Johnson-Neyman-Technik
In diesem Beitrag
Was versteht man unter der Johnson-Neyman-Technik?
Die Johnson-Neyman-Technik ist ein statistisches Verfahren zur Analyse von Moderationseffekten. Sie wird eingesetzt, wenn man untersuchen möchte, unter welchen Bedingungen – genauer: bei welchen Werten einer Moderatorvariablen – der Effekt einer unabhängigen Variable auf eine abhängige Variable statistisch signifikant ist.
Formal betrachtet geht es um ein Regressionsmodell mit einem Interaktionsterm. Der Effekt der unabhängigen Variable X auf die abhängige Variable Y hängt dabei vom Wert des Moderators M ab. Die bedingte Steigung lässt sich schreiben als:
Bedingte Steigung (Conditional Slope)
Die Johnson-Neyman-Technik berechnet nun die genauen Grenzen des Moderators M – die sogenannten Johnson-Neyman-Punkte – bei denen der bedingte Effekt gerade noch statistisch signifikant ist (d. h. wo der p-Wert gleich dem gewählten Signifikanzniveau α ist). Innerhalb dieser Grenzen ist der Effekt signifikant, außerhalb nicht – oder umgekehrt.
Warum ist die Johnson-Neyman-Technik für statistische Analysen wichtig?
Der klassische Weg, Moderationseffekte zu untersuchen, ist die sogenannte Pick-a-Point-Methode (auch Simple Slopes Analysis). Dabei wählt man vorab bestimmte Werte des Moderators – typischerweise den Mittelwert sowie einen Wert eine Standardabweichung darunter und darüber – und prüft dort den Effekt. Das klingt pragmatisch, hat aber einen entscheidenden Nachteil: Die Auswahl dieser Punkte ist willkürlich. Man könnte zufällig genau die Werte wählen, bei denen der Effekt signifikant ist, und die kritischen Grenzen völlig übersehen.
Die Johnson-Neyman-Technik umgeht dieses Problem, indem sie datengesteuert die exakten Übergangspunkte berechnet. Sie wird deshalb auch als Floodlight Analysis bezeichnet, weil sie das gesamte Spektrum des Moderators „ausleuchtet“ statt nur einzelne Punkte zu betrachten.
Besonders wertvoll ist die Methode bei kontinuierlichen Moderatoren, also wenn M eine metrische Variable ist – wie Alter, Einkommen oder ein psychologischer Skalenwert. Sie ist dann dem Pick-a-Point-Ansatz klar überlegen.
Praxisbeispiel zur Johnson-Neyman-Technik
Eine Forscherin untersucht, ob Trainingsintensität (X) die Muskelkraftzunahme (Y) beeinflusst und ob dieses Verhältnis durch das Ausgangsalter der Teilnehmenden (M) moderiert wird. Die Stichprobe umfasst Personen im Alter von 20 bis 70 Jahren.
Eine einfache Moderationsanalyse zeigt: Es gibt einen signifikanten Interaktionsterm (X × M). Aber was bedeutet das konkret für verschiedene Altersgruppen?
Die Pick-a-Point-Methode würde nun Effekte bei 20, 45 und 70 Jahren prüfen – also an drei willkürlich gewählten Stellen. Die Johnson-Neyman-Technik liefert stattdessen das vollständige Bild:
| Altersbereich (M) | Bedingter Effekt von X auf Y | Statistisch signifikant? |
|---|---|---|
| 20 bis 34 Jahre | positiv, stark | Ja (p < .05) |
| 35 bis 34 Jahre (JN-Grenze) | positiv, schwächer werdend | Übergang |
| 35 bis 70 Jahre | positiv, aber gering | Nein (p > .05) |
Das Ergebnis lässt sich präzise formulieren: „Der positive Effekt von Trainingsintensität auf Muskelkraftzunahme ist statistisch signifikant für Personen unter 35 Jahren. Ab einem Alter von 35 Jahren ist dieser Effekt nicht mehr signifikant nachweisbar.“ Diese Aussage ist deutlich informativer als das bloße Vorliegen eines Interaktionseffekts – und direkt handlungsrelevant, etwa für die Gestaltung von Trainingsprogrammen.
