Interactie en moderatie

interaction & moderation

Vooraf, in één zin: een interactie betekent dat het effect van het ene ding afhangt van het andere — en zodra dat zo is, bestaat “het gemiddelde effect” voor niemand echt; waarom je dan de hoofdeffecten niet zomaar mag lezen, staat onderaan bij Wat het niet zegt.

Wat je ziet

In het kort. Een kruisje tussen twee variabelenamen, met een F en een p erachter: group × time, F(1, 116) = 6.76, p = .010. Dat kruisje is een interactie / interaction — een antwoord op de vraag hangt het effect van het één af van het ander? In regressie-taal heet hetzelfde idee moderatie / moderation: de ene variabele modereert (stuurt bij) het effect van de andere. Twee woorden, één verschijnsel.

Zo ziet hij eruit in het wild:

Voorbeeldfragment, geschreven in de stijl van een resultatensectie — het artikel bestaat niet.

Dyadic adjustment (DAS) was assessed in 30 couples before (T0) and after (T1) the patient’s treatment. A significant group × time interaction emerged, F(1, 116) = 6.76, p = .010, partial η² = .06: patients’ DAS scores increased from baseline (M = 94.0) to post-treatment (M = 109.1), whereas partners’ scores remained essentially unchanged (M = 108.1 vs. M = 108.0).

Wat er staat

In het kort. Dertig koppels waarvan één partner in behandeling was, vulden vóór en na de behandeling een relatiekwaliteitslijst in. De patiënten gingen er ruim vijftien punten op vooruit; hun partners bewogen niet. De winst over tijd is dus niet één getal — hij hangt af van wie je het vraagt. Dát is de interactie, en de F van 6.76 toetst precies dat: verschillen de twee winsten van elkaar?

Nu hetzelfde, rustig en van voren af aan. Vier celgemiddelden, in een tabelletje:

	T0	T1	winst
patiënt	94.0	109.1	+15.1
partner	108.1	108.0	−0.1

De patiënten beginnen laag — geen wonder, zij zitten in de klachten — en klimmen naar het niveau van hun partners. De partners beginnen hoger en blijven daar staan. De interactie is het verschil ván de verschillen: +15.1 tegenover −0.1, een verschil-in-verschillen van 15.2 punten. Op dat ene getal — is 15.2 te veel om toeval te zijn? — staat de F van 6.76 en de p van .010.

Teken het en je ziet het meteen. Zet de twee meetmomenten op de x-as en trek per rol een lijn door de twee gemiddelden: de patiëntenlijn klimt, de partnerlijn ligt vlak. Twee lijnen die niet parallel lopen — dat ís een interactie. Liepen ze wél parallel (allebei klimmend, allebei vlak, maakt niet uit — als de winst maar gelijk was), dan was er geen interactie en volstond één gemiddeld effect voor iedereen. Nu niet: de zin “de behandeling verhoogt de relatiekwaliteit” is te grof, want het hangt ervan af wíens relatiekwaliteit je bedoelt. In moderatie-taal: rol modereert het effect van tijd.

En de partiële η² van .06 zegt, net als bij elke ANOVA, hoeveel van de variantie dit stukje voor zijn rekening neemt — hier een bescheiden, maar duidelijk aanwezig deel.

Waar het vandaan komt

Dit is de boek-eenheid Verschil in verschil, en de naam is het hele idee: je kijkt niet naar een verschil, maar naar de vraag of dat verschil zélf verschilt. Daar leer je dat één gemiddeld effect alleen volstaat zolang de lijnen parallel lopen — en dat je, zodra ze dat niet doen, het verhaal in tweeën moet vertellen: één effect per groep, niet één effect voor allemaal.

Neem ook de leesvolgorde uit het boek mee, want die is bij een 2×2-tabel als deze goud waard: eerst de interactie, dan pas de hoofdeffecten. Is de interactie afwezig, dan mag je de hoofdeffecten gewoon lezen. Is hij aanwezig — zoals hier — dan zijn de hoofdeffecten gemiddelden over groepen die niet hetzelfde beleven, en dan wonen de echte antwoorden in de vier cellen. Waarom dat zo is, proef je zo meteen aan een concreet getal.

Zelf doen in JASP

⬇ Download de data — groep_tijd_das.csv

Bij dit blok hoort het databestand groep_tijd_das.csv: 120 rijen, vijf kolommen — id (metingnummer), koppel_id (k01 t/m k30), rol (patient of partner), meetmoment (T0 of T1) en das_score (ervaren relatiekwaliteit, DAS-achtig, hier lopend van 69 tot 142; hoger is beter). Elke rij is één méting, geen persoon: dit heet long format, en 30 koppels × 2 rollen × 2 momenten geeft de 120 rijen. De data zijn gegenereerd — er zit geen echt koppel in — en ze reproduceren precies de uitkomsten uit het fragment.

