Om de in dit onderzoek verzamelde gegevens te analyseren werd gebruik gemaakt van het statistisch computerprogramma SPSS. SPSS biedt de mogelijkheid tot het uitvoeren van vrijwel alle veelgebruikte analysetechnieken, waarmee het bijzonder geschikt is voor het analyseren van vragenlijsten (Huizingh, 2008).
Bij enkele antwoordopties is reverse scoring toegepast. De antwoordopties werden in deze gevallen omgepoold zodat de laagste waarden de hoogste waarden kregen en vice versa. Omdat de meeste items in de vragenlijst in dezelfde richting waren geformuleerd (positief), hoefde deze procedure enkel bij twee items toegepast te worden. Het ging daarbij om items die waren gemeten op een vijfpuntsschaal. De waarde 1 werd omgepoold tot 5 en vice versa. De waarde 2 werd omgepoold tot 4 en vice versa. De waarde 3 werd niet veranderd.
47 Factor- en betrouwbaarheidsanalyse
Om de betrouwbaarheid van de variabelen vast te stellen zijn bij dit onderzoek de variabelen door middel van meerdere gelijksoortige vragen gemeten. Deze vragen werden vervolgens teruggebracht tot één geaggregeerde variabele aan de hand van een factoranalyse. Factoranalyse is een statistische techniek die erop gericht is vast te stellen hoeveel en welke dimensies er bestaan in een reeks gemeten indicatoren (Brown & Moore ….: 2). Met indicatoren worden de verschillende items die in het onderzoek gemeten zijn, bedoeld. Binnen de factoranalyses bestaan twee breed gedragen stromingen: de explorerende factoranalyse en de confirmatieve factoranalyse. De explorerende factoranalyse deelt op basis van statistische uitkomsten items in binnen bepaalde factoren. De confirmatieve factoranalyse onderzoekt of vooraf vastgestelde verwachtingen, e.g. op basis van theorie, gereflecteerd worden in de data (Hair et al., 2006).
Gezien de opzet van dit onderzoek is gebruik gemaakt van confirmatieve factoranalyse die vooraf vastgestelde verwachtingspatronen analyseert. Daarbij is gebruik gemaakt van de methode van principale componenten. Deze methode zorgt ervoor dat factoren die naar voren komen uit de analyse een zo groot mogelijk deel van de variantie van de indicatoren verklaren. Zo verklaart de eerste factor de maximale hoeveelheid van de totale variante, een tweede factor verklaart de maximale hoeveelheid van de resterende variantie, enzovoort (Wijnen et al., 2002: 211). Om een zo eenvoudig mogelijk patroon van relaties tussen de items en factoren te verkrijgen, is gebruik gemaakt van een rotatieproces (Ganzeboom, 2013). Er zijn daarbij twee soorten rotaties te onderscheiden: orthogonale (rechte) rotatie en oblieke (scheve) rotatie. In het geval van de rechte rotatie worden factoren geproduceerd die onderling ongecorreleerd zijn. In het geval van de scheve rotatie is correlatie tussen de factoren wel mogelijk (Ganzeboom, 2013). Omdat verwacht werd dat factoren in dit onderzoek met elkaar samenhingen, is gekozen voor een oblieke methode van rotatie, te weten ‘direct oblimin’. Tot slot is, om het aantal factoren te beperken tot de meest relevante factoren voor het onderzoek met zo min mogelijk verlies aan verklaringskracht, met behulp van het ‘Kaiser criterion’ bekeken welke factoren behouden werden (Wijnen et al., 2002: 211). Deze factoren dienden allemaal een eigenvalue te hebben van groter dan één.
Nadat het aantal factoren in de dataset was vastgesteld, is getoetst of de items binnen deze gevonden factoren genoeg interne consistentie vertoonden om te worden gecombineerd tot één variabele. Daarbij is gebruik gemaakt van betrouwbaarheidsanalyses, waarin de Cronbach’s Alpha van de items in de gevonden factoren werd berekend. Alpha is door Lee Cronbach ontwikkeld om de interne consistentie van een test (met items) te meten. De Alpha wordt daarbij gepresenteerd als een getal tussen 0 en 1 (Tavakol & Dennick, 2011: 53-54). In wetenschappelijk onderzoek worden verschillende niveaus van de Alpha acceptabel bevonden. In dit onderzoek is de minimumwaarde van de Cronbach’s Alpha vastgesteld op .70. In het geval dat slechts twee items een variabele vormden, werd de Pearson correlatiecoëfficiënt berekend. De minimumwaarde van de Pearson correlatiecoëfficiënt diende .50 te zijn. De waarden van de Cronbach’s Alpha en de Pearson correlatiecoëfficiënt die in dit onderzoek zijn berekend, zijn in de voorgaande paragraaf (§3.4.4) gepresenteerd.
