Faktoriella designer Det finns fem uppgifter med tillhörande lösningsförslag. Faktoriell A-C handlar om jämförelser mellan olika grupper medelvärden och kan således lösas med hjälp av en faktoriell ANOVA. Faktoriell D-E handlar om att förklara variationer i en variabel utifrån ett antal andra variabler och kan således lösas med multipel linjär regression. Två av uppgifterna är exempel ifrån föreläsningen 21 november (Faktoriell A och D). Om ni vill ’replikera’ något ni tidigare hört så kan ni börja med dem. Annars finns som sagt tre andra möjliga uppgifter att pröva på. I ANOVA så följer lösningsförslagen ’Flödesschemat’ och lösningar och för steg 3 finns lösningsförslag givet både för 95%-CI-varianten och för post-hoc-test-varianten Flödesschemat. Faktoriell A En hunduppfödare har i ett experiment mätt lydnaden hos tikar och hanhundar av raserna labrador, pitbull och tax. Noll motsvarar ingen lydnad och 80 maximal lydnad. Mätningarna är på intervall/kvotskalenivå och alla förutsättningar för variansanalys kan antas vara uppfyllda. Finns det skillnader I lydnad mellan raserna, könen, eller mellan kombinationer av dem? Tabell A. Lydnad för hundar. Kön Tik Labrador 44 55 41 59 43 57 52 56 54 44 47 52 40 50 55 Hane 55 58 58 46 47 56 41 45 49 59 42 53 Ras Pitbull 54 42 49 54 51 47 45 53 42 46 43 55 47 48 53 42 57 48 52 55 45 59 45 Tax 51 51 65 61 65 61 64 66 55 61 65 55 48 50 43 49 44 58 41 60 55 56 56 40 42 38 43 42 39 40 41 46 Faktoriell B Vid en pizzeria tillfrågades i slutet av augusti ett antal kunder som köpte kebab om deras kebabvanor. Man var av någon anledning intresserad av att undersöka om kön och/eller val av sås (mild, blandad, stark) har något samband med hur ofta man köper kebab. Resultatet av ”studien” finns i tabell B. Undersök med hjälp av variansanalys om det finns några skillnader mellan män, kvinnor, olika ”såstyper”, och samtliga kombinationer dem emellan med hjälp av variansanalys. Mätningarna kan anses vara på intervall-/kvotskalenivå och alla förutsättningar för variansanalys kan antas uppfyllda. Tabell B. Kebabvanor. Såstyp Kön Kvinnor Mild 1 2 2 3 2 3 2 3 Blandad 2 2 3 2 3 4 2 2 1 6 Stark 2 4 3 2 3 4 2 6 5 Män 1 2 2 3 5 2 2 5 5 6 7 8 4 4 6 8 1 4 6 7 6 2 2 2 4 Faktoriell C En studie har gjorts där man följt 20 studenter, 10 män och 10 kvinnor, över tre årkurser och mätt deras samtalsfrekvens när det gäller att ringa hem till sina föräldrar. Man har valt ut studenter som läser treåriga program och halvvägs in i varje läsår har man frågat hur många samtal de i genomsnitt ringer hem varje månad. Resultatet finns i tabell C. Undersök skillnader mellan män och kvinnor, olika årskurser, och samtliga kombinationer dem emellan med hjälp av variansanalys och ta reda på vilka skillnader vi törs säga finns generellt (dvs. i populationen) vad gäller hur ofta studenter på treåriga program ringer hem. Tabell C. Samtalsfrekvens mätt i genomsnittligt antal samtal hem per månad. Studenter Kvinnor Årskurs 1 9 7 8 9 7 9 7 9 11 10 Årskurs Årskurs 2 2 3 4 3 1 1 1 1 2 3 Årskurs 3 9 7 8 9 7 9 7 9 11 10 Män 6 8 6 4 6 8 4 7 7 