Wie führt man eine Mediationsanalyse in der Psychologie durch?
In diesem Beitrag
Was ist eine Mediationsanalyse?
Eine Mediationsanalyse untersucht, warum oder über welchen Mechanismus eine unabhängige Variable (X) eine abhängige Variable (Y) beeinflusst. Zwischen X und Y steht dabei eine dritte Variable – der Mediator (M) –, der den Effekt inhaltlich vermittelt.
Ein klassisches Beispiel aus der Psychologie: Soziale Unterstützung (X) verbessert das psychische Wohlbefinden (Y). Der Mechanismus dahinter könnte die Reduktion von wahrgenommenem Stress (M) sein. Ohne Mediationsanalyse wissen Sie nur, dass ein Effekt existiert – mit ihr verstehen Sie, wie er zustande kommt.
In der psychologischen Forschung entspricht der Mediator häufig einem angenommenen internen Prozess: einem kognitiven Bewertungsmuster, einer Emotion oder einem Verhaltensmechanismus. Mediationsmodelle bilden damit oft die klassische Stimulus-Organismus-Reaktions-Logik psychologischer Theorien statistisch ab.
Das statistische Grundmodell: Pfade und Effekte
Das Standardmodell der Mediation besteht aus drei Variablen und mehreren Pfaden, die Sie kennen müssen, bevor Sie mit der Auswertung beginnen.
Die drei Variablen
- X – die unabhängige Variable (Prädiktor)
- M – der Mediator (vermittelnde Variable)
- Y – die abhängige Variable (Outcome)
Die zentralen Pfade
| Pfad | Bezeichnung | Bedeutung |
|---|---|---|
| a | X → M | Effekt des Prädiktors auf den Mediator |
| b | M → Y (kontrolliert für X) | Effekt des Mediators auf das Outcome |
| c‘ | X → Y (kontrolliert für M) | Direkter Effekt von X auf Y |
| c | X → Y (ohne M) | Totaler Effekt (Gesamteffekt) |
| a × b | – | Indirekter Effekt (Mediationseffekt) |
Der indirekte Effekt ist das Herzstück der Mediationsanalyse. Er ergibt sich aus dem Produkt der Pfade a und b und gibt an, wie viel des Gesamteffekts von X auf Y über den Mediator M läuft.
Indirekter Effekt
Vollständige vs. partielle Mediation
Von vollständiger Mediation spricht man, wenn der direkte Effekt c‘ nach Aufnahme des Mediators nicht mehr signifikant ist. Von partieller Mediation, wenn c‘ signifikant bleibt, aber kleiner wird. In der neueren Methodenliteratur wird weniger auf diese Dichotomie gesetzt und stattdessen die Größe des indirekten Effekts und sein Konfidenzintervall in den Vordergrund gestellt.
Voraussetzungen und Design
Bevor Sie die Mediationsanalyse durchführen, sollten Sie einige grundlegende Anforderungen prüfen. Das klingt nach viel Vorarbeit – ist aber entscheidend für die Aussagekraft Ihrer Ergebnisse.
Theoretische Fundierung
Eine Mediationsanalyse ist kein explorativer Suchlauf, bei dem Sie einfach eine dritte Variable ausprobieren. Die Rolle des Mediators muss theoretisch begründet sein: Warum sollte X über M auf Y wirken? Welcher Mechanismus ist das? Die Begründung der Mediatorrolle, die Richtung der Pfade und die analytischen Entscheidungen sollten transparent dokumentiert werden – das erwarten Gutachterinnen und Gutachter in psychologischen Abschlussarbeiten.
Zeitliche Ordnung der Variablen
Kausal interpretierbar ist ein Mediationsmodell nur dann, wenn die Variablen in der richtigen zeitlichen Reihenfolge gemessen wurden: X muss M vorausgehen, M muss Y vorausgehen. Bei querschnittlichen Designs – und die sind in Abschlussarbeiten häufig – dürfen Sie Mediationsergebnisse daher nicht kausal formulieren. Sagen Sie stattdessen: „Die Befunde sind konsistent mit einem Mediationsmodell“ oder „Die Ergebnisse legen einen indirekten Pfad nahe.“
Skalenniveau und Stichprobengröße
Für das klassische Mediationsmodell mit linearer Regression sollten X, M und Y metrisch oder zumindest intervallskaliert sein. Für die optimale Stichprobengröße gibt es keine einheitliche Faustformel – sie hängt von der erwarteten Effektgröße des indirekten Effekts ab. Als grobe Orientierung gilt: Für kleine bis mittlere indirekte Effekte sind mindestens 100–200 Fälle empfehlenswert, bei Bootstrap-Verfahren oft mehr.