Variantieanalyse
Om een antwoord te kunnen formuleren op de centrale hoofdvragen, zijn allereerst twee soorten variantieanalyses uitgevoerd: univariate variantieanalyses (ANOVA) en multivariate variantieanalyses (MANOVA). Variantieanalyse wordt gebruikt om vast te stellen of de gemiddelden van een aantal groepen aan elkaar gelijk zijn (Huizingh, 2008: 257). De analysemethode wordt variantieanalyse genoemd omdat tijdens de analyse twee soorten variantie met elkaar worden vergeleken: de variantie binnen de groepen (binnenvariantie) en de variantie tussen de groepen (tussenvariantie). Op basis van de vergelijking wordt een F-statistiek berekend met een bijbehorend p-waarde die helpt bij het bepalen van de significantie van het verschil (Moore & McCabe, 2006: 720-721). Bij variantieanalyse worden twee soorten variabelen gebruikt: de variabelen waarvan de groepsgemiddelden worden vergeleken (afhankelijke variabelen) en de variabelen die de groepsindeling bepalen (factoren ofwel
48 onafhankelijke variabelen). De ANOVA is geschikt voor het toetsen van één afhankelijke variabele. In de situatie waarin twee of meer (al dan niet gerelateerde) afhankelijke variabelen getoetst worden, dient de MANOVA te worden uitgevoerd. In dit onderzoek is gebruikt gemaakt van zowel ANOVA’s als MANOVA’s.
In dit onderzoek werd het significantieniveau vastgesteld op een p-waarde van .05 of kleiner. Omdat de variantieanalyse toetst op basis van de nulhypothese dat de gemiddelden van de verschillende groepen aan elkaar gelijk zijn, betekende dit dat in het geval van een p-waarde van .05 of kleiner er sprake was van een significant verschil tussen de gemiddelden van de getoetste groepen. Wanneer echter sprake was van een onafhankelijke variabele met meer dan twee categorieën kon niet direct bepaald worden waar de verschillen precies te vinden waren. Om in deze gevallen te bepalen welke gemiddelden significant van elkaar verschilden, werden meervoudige vergelijkingen (post hoc-toetsen) uitgevoerd. In dit onderzoek is daarbij gebruik gemaakt van de post hoc-toets Bonferroni. De Bonferroni-toets zorgt dat de kans op een foutieve verwerping van de nulhypothese van gelijke gemiddelden bij twee groepen onder alle gemaakte vergelijkingen niet groter is dan 0.05. De toets corrigeert door de overschrijdingskans te delen door het aantal vergelijkingen (Huizingh, 2008: 263). Op basis van de resultaten van de variantieanalyses konden in dit onderzoek de effecten van de fotonovelle en de video worden bepaald. Daarbij werd specifiek gekeken naar de effecten op kennis, attitude en gedragsintentie. In de variantieanalyses waarin conditie werd getoetst tegenover kennis, attitude en gedragsintentie werden daarnaast ook variabelen meegenomen die mogelijk invloed uitoefenden op de resultaten. Het gaat om de variabelen leeftijdscategorieën, etniciteit, gezondheidsgeletterdheid, tevredenheid over het eigen lichaam, het aantal kinderen van de respondent en de BMI van de respondent. Deze variabelen werden, naast conditie, in de analyse meegenomen als onafhankelijke variabelen.
Correlatie- en regressieanalyse
Om te bepalen in hoeverre de variabelen binnen dit onderzoek samenhingen, zijn correlatie- en regressieanalyses uitgevoerd. Correlatie- en regressieanalyse zijn twee technieken die kunnen worden gebruikt als een (lineair) verband tussen twee of meer variabelen wordt verondersteld. Correlatieanalyse geeft een indruk van de samenhang tussen twee variabelen. Regressieanalyse probeert een numerieke verklaring te geven van de afhankelijke variabele door een of meer onafhankelijke variabelen (Huizingh, 2008: 269). Een verschil tussen correlatieanalyse en regressieanalyse is dat correlatieanalyse inzicht geeft in de mate waarin twee variabelen samenhangen en de richting van het verband (positief of negatief), terwijl regressieanalyse inzicht geeft in het causale verband. Dat wil zeggen: regressie specificeert ook de oorzaak-gevolgrichting (Huizingh, 2008). In het geval van de correlatieanalyse werd de bivariate Pearson correlatiecoëfficiënt met bijbehorende p-waarde berekend. In het geval van een p-waarde van .05 of kleiner was er sprake van een significant verband tussen twee variabelen. Hoe hoger deze correlatiecoëfficiënt, hoe sterker het verband tussen twee variabelen was. Een positieve correlatiecoëfficiënt gaf daarbij aan dat ging om een positief verband: wanneer de ene variabele stijgt, stijgt de andere ook. Een negatieve correlatiecoëfficiënt hield in dat er een negatief verband bestond tussen de variabelen: wanneer de ene variabele stijgt, daalt de andere (Huizingh, 2008: 271).
