Mediator-Effekte in der Regressionsanalyse - Universität Stuttgart
Mediator-Effekte in der Regressionsanalyse - Universität Stuttgart
Mediator-Effekte in der Regressionsanalyse - Universität Stuttgart
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Mediator</strong>-<strong>Effekte</strong> <strong>in</strong> <strong>der</strong> <strong>Regressionsanalyse</strong> 14<br />
Die Durchführung e<strong>in</strong>er solchen Analyse <strong>in</strong> SPSS ist schon sehr aufwändig. Getrennt<br />
für die Befragtengruppen aus den Stadtteilen A und B muss jeweils e<strong>in</strong>e<br />
Regression von Z auf X 1 und X 2 sowie von Y auf X 1 , X 2 und Z durchgeführt werden.<br />
Zum Test <strong>der</strong> Bed<strong>in</strong>gungen (b) und (d) für das Vorliegen e<strong>in</strong>es <strong>Mediator</strong>-<br />
Effekts muss zudem e<strong>in</strong>e Regression von Y auf X 1 und X 2 ohne Kontrolle des <strong>Mediator</strong>s<br />
geschätzt werden. Daneben müssen für beide Stadtteile jeweils die <strong>in</strong>direkten<br />
und totalen <strong>Effekte</strong> sowie jeweils ihre Signifikanzen ermittelt werden.<br />
Alternativ zur Multigruppenanalyse kann das komb<strong>in</strong>ierte Mo<strong>der</strong>ator-<strong>Mediator</strong>-<br />
Modell natürlich auch mit Interaktionsvariablen geschätzt werden (vgl. Abschnitte<br />
4.3.2, 4.5.2 und 5.1.3 zur Schätzung von Interaktionseffekten <strong>in</strong> U/M 2006). Abbildung<br />
7 zeigt e<strong>in</strong>e solche Modellierung. Der Stadtteil ist dabei als e<strong>in</strong>e Dummy-<br />
Variable <strong>in</strong>tegriert (mit 0=Auslän<strong>der</strong>anteil niedrig, 1=Auslän<strong>der</strong>anteil hoch).<br />
Abbildung 7:<br />
Komb<strong>in</strong>ierte Mo<strong>der</strong>ator- und <strong>Mediator</strong>analyse als Interaktionsmodell<br />
X 2<br />
* Stadtteil<br />
X 1<br />
* Stadtteil<br />
Z<br />
Y<br />
X 2<br />
X 1<br />
St adt t eil<br />
Wie man Abbildung 7 entnehmen kann, ist <strong>der</strong> Nachteil des Interaktionsmodells,<br />
dass <strong>in</strong> diesem bereits sehr viele Variablen spezifiziert werden und das Modell<br />
dadurch sehr komplex wird. Ist man allerd<strong>in</strong>gs an <strong>der</strong> jeweiligen Effektstärke und<br />
Signifikanz des Mo<strong>der</strong>atoreffekts <strong>in</strong>teressiert, so ist es deutlich e<strong>in</strong>facher, diese mit<br />
Hilfe des Interaktionsmodells zu ermitteln: Die <strong>Effekte</strong> <strong>der</strong> Interaktionsvariablen<br />
entsprechen dann den Mo<strong>der</strong>ator-<strong>Effekte</strong>n. Im Gegensatz zur Multigruppenanalyse<br />
ist es im Interaktionsmodell zudem auch möglich, mehrere unterschiedliche Mo<strong>der</strong>ator-<strong>Effekte</strong><br />
e<strong>in</strong>zub<strong>in</strong>den, d.h. Interaktionen nicht nur mit e<strong>in</strong>er Variablen (hier:<br />
Stadtteil), son<strong>der</strong>n auch mit an<strong>der</strong>en (z.B. mit Geschlecht). E<strong>in</strong> Vorteil <strong>der</strong> Multi-