Data Exploration

Moderation & Multilevel analysis

1
 Wooclap

Link naar Wooclap: https://app.wooclap.com/events/CMTPOU/0

2
1 Moderation analysis

3
Moderatiemodellen
• Je onderzoekt de samenhang tussen een y-variabele en één of meerdere x-variabelen (predictoren),
waarbij het effect van één of meerdere x-variabelen op de y-variabele afhankelijk is van de moderator.
• De moderator verandert dus de relatie tussen x en y.
• Moderatie wordt ook wel een interactie-effect genoemd

Basismodel van moderatie

4
Diverse conceptuele modellen
• In de praktijk worden vaak complexere modellen onderzocht (meer predictoren, moderatoren én
mediatoren)
• Enkele voorbeelden die mogelijk zijn met de PROCESS tool (SPSS, python):

- Voorbeeld 1: werkgeluk a.d.h.v. aantal uren werken. Moderatoren: geslacht en leeftijd

- Voorbeeld 2: moderator salaris, weer gemodereerd door geslacht

- Meer complexe modellen zijn te onderzoeken m.b.v. de PROCESS tool in SPSS.

Maar je moet scherp blijven op de onderbouwing van die modellen. Iets kan dan wel
statistisch mogelijk zijn, maar kan je de relaties uit zo’n model ook onderbouwen
(o.b.v. eerder onderzoek, literatuur)? Deze modellen zijn namelijk toetsend van aard,
maar wat je toetst moet logisch te verantwoorden zijn.

5
Vertaling naar een statistisch model
• Variabelen in een simpel interactiemodel:
• Y = afhankelijke variabele
• X = predictor
• M = moderator
• X*M = interactieterm Conceptueel model

𝑌 = 𝑏 + 𝑏 𝑋 + 𝑏 𝑀 + 𝑏 (𝑋 𝑀 ) + ε
M Y

X*M
Statistisch model

6
Hoe trainen en interpreteren we een
moderatiemodel? (1/2)

Field (2018)

7
Centreren van predictoren
• Als je een interactieterm in je model toevoegt, verandert de interpretatie van de b-parameters van
de individuele predictoren (van X en M):

𝑌 = 𝑏 + 𝑏 𝑋 + 𝑏 𝑀 + 𝑏 (𝑋 𝑀 ) + ε
• 𝑏 = 0,173 betekent:
als X met één eenheid toeneemt, neemt Y toe met 0,173, onder de voorwaarde dat M 0 is.
• 𝑏 = 0,150 betekent:
als M met één eenheid toeneemt, neemt Y toe met 0,150, onder de voorwaarde dat X 0 is.

• Soms is het logisch dat X of M de waarde 0 kan aannemen (bijvoorbeeld: aantal uren studeren),
maar soms ook niet (bijvoorbeeld: hartslagen per minuut).
In die gevallen zijn de b’s niet meer goed te interpreteren in gevallen met een interactieterm.

• Daarom: predictoren centreren op basis van de grand mean: (predictor_i – predictor_mean)

8

Centreren op basis van Grand Mean

- Verschil tussen Grand Mean en elke individuele score wordt berekend.
- Verschilscores kunnen dus – of + zijn (afwijking van grand mean), of gelijk aan 0 (als
individuele score precies gelijk is aan grand mean)

8
Hoe trainen en interpreteren we een
moderatiemodel? (2/2)

Field (2018)

9
Simple slopes analyse
• Doel: interpreteren van het effect van de interactieterm

Y = GPA (gemiddelde tentamencijfer)

X = Work ethic
M = IQ

- Model 1: IQ is laag
- Model 2: IQ is gemiddeld
- Model 3: IQ is hoog

We zien dat de relatie tussen X en Y

sterker wordt, naarmate M toeneemt.

10

Simple slopes zijn heel belangrijk om de interactie goed te kunnen interpreteren. Uit de
output weten we of een interactieterm sign. is. Maar hoe het verband loopt, zie je in de
simple slopes figuur.

Op basis van centring, worden drie modellen weergegeven:

- Model 1: IQ is laag (1 SD onder de grand mean)
- Model 2: IQ is gemiddeld (= gelijk aan grand mean)
- Model 3: IQ is hoog (1 SD boven de grand mean)

Voorbeeld op slide
Y = GPA (gemiddelde tentamencijfer)
X = Work ethic
M = IQ

Interpretatie
We zien dat de relatie tussen X en Y sterker wordt, naarmate M toeneemt. Dat zien we
omdat:
- De rode lijn horizontaal verloopt: oftewel, bij studenten met een lager IQ (1 SD onder
grand mean) neemt Y niet toe als X toeneemt.
- Bij de groene lijn (studenten met gemiddeld IQ) zien we dat Y wel toeneemt als X
toeneemt.
- Bij de blauwe lijn (studenten met bovengemiddeld IQ) zien we dat Y sterker
toeneemt, naarmate X toeneemt.

