Mediation
In diesem Beitrag
Was versteht man unter Mediation?
Eine Mediation liegt vor, wenn der Einfluss einer unabhängigen Variable (X) auf eine abhängige Variable (Y) ganz oder teilweise über eine dritte Variable verläuft – den sogenannten Mediator (M). Man spricht dann von einem indirekten Effekt: X beeinflusst M, und M beeinflusst wiederum Y.
Das Grundmodell lässt sich in drei Pfade aufteilen:
- Pfad a: Effekt von X auf den Mediator M
- Pfad b: Effekt des Mediators M auf Y (unter Kontrolle von X)
- Direkter Effekt (c‘): Verbleibender Effekt von X auf Y, nachdem M berücksichtigt wurde
Der indirekte Effekt ergibt sich aus dem Produkt der Pfade a und b:
Indirekter Effekt
Der totale Effekt (c) von X auf Y setzt sich zusammen aus dem direkten und dem indirekten Effekt:
Totaler Effekt
Je nachdem, wie groß der direkte Effekt nach Einschluss des Mediators noch ist, unterscheidet man zwischen vollständiger Mediation (direkter Effekt wird null oder nicht mehr signifikant) und partieller Mediation (direkter Effekt bleibt bestehen, wird aber kleiner).
Warum ist Mediation für statistische Analysen wichtig?
Eine Mediationsanalyse geht über die einfache Frage „Gibt es einen Zusammenhang?“ hinaus. Sie fragt: Wie kommt dieser Zusammenhang zustande? Das macht sie besonders wertvoll, wenn du Mechanismen und Prozesse verstehen oder erklären möchtest – etwa in der Psychologie, den Sozialwissenschaften oder der Medizin.
In der Praxis wird die Mediation häufig mit der Bootstrap-Methode getestet, da diese keine Normalverteilung des indirekten Effekts voraussetzt. Dafür werden Konfidenzintervalle für den indirekten Effekt (a × b) berechnet. Schließt das Konfidenzintervall die Null nicht ein, gilt der indirekte Effekt als statistisch signifikant. Gängige Software-Lösungen sind das PROCESS-Makro (Andrew Hayes) für SPSS und R oder das Paket mediation in R.
Praxisbeispiel zu Mediation
Eine Forscherin untersucht, ob Arbeitsbelastung (X) die Arbeitszufriedenheit (Y) beeinflusst. Sie vermutet, dass dieser Zusammenhang über emotionale Erschöpfung (M) vermittelt wird.
| Pfad | Beschreibung | Koeffizient (β) | Signifikanz |
|---|---|---|---|
| a | Arbeitsbelastung → Erschöpfung | 0.52 | p < .001 |
| b | Erschöpfung → Arbeitszufriedenheit | −0.41 | p < .001 |
| c‘ | Direkter Effekt (Belastung → Zufriedenheit) | −0.09 | p = .21 |
| a × b | Indirekter Effekt | −0.21 | 95%-KI [−0.31, −0.12] |
Der indirekte Effekt (a × b = 0.52 × −0.41 = −0.21) ist signifikant, da das Bootstrap-Konfidenzintervall die Null nicht einschließt. Der direkte Effekt (c‘) ist hingegen nicht mehr signifikant. Das deutet auf eine vollständige Mediation hin: Arbeitsbelastung senkt die Arbeitszufriedenheit vor allem deshalb, weil sie emotionale Erschöpfung erhöht.