6 10 9 8 7 8 9 7 7 6 11 7 9 8 7 8 9 7 8 11 10 Faktoriell D I ett samhälle vill kommunledningen satsa på vinterturism. För att kunna höja intresset hos en tänkt målgrupp vill man undersöka vilka faktorer som på olika sätt kan hjälpa till att förklara snöfanatism (intresse för snörika områden). I en by man vill inrikta sig på frågar man 171 personer för att utifrån dem försöka generalisera vilken eller vilka faktorer som var för sig eller tillsammans kan förklara snöfanatism. Man undersöker följande faktorer: Sportintresse IQ Reseintresse Pigmentkvot (hur lätt personen har att bli solbränd) Frågor: Fråga 1: Vilka faktorer verkar var för sig vara användbara för att förklara snöfanatism och hur mycket kan de förklara? Fråga 2: Kan man utifrån sportintresse, IQ, reseintresse och pigment kvot förklara snöfanatism och i så fall hur och hur mycket? Fråga 3: Hur skulle svaret på fråga 2 bli om man kontrollerar för ålder? Faktoriell E På en arbetsplats har man problem med att personalen glömmer alla möjliga saker (mötestider, deadlines, fylla på kaffeautomaten i tid, gå hem, etc.). Därför vill man lära sig mer om vilka faktorer som kan ligga bakom all denna glömska. Ett slumpmässigt urval av personalen får genomföra ett minnestest där man kan få mellan noll och 100 poäng. Ju högre poäng desto högre minneskapacitet. Man tror också att motivationen är viktig för att testet ska ha en hög validitet och därför ger man deltagarna en saftig påökning på nästa månadslön. För att få något slags mått på motivationen tillfrågas deltagarna om hur motiverade de var under testet. Man frågar också om hur stor del av prestationen som motiverades av den extra löneutbetalningen. Personalens ålder, kön och högskolepoäng finns sedan tidigare tillgängligt i ett register som kopplas samman med testresultaten (det finns ingen etisk kommitté eller motsvarande på företaget). Frågor: Fråga 1: Vilka faktorer av motivation, betalning och högskolepoäng verkar var för sig vara användbara för att förklara minneskapaciteten och hur mycket kan de förklara? Fråga 2: Kan man utifrån motivation, betalning och högskolepoäng förklara minneskapacitet och i så fall hur och hur mycket? Vad blir skillnaden om man samtidigt kontrollerar för åldersoch könseffekter på minneskapaciteten? Fråga 3: Om man gör om motsvarande analys för enbart män, kan man då utifrån motivation, betalning och högskolepoäng förklara minneskapacitet och i så fall hur och hur mycket? Vad blir skillnaden om man samtidigt kontrollerar för ålderseffekter på minneskapaciteten? Fråga 4: Om man gör om motsvarande analys för enbart kvinnor, kan man då utifrån motivation, betalning och högskolepoäng förklara minneskapacitet och i så fall hur och hur mycket? Vad blir skillnaden om man samtidigt kontrollerar för ålderseffekter på minneskapaciteten? Lösningsförslag Faktoriell A Börja gärna med en graf för att få en känsla för resultatet. Till exempel med medelvärden och 95% konfidensintervalll. Steg 1 – Huvudeffekter och interaktionseffekt Det finns inga signifikanta skillnader i lydnad mellan raserna, F(2, 76) = 