Moderationsanalyse: Gesamtmodell interpretieren
Im ersten Schritt schauen wir uns das Gesamtmodell an. Es sagt uns, wie gut unser Modell darin ist, Varianz aufzuklären und damit auch, wie gut unsere Prädiktoren darin sind, unser Kriterium vorherzusagen.
SPSS Ausgabe interpretieren
Run MATRIX procedure:
***************** PROCESS Procedure for SPSS Version 3.5 *****************
Written by Andrew F. Hayes, Ph.D. www.afhayes.com
Documentation available in Hayes (2018). www.guilford.com/p/hayes3
**************************************************************************
Model : 1
Y : social
X : freizeit
W : alter
Sample
Size: 100
**************************************************************************
OUTCOME VARIABLE:
social
Model Summary
R R-sq MSE F(HC3) df1 df2 p
,4060 ,1649 22,0482 5,3585 3,0000 96,0000 ,0019
Model
coeff se(HC3) t p LLCI ULCI
constant -5,6926 5,9855 -,9511 ,3440 -17,5737 6,1886
freizeit 1,3422 ,3436 3,9067 ,0002 ,6603 2,0242
alter ,5547 ,1442 3,8456 ,0002 ,2684 ,8410
Int_1 -,0338 ,0085 -3,9855 ,0001 -,0506 -,0170
Product terms key:
Int_1 : freizeit x alter
Test(s) of highest order unconditional interaction(s):
R2-chng F(HC3) df1 df2 p
X*W ,1647 15,8844 1,0000 96,0000 ,0001
----------
Focal predict: freizeit (X)
Mod var: alter (W)
Conditional effects of the focal predictor at values of the moderator(s):
alter Effect se(HC3) t p LLCI ULCI
26,1194 ,4602 ,1518 3,0308 ,0031 ,1588 ,7616
38,4600 ,0435 ,1107 ,3929 ,6952 -,1762 ,2632
50,8006 -,3732 ,1527 -2,4444 ,0163 -,6763 -,0701
Moderator value(s) defining Johnson-Neyman significance region(s):
Value % below % above
32,6393 35,0000 65,0000
47,7544 78,0000 22,0000
Conditional effect of focal predictor at values of the moderator:
alter Effect se(HC3) t p LLCI ULCI
18,0000 ,7344 ,2052 3,5796 ,0005 ,3272 1,1417
20,9000 ,6365 ,1850 3,4413 ,0009 ,2693 1,0036
23,8000 ,5385 ,1659 3,2458 ,0016 ,2092 ,8679
26,7000 ,4406 ,1485 2,9666 ,0038 ,1458 ,7354
29,6000 ,3427 ,1334 2,5688 ,0117 ,0779 ,6075
32,5000 ,2448 ,1214 2,0159 ,0466 ,0038 ,4858
32,6393 ,2401 ,1209 1,9850 ,0500 ,0000 ,4801
35,4000 ,1468 ,1136 1,2931 ,1991 -,0786 ,3722
38,3000 ,0489 ,1107 ,4417 ,6597 -,1708 ,2686
41,2000 -,0490 ,1132 -,4330 ,6660 -,2738 ,1757
44,1000 -,1470 ,1208 -1,2164 ,2268 -,3868 ,0929
47,0000 -,2449 ,1326 -1,8471 ,0678 -,5081 ,0183
47,7544 -,2704 ,1362 -1,9850 ,0500 -,5407 ,0000
49,9000 -,3428 ,1475 -2,3236 ,0223 -,6357 -,0500
52,8000 -,4408 ,1648 -2,6741 ,0088 -,7679 -,1136
55,7000 -,5387 ,1838 -2,9313 ,0042 -,9035 -,1739
58,6000 -,6366 ,2039 -3,1219 ,0024 -1,0414 -,2318
61,5000 -,7345 ,2249 -3,2654 ,0015 -1,1811 -,2880
64,4000 -,8325 ,2466 -3,3753 ,0011 -1,3220 -,3429
67,3000 -,9304 ,2688 -3,4610 ,0008 -1,4640 -,3968
70,2000 -1,0283 ,2914 -3,5291 ,0006 -1,6067 -,4499
73,1000 -1,1263 ,3143 -3,5839 ,0005 -1,7501 -,5025
76,0000 -1,2242 ,3374 -3,6287 ,0005 -1,8939 -,5545
Data for visualizing the conditional effect of the focal predictor:
Paste text below into a SPSS syntax window and execute to produce plot.
DATA LIST FREE/
freizeit alter social .
BEGIN DATA.
