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).

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.