAMENTO .59** DESIDERIO R2=.42 .55** INTENZIONE R2=.68 14 Lezione: XIX Mediazione e path analysis II ATTEGGIAMENTO .45** (-.04) .59** DESIDERIO R2=.42 .79** INTENZIONE R2=.59 15 Lezione: XIX Mediazione e path analysis III COMPORTAMENTO PASSATO ATTEGGIAMENTO .45** (-.10) .38** .59** .11 EMOZIONI POSITIVE ANTICIPATE .18 .31** -.04 DESIDERIO R2=.42 .60** INTENZIONE R2=.68 .19* EMOZIONI NEGATIVE ANTICIPATE 16 Lezione: XIX Regole generali di decomposizione degli effetti V1 c V3 a V2 b Effetto diretto di V1 su V2: a Effetto diretto dion V2V3: subV3: b Direct effect of V2 Effetto diretto di V1 su V3: c Direct effect of V1 on V3: c Effetto indiretto (mediato) di V1 su V3: a*b Indirect effect of V1 on V3: a*b Effetto totale di V2 su V3: b Total effect of V2 on V3: b Effetto totale di V1 su V3: (a*b)+c Direct effect of V1 on V2: a Total effect of V1 on V3: (a*b)+c 17 Lezione: XIX Moderazione Quando un effetto di una VI su una VD varia in funzione di un’altra VI, si parla di effetto interattivo o moderazione La relazione tra ricchezza e salute e’ moderata dall’investimento nel SSN La relazione tra classe sociale e grado di istruzione e’ moderata dall’esistenza di un welfare state efficiente e borse di studio La relazione tra pioggia ed allagamenti e’ moderata dagli investimenti nelle pulizie fognarie, politiche edilizie, ed opere di contenimento idrico La relazione tra gravita’ dei terremoti e gravita’ dei danni e’ moderata dalla qualita’ delle strutture 18 Lezione: XIX Effetto interattivo Un effetto interattivo tra due variabili (X1 e X2) c’e’ quando l’effetto di una delle due (X1) nel predire Y e’ diverso a diversi livelli dell’altra variabile X2 30 Di solito indichiamo una variabile come il predittore (X1) e l’altra come il moderatore (X2) Total all-sweets eaten Un effetto interattivo significa che le linee di regressione non sono parallele a diversi livelli del moderatore 20 10 0 SRHI HIGH -10 -.2 LOW -.1 0.0 EAST .1 .2 19 Lezione: XIX Regole generali Le interazioni sono definite come il prodotto tra le due variabili indipendenti (X1 x X2) Le interazioni vanno sempre stimate insieme agli effetti principali (Y=X1+X2+X1X2) Le VI vanno centrate (o standardizzate) prima di calcolare il termine di interazione (riduce la multicollinearita’ tra effetti principali e termine di interazione) Può convenire anche standardizzare la VD perchè così i valori della dell’interazione possono essere ricavati precisamente L’equazione e’ Se Y 1 X 2 M 3 XM 3 e’ significativa, c’e’ una moderazione significativa La variabile moderatrice e’ definita teoricamente – e’ una scelta teorica La variabile moderatrice puo’ essere dicotomica (ad es., genere) oppure continua (ad es., una scala di misura), la VD deve essere continua 20 Lezione: XIX Esempio 1 Il genere modera l’effetto delle emozioni anticipate negative nel predire l’atteggiamento verso l’esercizio fisico? Coefficientia Modello 1 (Costante) genere emozioni negat anticip genere x ENA Coefficienti non standardizzati B Errore std. 5.581 .167 -.328 .215 .587 .187 -.524 .227 Coefficienti standardizzati Beta -.143 .519 -.382 t 33.326 -1.523 3.129 -2.305 Sig. .000 .131 .002 .023 a. Variabile dipendente: atteggiamento verso esercizio fisico C’e’ una interazione significativa tra genere ed ENA C’e’ anche un effetto principale ENA ma esso va interpretato riferendosi alla interazione (potrebbe rappresentare un risultato intermedio tra mancanza di effetto in un gruppo e presenza di effetto in un altro) 21 Lezione: XIX Rappresentare l’interazione Nella simple slope analysis si rappresenta ciascuna linea per un valore positivo ed uno negativo della IV moderatrice (di solito 1 e -1) Nella simple effect analysis si rappresenta ciascuna linea di regressione per ciascun gruppo La simple slope analysis e’ migliore ma piu’ complicata da effettuare La simple effect analysis e’ semplice soprattutto quando ci sono gia’ due gruppi distinti (variabile dicotomica) 22 Lezione: XIX Come si fa? 23 Lezione: XIX Il grafico dell’interazione genere 7.00 maschi femmine genere 7.00 maschi 6.00 femmine 6.00 atteggiamento 5.00 atteggiamento 5.00 4.00 3.00 4.00 3.00 2.00 R Sq Linear = 0.004 2.00 1.00 R Sq Linear = 0.134 -2.00000 -1.00000 0.00000 1.00000 2.00000 emozioni negat anticip 1.00 -2.00000 -1.00000 0.00000 1.00000 