2.86, p =.06. Det finns signifikanta skillnader mellan tikar och hanar, F(1, 76) = 6.03, p = .02, r = .07. Det finns också en signifikant interaktion mellan ras och kön, F(2, 76) = 13.99, p < .001, partial η2 = .27. [Ledning: r är en bättre effektstorlek än partial η2 när man testar skillnad mellan två betingelser: 𝑟=√ 𝐹(1,𝑑𝑓𝑒𝑟𝑟𝑜𝑟 ) ] 𝐹(1,𝑑𝑓𝑒𝑟𝑟𝑜𝑟 )+𝑑𝑓𝑒𝑟𝑟𝑜𝑟 Steg 2 – Enkla effekter Det är samma felterm för båda huvudeffekterna och för interaktionen. Alltså gäller även för de enkla effekterna att: 𝑀𝑆𝐸𝑟𝑟𝑜𝑟 = 37.408 𝑑𝑓𝐸𝑟𝑟𝑜𝑟 = 76 Test av spridningen mellan medelvärdena (uttryckt som en skattad varians; MSeffect) och tillhörande dfeffect beräknas genom fem nya envägs-ANOVA. Utifrån dessa kan sedan de enkla effekterna signifikanstestas: dfEffect dfError MSEffect MSError Tik 2 76 510.544 37.408 13.54 < .001 Hane 2 76 88.839 37.408 2.36 .10 Labrador 1 76 4.446 37.408 0.12 .73 Pitbull 1 76 31.056 37.408 0.82 .37 Tax 1 76 1356.769 Enkla effekter Variera över Ras Kön F p r Betingelse 37.408 35.98 < .001 .39 .57 Test av enkla effekter visar på signifikanta skillnader mellan raserna för tikar, F(2, 76) = 13.54, p <.001, r = .39, men även skillnad mellan hantaxar och tiktaxar, F(1, 76) = 35.98, p < .001, r = .57. Steg 3 – Beskriv skillnaderna (ev. 95% CI alternativt post-hoc test) Huvudeffekt Kön: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Tikar är mer lydiga än hanhundar. Enkel effekt Ras, för tikar: Tre betingelser Titta på 95% CI eller räkna post-hoc. 95% CI: Konfidensintervallet för tik-taxar ligger över konfidensintervallen för labrador- och pitbull-tikar, medan konfidensintervallen överlappar mellan de senare. Tukey/Kramer post-hoc test: 3 𝑛ℎ = = 13.55 1 1 1 + 14 + 12 15 Qcv = 3.46 då α = .05 (r = 3 och df = 76; se t ex http://faculty.vassar.edu/lowry/tabs.html) Qcv = 4.40 då α = .01 0.05−0.017 𝑄𝑐𝑣 = 3.46 + 0.05−0.01 ∙ (4.40 − 3.46) = 4.24 då α = .017. 𝑸𝒐𝒃𝒔 = ̅𝒊 − 𝑿 ̅𝒋 𝑿 MSError nh Labrador vs. Pitbull 49.93 – 48.28 = 1.65 37.408 13.55 0.99 Labrador vs. Tax 60.00 – 49.94 = 10.07 37.408 13.55 6.06* Pitbull vs. Tax 60.00 – 48.29 = 11.71 37.408 13.55 7.05* Jämförelse ̅𝒊 − 𝑿 ̅𝒋 𝑿 𝑴𝑺𝑬𝒓𝒓𝒐𝒓 √ 𝒏𝒉 * Signifikant p < .05 eftersom Qobs > Qcv. Hos tikarna är taxarna mer lydiga än både labradorer och pitbulls. Enkel effekt Kön, för taxar: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Tiktaxar är mer lydiga än hantaxar. Sammanfatta resultat Det finns inga signifikanta skillnader i lydnad mellan raserna, F(2, 76) = 2.86, p =.06. Däremot finns signifikanta skillnader mellan tikar och hanar, F(1, 76) = 6.03, p = .02, r = .27. Tikar är generellt mer lydiga än hanhundar. Det finns också en signifikant interaktion mellan ras och kön, F(2, 76) = 13.99, p < .001, partial η2 = .27. Test av enkla effekter visar att det finns skillnader i lydnad mellan tikar av olika raser, F(2, 76) = 13.54, p <.001, r = .39. Tiktaxar är mer lydiga än både labradorer och pitbulls enligt jämförelser av 95% konfidensintervall [Tiktaxar är mer lydiga än både labradorer och pitbulls enligt Tukey/Kramer posthoc test, p < .05]. Dessutom är tiktaxar mer lydiga än