10
2 Multilevel analysis
(op basis van voorbereidingsopdracht)

11
Multilevel analysis

Regressiemodel: 2 predictoren (X1 en X2), Multilevel analysis: weer 2 predictoren (X1 en X2),
waarmee je de variantie in Y voorspelt. waarmee je de variantie in Y voorspelt.

Alle variabelen in dit voorbeeld zijn op het De predictoren hebben nu verschillende niveaus (levels)
niveau van een individuele consument. waarvan je het effect moet onderzoeken.

Er is hierarchie in de data, de data is genest.

12

Op deze slide staat de basisgedachte achter Multilevel Analysis. Deze wordt

duidelijk door multilevel analysis te vergelijken met een regulier regressiemodel

- Regressiemodel: bevat 2 predictoren (X1 en X2), waarmee je de variantie in

Y voorspelt. Alle variabelen in dit voorbeeld zijn op het niveau van een
individuele consument.
- Multilevel analysis: dit model bevat eveneens twee predictoren (X1 en X2),
waarmee je de variantie in Y voorspelt. Verschil is dat deze twee predictoren
op twee verschillende niveaus zijn: X1 is een variabele op landniveau, terwijl
X2 op het niveau van een individuele consument is. Er zitten dus twee niveaus
(levels) in het model dat je wil onderzoeken. Als er sprake is van meer dan één
niveau, voer je een multilevel analyse uit.

Meerdere niveaus:
Vaak is het aannemelijk dat er sprake is van meerdere niveaus, denk aan de
volgende voorbeelden:
- Individuele medewerkers (1), die werken in teams (2).
- Consumenten (1), die woonachtig zijn in Europese landen (2)
- Maar ook: individuele medewerkers (1), in teams (2), van verschillende
locaties (3).

12
Indien er meerdere met elkaar verbonden niveaus zijn (level 1 is onderdeel van
level 2, level 2 is onderdeel van level 3, etc.) dan spreken we van nested data
(geneste data), die zorgt voor een hierarchische structuur van de data.

12
 Hiërarchische data en ICC
• Voorbeeld van hiërarchische data:
Medewerkersbetrokkenheid: afhankelijk van (1) individu en
(2) team
• Hoe sterk is de hiërarchie in de data? Interclass Correlation
(ICC)
• Vanaf .40 is het nuttig om via multilevel analyse te verkennen
of bepaalde levels variantie in de Y-variabele voorspellen.
• Hoge ICC: variantie in betrokkenheid van medewerkers
binnen teams is klein, maar verschillen tussen teams zijn
groot. Het is belangrijk om level 2 (teams) mee te nemen.
• Lage ICC: binnen teams spelen grote verschillen in
betrokkenheid van medewerkers. Hierdoor verschillen
teams onderling niet veel van elkaar: level 2 (teams) is
niet noodzakelijk om mee te nemen.
• Nu jullie! Voorbeeld van hiërarchische data en hoge/lage ICC?
22 december 2023 13

Voorbeelden van hierarchische data

Herhaling van wat in de introductie besproken is.
• Hiërarchische data betekent dat observaties genest zijn. Oftewel, er is sprake van
een hierarchie in de data doordat er sprake is van verschillende levels.
• Concreet voorbeeld dat past binnen People Analytics: de betrokkenheid van
medewerkers is genest binnen individuele medewerkers (level 1: kunnen van elkaar
verschillen in betrokkenheid), maar mogelijk ook teams/afdelingen (level 2), en
locaties van de organisatie (level 3).

Intraclass correlation (ICC)

• De ICC geeft de mate aan waarin er sprake is van hiërarchische data oftewel
genestheid. Als er sprake is van een hoge ICC, dan geeft dit aan dat er sprake is van
hiërarchie.

0 - .20 = gering
.21 - .40 = matig
.41 – .60 = redelijk
.61 - .80 = voldoende tot goed
.81 – 1.00 = bijna perfect

• Voorbeeld van hoge ICC: de variantie in betrokkenheid van medewerkers binnen

teams is relatief klein, maar de verschillen tussen teams zijn groot. Dit geeft aan dat

13
 het dus belangrijk is om level 2 (teams) mee te nemen in jouw analyses, en dat je
multilevel analyses moet uitvoeren.
• Voorbeeld van lage ICC: binnen teams is er sprake van grote verschillen in
betrokkenheid van medewerkers. Deze grote verschillen binnen teams, zorgen ervoor
dat de teams onderling niet veel van elkaar verschillen (één team scoort bijv. niet veel
hoger dan een ander team). Dit leidt tot een lage ICC en geeft aan dat level 2 (teams)
niet noodzakelijk is om mee te nemen in jouw analyse.