In JASP · JASP 0.98.1

Open het bestand in JASP (menu linksboven → Open).
Klik in de balk bovenin op ANOVA en kies onder Classical ANOVA.
Sleep das_score naar Dependent Variable en zet rol én meetmoment allebei in Fixed Factors; id en koppel_id laat je staan waar ze staan. Kijk even onder Model: JASP heeft daar naast de twee losse factoren ook rol ✻ meetmoment gezet — dát is de interactieterm, en die moet erin blijven.
Vink onder Display aan: Descriptive statistics en Estimates of effect size (η², of partial η² — hier scheelt het weinig).
Open Descriptives plots en sleep meetmoment naar Horizontal Axis en rol naar Separate Lines. Dit is de interactieplot.

In de ANOVA-tabel rechts staat nu de regel rol ✻ meetmoment: F(1, 116) = 6.76, p = .010, η² = .06. In de Descriptives-tabel de vier cellen: patiënt 94.00 → 109.07, partner 108.10 → 108.00 (alle vier de standaardafwijkingen rond de 16). En in de plot: de klimmende patiëntenlijn, de vlakke partnerlijn — niet parallel. Leg het fragment ernaast: precies de getallen die daar stonden. JASP rekent; jij leest.

Eén eerlijkheidje voor de liefhebber: we doen hier alsof alle 120 metingen los van elkaar staan, terwijl T0 en T1 van dezelfde persoon komen en patiënt en partner uit hetzelfde koppel. Een echt artikel zou daar met een repeated-measures- of mixed-model rekening mee houden. Voor het lezen van de interactie verandert dat niets aan het idee — het verschil-van-de-verschillen blijft het verschil-van-de-verschillen — maar weet dat de nette variant bestaat.

Zelf opschrijven

Schrijf het op — de interactie

Voor je eigen Nederlandstalige literatuurstudie:

Bij koppels waarvan één partner in behandeling was, steeg de door de patiënt ervaren relatiekwaliteit (DAS) van gemiddeld 94.0 naar 109.1, terwijl die van de partner vrijwel onveranderd bleef (108.1 naar 108.0); dit verschil in verandering was significant (interactie rol × meetmoment, F(1, 116) = 6.76, p = .010, partiële η² = .06).

Drie werkafspraken daarbij:

Schrijf de interactie altijd uit in celgemiddelden. “Er was een significante interactie” is voor je lezer een lege huls; +15.1 tegenover −0.1 vertelt het verhaal. De F en de p zijn de handtekening, de cellen zijn de brief.
Noem beide kanten. Ook de groep waar níks gebeurde — juist die. De vlakke partnerlijn is de helft van de bevinding.
Rapporteer géén los hoofdeffect (“de scores stegen over tijd”) als er een duidelijke interactie is — waarom, staat hieronder.

Wat het niet zegt

De verleidelijkste redenering die je over dit fragment kunt opschrijven is: “significante interactie, dus de behandeling werkt bij de patiënten wel en bij de partners niet — en gemiddeld genomen verbetert de relatiekwaliteit.” Drie haarscheurtjes, één per bijzin.

“Dus bij de patiënten wél.” De interactie-toets zegt dát de twee winsten van elkaar verschillen — niet hoe groot elke winst afzonderlijk is, en zelfs niet óf elke winst afzonderlijk significant is. Voor die vragen moet je naar de celgemiddelden en naar aparte toetsen per groep (artikelen noemen die simple effects). Hier is dat onderscheid mild — +15.1 tegen −0.1 laat weinig te raden over — maar de interactie kan ook significant zijn bij +12 tegen +4: twee groepen die állebei opknappen, alleen niet even hard. “Interactie” betekent nooit automatisch “werkt-wel versus werkt-niet”.

En omgekeerd geldt het ook. Een níét-significante interactie bewijst niet dat het effect voor beide groepen gelijk is. Interactie-toetsen vragen veel power — je toetst een verschil tussen verschillen, en daar stapelt de ruis van vier cellen zich in op. Een studie die met dertig koppels géén significante interactie vindt en concludeert “de winst was voor patiënt en partner gelijk”, heeft afwezigheid van bewijs verward met bewijs van afwezigheid. Die valkuil ken je uit het boek; bij interacties is hij extra diep.

“Gemiddeld genomen verbetert de relatiekwaliteit.” Dat is het hoofdeffect van meetmoment, en het is in deze data zelfs significant (p = .012): gemiddeld over iedereen stijgen de scores zo’n 7.5 punten. Maar kijk wie dat getal beschrijft: de patiënten wonnen 15, de partners 0. Niemand won 7.5. Bij een sterke interactie is het hoofdeffect een gemiddelde over groepen die verschillende dingen meemaken — een getal zonder eigenaar. Daarom de leesvolgorde: eerst de interactie; pas als die er niet is, zijn de hoofdeffecten leesbaar als verhaal over iedereen.