In het geval van de regressieanalyse werd de regressiecoëfficiënt (Beta) met bijbehorende p-waarde berekend. In het geval van een p-waarde van .05 of kleiner was er sprake van een significante invloed van de onafhankelijke variabele (de verklarende variabele) op de afhankelijke variabele (de verklaarde variabele) (Huizing, 2008). In SPSS kunnen meerdere onafhankelijke variabelen in één regressievergelijking worden opgenomen en kan daarbij direct gefilterd worden. Zo kan op een snelle manier getoetst worden welke variabelen in een model een significante invloed uitoefenen op een afhankelijke variabele. Het filteren van de variabelen kan op vijf verschillende manieren via de
49 volgende methoden: enter, forward, backward, stepwise en remove (Huizingh, 2008: 283). In dit onderzoek is gebruik gemaakt van de methode stepwise, waarbij variabelen werden toegevoegd aan het model wanneer zij voldeden aan een opnamecriterium. Bij elke toevoeging van een variabele aan het model, werden de variabelen die al in het model waren geplaatst opnieuw getest.
Mediatieanalyse
Om naast het vinden van verbanden tussen de variabelen binnen dit onderzoek ook de onderliggende mechanismen van persuasieve effecten te kunnen onderzoeken, zijn mediatieanalyses uitgevoerd. Mediatieanalyse is “a statistical method used to help answer the question as to how some causal agent X transmits its effect on Y” (Hayes, 2013: 86). Er is sprake van mediatie wanneer de invloed van de onafhankelijke variabele (X) op de afhankelijke variabele (Y) (deels) tot stand komt via een derde variabele, de mediator (M). Hayes geeft een simpele vorm van dit mediatieproces weer in het volgende conceptuele diagram:
Afbeelding 4: Een conceptueel diagram van een simpel mediatiemodel (Hayes, 2013: 87)
In het bovenstaande simpele mediatiemodel zijn twee routes te zien waarop de onafhankelijke variabele (X) invloed uitoefent op de afhankelijke variabele (Y): een directe route en een indirecte route. De directe route loopt van X naar Y; deze route geeft het directe effect van X op Y weer. De indirecte route loopt van X naar M en vervolgens van M naar Y; deze route geeft het indirecte effect van X op Y weer via de mediërende variabele M (Hayes, 2013: 87).
In dit onderzoek is gebruik gemaakt van mediatieanalyse om de onderliggende persuasieve routes, zoals die beschreven worden in het EORM (§2.3.2.3), te onderzoeken. In de mediatieanalyses zijn daarom alleen variabelen uit het EORM verwerkt. De mediatieanalyses werden met behulp van de PROCESS-tool van Hayes uitgevoerd. Deze tool kan onder meer worden gebruikt voor het uitvoeren van mediatieanalyses en moderatieanalyses. PROCESS berekent de regressiecoëfficiënten voor alle routes in het model. Deze regressiecoëfficiënten van de verschillende routes worden ook wel weergegeven als a, b, c en c’. Allereerst geeft a het effect van X op M weer en geeft b het effect van M op Y weer. Daarnaast geeft c het totale effect van X op Y weer en geeft c’ het directe effect van X op Y weer. Het indirecte effect – het effect dat via M loopt – is het product van de regressiecoëfficiënten a en b. Wanneer het directe effect wordt opgeteld bij het indirecte effect wordt het totaaleffect berekend: c = c’ + ab (Hayes, 2013: 93)
50 Om te bepalen of het indirecte effect via de mediator significant is, maakt PROCESS gebruik van de bootstrapmethode en geeft daarbij betrouwbaarheidsintervallen. Op basis van deze intervallen kan bepaald worden of gevonden indirecte effecten significant zijn (bij α = .05): als 0 binnen het interval valt, is het indirecte effect niet significant, valt 0 buiten het interval, dan is het effect wel statistisch significant (Duizer, 2014).