13
 Multilevel analyse
• Leg onderstaande modellen uit

22 december 2023 14

Uitleg drie typen multilevel modellen

Random intercepts, fixed slope models
Het intercept varieert, bijvoorbeeld tussen groepen, maar de slope niet. Een voorbeeld:
de relatie tussen stress en werkgeluk van drie verschillende teams wordt onderzocht. De
teams verschillen in hun werkgeluk, als stress afwezig is (stress is 0); oftewel, de
intercepts (startpunten) verschillen in grootte. De fixed slope houdt in dat voor elke
toename in stress, de toename (of afname) in werkgeluk voor elk team hetzelfde is.
Hierdoor stijgen of dalen de regressie-lijnen voor elk team even hard.

Random slope, fixed intercept

Het startpunt (intercept) is gelijk voor groepen, maar de slope varieert. Bijvoorbeeld: de
teams uit bovenstaand voorbeeld variëren niet in de mate van werkgeluk als stress
afwezig is (stress is 0): ze scoren precies even hoog (oftewel hebben een fixed
intercept). Maar naarmate stress toeneemt, heeft dat een verschillend effect op het
werkgeluk in de verschillende teams. Bij één team kan werkgeluk bijvoorbeeld harder
dalen dan een ander team. Of wat zelfs ook mogelijk is: in twee teams daalt werkgeluk
als stress toeneemt, maar in een ander team neemt werkgeluk toe naarmate stress
toeneemt. Dit is niet zo’n realistisch scenario: als er sprake is van random slopes, dan is
er sprake van verschil in de relatie X en Y, wat meestal ook betekent dat er verschil is in
de hoogte van Y (en dus verschil in intercepts).

Random intercept, random slope

Hier variëren dus zowel het intercept (hoogte van werkgeluk bij afwezigheid van stress),

14
als de slope (toename/afname in werkgeluk als gevolg van een toename in stress) voor
de verschillende teams. Dit is een vrij realistisch scenario: want waarom zouden hoogte
van werkgeluk (intercept) en de effecten (slopes) hetzelfde zijn in teams die bijvoorbeeld
nooit samenwerken en een andere teamcultuur hebben?

14
3 Groepsopdracht (tot ~10:30)
we trainen alleen modellen voor
moderatie

15
 Groepsopdracht
De Rabobank wil graag weten
• in hoeverre medewerkers ervaren dat hun managers een
transformationele leiderschapsstijl toepassen (X) en
• of deze ervaren leiderschapsstijl gerelateerd is aan de mate waarin kennis
wordt gedeeld door teamleden in hun team (Y).
• Ook wil de Rabobank laten onderzoeken of deze mogelijke relatie wordt
gemodereerd door effectiviteit van de bestaande samenwerking in die
teams (M).

Jullie gaan interpreteren:

• R square
• Interactie
• Simple slopes
en advies formuleren
22 december 2023 16

16
 Nabespreking: Moderatie (1/4)
• Interpreteer de R square:

• Interpreteer significatie en confidence interval van de interactie:

22 december 2023 17

R Square
De R Square (R-sq) is 0.3335, wat betekent dat dit model 33,35% van de variantie in de
Y-variabele (kennisdeling in teams) verklaart. Dat is redelijk veel, zeker omdat het hier
om het voorspellen van menselijk gedrag gaat. Maar dit betekent ook dat 66,65% van de
variantie in kennisdeling in teams niet verklaard wordt door dit model.

Interpretatie Interactie
Interactie (TFL_scale*EF_scale): de interactie is significant (p = .0037 en confidence
intervals bevatten geen 0-punt)

17
 Nabespreking: Conditional effect (2/4)

“Wat is het effect van TFL op IP voor verschillende waarden van EF?”

22 december 2023 18

Algemene toelichting
In deze output geeft SPSS drie modellen weer, die variëren in de sterkte van de
moderator (effectiviteit van samenwerking). Omdat we alle variabelen gecentreerd
hebben, betekent een score van 0 op de moderator in dit geval een gemiddelde score
(te zien in model 2). Model 1 bevat een lage score, oftewel het gemiddelde (0) minus 1x
de standaard deviatie, en model 3 bevat een hoge score, oftewel het gemiddelde (0)
plus 1x de standaard deviatie.