En los daarvan het inhoudelijke voorbehoud dat je bij elk design zonder controlegroep maakt: dat de patiënten opknapten tijdens de behandeling zegt nog niet dat het dóór de behandeling was. De interactie vertelt je bij wie de verandering zat — niet waar hij vandaan kwam.

Oefening

Leesopgave. Hieronder twee voorbeeldfragmenten (verzonnen), elk met een conclusie eronder. Zeg per fragment of de conclusie uit de cijfers volgt — en zo niet, wat er wél staat.

Study A (N = 300): a significant treatment × age group interaction was found, F(1, 296) = 8.10, p = .005. Younger patients improved by 9.8 points, older patients by 3.9 points. Conclusie van de auteurs: “the intervention is effective in younger, but not in older patients.”

Study B (N = 28): the treatment × gender interaction was not significant, F(1, 24) = 1.95, p = .175. Conclusie van de auteurs: “the intervention works equally well for men and women.”

Doe-opgave. Draai de analyse van hierboven (groep_tijd_das.csv) en pak de Descriptives-tabel erbij. Reken de interactie na op een kladblaadje: winst van de patiënten, winst van de partners, en het verschil tussen die twee — kom je op de 15.2 waar de F over gaat? Kijk daarna in de ANOVA-tabel naar de regel meetmoment (het hoofdeffect van tijd, p = .012) en beantwoord voor jezelf: welke gemiddelde winst hoort daarbij, en van wie in dit bestand is dat getal een eerlijke beschrijving?

Uitwerkingen — klik open

Uitwerking leesopgave

Studie A: de conclusie zegt meer dan de cijfers. De interactie is significant en de jongeren winnen inderdaad meer — maar de ouderen winnen óók nog 3.9 punten, en of dát effect op zichzelf significant en klinisch betekenisvol is, staat er niet. “Effectief bij jong, niet bij oud” leest een verschil in effect als een aan/uit-knop. Wat er wél staat: de interventie lijkt bij jongere patiënten dúidelijk meer op te leveren; over de ouderen is de eerlijke samenvatting “minder winst, en uit dit fragment niet te zeggen of die winst echt is”.

Studie B: klassieker. Achtentwintig deelnemers, verdeeld over vier cellen — een interactie-toets heeft hier nauwelijks power, en p = .175 betekent dan vooral “deze studie kon het verschil niet zien”, niet “het verschil is er niet”. “Works equally well” is bewijs van afwezigheid claimen waar alleen afwezigheid van bewijs ligt. Wat er wél staat: geen aantoonbaar verschil tussen mannen en vrouwen in deze kleine steekproef — meer niet.

Uitwerking doe-opgave

Winst patiënten: 109.07 − 94.00 = +15.1. Winst partners: 108.00 − 108.10 = −0.1. Verschil van de verschillen: 15.1 − (−0.1) ≈ 15.2 — en dat is het getal waar F(1, 116) = 6.76 over toetst. Meer machinerie zit er niet in: een interactie in een 2×2 is een aftreksom van twee aftreksommen.

Het hoofdeffect van meetmoment hoort bij de gemiddelde winst over álle 120 metingen: (15.1 + (−0.1)) / 2 ≈ 7.5 punten. En van wie is dat een eerlijke beschrijving? Van niemand in het bestand: de patiënten zitten er ruim onder noch boven — zij wonnen het dubbele — en de partners wonnen niets. Het is het gemiddelde van twee groepen die verschillende dingen meemaakten, en precies daarom lees je bij een interactie eerst de cellen en pas daarna (of liever: niet meer) de hoofdeffecten.

◠ Zelfde vorm in het boek

Hier: het effect van tijd hangt af van de rol — twee lijnen die niet parallel lopen, en één gemiddeld effect dat daardoor voor niemand meer klopt.

In het boek: W10 — Verschil in verschil.

Daar wordt geplant dat een interactie geen extra ingewikkeldheid is maar een eerlijkheid: soms ís er niet één antwoord, en dan is “het hangt ervan af” — mét de plot erbij — het precieze antwoord.

TODO: stem-pas. Data fictief (gegenereerd, reproduceert fragment exact); long-format-uitleg en JASP-klikpad (gewone twee-weg ANOVA op 120 rijen vs. Repeated Measures/Mixed — eerlijkheidje staat in de tekst) checken bij de screenshot-ronde, incl. of rol ✻ meetmoment en de Descriptives-plot er in 0.98.1 zo uitzien als beschreven.