PROCESS-Makro
In diesem Beitrag
Was versteht man unter dem PROCESS-Makro?
Das PROCESS-Makro ist ein frei verfügbares Erweiterungswerkzeug für SPSS und SAS, das von Andrew F. Hayes entwickelt wurde und auch als R-Paket verfügbar ist. Es ermöglicht die Schätzung von Mediations-, Moderations- und konditionalen Prozessmodellen (auch bekannt als Moderierte Mediation oder Mediierte Moderation) über eine einheitliche, benutzerfreundliche Oberfläche.
Das Makro basiert auf der Methode der OLS-Regression (Ordinary Least Squares) und nutzt für die Schätzung indirekter Effekte das sogenannte Bootstrap-Verfahren. Dabei werden aus den vorhandenen Daten wiederholt Zufallsstichproben gezogen (typischerweise 5.000 oder 10.000 Wiederholungen), um Konfidenzintervalle für indirekte Effekte zu berechnen – also für Effekte, die über eine dritte Variable (den Mediator) verlaufen.
Das PROCESS-Makro umfasst eine Bibliothek von über 90 vordefinierten Modellnummern, die verschiedene Konstellationen von Mediatoren und Moderatoren abbilden. Modell 4 beispielsweise beschreibt eine einfache Mediation (X → M → Y), Modell 1 eine einfache Moderation (X · W → Y).
Warum ist das PROCESS-Makro für statistische Analysen wichtig?
In vielen Forschungsfeldern – von der Psychologie über die Betriebswirtschaft bis zur Sozialwissenschaft – interessiert man sich nicht nur dafür, ob eine Variable eine andere beeinflusst, sondern wie und unter welchen Bedingungen dieser Einfluss stattfindet. Klassische Regressionsanalysen stoßen dabei schnell an ihre Grenzen. Das PROCESS-Makro schließt diese Lücke.
Besonders wichtig ist das Bootstrap-Verfahren für die Schätzung indirekter Effekte. Traditionelle Methoden (z. B. der Sobel-Test) setzen eine Normalverteilung des indirekten Effekts voraus – eine Annahme, die in der Praxis oft nicht erfüllt ist. Das Bootstrap-Konfidenzintervall ist robuster und gilt heute als Standardmethode in der empirischen Forschung.
Ein häufiger Fehler ist die Verwechslung von Mediation und Kausalität: Das PROCESS-Makro kann statistische Muster in Daten aufdecken, aber keine Kausalität beweisen. Kausalaussagen erfordern ein geeignetes Studiendesign (z. B. Experiment oder Längsschnittstudie).
Praxisbeispiel zum PROCESS-Makro
Eine Psychologiestudentin untersucht in ihrer Bachelorarbeit, ob soziale Unterstützung (X) das Wohlbefinden (Y) beeinflusst und ob dieser Zusammenhang über das Selbstwertgefühl (M) vermittelt wird. Sie vermutet also eine Mediation: Soziale Unterstützung → Selbstwertgefühl → Wohlbefinden.
Sie wählt in SPSS das PROCESS-Makro Modell 4 (einfache Mediation), gibt X, M und Y ein und lässt 5.000 Bootstrap-Stichproben berechnen.
| Pfad | Koeffizient b | 95 %-KI (Bootstrap) | Interpretation |
|---|---|---|---|
| X → M (a-Pfad) | 0.42 | [0.28, 0.56] | Unterstützung erhöht Selbstwert |
| M → Y (b-Pfad) | 0.35 | [0.19, 0.51] | Selbstwert erhöht Wohlbefinden |
| Indirekter Effekt (a·b) | 0.15 | [0.07, 0.25] | Signifikante Mediation (KI enthält keine 0) |
| Direkter Effekt (c‘) | 0.09 | [−0.04, 0.22] | Nicht signifikant (KI enthält 0) |
Da das Konfidenzintervall des indirekten Effekts die Null nicht einschließt, kann die Studentin schlussfolgern, dass Selbstwertgefühl den Effekt sozialer Unterstützung auf das Wohlbefinden vollständig mediiert – der direkte Effekt ist nicht mehr bedeutsam, sobald der Mediator im Modell berücksichtigt wird.