Umgang mit Ausreißern und fehlenden Werten
Prüfen Sie Ihren Datensatz vorab auf Ausreißer und fehlende Werte. Dokumentieren Sie, wie Sie damit umgehen – das ist Teil der Berichtsstandards für Mediationsanalysen.
Schritt-für-Schritt: Durchführung in R
Für die praktische Umsetzung hat sich in der psychologischen Forschung das R-Paket mediation etabliert. Es setzt auf einen kausalen Rahmen und bietet standardmäßig Bootstrap-Konfidenzintervalle sowie Sensitivitätsanalysen. Alternativ wird häufig das Paket lavaan für Strukturgleichungsmodelle oder die PROCESS-Makro-Lösung (für SPSS oder R) verwendet. Zur Wahl der passenden Software für Statistik im Psychologiestudium gibt es einen eigenen Überblick.
Schritt 1: Pakete laden und Daten vorbereiten
# Pakete installieren (einmalig)
install.packages("mediation")
library(mediation)
# Beispieldaten: Soziale Unterstützung → Stress → Wohlbefinden
# n = 200 Beobachtungen
set.seed(42)
n <- 200
soziale_unterstuetzung <- rnorm(n, mean = 5, sd = 1.5)
stress <- 8 - 0.6 * soziale_unterstuetzung + rnorm(n, sd = 1.2)
wohlbefinden <- 3 + 0.3 * soziale_unterstuetzung - 0.5 * stress + rnorm(n, sd = 1)
daten <- data.frame(soziale_unterstuetzung, stress, wohlbefinden)Schritt 2: Mediator-Modell und Outcome-Modell schätzen
Das Paket mediation benötigt zwei separate Regressionsmodelle: eines für den Mediator (Pfad a) und eines für das Outcome (Pfade b und c‘).
# Modell 1: Prädiktor → Mediator (Pfad a)
modell_mediator <- lm(stress ~ soziale_unterstuetzung, data = daten)
# Modell 2: Prädiktor + Mediator → Outcome (Pfade b und c')
modell_outcome <- lm(wohlbefinden ~ soziale_unterstuetzung + stress, data = daten)
summary(modell_mediator)
summary(modell_outcome)Schritt 3: Mediationsanalyse durchführen
Mit der Funktion mediate() werden die Modelle zusammengeführt und der indirekte Effekt per Bootstrap-Resampling geschätzt. Dieser Ablauf – Datenvorbereitung, Modellschätzung, Effektberechnung und Sensitivitätsanalyse – entspricht dem empfohlenen Vorgehen für kausale Mediationsanalysen.
# Mediationsanalyse mit Bootstrap (1000 Replikationen)
med_ergebnis <- mediate(
model.m = modell_mediator, # Mediator-Modell
model.y = modell_outcome, # Outcome-Modell
treat = "soziale_unterstuetzung",
mediator = "stress",
boot = TRUE,
sims = 1000
)
summary(med_ergebnis)
# Optional: Sensitivitätsanalyse
sensitivitaet <- medsens(med_ergebnis)
summary(sensitivitaet)
plot(sensitivitaet)Schritt 4: Ausgabe lesen
Die Ausgabe von summary(med_ergebnis) liefert Ihnen:
- ACME (Average Causal Mediation Effect) – der indirekte Effekt a × b
- ADE (Average Direct Effect) – der direkte Effekt c‘
- Total Effect – der Gesamteffekt c
- Prop. Mediated – der Anteil des totalen Effekts, der über den Mediator läuft
- 95-%-Konfidenzintervalle für alle Effekte
Der indirekte Effekt gilt als statistisch bedeutsam, wenn das 95-%-Konfidenzintervall die Null nicht einschließt. Das ist aussagekräftiger als ein einfacher p-Wert, weil es die Schätzunsicherheit sichtbar macht.
Ergebnisse korrekt berichten
Die Ergebnisdarstellung einer Mediationsanalyse folgt in psychologischen Arbeiten bestimmten Konventionen. Wie Sie Ergebnisse generell APA-konform in der Psychologie berichten, beeinflusst auch, wie Sie Mediationsbefunde formulieren.
Was Sie mindestens berichten sollten
Checkliste: Berichterstattung der Mediationsanalyse
- Koeffizient und Signifikanz von Pfad a (X → M)
- Koeffizient und Signifikanz von Pfad b (M → Y, kontrolliert für X)
- Direkter Effekt c‘ (X → Y, mit M im Modell) mit Signifikanz
- Totaler Effekt c (X → Y, ohne M) mit Signifikanz
- Indirekter Effekt a × b mit 95-%-Bootstrap-Konfidenzintervall
- Verwendete Software und Paket (z. B. R, Paket mediation)
- Anzahl der Bootstrap-Replikationen
- Effektstärke des indirekten Effekts (z. B. Proportion mediated)
- Hinweis auf kausale Grenzen bei Querschnittsdaten
- Umgang mit fehlenden Werten und Kovariaten
Beispielformulierung für den Ergebnisteil
Eine standardkonforme Formulierung könnte lauten:
Zur Prüfung der Mediationshypothese wurde eine Mediationsanalyse mit Bootstrap-Resampling (1.000 Iterationen) durchgeführt (R-Paket mediation). Soziale Unterstützung sagte Stress signifikant voraus (a = −0.58, p < .001). Stress sagte Wohlbefinden unter Kontrolle sozialer Unterstützung signifikant voraus (b = −0.49, p < .001). Der indirekte Effekt war statistisch bedeutsam (a × b = 0.28, 95%-KI [0.19, 0.39]). Der direkte Effekt war nach Aufnahme des Mediators nicht mehr signifikant (c‘ = 0.07, p = .31), was auf eine vollständige Mediation hindeutet. Da es sich um ein Querschnittsdesign handelt, sind kausale Schlussfolgerungen eingeschränkt.
Zur Einordnung der Effektgröße des indirekten Effekts empfiehlt sich ein Blick auf die Interpretation von Effektstärken in der psychologischen Forschung.
Häufige Fehler und wie Sie sie vermeiden
Fehler 1: Mediator mit Confounder oder Kovariate verwechseln
Ein Mediator ist keine beliebige Drittvariable. Er muss im kausalen Pfad zwischen X und Y liegen und theoretisch begründet sein. Eine Variable, die X und Y gemeinsam beeinflusst, ist ein Confounder, kein Mediator. Diese Verwechslung führt zu irreführenden Prozessinterpretationen – ein Fehler, der in Gutachten häufig beanstandet wird.
Fehler 2: Auf den Baron-Kenny-Ansatz allein verlassen
Die klassischen Baron-und-Kenny-Schritte (zuerst X → Y signifikant, dann X → M, dann M → Y) gelten heute als überholt. Das zentrale Kriterium ist der indirekte Effekt a × b mit seinem Konfidenzintervall – nicht die sequentielle Signifikanzprüfung einzelner Pfade. Verzichten Sie daher auf Formulierungen wie „Voraussetzung 1, 2, 3 erfüllt“.
Fehler 3: Kausale Sprache bei Querschnittsdaten
Formulierungen wie „Soziale Unterstützung verursacht über Stress mehr Wohlbefinden“ sind bei Querschnittsdaten nicht zulässig. Nutzen Sie stattdessen: „Die Befunde sind konsistent mit einem Mediationsmodell“ oder „der indirekte Pfad legt nahe, dass…“
Fehler 4: Keine Sensitivitätsanalyse
Gerade bei querschnittlichen Designs sollten Sie prüfen, wie robust Ihr Mediationsergebnis gegenüber unbeobachteter Konfundierung zwischen M und Y ist. Das R-Paket mediation bietet dafür medsens() – ein einfaches, aber wirkungsvolles Werkzeug, das zeigt, ab welchem Ausmaß an Konfundierung Ihr Ergebnis nicht mehr hält.
Fazit und nächste Schritte
Die Mediationsanalyse ist eines der leistungsfähigsten Werkzeuge der psychologischen Forschung, weil sie nicht nur ob, sondern wie Effekte entstehen, sichtbar macht. Gleichzeitig ist sie anspruchsvoller als viele andere Verfahren – weil sie theoretische Sorgfalt, methodisches Wissen und eine klare Ergebnisdarstellung verlangt.
Die wichtigsten Punkte zusammengefasst:
- Definieren Sie den Mediator theoretisch, bevor Sie rechnen.
- Nutzen Sie Bootstrap-Konfidenzintervalle statt des Baron-Kenny-Ansatzes.
- Berichten Sie direkte, indirekte und totale Effekte vollständig.
- Formulieren Sie bei Querschnittsdaten keine kausalen Schlüsse.
- Ergänzen Sie eine Sensitivitätsanalyse, wenn das Design es erlaubt.
Wenn Sie unsicher sind, ob Ihr Mediationsmodell inhaltlich und methodisch korrekt aufgebaut ist, oder wenn Sie Unterstützung bei der Auswertung und Ergebnisdarstellung benötigen, finden Sie bei der methodischen Begleitung für psychologische Abschlussarbeiten fachkundige Ansprechpersonen – von der Hypothesenformulierung bis zum fertigen Ergebniskapitel.