hantaxar, F(1, 76) = 35.98, p < .001, r = .57. Faktoriell B Börja gärna med en graf för att få en känsla för resultatet. Steg 1 – Huvudeffekter och interaktionseffekt Det finns signifikanta skillnader mellan såstyperna, F(2, 46) = 7.14, p = .002, partial η2 = .24. Det finns signifikanta skillnader mellan kvinnor och män, F(1, 46) = 8.64, p = .005, r = .40. Det finns en signifikant interaktion mellan årskurs och kön, F(2, 46) = 5.70, p = .006, partial η2 = .20. Steg 2 – Enkla effekter Det är samma felterm för båda huvudeffekterna och för interaktionen. Alltså gäller även för de enkla effekterna att: MSError = 2.260. dfError = 46. dfEffect dfError MSEffect MSError F p Kvina 2 46 3.126 2.260 1.38 .26 Man 2 46 24.601 2.260 10.89 < .001 Mild 1 46 0.119 2.260 0.05 .82 Blandad 1 46 48.169 2.260 21.31 < .001 Stark 1 46 0.500 2.260 0.22 .64 Enkla effekter Variera över R Betingelse Såstyp Kön .44 .56 Test av enkla effekter visar på signifikanta skillnader mellan såstyperna för män, F(2, 46) = 10.89, p <.001, r = .44, men även skillnad mellan kvinnor och män som föredrar blandad sås, F(1, 46) = 21.31, p < .001, r = .56. Steg 3 – Beskriv skillnaderna (ev. post-hoc test) Huvudeffekt Såstyp: Tre betingelser 95% CI eller post-hoc: 95% CI: Konfidensintervallet för mild sås ligger under konfidensintervallet för blandad sås. Tukey/Kramer post-hoc test: 3 𝑛ℎ = = 17.16 1 1 1 + 19 + 18 15 Qcv = 3.43 då α = .05 (r = 3 och df = 46; se t ex http://faculty.vassar.edu/lowry/tabs.html) Qcv = 4.34 då α = .01 0.05−0.017 𝑄𝑐𝑣 = 3.43 + 0.05−0.01 ∙ (4.34 − 3.43) = 4.18 då α = .017. 𝑸𝒐𝒃𝒔 = ̅𝒊 − 𝑿 ̅𝒋 𝑿 MSError nh Mild vs. Blandad 4.21 – 2.33 = 1.88 2.260 17.16 5.18* Mild vs. Stark 3.61 – 2.33 = 1.28 2.260 17.16 3.53 Blandad vs. Stark 4.21 – 3.61 = 0.60 2.260 17.16 1.65 Jämförelse ̅𝒊 − 𝑿 ̅𝒋 𝑿 √𝑴𝑺𝑬𝒓𝒓𝒐𝒓 𝒏𝒉 * Signifikant p < .05 eftersom Qobs > Qcv. De som föredrar blandad sås handlar oftare än de som föredrar mild sås. Huvudeffekt Kön: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Män köper oftare kebab än kvinnor. Enkel effekt sås, för män: Tre betingelser 95% CI eller post-hoc: 95% CI: Konfidensintervallet för blandad sås (för män) ligger över konfidensintervallen för mild och stark. Tukey/Kramer post-hoc test: 3 𝑛ℎ = = 8.22 1 1 1 + + 7 9 9 Qcv = 3.43 då α = .05 (r = 3 och df = 46; se t ex http://faculty.vassar.edu/lowry/tabs.html) Qcv = 4.34 då α = .01 0.05−0.017 𝑄𝑐𝑣 = 3.43 + 0.05−0.01 ∙ (4.34 − 3.43) = 4.18 då α = .017. 𝑸𝒐𝒃𝒔 = ̅𝒊 − 𝑿 ̅𝒋 𝑿 MSError nh Mild vs. Blandad 5.89 – 2.43 = 3.56 2.260 8.22 6.79* Mild vs. Stark 3.78 – 2.43 = 1.35 2.260 8.22 2.57 Blandad vs. Stark 5.89 – 3.78 = 2.11 2.260 8.22 4.02 Jämförelse ̅𝒊 − 𝑿 ̅𝒋 𝑿 √𝑴𝑺𝑬𝒓𝒓𝒐𝒓 𝒏𝒉 * Signifikant p < .05 eftersom Qobs > Qcv. Män som föredrar blandad sås handlar oftare än de män som föredrar mild sås. Enkel effekt Kön, för blandad: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Män som föredrar blandad sås köper oftare kebab än kvinnor som föredrar blandad sås. Sammanfatta resultat Det finns signifikanta skillnader mellan såstyperna, F(2, 46) = 7.14, p = .002, partial η2 = .24. De som föredrar blandad