Mediationsanalyse: Schritt #3: Direkten Effekt interpretieren

Im dritten und letzten Schritt überprüfen wir, ob der Effekt zwischen X und Y aus dem Modell ohne Mediator im Modell mit Mediator verschwunden oder gemindert ist.

Ausgabe interpretieren

Run MATRIX procedure:

*************** PROCESS Procedure for SPSS Version 3.3 *******************

          Written by Andrew F. Hayes, Ph.D.       www.afhayes.com
    Documentation available in Hayes (2018). www.guilford.com/p/hayes3

**************************************************************************
Model  : 4
    Y  : reg
    X  : ideologi
    M  : konsens

Sample
Size:  49

**************************************************************************
OUTCOME VARIABLE:
 konsens

Model Summary
          R       R-sq        MSE     F(HC3)        df1        df2          p
      .7576      .5740  1627.0914    48.1364     1.0000    47.0000      .0000

Model
              coeff    se(HC3)          t          p       LLCI       ULCI
constant    11.7932    22.6953      .5196      .6058   -33.8643    57.4507
ideologi    27.5810     3.9753     6.9380      .0000    19.5836    35.5784

**************************************************************************
OUTCOME VARIABLE:
 reg

Model Summary
          R       R-sq        MSE     F(HC3)        df1        df2          p
      .6831      .4666  1345.8501    16.0915     2.0000    46.0000      .0000

Model
              coeff    se(HC3)          t          p       LLCI       ULCI
constant    60.4191    18.1986     3.3200      .0018    23.7868    97.0514
ideologi      .0044     5.2906      .0008      .9993   -10.6451    10.6540
konsens       .5492      .1535     3.5776      .0008      .2402      .8581

************************** TOTAL EFFECT MODEL ****************************
OUTCOME VARIABLE:
 reg

Model Summary
          R       R-sq        MSE     F(HC3)        df1        df2          p
      .5176      .2679  1807.9039    17.3236     1.0000    47.0000      .0001

Model
              coeff    se(HC3)          t          p       LLCI       ULCI
constant    66.8954    19.2636     3.4726      .0011    28.1417   105.6491
ideologi    15.1508     3.6401     4.1622      .0001     7.8277    22.4738

************** TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y **************

Total effect of X on Y
     Effect    se(HC3)          t          p       LLCI       ULCI       c_ps       c_cs
    15.1508     3.6401     4.1622      .0001     7.8277    22.4738      .3081      .5176

Direct effect of X on Y
     Effect    se(HC3)          t          p       LLCI       ULCI      c'_ps      c'_cs
      .0044     5.2906      .0008      .9993   -10.6451    10.6540      .0001      .0002

Indirect effect(s) of X on Y:
            Effect     BootSE   BootLLCI   BootULCI
konsens    15.1463     3.9841     7.3477    23.0759

Partially standardized indirect effect(s) of X on Y:
            Effect     BootSE   BootLLCI   BootULCI
konsens      .3080      .0734      .1595      .4505

Completely standardized indirect effect(s) of X on Y:
            Effect     BootSE   BootLLCI   BootULCI
konsens      .5175      .1165      .2684      .7226

*********** BOOTSTRAP RESULTS FOR REGRESSION MODEL PARAMETERS ************

OUTCOME VARIABLE:
 konsens

              Coeff   BootMean     BootSE   BootLLCI   BootULCI
constant    11.7932    11.4533    21.8206   -31.7826    54.4548
ideologi    27.5810    27.6559     3.8143    20.2423    35.2418

----------

OUTCOME VARIABLE:
 reg

              Coeff   BootMean     BootSE   BootLLCI   BootULCI
constant    60.4191    59.9990    18.1073    24.8976    96.0415
ideologi      .0044      .4222     5.0683    -8.9780    10.8300
konsens       .5492      .5408      .1426      .2527      .8044

*********************** ANALYSIS NOTES AND ERRORS ************************

Level of confidence for all confidence intervals in output:
  95.0000

Number of bootstrap samples for percentile bootstrap confidence intervals:
  5000

NOTE: A heteroscedasticity consistent standard error and covariance matrix estimator was used.

NOTE: Variables names longer than eight characters can produce incorrect output.
      Shorter variable names are recommended.

------ END MATRIX -----

Jetzt müssen wir noch überprüfen, ob das Verhältnis zwischen X und Y noch signifikant ist, nachdem wir den Mediator M in das Modell aufgenommen haben. Dies ist der direkte Effekt. In der Ausgabe des PROCESS Makros haben wir die wichtigen Maße farbig hervorgehoben. Der wichtige p-Wert ist hier grün hervorgehoben. Er ist in diesem Beispiel nicht mehr signifikant; wir haben daher einen vollständig mediierten Effekt. In unserer Grafik ist dieser Effekt c′ (hier rot umrandet). Damit ist die Grafik vollständig.

Ergebnisse Berichten

Schriftlich können wir das Ergebnis so berichten:

Direkter Effekt weiterhin signifikant

Allerdings kann es auch sein, dass der Effekt nicht verschwindet und weiterhin signifikant ist. Dies ist in den meisten Mediationsmodellen der Fall und kein Grund zur Sorge. In diesem Fall spricht man nicht von vollständiger Mediation, sondern von partieller Mediation. Die Mediationsanalyse ist dadurch weiterhin gültig, in der Verschriftlichung der Ergebnisse geben wir lediglich an, dass wir einen partiell mediierten Effekt gefunden haben.

In diesem Fall würden wir das Ergebnis sehr ähnlich berichten: