Mediator II: Bootstrapping und SPSS / PROCESS (Model 4)

[@emzor4530]

Vielen Dank für dieses super verständliche Video und die praktischen Interpretationshilfen! Sie haben mir meine Masterthesis um ein großes Stück erleichtert! :)

[@Cassiopeia1406]

Ihre Videos sind sehr gut verständlich und unglaublich hilfreich. Ich möchte mich dafür bedanken und kann es nur weiterempfehlen.

[@maileni96]

Hallo, ich frage mich gerade ob ich vor der Berechnung einer Mediation meine Variablen z-standardisieren muss wenn diese nicht auf denselben Likertskalen gemessen wurden?

[@RegorzStatistik]

M.E. nicht unbedingt. Sie können sich ja die standardisierten Ergebnisse ausgeben lassen, wenn Sie möchten.

[@maileni96]

@@RegorzStatistik Danke für die Rückmeldung! Mir ist es leider noch nicht ganz klar: Dürfte ich in denn auch die unstandardisierten Regressionskoeffizienten berichten oder ist dies nicht aussagekräftig bei unterschiedlichen Likertskalen? Also sollte ich die standardisierten Koeffizienten berichten, wenn meine Variablen mal auf 5- mal auf 7- Punkt Likertskalen gemessen wurden?

[@RegorzStatistik]

@@maileni96 Dazu gibt es in der Literatur (und damit auch bei Prüfern) sehr unterschiedliche Ansichten, so dass ich Ihnen da keine eindeutige Aussage geben kann. Ich glaube mich zu erinnern, dass Hayes in der Regel eher zu unstandardisierten Gewichten neigt. Für den Signifikanztest ist es nicht relevant, ob Sie standardisieren oder nicht. Nur für den Vergleich verschiedener Regressionskoeffizienten kann das relevant sein, aber vergleichen tut man im Rahmen einer Mediatioranalyse normalerweise nicht.

[@maileni96]

@@RegorzStatistik Vielen herzlichen Dank!

[@filovalen2421]

Vielen Dank für das super hilfreiche Video! Eine Frage:Was macht man bei einer Stichprobengröße die kleiner= 50 ist? Liebe Grüße

[@RegorzStatistik]

Für diese Situation kenne ich leider keine wirkliche Lösung.

[@jurekbarth]

Das Video hat mir sehr weitergeholfen. Ich hätte dazu noch eine Frage. Ich habe eine Frage zur Interpretation des Outputs: Wenn ich eine Mediation mithilfe des Bootstrapping-Verfahrens durchführe (da NV verletzt u.a.), darf ich dann streng genommen die p-Werte bzw. t-Werte interpretieren bzw. aufführen? Oder beziehe ich mich in meiner Ergebnisdarstellung und Tabellen lediglich auf die Boot-CI und kann dabei nicht differenzieren auf welchem Niveau das Ergebnis signifikant ist? (Beim indirekten Effekt wird dieser ja sowieso über Boot-CIs angegeben, aber ich meine hier v.a. UV-->Med. /Med.-->AV) Und: wie ich sehe wird der direkte und totale Effekt nicht mit Boot-CI angegeben, kann das sein?

[@RegorzStatistik]

Ob man p-Werte und t-Werte angibt, hängt m.E. davon ab, warum man Bootstrapping einsetzt. Wenn man es nur zur zusätzlichen Absicherung macht, würde ich trotzdem p-Werte etc. angeben. Wenn man es aber macht, weil die NV-Voraussetzung verletzt ist, dann ist es aus meiner Sicht nicht sinnvoll, die dann ja potentiell falschen p-Werte anzugeben. Wenn man Bootstrapping anfordert, scheint man tatsächlich für den totalen Effekt kein BootCI zu bekommen - da kann man dann einfach mit SPSS eine einfache Regression (UV und AV) durchführen und über die Bootstrapping-Option ein entsprechendes CI anfordern. Für den direkten Effekt wird tatsächlich ein BootCi angegeben, aber an anderer Stelle. Der direkte Effekt ist ja der Effekt von UV auf AV bei gleichzeitigem Einschluss von MED - und den findet man dann ganz unten bei den Bootstrap-Ergebnissen für die Regressionsparameter.

[@mawe6928]

Erst einmal vielen Dank für dieses tolle und hoch informative Video und die beigefügten Materialien! Diese helfen wirklich sehr. Bei mir ist nun allerdings eine Frage aufgekommen, nachdem ich mich weiter eingelesen habe: Bei bootstrapping scheint es verschiedene Möglichkeiten von CIs zu geben (z.B. percentile, bias-corrected, bias-corrected and accelerated). Wissen Sie, welche von diesen die Default Option bei PROCESS ist und, ob diese im Zweifel angepasst werden kann? Vielen Dank im voraus!

[@RegorzStatistik]

Das Video ist ja schon etwas älter. Ich glaube mich zu erinnern, dass in der aktuellen PROCESS-Version die Default-Option percentile Bootstrap ist (wird unten in den Anmerkungen zum PROCESS-Output angegeben), dass man aber auf BCA (bei SPSS) oder BC (bei R) umschalten kann, wenn man PROCESS per Syntax aufruft. Aber ganz sicher bin ich mir nicht, genaues kann vermutlich nur die aktuelle Buchversion von Hayes' Buch beantworten.

