Mediationsanalyse

Mediationsanalyse: Schritt #2: Pfade interpretieren

Im zweiten Schritt überprüfen wir, ob die Pfade a und b im Modell mit Mediator signifikant sind. Ihr Produkt bildet den indirekten Effekt ab, der gleich dem eigentlichen Mediationseffekt ist. Wir erwarten das die folgenden beiden Beziehungen signifikant werden:

Mediationsanalyse: Schritt #2
Mediationsanalyse: Schritt #3

Dies entspricht den Schritten 2 und 3 aus den Vorgaben von Baron und Kenny (1986).

Nach der Auffindung vieler Statistiker heute sind diese beiden Schritte der entscheidende Teil der Mediationsanalyse, während die Schritte 1 und 4 als weniger wichtig angesehen werden (z.B. Lindzey, Fiske, & Gilbert, 1998; MacKinnon, 2008; Gelfand, Mensinger, & Tenhave, 2009).

PROCESS 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 -----

Die zur Überprüfung der Signifikanz der Pfade erforderlichen Maße sind hier für Pfad a und Pfad b beide farbig in der Ausgabe hervorgehoben. In diesem Beispiel sind die p-Werte des Pfads a (p ≈ .0000) und b (p ≈ .0008) beide signifikant.

Unser Diagramm ergänzen wir jetzt um die beiden Regressionskoeffizienten des a Pfads (hier grün umrandet) und des b Pfads (hier gelb umrandet) und deren Signifikanzangaben (p-Wert des a Pfads, p-Wert des b Pfads):

Mediation: Diagramm, Schritt #2

Wir können die Ergebnisse bis jetzt so zusammenfassen:

Deutsch
Nachdem der Mediator in das Modell aufgenommen wurde, sagte politische Ideologie den Mediator signifikant vorher, B = 27.581, p < .001, welcher wiederum Unterstützung von Regierungsmaßnahmen zur Emissionsverringerung signifikant vorhersagte, B = 0.549, p = .001.
English
After entering the mediator into the model, political ideology predicted the mediator significantly, B = 27.581, p < .001, which in turn predicted support for government action on climate change significantly, B = 0.549, p = .001.
Auch wenn SPSS in der Spalte Signifikanz einen Wert von .000 angibt, ist dies nur ein gerundeter Wert (Signifikanzen können weder die Werte 0 oder 1 annehmen, sondern liegen immer dazwischen.) Bei einem Wert von .000 würden wir dies als p < .001 schreiben. Das APA-Handbuch empfiehlt ansonsten die Angabe genauer p-Werte (gerundet auf drei Nachkommastellen).

 

Pfade nicht signifikant? Was nun?!

Wenn ein oder gar beide Pfade nicht signifikant sind, müssten wir nach den klassischen Annahmen von Baron und Kenny (1986) hier abbrechen. Jüngere Paper widersprechen diesen Kriterien allerdings.

Da der reine Effekt der Mediation durch den indirekten Effekt beschrieben wird, ist dies für viele Statistiker das wichtigste Kriterium, um von Mediation sprechen zu können – unabhängig von den anderen Voraussetzungen. Hier empfehlen wir die Paper von Zhao, Lynch, & Chen (2010) und Rucker, Preacher, Tormala, & Petty (2011), die für eine reine Interpretation des indirekten Effekts plädieren.

Die Interpretation des indirekten Effekts beschreiben wir im letzten Schritt Indirekten Effekt interpretieren.

Literaturverzeichnis

  1. Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182. doi:10.1037/0022-3514.51.6.1173
  2. Gelfand, L. A., Mensinger, J. L., & Tenhave, T. (2009). Mediation Analysis: A Retrospective Snapshot of Practice and More Recent Directions. The Journal of General Psychology, 136(2), 153–178. doi:10.3200/genp.136.2.153-178
  3. Lindzey, G., Fiske, S. T., & Gilbert, D. (1998). The Handbook of Social Psychology: 2-Volume Set (4th ed.). Oxford Univ Press.
  4. MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis (Multivariate Applications Series) (1st ed.). Taylor & Francis Inc.
  5. Rucker, D. D., Preacher, K. J., Tormala, Z. L., & Petty, R. E. (2011). Mediation Analysis in Social Psychology: Current Practices and New Recommendations. Social and Personality Psychology Compass, 5(6), 359–371.doi:10.1111/j.1751-9004.2011.00355.x
  6. Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research, 37(2), 197–206. doi:10.1086/651257