In dit onderzoek werden resultaten van de mediatieanalyse alleen gerapporteerd wanneer sprake was van een significant totaaleffect. Was hier sprake van, dan werd bekeken of dit significante effect het gevolg was van een significant indirect effect. In dit geval werden de resultaten gerapporteerd. Gemodereerde mediatieanalyse
In de bovengenoemde mediatieanalyse werden de data van beide experimentele condities in dit onderzoek samengevoegd. Om te onderzoeken of de mediaties verschilden binnen beide condities, is in een gemodereerde mediatieanalyse bekeken of conditie als moderator invloed had. Preacher et al. (2007: 193) stellen dat er sprake is van gemodereerde mediatie wanneer “the strength of an indirect effect depends on the level of some variable, or in other words, when mediation relations are contingent on the level of a moderator” (Preacher et al., 2007: 193). Hayes omschrijft het proces in andere woorden. Hij stelt dat wanneer het mechanisme waarin X wordt gelinkt aan Y via mediator M (mediatie) is gerelateerd en wordt beïnvloed door een andere variabele (moderator) er sprake is van gemodereerde mediatie (Hayes, 2015: 2). Een conceptueel diagram van een simpele vorm van gemodereerde mediatie is te zien in afbeelding 6:
Afbeelding 6: Een conceptueel diagram van een simpel gemodereerd mediatiemodel (Hayes, 2013: 14)
In het bovenstaande gemodereerde mediatiemodel is het eerder getoonde mediatiemodel opgenomen, maar is de invloed van een vierde variabele (W) toegevoegd. In het model in afbeelding 6 heeft de moderator W een significante invloed op het effect van predictor M op afhankelijke variabele Y. Dit is slechts een voobeeld van een type gemodereerde mediatie. In het geval van gemodereerde mediatie kan moderator (W) invloed uitoefenen op alle bovenstaande causale relaties. Om te bepalen of er in dit onderzoek sprake was van gemodereerde mediatie, is opnieuw gebruik gemaakt van de PROCESS-tool van Hayes. In het model dat voor de gemodereerde mediatie werd gebruikt, werden dezelfde regressiecoëfficiënten weergegeven als bij mediatieanalyse. Hieraan werden echter regressiecoëfficiënten toegevoegd van de interactie van de moderator (W) op de verschillende wegen in het model (X op Y, X op M en M op Y).
In dit onderzoek werden resultaten van de gemodereerde mediatieanalyse alleen gerapporteerd wanneer sprake was van een significante interactie tussen een van de variabelen in het model en de moderator. Was hier geen sprake van dan werden de resultaten niet gerapporteerd. Was hier wel sprake van, dan werd vervolgens met behulp van correlatieanalyses bekeken in hoeverre de
51 correlatiecoëfficiënten van deze variabelen in beide categorieën van de moderator (conditie in dit onderzoek) verschilden.
Chi-kwadraat toets
Tot slot zijn met een chi-kwadraat toets de resultaten van enkele evaluerende vragen onderzocht. De Chi-kwadraat toets is een statistische toets waarmee nagegaan kan worden of twee of meer verdelingen significant van elkaar verschillen. Omdat er bij deze toets geen aannames gedaan worden over gemiddelden of over de populatie, is dit een parametervrije toets die geschikt is voor variabelen met verschillende meetniveau’s (onder andere nominaal en ordinaal). Met behulp van de chi-kwadraat toets is in dit onderzoek bepaald of respondenten in hun voorkeur voor de fotonovelle of de video significant van elkaar verschilden. Daarnaast is met dezelfde toets ook onderzocht of de lengte van de narratief in beide condities significant anders werd beoordeeld.
52
4. Resultaten
In dit hoofdstuk worden de resultaten van het onderzoek besproken. Allereerst zijn de effecten van de narratief op de variabelen kennis, attitude en gedragsintentie gemeten, ongeacht welk communicatiemiddel werd gebruikt. Hiervoor zijn de resultaten van beide experimentele condities samengevoegd en vergeleken met de resultaten van de controleconditie met behulp van univariate variantieanalyses (ANOVA’s) en multivariate variantieanalyses (MANOVA’s). De uitkomsten van deze analyses zijn te vinden in paragraaf 4.1. Vervolgens zijn de effecten van de twee onderzochte communicatiemiddelen – de fotonovelle en de video – op de afhankelijke variabelen kennis, attitude en gedragsintentie gemeten met behulp van ANOVA’s en MANOVA’s. De uitkomsten van deze analyses zijn te vinden in paragraaf 4.2. Om daarnaast de onderliggende mechanismen van de persuasieve effecten van de narratief in beeld te brengen, zijn de effecten van de fotonovelleconditie en de videoconditie op de variabelen uit het EORM gemeten met behulp van een MANOVA. Daarnaast zijn meerdere mediatieanalyses en een gemodereerde mediatieanalyses uitgevoerd. De uitkomsten van deze analyses zijn te vinden in paragraaf 4.3.