sås handlar oftare än de som föredrar mild sås enligt jämförelser av 95% konfidensintervall [De som föredrar blandad sås handlar oftare än de som föredrar mild sås enligt Tukey/Kramer post-hoc test, p < .05]. Det finns signifikanta skillnader mellan könen, F(1, 46) = 8.64, p = .005, r = .40. Män köper oftare kebab än kvinnor. Det finns en signifikant interaktion mellan årskurs och kön, F(2, 46) = 5.70, p = .006, partial η2 = .20. Test av enkla effekter visar på signifikanta skillnader mellan såstyperna för män, F(2, 46) = 10.89, p <.001, r = .44. Män som föredrar blandad sås handlar oftare än män som föredrar mild eller stark sås enligt jämförelser av 95% konfidensintervall [Män som föredrar blandad sås handlar oftare än de män som föredrar mild sås enligt Tukey/Kramer post-hoc test, p < .05]. Dessutom handlar män som föredrar blandas sås oftare kebab än kvinnor som föredrar blandad sås, F(1, 46) = 21.31, p < .001, r = .56. Faktoriell C Börja gärna med en graf för att få en känsla för resultatet. Steg 1 – Huvudeffekter och interaktionseffekt Det finns signifikanta skillnader mellan årskurserna, F(2, 36) = 22.91, p < .001, partial η2 = .56. Det finns signifikanta skillnader mellan könen, F(1, 18) = 7.58, p = .01, r = .54. Det finns en signifikant interaktion mellan årskurs och kön, F(2, 36) = 33.67, p < .001, partial η2 = .65. Steg 2 – Enkla effekter MSError då man varierar över årskurs erhålls genom att poola mellan feltermen för årskurs och feltermen för interaktionen: 𝑀𝑆𝐸𝑟𝑟𝑜𝑟 = 𝑆𝑆𝐸𝑟𝑟𝑜𝑟 𝑓𝑜𝑟 𝐴𝑥𝐵 + 𝑆𝑆𝐸𝑟𝑟𝑜𝑟 𝑓𝑜𝑟 𝐴 𝑎𝑡 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙 𝐴𝑁𝑂𝑉𝐴 𝑑𝑓𝐸𝑟𝑟𝑜𝑟 𝑓𝑜𝑟 𝐴𝑥𝐵 + 𝑑𝑓𝐸𝑟𝑟𝑜𝑟 𝑓𝑜𝑟 𝐴 𝑎𝑡 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙 𝐴𝑁𝑂𝑉𝐴 = 88.333+76.667 36+18 = 3.056 𝑑𝑓𝐸𝑟𝑟𝑜𝑟 = 54 MSError då man varierar över kön erhålls genom att avläsa feltermen för årskurs eller feltermen för interaktionen (eftersom de har samma felterm behöver man inte poola). 𝑀𝑆𝐸𝑟𝑟𝑜𝑟 = 2.454 𝑑𝑓𝐸𝑟𝑟𝑜𝑟 = 36 dfEffect dfError MSEffect MSError F p r Kvinna 2 54 124.033 3.056 40.59 <.001 .66 Man 2 54 14.800 3.056 4.84 .012 .29 Åk1 1 36 11.250 2.454 4.58 .039 .34 Åk2 1 36 186.050 2.454 75.81 < .001 .82 Åk3 1 36 0.200 2.454 0.08 .78 Enkla effekter Variera över Betingelse Årskurs Kön Test av enkla effekter visar på signifikanta skillnader mellan årskurserna både för kvinnor, F(2, 54) = 40.59, p <.001, r = .66, och för män, F(2, 54) = 4.84, p = .012, r = .29. Det finns också signifikanta skillnader mellan kvinnor och män i årskurs 1, F(1, 36) = 4.58, p = .039, r = .34, och årskurs 2, F(1, 36) = 75.81, p < .001, r = .82. Steg 3 – Beskriv skillnaderna (ev. post-hoc test) Huvudeffekt Årskurser: Tre betingelser 95% CI eller post-hoc: 95% CI: Konfidensintervallet för åk 3 överlappar inte med konfidensintervallet för åk 1 eller åk2. Sidak post-hoc test (givet i 2-vägs ANOVA om man kryssat för det): I åk3 ringer man oftare hem än i både åk1 och i åk2. Generellt ringer studenter hem oftare i årskurs 3 än i både årskurs 1 och 2, enligt jämförelser av 95% konfidensintervall. [Generellt ringer studenter hem oftare i årskurs 3 än i både årskurs 