11,2547 26,1194 13,9757
16,3300 26,1194 16,3115
21,4053 26,1194 18,6473
11,2547 38,4600 16,1310
16,3300 38,4600 16,3518
21,4053 38,4600 16,5725
11,2547 50,8006 18,2863
16,3300 50,8006 16,3920
21,4053 50,8006 14,4977
END DATA.
GRAPH/SCATTERPLOT=
freizeit WITH social BY alter .
*********** BOOTSTRAP RESULTS FOR REGRESSION MODEL PARAMETERS ************
OUTCOME VARIABLE:
social
Coeff BootMean BootSE BootLLCI BootULCI
constant -5,6926 -5,3511 5,7884 -16,9903 6,1557
freizeit 1,3422 1,3131 ,3287 ,6377 1,9411
alter ,5547 ,5432 ,1390 ,2527 ,8030
Int_1 -,0338 -,0328 ,0081 -,0471 -,0152
*********************** 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
W values in conditional tables are the mean and +/- SD from the mean.
NOTE: A heteroscedasticity consistent standard error and covariance matrix estimator was used.
------ END MATRIX -----
Die ungekürzte Ausgabe von PROCESS ist auf jeden schon mal recht lang 
Der von uns interessante Teil findet sich im Bereich Model Summary. Die Interpretation erfolgt ähnlich zu der einer normalen Regression.
R und R²
Zuerst schauen wir uns die ersten beiden Spalten an. Hier sehen wir R und R-sq (englisch: „R squared“, R²). R² ist (wie der Name schon vermuten lässt ) lediglich das Quadrat von R² und sagt uns, wie viel Varianz unser Modell aufklären konnte. Wir können R bzw. R² ähnlich interpretieren, wie wir auch den Determinationskoeffizienten R² der Regression interpretieren würden. Hierfür werden gerne die Faustregeln von Cohen (1988) herangezogen.
| Interpretation von R² nach Cohen (1988) | |
|---|---|
| geringe / schwache Varianzaufklärung | |R²| = .02 |
| mittlere / moderate Varianzaufklärung | |R²| = .13 |
| hohe / starke Varianzaufklärung | |R²| = .26 |
Unser Modell hat mit einem R² von .165 nach Cohen (1988) eine mittlere Varianzaufklärung.
Signifikanz des Modells
Als letztes können wir überprüfen, ob die Prädiktoren signifikant unser Kriterium vorhersagen. Dazu schauen wir uns den p-Wert (hier rot) an. Wir haben unser Signifikanzniveau bei 5 % festgelegt. Das heißt, dass wir einen signifikanten Unterschied annehmen, wenn der p-Wert kleiner als 5 % bzw. .05 ist. Ein Wert von genau 5 % oder mehr würde entsprechend bedeuten, dass das Ergebnis nicht signifikant ist. Wir überprüfen, ob sich unsere Varianzaufklärung R² signifikant von 0 unterscheidet oder nicht.
In unserem Fall haben wir einen p-Wert von ,0019 und damit ein signifikantes Ergebnis. Wir könnten dies so berichten:
Eine Moderationsanalyse wurde durchgeführt, um zu bestimmen, ob die Interaktion zwischen Alter und Freizeit die Nutzung von sozialen Medien signifikant vorhersagt. Das Gesamtmodell war signifikant, F(3, 96) = 5.36, p = .002, mit einer Varianzaufklärung von 16.49 %.
English
A moderation analysis was run to determine whether the interaction between age and free time significantly predicts social media use. The overall model was significant, F(3, 96) = 5.36, p = .002, predicting 16.49% of the variance.
Der wichtigste Teil dieser Angabe ist die Zeile: R² = 16.49%, F(3, 96) = 5.36, p = .002. Sie setzt sich aus den farbig hervorgehoben Werten Ausgabe des PROCESS-Makros zusammen und zwar so:
R² = 16.49%, F(3, 96) = 5.68, p = .002
R² = Varianzaufklärung, F(dfZähler, dfNenner) = F-Wert, p = Signifikanz
Aufschlüsselung der einzelnen Werte
- F: Das F gibt an, dass das Testverfahren eine F-Statistik benutzt, der eine F-Verteilung zugrunde liegt
- (3, 96): Die F-Verteilung hat zwei Parameter, die ihr Aussehen und damit auch die Grenze der Signifikanz beeinflussen. Dies sind diese beiden Parameter.
- 5.68: Der F-Wert ist der Wert, der in der F-Verteilung nachgeschlagen wird um den p-Wert zu berechnen
- ,002: p-Wert, nach dem sich die Signifikanz richtet
Im nächsten Schritt interpretieren wir den Interaktionsterm des Modells, der den eigentlichen Moderationseffekt wiedergibt.