So, nachdem mir so nett unterstellt wurde, dass ich nicht mal die einfachen Korrelationskoeffizienten interpretieren kann
Das wollte ich nicht unterstellen. Ich wollte nur anmerken, dass ich die Vorgehensweise eine Interaktion in einem nicht zu interpretierenden Modell zu schätzen, um anschließend eine Interpretation von (bivariaten) Korrelationen darzulegen, nicht als Kompetenzsignal auffassen würde.
Das Problem ist, dass bei einer Kodierung mit 0 und 1 eines dichotomen Prädiktors dieser Prädiktor mit dem Interaktionsterm korreliert.
Das ist per se erstmal kein Problem. Zudem werden sich die Korrelationen des dichotomen Prädikators mit der Interaktion unabhänging von der Codierung der beiden Werte kaum unterscheiden.
An der Stelle reicht es nicht, eine z-Standardisierung zu machen, um das zu beheben (Die ist aber trotzdem angebracht).
Eine z-Standardisierung löst das angebliche "Problem" nie (vgl. Echambadi and Hess, 2007, Shieh, 2011). Die t-Werte des Interaktionsterms sind mit oder ohne z-Standardisierung (und im übrigen auch mit 0/1 oder -1/1 Codierung) identisch. Wieso sollte die z-Standardiseirung angebracht sein?
Wenn man dann allerdings eine einfache Regression innerhalb dieser Gruppe rechnet, unterscheiden sich die t-Werte und Signifikanzniveaus gegenüber denen aus der moderierten Regression, weil dort die Varianz auf die einzelnen Prädiktoren und den Interaktionsterm aufgeteilt ist.
Diese Unterschiede gehen m.E. eher auf die verringerte Fallzahl und damit einhergehenden höheren Standradfehlern in den getrennten Modellen zurück.
Und dann bleibt nichts anderes übrig, als zur Interpretation der Koeffizienten für die Versuchsgruppe einfache Regressionen innerhalb der Gruppe zu rechnen. Um zu schauen, ob die Interaktion die vorhergesagte Richtung hat, schaut man sich eben auch die einfachen Regressionen an.
Scheint mir exterm umständlich, insbesondere, weil ich mir sehr unschlüssig bin, ob es überhaupt ein Problem gibt, wenn man es anders macht. Kann ich das irgendwo formal nachlesen?
Und den Haupteffekt der anderen Variablen kann man aber scheinbar interpretieren.
Das hatte ich an anderer Stelle gelesen. Aber wenn ich mir das so anschaue, kann man auch den glaub ich nicht direkt interpretieren. Jedenfalls geben das meine Werte nicht her.
Naja, den konditionalen Haupteffekt der Bedingung lässt sich interpretieren, wenn man ihn mit 2 multipliziert. Auch das scheint mir eher umständlich. Der konditionale Effekt des kontinuierlichen Prädikators lässt sich m.E. gar nicht interpretieren.
Um das nochmal klarzustellen, es geht mir hier nicht darum, dass Du Dich rechtfertigen sollst, ich versuche nur zu helfen.
Echambadi, Raj, Hess, James, D. (2007). Mean-Centering Does Not Alleviate Collinearity Problems in Moderated Multiple Regression Models. Marketing Science, 26(3), 438-445.
Shieh, Gwowen (2011). Clearifying the role of mean centering in multicollinearity of interaction effects. British Journal of Mathematical and Statistical Psychology, 64(3), 462–477.
