Moderation
In diesem Beitrag
Was versteht man unter Moderation?
Von Moderation spricht man in der Statistik, wenn der Zusammenhang zwischen einer unabhängigen Variable (Prädiktor) und einer abhängigen Variable (Kriterium) durch eine dritte Variable – den sogenannten Moderator – beeinflusst wird. Der Moderator verändert also die Stärke oder sogar die Richtung dieses Zusammenhangs, je nachdem, welchen Wert er annimmt.
Formal wird Moderation über einen Interaktionsterm im Regressionsmodell abgebildet. Das zugrundeliegende Modell lautet:
Moderationsmodell
Dabei steht Y für die abhängige Variable, X für den Prädiktor, M für den Moderator und X · M für den Interaktionsterm. Der Koeffizient b₃ ist entscheidend: Ist er signifikant, liegt eine Moderation vor – der Effekt von X auf Y hängt vom Wert von M ab.
Wichtig: Der Moderator muss zeitlich unabhängig vom Prädiktor sein und darf selbst nicht durch den Prädiktor verursacht werden. Außerdem sollten Prädiktor und Moderator vor der Berechnung des Interaktionsterms zentriert werden (d. h. vom jeweiligen Mittelwert subtrahiert), um Multikollinearität zu reduzieren.
Warum ist Moderation für statistische Analysen wichtig?
Moderation hilft dabei, die Realität differenzierter zu beschreiben. Viele Zusammenhänge in der Forschung sind nicht für alle Gruppen oder Bedingungen gleich stark – Moderation macht diese Unterschiede sichtbar und messbar. Dadurch lassen sich „Für wen?“– oder „Unter welchen Bedingungen?“-Fragen empirisch beantworten.
In der Praxis ist Moderation besonders relevant in der Psychologie, Sozialwissenschaft, Medizin und Wirtschaftsforschung. Typische Moderatoren sind Merkmale wie Geschlecht, Alter, Persönlichkeitseigenschaften oder Kontextbedingungen.
Praxisbeispiel zu Moderation
Eine Forscherin untersucht, ob Stress (X) die Arbeitszufriedenheit (Y) beeinflusst, und ob dabei soziale Unterstützung (M) als Moderator wirkt.
Sie erhebt Daten von 200 Beschäftigten und berechnet eine Regressionsanalyse mit Interaktionsterm. Die Ergebnisse sehen vereinfacht so aus:
| Prädiktor | Koeffizient (b) | p-Wert |
|---|---|---|
| Stress (X) | −0.42 | .001 |
| Soziale Unterstützung (M) | 0.31 | .008 |
| Stress × Unterstützung (X · M) | 0.28 | .015 |
Der Interaktionsterm (b = 0.28, p = .015) ist signifikant – Moderation liegt vor. Die Interpretation: Bei hoher sozialer Unterstützung ist der negative Effekt von Stress auf die Arbeitszufriedenheit deutlich schwächer als bei niedriger sozialer Unterstützung. Soziale Unterstützung puffert also den Stresseffekt ab.
Um dieses Ergebnis zu veranschaulichen, werden in der Praxis häufig Simple-Slopes-Grafiken erstellt, die den Effekt von Stress auf Zufriedenheit separat für verschiedene Moderatorstufen zeigen.
