STATISTIK-FORUM.de

[Pokrivka]

Hallo an alle

Ich bin gerade dabei, Daten für meine Bachelorarbeit in Psychologie zu analysieren/ auszuwerten. Ich will herausfinden, ob die Entscheidungsfähigkeit von Individuen (X) einen direkten und/oder indirekten Effekt durch ihre Tendenz, sich zu überessen (M) auf ihren BMI (Y) hat. Bei der Mediationsanalyse orientiere ich mich an dem Vorgehen von Hayes und benutze auch den von ihm entwickelten Makro PROCESS in SPSS.

Nun habe ich eine einfache Mediationsanalyse durchgeführt und habe (hoffentlich richtigerweise) festgestellt, dass es keine signifikanten Effekte gibt.
Die Altersspannweite in meinem Sample ist allerdings ziemlich breit. Deshalb würde ich gerne das Alter als Kovariate mit einschließen.

Jetzt bin ich mir allerdings nicht ganz sicher wie der PROCESS output zu interpretieren ist. Ich habe weiter unten den Output hineinkopiert, um das Ganze verständlicher zu machen.

Bei dem Teil, wo "outcome variable BMI" steht, besitzt die Variable Alter einen Koeffizienten von 0.086 mit einem p-Wert von .0103.
Bedeutet das nun, dass das Alter einen signifikanten Effekt auf den BMI hat?

Bei dem "total effect model" aber ist zu finden, dass die Variable "money_sum" (=Entscheidungsfähigkeit) einen Koeffizienten von -.0005 (p= .3271) und Alter einen Koeffizienten von .0860 (p= .0081) hat.
Heißt das jetzt wieder, dass Alter einen signifikanten EInfluss auf den BMI hat?

Aber was kann ich dann genau aus den total effect (Effekt = -.0005), direct effect (Effekt= -.0005) und indirect models schließen ?
Hier sind ja die Ergebnisse dann wieder nicht signifikant oder? Hat also das Alter schlussendlich doch keinen Einfluss auf die anderen VAriablen?

Wie ihr seht, bin ich "leicht" verwirrt was die Interpretation anbelangt. Ich bin euch deshalb für jede Hilfe sehr sehr dankbar!!!

Ich hoffe, ihr versteht meine Schilderung und könnt mir weiterhelfen.

Herzliche Grüße aus dem Vereinigten Königreich,
Helena



Run MATRIX procedure:

**************** PROCESS Procedure for SPSS Version 3.00 *****************

Written by Andrew F. Hayes, Ph.D. www.afhayes.com
Documentation available in Hayes (2018). www.guilford.com/p/hayes3

**************************************************************************
Model : 4
Y : BMI
X : Money_su
M : EES_Scor

Covariates:
Alter

Sample
Size: 68

**************************************************************************
OUTCOME VARIABLE:
EES_Scor

Model Summary
R R-sq MSE F df1 df2 p
,2675 ,0716 171,6317 2,5054 2,0000 65,0000 ,0895

Model
coeff se t p LLCI ULCI
constant 35,6966 5,0558 7,0606 ,0000 25,5995 45,7938
Money_su -,0013 ,0018 -,7002 ,4863 -,0050 ,0024
Alter -,2031 ,1059 -1,9174 ,0596 -,4146 ,0085

**************************************************************************
OUTCOME VARIABLE:
BMI

Model Summary
R R-sq MSE F df1 df2 p
,3239 ,1049 15,4076 2,4996 3,0000 64,0000 ,0674

Model
coeff se t p LLCI ULCI
constant 22,8975 2,0136 11,3715 ,0000 18,8748 26,9201
Money_su -,0005 ,0006 -,9731 ,3342 -,0016 ,0006
EES_Scor ,0013 ,0372 ,0355 ,9718 -,0729 ,0756
Alter ,0863 ,0326 2,6453 ,0103 ,0211 ,1514

************************** TOTAL EFFECT MODEL ****************************
OUTCOME VARIABLE:
BMI

Model Summary
R R-sq MSE F df1 df2 p
,3238 ,1049 15,1709 3,8073 2,0000 65,0000 ,0273

Model
coeff se t p LLCI ULCI
constant 22,9446 1,5031 15,2646 ,0000 19,9426 25,9466
Money_su -,0005 ,0005 -,9874 ,3271 -,0016 ,0006
Alter ,0860 ,0315 2,7317 ,0081 ,0231 ,1489

************** TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y **************

Total effect of X on Y
Effect se t p LLCI ULCI c_ps c_cs
-,0005 ,0005 -,9874 ,3271 -,0016 ,0006 -,0001 -,1188

Direct effect of X on Y
Effect se t p LLCI ULCI c'_ps c'_cs
-,0005 ,0006 -,9731 ,3342 -,0016 ,0006 -,0001 -,1185

Indirect effect(s) of X on Y:
Effect BootSE BootLLCI BootULCI
EES_Scor ,0000 ,0001 -,0002 ,0002



*********************** ANALYSIS NOTES AND ERRORS ************************

Level of confidence for all confidence intervals in output:
95,0000

Number of bootstrap samples for percentile bootstrap confidence intervals:
10000

NOTE: Variables names longer than eight characters can produce incorrect output.
Shorter variable names are recommended.

------ END MATRIX -----

[PonderStibbons]

Die Altersspannweite in meinem Sample ist allerdings ziemlich breit. Deshalb würde ich gerne das Alter als Kovariate mit einschließen.

Die Begründung verstehe ich nicht. Oder ist Alter mit Y UND mit X bzw. M assoziiert?