1 och 2, man ringer dessutom mindre hem i årskurs 2 än i årskurs 1, enligt Sidak post-hoc test, p < .05.] Huvudeffekt Kön: Två betingelser Jämför medelvärden. Män ringer oftare hem än kvinnor. Enkel effekt Årskurs, för kvinnor: Tre betingelser 95% CI eller post-hoc: 95% CI: Kvinnor ringer mer sällan hem i åk2 jämfört med åk1 eller åk3. Tukey/Kramer post-hoc test: 3 = 10 1 1 1 + + 10 10 10 Qcv = 3.41 då α = .05 (r = 3 och df = 54; se t ex http://faculty.vassar.edu/lowry/tabs.html) Qcv = 4.30 då α = .01 0.05−0.017 𝑄𝑐𝑣 = 3.41 + ∙ (4.30 − 3.41) = 4.14 då α = .017. 𝑛ℎ = 0.05−0.01 𝑸𝒐𝒃𝒔 = ̅𝒊 − 𝑿 ̅𝒋 𝑿 Jämförelse ̅𝒊 − 𝑿 ̅𝒋 𝑿 MSError nh Åk 1 vs. Åk 2 7.7 - 2.1 = 5.6 3.056 10 10.13* Åk 1 vs. Åk 3 8.6 - 7.7 = 0.9 3.056 10 1.63 Åk 2 vs. Åk 3 8.6 – 2.1 = 6.5 3.056 10 11.76* √𝑴𝑺𝑬𝒓𝒓𝒐𝒓 𝒏𝒉 * Signifikant p < .05 eftersom Qobs > Qcv. Kvinnor ringer mer sällan i årskurs 2 än i både årskurs 1 och årskurs 3 enligt jämförelser av 95% konfidensintervall [enligt Tukey/Kramer post-hoc test, p < .05]. Enkel effekt Årskurs, för män: Tre betingelser 95% CI eller post-hoc: 95% CI: Samtliga konfidensintervall överlappar, men då vi ju redan vet att det finns skillnader så kan vi åtminstone säga att de som överlappar minst skiljer sig åt (minns att jämförelser av konfidensintervall är grova jämförelser); män ringer mer sällan hem i åk1 än i åk3. Tukey/Kramer post-hoc test: 3 𝑛ℎ = = 10 1 1 1 + + 10 10 10 Qcv = 3.41 då α = .05 (r = 3 och df = 54; se t ex http://faculty.vassar.edu/lowry/tabs.html) Qcv = 4.30 då α = .01 0.05−0.017 𝑄𝑐𝑣 = 3.41 + 0.05−0.01 ∙ (4.30 − 3.41) = 4.14 då α = .017. 𝑸𝒐𝒃𝒔 = ̅𝒊 − 𝑿 ̅𝒋 𝑿 Jämförelse ̅𝒊 − 𝑿 ̅𝒋 𝑿 MSError nh Åk 1 vs. Åk 2 8.2 – 6.2 = 2.0 3.056 10 3.62 Åk 1 vs. Åk 3 8.4 – 6.2 = 2.2 3.056 10 3.98 Åk 2 vs. Åk 3 8.4 – 8.2 = 0.2 3.056 10 0.36 √𝑴𝑺𝑬𝒓𝒓𝒐𝒓 𝒏𝒉 * Signifikant p < .05 eftersom Qobs > Qcv. Tukey/Kramer post-hoc test visar inte på några skillnader, men den största skillnaden finns mellan årskurs 3 och 1. Män tenderar att ringa oftare i årskurs 3 än i årskurs 1, enligt jämförelser av 95% konfidensintervall [enligt Tukey/Kramer post-hoc test, p < .05] (baserat på största skillnaden som dock inte var signifikant enligt post-hoc testningen). Enkel effekt Kön, för årskurs 1: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Kvinnor ringer oftare hem än män i årskurs 1. Enkel effekt Kön, för årskurs 2: Två betingelser Jämför medelvärden från 2-vägs ANOVAn. Män ringer oftare hem än kvinnor i årskurs 2. Sammanfatta resultat Det finns signifikanta skillnader mellan årskurserna, F(2, 36) = 22.91, p < .001, r = .56. Generellt ringer studenter hem oftare i årskurs 3 än i både årskurs 1 och 2, man ringer dessutom mindre hem i årskurs 2 än i årskurs 1, enligt Sidak post-hoc test, p < .05. Det finns signifikanta skillnader mellan könen, F(1, 18) = 7.58, p < .05, r = .54. Män ringer oftare hem än kvinnor. Det finns en signifikant interaktion mellan årskurs och kön, F(2, 36) = 33.67, p < .001, partial η2 = .65. Test av enkla effekter visar på signifikanta skillnader mellan årskurserna både för kvinnor, F(2, 54) = 40.59, p <.001, r = .66, och