STATISTIK-FORUM.de

[bohnenstroh]

Hallo!

Ich hoffe, dass mir hier jemand weiterhelfen kann. Ich habe eine Mediatoranalyse nach Baron & Kenny gerechnet und abschließend nur eine Angabe dazu gemacht, ob eine Mediation vorliegt und wenn ja, ob diese partiell oder vollständig ist. Jetzt habe ich folgende Rückmeldung erhalten: „You should also calculate the proportion of the predictor effect (i.e. direct path) accounted for by the mediator path (i.e. indirect effect).” Kann mir da jemand auf die Sprünge helfen? Was genau soll ich tun?

[daniel]

Vielleicht ist das ein Anfang:

http://www.afhayes.com/public/CM2009.pdf

[bohnenstroh]

Dankeschön! Vielleicht kannst du mir auch noch sagen, ob ich es richtig verstehe, dass ich, wenn ich den indirekten Effekt darstellen möchte, einfach die Summe der Regressionskoeffizienten (IV-> Mediator + Mediator -> DV) angebe. Und zur Angabe des direkten Effekts dann einfach den Regressionskoeffizienten IV -> DV? Im Voraus nochmal Danke!

[daniel]

Dankeschön! Vielleicht kannst du mir auch noch sagen, ob ich es richtig verstehe, dass ich, wenn ich den indirekten Effekt darstellen möchte, einfach die Summe der Regressionskoeffizienten (IV-> Mediator + Mediator -> DV) angebe. Und zur Angabe des direkten Effekts dann einfach den Regressionskoeffizienten IV -> DV? Im Voraus nochmal Danke!

Die letzte Aussage stimmt auf keinen Fall, das ist der Brutto (oder total) Effekt. Bei den anderen Aussagen finde ich Deine Notation verwirrend, aber das stimmt glaube ich auch nicht. Du musst nicht mehr als zwei Regressionsmodelle schätzen.

Meine Notation:
y : outcome
x : Prädikator
z : Mediator
b# : Koeffizient

Nimm das lineare(!) Regressionsmodell

y = b1*x + b2*z

b1 ist der direkte Effekt von x auf y. Diese Regression schätzt Du in jedem Fall. Das weitere Vorgehen ist (im linearen Fall) Geschmackssache.

Alternative 1.

Nimm die Hilfsregression

z = b3*x

Der indirekte Effekt von x auf y ist nun das Produkt von b2 und b3. Du kannst den Brutto (total) Effekt von x auf y berechnen als

total = b1 + (b2*b3)

Da diese Beziehung (total = direkt + indirekt) im linearen Modell immer gilt, kannst Du natürlich auch Alternaive 2 schätzen, die vielleicht intuitiver ist. Du schätzt hier das Modell

y = b4*x

b4 ist nun der Brutto (total) Effekt von x auf y. (Das Ergebnis von b2*b3 von oben). Den indirekten Effekt erhälst Du dann indem Du

indirekt = b4 - b1

berechnest.

[bohnenstroh]

Danke für die ausführliche Erläuterung!

[bohnenstroh]

Hallo Daniel!
Vielleicht kannst du mir noch eine Frage beantworten. Ich habe jetzt meine direkten, indirekten und totalen Effekte berechnet und frage mich, ob und wie ich das Signifikanzniveau des indirekten Effektes angeben/berechnen kann?
Schon mal Danke im Voraus!

[daniel]

Schau nochmal in den oben angegebenen Artikel. Dort wird unter anderem der Sobel Test und die bootstrapping Methode beschrieben, wobei letztere vorzuziehen ist.

Ob und wie das in dem von Dir verwendeten Statistikprogramm implementiert ist weiß ich nicht.

[bohnenstroh]

Alles klar! Hab den Sobel-Test bereits gerechnet. Steh in Statistik-Fragen nur leider immer sooooo auf der Leitung, dass ich 1 und 1 nicht zusammenzählen kann. Aber hoffentlich habe ich es jetzt geschnallt: Also sagt mir das Ergebnis des Sobel-Tests, ob der indirekte Effekt signifikant ist. Richtig?

Tausend Dank für deine Hilfe!

[daniel]

Wenn Du, oder besser der/die Reviewer, der die Rückmeldung gegeben hat, mit der Annhame der Normalverteilung des Effekts leben kann(st), dann ja. Anderenfalls wie gesagt mal in Richtung bootstrap schauen.

Ich habe selbst noch keine Simulationsstudie gelesen in der die Verfahren gegeneinander gestest werden, daher kann ich keine Aussage darüber treffen welches besser ist. Wenn das bootstrappen leicht machbar (i.e. bereits im Statisitkprogramm impementiert) ist, würde ich vermutlich ehre dazu tendieren, da Annahmen nie so eine schöne Sache sind, v.a. dann wenn man eigentlich gar nicht weiß wie wahrscheinlich die denn erfüllt sind (oder noch schlimmer, wenn man weiß, dass sie wahrscheinlich nicht erfüllt sind).