Mediationsanalyse: Schritt #1: Totalen Effekt interpretieren
Im ersten Schritt überprüfen wir, ob es einen totalen Effekt im Modell ohne Mediator gibt. Wir würden eine Beziehung wie in der Abbildung unten erwarten, wobei X unsere unabhängige Variable (politische Ideologie) und Y abhängige Variable (Unterstützung von Regierungsmaßnahmen zur Emissionsverringerung) ist.
Alles, was wir dazu brauchen, finden wir in der Ausgabe des PROCESS Makros.
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 ungekürzte Ausgabe von PROCESS ist auf jeden schon mal recht lang 
Der von uns interessante Teil findet sich im Bereich TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y. Dort finden sich noch einmal die wichtigsten Kennzahlen der Mediationsanalyse zusammengefasst. Uns interessiert hier der p-Wert von X auf Y (hier rot umrandet). Ein signifikanter p-Wert würde auf einen vorhandenen direkten Effekt hindeuten, den wir in unserem Beispiel auch haben.
In den meisten Fällen ist es übersichtlicher die Effekte als Diagramm darzustellen. Das einfache Mediationsmodell aus unserem Beispiel würde man wie unten darstellen. Hier tragen wir den unstandardisierten Regressionskoeffizienten (hier grün umrandet) wie unten ein. 
Die Sternchen hinter dem Regressionskoeffizienten geben das Signifikanzniveau an: * p < .05, ** p < .01, *** p < .001.
Schriftlich können wir die Ergebnisse so zusammenfassen:
Eine Mediationsanalyse wurde berechnet, um zu überprüfen, ob politische Ideologie die Unterstützung von Regierungsmaßnahmen zur Emissionsverringerung vorhersagt und ob der direkte Pfad durch den wahrgenommene wissenschaftliche Konsens über globale Erwärmung mediiert wird. Ein Effekt von politischer Ideologie auf die Unterstützung von Regierungsmaßnahmen zur Emissionsverringerung konnte festgestellt werden, B = 15.151, p < .001.
English
A simple mediation was performed to analyse whether political ideology predicts support for government action on climate change and whether the direct path would be mediated by the perceived scientific agreement on climate matters. An effect of political ideology on support for government action on climate change was observed, B = 15.151, p < .001.
Totaler Effekt nicht signifikant? Was nun?!
Wie bereits erwähnt, ist dieser Schritt zwar Teil der Voraussetzung von Baron und Kenny (1986), aber nach heutiger Meinung vieler Statistiker nicht mehr nötig, um Mediation nachzuweisen und kann sogar nach einigen jüngeren Forschungsarbeiten zu falschen Aussagen führen (z.B. MacKinnon, 2008; Zhao, Lynch, & Chen, 2010; Rucker, Preacher, Tormala, & Petty, 2011).Da der reine Effekt der Mediation durch den indirekten Effekt beschrieben wird, ist für viele Statistiker dies 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
- 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 - MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis (Multivariate Applications Series) (1st ed.). Taylor & Francis Inc.
- 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 - 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