för män, F(2, 54) = 4.84, p < .012, r = .29. Kvinnor ringer mer sällan i årskurs 2 än i både årskurs 1 och årskurs 3 enligt jämförelser av 95% konfidensintervall [enligt Tukey/Kramer post-hoc test, p < .05]. För män visar Tukey/Kramer post-hoc test inte på några signifikanta skillnader mellan årskurserna, men den största skillnaden finns mellan årskurs 3 och 1. Det finns också signifikanta skillnader mellan kvinnor och män i årskurs 1, F(1, 36) = 4.58, p = .039, r = .34, och i årskurs 2, F(1, 36) = 75.81, p < .001, r = .82. Män tenderar att ringa oftare i årskurs 3 än i årskurs 1. I årskurs 1 ringer kvinnorna oftare hem än männen och i årskurs 2 är förhållandet det omvända. Faktoriell D Fråga 1 Sportintresse kan förklara 52 % av variationerna i snöfanatism. IQ kan förklara 44 % av variationerna i snöfanatism. [Ledning: Räkna på korrelationen mellan varje prediktor och snöfanatism, kvadrera den och ni har ett mått på hur mycket varje prediktor i sig själv kan förklara.] Fråga 2 Tabell D1. Snöfanatism förklarad med multipel linjär regression, stepwise forward method. B SE B β p Model 1 Constant 44.55 2.09 Sportintresse 0.51 0.04 .72 < .001 Model 2 Constant 133.10 10.70 Sportintresse 0.37 0.04 .53 < .001 IQ -0.66 0.08 -.42 < .001 Model 3 Constant 125.77 11.03 Sportintresse 0.39 0.04 .54 < .001 IQ -0.64 0.08 -.41 < .001 Pigmentkvot 0.08 0.03 .10 .022 2 2 Note: R = .52 for Model 1. ΔR = .14 for Model 2, p < .001. ΔR2 = .01 for Model 3, p = .022. [Ledning: Lägg in prediktorerna med ’Forward’ metoden och se till att välja ’R squared change’ under Statistics.] Fråga 3 Tabell D2. Snöfanatism förklarad med multipel linjär regression, stepwise forward method, med ålder som kontroll. B SE B β p Modell 1 Constant 52.45 3.23 Ålder 0.27 0.05 .39 < .001 Model 2 Constant 32.84 2.58 Ålder 0.22 0.03 .32 < .001 Sportintresse 0.49 0.03 .69 < .001 Model 3 Constant 107.18 13.13 Ålder 0.12 0.04 .17 .001 Sportintresse 0.39 0.04 .55 < .001 IQ -0.51 0.09 -.33 < .001 Model 4 Constant 101.56 13.24 Ålder 0.11 0.04 .16 .002 Sportintresse 0.40 0.04 .57 < .001 IQ -0.50 0.09 -.32 < .001 Pigmentkvot 0.07 0.03 .10 .032 2 2 Note: R = .15 for Model 1. ΔR = .46 for Model 2, p < .001. ΔR2 = .06 for Model 3, p = .022. ΔR2 = .01 for Model 4, p = .032. [Ledning: Lägg in Ålder som första predictor med metod ‘Enter’. Klicka på ’Next’ och lägg till övriga prediktorer med ’Forward’ metoden.] Faktoriell E Fråga 1 Motivation kan förklara 52 % av variationerna i minneskapacitet. Högskolepoäng kan förklara 4 % av variationerna i minneskapacitet. Betalning kan förklara 13 % av variationerna i minneskapacitet. Fråga 2 Tabell E1. Minneskapacitet förklarad med multipel linjär regression, stepwise forward method. B SE B β p Model 1 Constant 5.03 4.82 Motivation 0.94 0.08 .72 < .001 Model 2 Constant -8.13 5.75 Motivation 0.88 0.08 .68 < .001 Betalning 0.35 0.09 .23 < .001 Note: R2 = .52 for Model 1. ΔR2 = .05 for Model 2, p < .001. Tabell E2. Minneskapacitet förklarad med multipel linjär regression, stepwise forward method, med ålder som kontroll. B SE B β p Model 1 Constant 68.72 