2.00000 emozioni negat anticip 24 Lezione: XIX L’interazione con variabili continue Il modo migliore e’ una simple slope analysis Va fatto a mano, o usando Excel, o routines SPSS, o moduli SPSS speciali In sostanza si tratta di svolgere l’equazione finale sostituendo dei valori arbitrari di -1 ed 1 nel moderatore, quindi introdurre dei valori arbitrari nella altra VI e risolvere le equazioni per tutti questi valori e poi rappresentarla graficamente La logica e’ la stessa, ma l’esecuzione e’ piu’ complicata Si possono però trovare delle routine su siti web http://pavlov.psyc.vuw.ac.nz/paul-jose/helpcentre/help1_intro.php o moduli per SPSS quali PROCESS di Hayes (2013) 25 Lezione: XIX PROCESS di Hayes (2013) 26 Lezione: XIX Esempio II L’abitualita’ di un comportamento (Self-Report Habit Index, SRHI) modera l’influenza di una misura di preferenza associativa (Extrinsic Affective Simon Task, EAST) nella predizione del consumo di dolci? Da Conner, Perugini, et al. (2007), PSPB 27 Lezione: XIX Una routine in Excel 28 Lezione: XIX Il grafico risultante Con opportuni calcoli si puo’ ricavare la beta di ogni retta 29 Lezione: XIX Esempio III L’abitualita’ di un comportamento (Self-Report Habit Index, SRHI) modera l’influenza di una misura di preferenza associativa (Extrinsic Affective Simon Task, EAST) nella predizione del consumo di dolci? Dividiamo prima i soggetti in Alta e Bassa abitualita’ (sopra o sotto la media) Cosa accade? 30 Lezione: XIX Risultati diversi! Perche’? 31 Lezione: XIX Perche’ non si divide con la mediana? La divisione con la mediana (Alti vs. Bassi) va evitata quasi sempre E’ meno potente perche’ si butta via informazione statistica In campioni piccoli il taglio a meta’ puo’ formare gruppi strani La varianza spiegata e’ di solito minore che con variabili continue Si possono creare effetti spuri dovuti ad esempio alla correlazione tra le variabili La divisione con la mediana puo’ essere utile soltanto in via esploratoria (capire al volo i risultati) o in casi molto particolari (ad es., distribuzine bimodale) ma in generale vanno usate le variabili con punteggi continue – non si dicotomizza cio’ che e’ continuo Se i risultati sono in conflitto, valgono quelli con dati continui 32 Lezione: XIX Perche’ è meglio standardizzare? Centrare (esprimere i punteggi come deviazioni dalla media) è essenziale prima di calcolare il prodotto tra VI e Moderatore Mentre il livello di significatività (p) è stimato correttamente , il valore del parametro beta di interazione è stimato come “semi-standardizzato” Per avere un beta pienamente standardizzato, bisogna standardizzare tutte le variabili (VD, VI, Moderatore) prima della regressione I valori corretti dei parametri saranno dati dai valori B (non standardizzati) Se le variabili sono standardizzate, le B sono espresse su una scala direttamente standardizzata 33 Lezione: XIX Perchè è meglio standardizzare? Con tutto standardizzato (anche VD) Parametri (beta) corretti p (Sig.) uguali 34 Lezione: XIX Modelli avanzati (Mod-Med, Med-Mod) Mediazione e Moderazione Moderazione mediata 35 Lezione: XIX Modelli avanzati (Mod-Med, Med-Mod) Mediazione moderata 36 Lezione: XIX Lettura per l’esame Sul sito troverete il lavoro di Baron e Kenny (JPSP, 1986) sulla mediazione e sulla moderazione Lettura obbligatoria per il corso 37 Lezione: XIX Esame L’esame sarà composto da: Risposte a scelta multipla: Principalmente di teoria e concetti Domande aperte Si chiedera’ di rispondere a domande riguardanti i risultati di analisi condotte su SPSS. Tutti possono integrare il voto con l’esame orale L’esame orale puo’ alzare o abbassare il voto (ma di molto poco…) 38 Lezione: XIX Esame 1. Non copiare 2. Non comunicare con gli altri studenti 3. Non usare telefonini, ecc. 4. Non sfogliare lucidi, ecc. 5. Portare un documento d’identificazione 39 Lezione: XIX Prova simulata d’esame (23 Novembre- Prof.ssa Zogmaister) 1. Potete comunicare tra di voi 2. Potete consultare i lucidi 3. Non usare telefonini, ecc. 4. Prova ridotta ma simile a quella vera 5. NON E’ UN PARZIALE – non c’è un voto 6. Studiate quasi come per un esame (o perlomeno date una ripassata al programma…) 7. Arrivate in orario: la prova inizierà alle 10.45 fino alle 12.00 8. Poi si discuterà la prova (12.00-12.30) 40 Lezione: XIX