Aber was kann ich dann genau aus den total effect (Effekt = -.0005), direct effect (Effekt= -.0005) und indirect models schließen ?
Hier sind ja die Ergebnisse dann wieder nicht signifikant oder? Hat also das Alter schlussendlich doch keinen Einfluss auf die anderen VAriablen?

Ist das nicht das Ergebnis für das Mediationsmodell nach/bei Kontrolle der Variable "Alter"?

Mit freundlichen Grüßen

PonderStibbons

[Pokrivka]

Hallo PonderStibbons,

Vielen herzlichen Dank für deine Antwort!

Zu deiner ersten Anmerkung: Ja, Ich habe mir gedacht, dass womöglich das Alter mit X und/oder Y assoziiert sein könnte. Alle anderen Studien, die nämlich dieses Thema behandeln, kommen zu signifikanten Ergebnissen- also dass die Entscheidungsfähigkeit von Leuten (X) einen signifikanten Einfluss auf deren BMI (Y) hat.
Deshalb verstehe ich nicht wirklich, wieso meine Ergebnisse nicht signifikant sind. Ich habe mir überlegt, was in meiner Studie anders ist und habe festgestellt, dass die Altersspannweite sehr viel breiter ist.
Das ist im Prinzip die Begründung, warum ich das Alter als Kovariate mit eingeschlossen habe.


Zu deiner zweiten Anmerkung: Ja, das habe ich mir auch gedacht. Wieso ist dann aber zum Beispiel dort, wo Outcome Variable BMI steht, in der Zeile mit dem Alter folgendes zu finden:
Alter ,0863 ,0326 2,6453 ,0103 ,0211 ,1514

Der vierte Wert beschreibt den p-Wert und der erste den Koeffizienten. Laut dieser Zeile hat ja dann das Alter einen signifikanten EInfluss auf den BMI (p < 0.05).
Oder unterliege ich irgendwo einem Denkfehler?

Vielen Dank für jegliche weitere Hilfe?

LG

[PonderStibbons]

Zu deiner ersten Anmerkung: Ja, Ich habe mir gedacht, dass womöglich das Alter mit X und/oder Y assoziiert sein könnte.

Das lässt sich doch in Windeseile bei Deinem Datensatz überprüfen.

Alle anderen Studien, die nämlich dieses Thema behandeln, kommen zu signifikanten Ergebnissen- also dass die Entscheidungsfähigkeit von Leuten (X) einen signifikanten Einfluss auf deren BMI (Y) hat.
Deshalb verstehe ich nicht wirklich, wieso meine Ergebnisse nicht signifikant sind.

Der Großteil der mittel Signifikanztest generierten Studienergebnisse in der Psychologie ist nicht replizierbar, wie es scheint.

Zu deiner zweiten Anmerkung: Ja, das habe ich mir auch gedacht. Wieso ist dann aber zum Beispiel dort, wo Outcome Variable BMI steht, in der Zeile mit dem Alter folgendes zu finden:
Alter ,0863 ,0326 2,6453 ,0103 ,0211 ,1514

Der vierte Wert beschreibt den p-Wert und der erste den Koeffizienten. Laut dieser Zeile hat ja dann das Alter einen signifikanten EInfluss auf den BMI (p < 0.05).
Oder unterliege ich irgendwo einem Denkfehler?

Alter interessiert Dich als Prädiktor doch gar nicht, sondern nur als potenzielle Störvariable, dachte ich. Allerdings ist für mich die Begründung der Hereinnahme noch immer nicht recht nachvollziehbar.

LG

wtf

Mit freundlichen Grüßen

PonderStibbons

[Pokrivka]

Das lässt sich doch in Windeseile bei Deinem Datensatz überprüfen.

Stimmt natürlich. Mache ich dann sofort.

Alter interessiert Dich als Prädiktor doch gar nicht, sondern nur als potenzielle Störvariable, dachte ich.

Da hast du natürlich auch wieder Recht. Mich interessiert Alter nur als Störvariable. Ich dachte aber, es würde irgendwas für die Annahme als Störvariable bedeuten, wenn Alter als Prädiktor einen signifikanten Einfluss hat?!
Also kann ich diesen Teil einfach ignorieren und nur die bereinigten Ergebnisse interpretieren?

Allerdings ist für mich die Begründung der Hereinnahme noch immer nicht recht nachvollziehbar.

Warum genau verstehst du meine Begürndung nicht? Vielleicht hab' ich ja auch einfach nur einen Denkfehler?

Achja und "lg" steht als Abkürzung für "liebe Grüße". Anscheinend verwendet man diese Abkürzung doch nur in Österreich

[PonderStibbons]

Mich interessiert Alter nur als Störvariable. Ich dachte aber, es würde irgendwas für die Annahme als Störvariable bedeuten, wenn Alter als Prädiktor einen signifikanten Einfluss hat?!
Also kann ich diesen Teil einfach ignorieren und nur die bereinigten Ergebnisse interpretieren?

Wenn z.B. das mittlere Alter Deiner Stichprobe sehr von denen anderer Untersuchungen abweicht und Alter zugleich einen Effekt hat, dann wäre das relevant. Ansonsten aber scheint mir, dass Alter keine Rolle in theoretischen Deinem Modell spielt.

Achja und "lg" steht als Abkürzung für "liebe Grüße". Anscheinend verwendet man diese Abkürzung doch nur in Österreich

Wieso grüßt man wildfremde Leute "lieb"? Wenn aber schon "lieb", warum ist es dann nicht der Mühe wert, es vollständig auszuschreiben? (rhetorische Fragen).

Mit freundlichen Grüßen

PonderStibbons