[@mawe6928]

@@RegorzStatistik vielen Dank für die schnelle und sehr hilfreiche Antwort!

[@aldoraine7848]

Vielen Dank für das tolle Video! Wie würde man die statistischen Hypothesen bzgl. der Mediation formulieren? Also meine Hypothese lautet: C mediiert den Zusammenhang zwischen A und B. -> wie formuliere ich das statistisch, wenn ich es mit dieser Methode berechnen will?

[@RegorzStatistik]

Ich würde vermutlich die Hypothese nicht anders formulieren. Aber wenn man es genau nimmt, könnte man notfalls stattdessen schreiben: Es gibt einen indirekten Effekt von A über C auf B.

[@aldoraine7848]

​@@RegorzStatistik Danke für die schnelle Antwort! Aber wie formuliert man die Hypothese statistisch? Also ich habe zwei Hypothesen: 1.: A hängt mit B zusammen. 2.: C mediiert den Zusammenhang --> Wie formuliert man Hypothese 2 statistisch? Ich habe Hypothese 1 statistisch so formuliert: H0: β = 0 H1: β < 0

[@RegorzStatistik]

@@aldoraine7848Ah, das meinen Sie. Die Standardantwort wäre: Gar nicht (denn eine solche "statistische" Formulierung sieht man in der Forschungspraxis, z.B. in Journals, nur sehr, sehr selten). Aber wenn das von Ihnen gefordert wird, was manche Unis/Prüfer gerne sehen, dann wäre m.E. die Hypothese: H0: βa x βb = 0 (mit den Buchstaben als Subskript), usw.

[@aldoraine7848]

@@RegorzStatistik Dankeschön! Wird an meiner Uni tatsächlich leider verlangt.

[@Mybeautyyyy]

Hallo, gibt es eine gute quelle, die sich auf den partiell standardisierten Effekt zur Angabe der Effektstärke bezieht? Ich finde leider nichts, würde die Nutzung dieser Effektstärke aber gerne in meiner Arbeit begründen..

[@Mybeautyyyy]

Ich habe eben gelesen, dass Sie hier auf Baltes-Götz, 2017 verweisen, dann würde ich den hierfür zitieren! Oder hätten Sie sonst noch eine andere Empfehlung?

[@RegorzStatistik]

@@Mybeautyyyy Im Zweifel könnten Sie noch im Buch von Hayes nachlesen - der geht vermutlich auch irgendwo darauf ein.

[@m.k.1391]

Vielen Dank für das hilfreiche Video! Auch die Erklärungen und Übungen auf Ihrer Internetseite sind sehr hilfreich! Ich hätte 2 Fragen, auf die ich bei meiner Recherche momentan noch keine zufriedenstellende Antwort gefunden habe: Bei einer statistischen Mediatoranalyse mit Process, welche Voraussetzungen müssen dabei für die Daten gegeben sein? Normalverteilt müssen sie ja schonmal nicht sein, aber gibt es bis auf die Stichprobenzahl von N>=50 noch andere Voraussetzungen und wenn ja, wie werden diese geprüft? Meine 2. Frage bezieht sich auf die Ergebnisdarstellung: hier wird immer nur auf die Effekte eingegangen, aber was sagt mir in dem Fall denn das R Quadrat? Auf Ihrer Webseite berichten Sie b =, woher kommt dieser Regressionskoeffizient und was hat er mit dem Effekt zu tun? Eine Antwort würde mir sehr weiterhelfen!

[@RegorzStatistik]

Vielen Dank für Ihr Feedback! zu 1.: Auch eine Mediatoranalyse mit Process basiert auf einer multiplen Regression. Außer den Voraussetzungen Normalverteilung und Homoskedastizität der Residuen, die wegen Bootstrapping nicht nötig sind, müssen alle andere Voraussetzungen der multiplen Regression gegeben sein. Praktisch relevant ist aus meiner Sicht hier primär die Linearitätsannahme - zwischen X und Y, X und M, M und Y muss jeweils ein linerarer Zusammenhang gegeben sein (und kein quadratischer, exponentieller usw.) Prüfen kann man das z.B. mit drei Streudiagrammen (X-Y, X-M, M-Y). Unabhängigkeit der Beobachtungen ergibt sich aus der Art der Stichprobenziehung. Und bei der Bedingung Abwesenheit von starker Multikollinearität bin ich mir nicht sicher, ob ich die wirklich gesondert prüfen würde - zu starke Multikollinearität würde sich m.E. in zu breiten Konfidenzintervallen zeigen. zu 2. Mit b ist der unstandardisierte Koeffizient für den indirekten Pfad aus der multiplen Regression gemeint, er wird in Process im Output als "coeff" bezeichnet. Wenn man diesen standardisiert, bekommt man einen standardisierten Pfadkoeffizient, der als Effektstärkenmaß geeignet ist. Das R-Quadrat der drei Regressionsmodelle ist das ganz normale R-Quadrat der multiplen Regression. Zu "R-sq-med" hingegen siehe Baltes-Götz (link ist unter "Quellen" auf der Internetseite des Tutorials), er sieht diese Größe jedoch äußerst kritisch.

[@m.k.1391]

Vielen Dank für die schnelle und wieder sehr hilfreiche Antwort!