Mediationsanalyse

Mediationsanalyse: Voraussetzungen

Die Voraussetzungen sind ähnlich denen, die auch für multiple lineare Regression gelten. Allerdings verwendet das Makro von Hayes (2018) Bootstrapping, welches ein robustes Verfahren ist und generell keine Voraussetzungen bezüglich der Verteilungseigenschaften macht.

Hayes (2018) nennt die ersten vier Voraussetzen in seinem Buch, mahnt aber gleichzeitig dazu, sie nicht zu dogmatisch zu beachten: „[…] I do not believe you should lose too much sleep over the potential that you have violated one or more of those assumptions“ (p. 68–69).

  1. Linearität.
    Die Mediationanalyse von Hayes basiert auf linearer Regression. Entsprechend werden lineare Beziehungen zwischen den einzelnen Variablen untersucht. Andere (kurvilineare) Zusammenhänge könnten hier unterschätzt werden.
  2. Normalverteilung der Residuen.
    Laut Hayes (2018) ist dies eine der unwichtigsten Voraussetzungen und nur massive Verletzungen haben Auswirkungen auf Inferenzstatistik und Regressionsanalyse, außer die Stichprobengröße sei gering.
  3. Homoskedastizität.
    Der Schätzfehler sollte über alle vorhergesagten Y-Werte hinweg relativ gleich sein. Für die eigentliche Bestimmung der Regressionskoeffizienten ist hingegen keine Homoskedastizität erforderlich. Allerdings wird der Standardfehler durch vorhandene Heteroskedastiztät negativ beeinflusst.
  4. Unabhängigkeit.
    Der mit jedem Datenpunkt verbundene Fehler (d.h. ein Fall) sollte unabhängig vom Fehler aller anderen Fälle sein. Dies ist besonders relevant für Studien mit Cluster-Stichprobenverfahren oder dyadischer Forschung, bei denen Fälle über den Outcome miteinander in Beziehung stehen können, weil sie einige Merkmale oder Zusammenhänge teilen. Bei nicht-vorhandener Unabhängigkeit von Beobachtungen könnte der Standardfehler der Regressionskoeffizienten entweder kleiner oder größer sein als er sein sollte. Nur die Kenntnis der eigenen Datenerhebungsmethode erlaubt es festzustellen, ob die Daten dieser Voraussetzung entsprechen.
  5. Zeitliche Präzedenz.
    Das Mediationsmodell sollte der Annahme der zeitlichen Präzedenz von Ursache und Wirkung folgen. X muss vor M stattfinden und M vor Y. Eine sehr komplizierte Annahme für Querschnittsdaten (Cole & Maxwell, 2003). Einige haben sogar vorgeschlagen, Mediationsmodelle nur mit Längsschnittdaten zu berechnen (Maxwell & Cole, 2007; Maxwell, Cole, & Mitchell, 2011).

Die erste Voraussetzung werden wir auf den nächsten Seiten überprüfen; für die Normalverteilung und eventuell aufkommende Heteroskedastizität werden wir robuste Verfahren wählen, die diese (weitestgehend) kompensieren; die letzten beiden Voraussetzungen können nicht statistisch überprüft werden und beziehen sich auf das Design der Studie.

Literaturverzeichnis

  1. Cole, D. A., & Maxwell, S. E. (2003). Testing Mediational Models With Longitudinal Data: Questions and Tips in the Use of Structural Equation Modeling. Journal of Abnormal Psychology, 112(4), 558–577. doi:10.1037/0021-843x.112.4.558
  2. Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis, Second Edition (Methodology in the Social Sciences) (2nd ed.). Guilford Press.
  3. Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44. doi:10.1037/1082-989x.12.1.23
  4. Maxwell, S. E., Cole, D. A., & Mitchell, M. A. (2011). Bias in Cross-Sectional Analyses of Longitudinal Mediation: Partial and Complete Mediation Under an Autoregressive Model. Multivariate Behavioral Research, 46(5), 816–841. doi:10.1080/00273171.2011.606716