14.05 Kön -7.69 5.23 -.14 .14 Ålder -0.18 0.27 -.06 .50 Model 2 Constant 1.05 11.48 Kön -3.51 3.66 -.06 .34 Ålder 0.11 0.19 .04 .54 Motivation 0.94 0.08 .72 < .001 Model 3 Constant -16.14 11.88 Kön -0.78 3.55 -.01 .83 Ålder 0.16 0.18 .06 .36 Motivation 0.90 0.08 .69 < .001 Betalning 0.35 0.09 .23 < .001 2 2 Note: R = .02 for Model 1. ΔR = .51 for Model 2, p < .001. ΔR2 = .05 for Model 3, p < .001. Kort sammanfattning: Motivation, högskolepoäng och betalning kan var för sig signifikant förklara minneskapaciteten (52 %, 4 % och 13 % respektive). När man kontrollerar för kön och ålder (2 % förklarad varians) kan motivation och betalning tillsammans förklara 56 % av variansen i minneskapacitet. Fråga 3 Tabell E3. Minneskapacitet för män förklarad med multipel linjär regression, stepwise forward method, med ålder som kontroll. B SE B β p Model 1 Constant 60.39 16.59 Ålder -0.02 0.32 -.01 .96 Model 2 Constant 114.94 9.92 Ålder -0.33 0.17 -.13 .06 Högskolepoäng -1.03 0.08 -.86 < .001 Model 3 Constant 68.60 12.91 Ålder -0.10 0.15 -.04 .52 Högskolepoäng -0.75 0.09 -.63 < .001 Motivation 0.44 0.09 .37 < .001 2 2 Note: R = .00 for Model 1. ΔR = .72 for Model 2, p < .001. ΔR2 = .08 for Model 3, p < .001. Kort sammanfattning: När man kontrollerar för ålder (0 % förklarad varians) kan högskolepoäng och motivation tillsammans förklara 80 % av variansen i minneskapacitet hos män. Låg högskolepoäng och mög motivation predicerar tillsammans hög minneskapacitet. Fråga 4 Tabell E4. Minneskapacitet för kvinnor förklarad med multipel linjär regression, stepwise forward method, med ålder som kontroll. B SE B β p Model 1 Constant 71.81 21.58 Ålder -0.41 0.44 -.12 .37 Model 2 Constant 7.26 17.65 Ålder -0.13 0.32 -.04 .70 Motivation 0.98 0.13 .71 < .001 Model 3 Constant -13.77 15.60 Ålder -0.11 0.27 -.03 .68 Motivation 0.79 0.12 .57 < .001 Högskolepoäng 0.95 0.20 .40 < .001 Model 4 Constant -23.05 15.52 Ålder -0.08 0.26 -.02 .77 Motivation 0.75 0.11 .54 < .001 Högskolepoäng 0.82 0.20 .35 < .001 Betalning 0.32 0.14 .19 .022 Note: R2 = .01 for Model 1. ΔR2 = .49 for Model 2, p < .001. ΔR2 = .14 for Model 3, p < .001. ΔR2 = .03 for Model 4, p = .022. Kort sammanfattning: När man kontrollerar för ålder (1 % förklarad varians) kan motivation, högskolepoäng och betalning tillsammans förklara 68 % av variansen i minneskapacitet hos kvinnor. Hög motivation, hög högskolepoäng och hög betalning predicerar alla hög minneskapacitet. Uppsummering Generellt sätt verkar motivation vara den starkaste prediktorn, följt av betalning. Hos kvinnor separat ser man samma mönster, men här predicerar även högskolepoäng en hög minneskapacitet. Hos män är högskolepoäng den starkaste prediktorn (följt av motivation) men tvärtemot vad som var fallet hos kvinnorna så predicerar en hög högskolepoäng låg minneskapacitet. Betalning är inte en signifikant prediktor. Även om prediktionsmodellerna för män och kvinnor påminner både om varandra och om prediktionsmodell baserat på alla försökspersoner så finns ändå betydande skillnader vilka kräver separata gruppanalyser för identifiera.