Moderationsanalyse: Kein signifikanter Interaktionseffekt gefunden
Wenn man keinen signifikanten Interaktionseffekt gefunden hat, gibt es zwei Möglichkeiten fortzufahren.
- Zum einen können wir beschließen, keine weiteren Analysen durchzuführen und berichten, dass wir keinen signifikanten Interaktionseffekt gefunden haben. Die Analyse wäre damit beendet. Dies wäre, in Anbetracht der Tatsache, dass bei der Moderationsanalyse der Interaktionsterm die meist interessanteste Komponente ist, eine nachvollziehbare Konklusion.
- Wir können noch eine Analyse der Haupteffekte machen. Haupteffekte sind die Effekte unserer Prädiktoren auf das Kriterium, die nicht durch Bildung eines Interaktionsterms zustande gekommen sind. Sie entsprechen damit einer einfachen Regressionsanalyse und werden auch entsprechend oft einfache Effekte (engl. simple effects) genannt. Sollte man sich hierfür entscheiden, steht man vor der Wahl die Analyse mit oder ohne den Interaktionsterm durchzuführen. Hier gibt es keine klaren Richtlinien, aber die jüngere Literatur tendiert eher dazu den Interaktionsterm zu entfernen und die Analyse erneut durchzuführen (Hayes, 2018; Warner, 2013), wie wir es auch hier besprechen werden. Sollte man sich allerdings dafür entscheiden, den Interaktionsterm in der Analyse zu lassen, müssen keine zusätzlichen Analysen durchgeführt werden und die Koeffizienten können direkt aus der Ausgabe von PROCESS entnommen werden.
Haupteffekte untersuchen
Hayes (2018, pp. 236-237) sagt dazu:
Had there been no evidence of moderation (i.e., b3 was not statistically different from zero), the most sensible approach would be to reestimate the model excluding the product […]
Hayes (2018, p. 237) nennt zwei mögliche Modelle, die wir zur weiteren Analyse der Haupteffekte durchführen können. Zum einen könnten wir unser Moderationsmodell berechnen, ohne den Interaktionsterm aufzunehmen. Dadurch hätten wir eine Regression mit zwei Prädiktoren. Zum anderen könnten wir noch zusätzlich den Moderator aus dem Modell entfernen: dadurch hätten wir dann ein einfaches Regressionsmodell mit einem einzigen Prädiktor.
Wir werden uns hier für die erste Variante entscheiden und ein Modell mit zwei Prädiktoren berechnen – ohne Interaktionsterm. Dazu führen wir eine lineare Regression durch. Da wir bereits für die Überprüfung der Linearität genau dieses Modell berechnet haben, können wir erneut auf die Ausgabe zurückgreifen. Falls andere Variablen aus dem Modell entfernt bzw. hinzugefügt werden sollen, kann dieses Modell ebenfalls einfach angepasst werden.
SPSS Ausgabe
Zur Überprüfung der Linearität haben wir bereits genau dieses Modell bereits durchgeführt: social als unser Kriterium, mit freizeit und alter als Prädiktoren. Für die Interpretation und Verschriftlichung dieser Ergebnisse können wir uns daher einfach die Tabelle Koeffizienten anschauen. Die Interpretation erfolgt analog zu der von Regressionkoeffizienten in einer normalen Regressionsanalyse.
| Koeffizientena | ||||||
|---|---|---|---|---|---|---|
| Modell | Nicht standardisierte Koeffizienten | Standardisierte Koeffizienten | T | Sig. | ||
| RegressionskoeffizientB | Std.-Fehler | Beta | ||||
| 1 | (Konstante) | 16,569 | 2,351 | 7,048 | ,000 | |
| Alter | -,005 | ,042 | -,013 | -,127 | ,899 | |
| Freizeit (Stunden pro Woche) | -,002 | ,101 | -,002 | -,016 | ,988 | |
| a. Abhängige Variable: Nutzung von sozialen Medien (Stunden pro Woche) | ||||||
Hier ist es wichtig, sich die Werte in der Spalte Sig. anzuschauen. Die Werte geben an, ob einer der Prädiktoren signifikant in der Lage ist, unser Kriterium vorherzusagen (daher, ob sie sich signifikant von Null unterscheiden). Wir Testen auf einem Signifikanzniveau von .05, was bedeutet, dass wir von einem signifikanten Prädiktor ausgehen können, wenn der Wert in der Spalte kleiner als .05 ist. Dies ist bei unseren Prädiktoren allerdings nicht der Fall.
Ergebnisse berichten
Eine Moderationsanalyse wurde durchgeführt, um zu bestimmen, ob die Interaktion zwischen Alter und Freizeit die Nutzung von sozialen Medien signifikant vorhersagt. Die Ergebnisse konnten keinen Moderationseffekt von Alter und Freizeit auf Social Media-Nutzung finden, ΔR² = 16.5%, F(1, 96) = 18.93, p = .241, 95% CI[-0.047, -0.015]. Gemäß den Empfehlungen von Hayes (2018) wurde der Interaktionsterm aus dem Modell entfernt, was zu einem neuen Modell mit Haupteffekten führte. Dieses neue Modell zeigte weder eine signifikante Beziehung zwischen Alter, B = -0.005, p = .899, noch zwischen Freizeit, B = -0.002, p = .988, für die Nutzungsdauer von sozialen Medien.
English
A moderation analysis was run to determine whether the interaction between age and free time significantly predicts social media use. Analysis did not show that age moderated the effect between free time and social media use significantly, ΔR² = 16.5%, F(1, 96) = 18.93, p = .241, 95% CI[-0.047, -0.015]. Following recommendations by Hayes (2018), the interaction term was dropped from the model, resulting in a new simple effects model. This new model revealed neither a significant relationship between age, B = -0.005, p = .899, nor free time, B = -0.002, p = .988, for social media use.
Beispiel Alter: Beim Berichten der Ergebnisse geben wir jeweils das unstandardisierte Regressionsgewicht (B) und den dazugehörigen p-Wert an. Für unseren Prädiktor Alter, wären dies B = -0.005 und p = .899, die sich jeweils auf die beiden farbigen Werte aus der Tabelle beziehen.
Die Verschriftlichung der andren Prädiktoren erfolgt analog, verschiebt sich jeweils nur um eine Zeile nach unten.
Literaturverzeichnis
- Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis, Second Edition (Methodology in the Social Sciences) (2nd ed.). Guilford Press.
- Warner, R. M. (2013). Applied statistics: From bivariate through multivariate techniques (2nd ed.). Thousand Oaks, Calif.: SAGE Publications.