Interpretatie 3 modellen
• Model 1, waarin EF_scale laag is (-.5409 om precies te zijn): er bestaat een positieve
significante relatie tussen Transformationeel Leiderschap (X) en Kennisdeling in
teams (Y), b (Effect) = .1425, p = .000, CI [.0788, .2062].

• Model 2, waarin EF_scale gemiddeld is (waarde 0): er bestaat een positieve

significante relatie tussen Transformationeel Leiderschap (X) en Kennisdeling in
teams (Y), b (Effect) = .2128, p = .000, CI [.1602, .2655].

• Model 3, waarin EF_scale hoog is (.5409 om precies te zijn): er bestaat een positieve
significante relatie tussen Transformationeel Leiderschap (X) en Kennisdeling in
teams (Y), (Effect) = .2832, p = .000, CI [.2059, .3605].

Conclusie
De positieve relatie tussen Transformationeel leiderschap en Kennisdeling in teams

18
wordt sterker, naarmate de EF_scale in waarde toeneemt (te zien aan de toename van
‘Effect’). Er lijkt daarom sprake van een positief interactie-effect. Dit wordt nog
inzichtelijker door een figuur te maken van de simple slopes, wat de volgende stap in de
opdracht is.

18
 Nabespreking: Simple slopes (3/4)

22 december 2023 19

Interpretatie figuur:
De relatie tussen de X-variabele en Y-variabele wordt sterker, naarmate de waarde van
de moderator toeneemt (zagen we ook al in de vorige stap, maar nu gevisualiseerd door
de lijnen: de lijnen die behoren bij hogere waarden van de moderator zijn iets stijler).
Oftewel: de slopes variëren voor de verschillende sterkten van de moderator (random
slopes) (Daarnaast is er ook sprake van random intercepts voor de verschillende
groepen waarin respondenten worden ingedeeld).

Dit betekent: de relatie tussen transformationeel leiderschap en kennisdeling in teams

wordt sterker, naarmate de effectiviteit van samenwerking in teams hoger is.

19
 Conclusies en advies aan
opdrachtgevers Rabobank (4/4)
“Rabobank heeft gemerkt dat er in teams weinig kennis met elkaar wordt gedeeld
en dat teamleden vooral individueel hun taken uitvoeren. De doelstelling van de
Rabobank is daarom om kennisdeling in teams te stimuleren. Hiervoor hebben alle
managers van de Rabobank een leiderschapstraining gevolgd gericht op het
ontwikkelen van een transformationele leiderschapsstijl. Kenmerkend voor deze
leiderschapsstijl is namelijk dat deze medewerkers stimuleert samen te werken en
te leren.”

22 december 2023 20

Advies aan de opdrachtgever

Er bestaat een positieve relatie tussen de ervaren transformatieve leiderschapsstijl en de
mate van kennisdeling in teams, en de effectgrootte van het model is redelijk groot.

Het lijkt er daarom op dat de training van leidinggevenden effect heeft: medewerkers die
meer transformationeel leiderschap ervaren, geven aan meer kennis te delen. Hierbij
moeten we er ons van bewust zijn dat er ook andere – niet onderzochte – variabelen
een rol spelen in het voorspellen van kennisdeling in teams.

Desalniettemin is het advies is om ook nieuwe managers deze training te laten volgen
en eventueel alle managers vervolgtrainingen te laten volgen. En na het afronden van
deze trainingen nieuwe metingen te doen, en de effecten op kennisdeling te blijven
onderzoeken.

Een ander advies dat uit de analyses naar voren komt, heeft te maken met de
effectiviteit van de samenwerking in teams. Deze variabele blijkt bovenstaande relatie
namelijk positief te modereren. Dus het is ook verstandig voor de Rabobank om in
manieren van effectief samenwerken te investeren. De Rabobank zou bijvoorbeeld
vervolgonderzoek kunnen doen naar verschillen in effectiviteit tussen teams: waar komt
dat door? Op basis van dit onderzoek kunnen dan wellicht professionaliseringstrajecten
of interventies in de praktijk worden ingezet om effectieve samenwerking te stimuleren.

20
Huiswerk-tip
(vóór WC8)
Voor jezelf op een rij zetten:
• Modeltypen
• Bijbehorende statistische concepten
• Interpretatie van concept(waard)en.

Roept het nog vragen op? Zet ze in het

formulier voor WC8! (Vóór woensdag 17
januari 12:00 ‘s middags.)

(Oefenen kan met te downloaden datasets van

Field – handig voor afstuderen!)
21

21
VRAGEN?

22
23