Mediatoranalyse

Mediation: Der Effekt von X auf Y wird über Z vermittelt

Ein Mediatoreffekt liegt vor, wenn die Beziehung zwischen X und Y durch einen Mediator Z „vermittelt“ wird.

Mediation: Der Effekt von X auf Y wird über Z vermittelt

Ein Beispiel (nach Urban und Mayerl): Man nimmt an, dass Menschen mit zunehmendem Alter autoritärer werden, weil sie nach und nach mehr Verantwortung übernehmen müssen. Eine weitere Annahme lautet, dass höherer Autoritarismus mit höherer Ausländer-Ablehnung einher geht. Somit müsste höheres Alter (X) zu höherer Ausländer-Ablehnung führen (Y), vermittelt über Autoritarismus (Mediator Z).

Andererseits gelten jüngere Menschen als besonders anfällig für ausländerfeindliche Parolen (ihre Einstellungen sind weniger fest verankert, sie sind leichter beeinflussbar). Dieser Auffassung zufolge müsste (natürlich nur tendenziell) gelten: Je jünger eine Person, desto ausländer-feindlicher.

Mit der Mediator-Analyse können diese entgegengesetzten Effekte aufgeschlüsselt werden. In der Studie von Urban und Mayerl hing das Alter positiv mit Ausländerfeindlichkeit zusammen. Sie konnten jedoch zeigen, dass der Gesamt-Effekt sich aus einem negativen direkten Effekt (Alter auf Ausländerfeindlichkeit, X -> Y) und einem etwas stärkeren positiven indirekten Effekt (Zusammenhang zwischen Alter und Autoritarismus sowie Wirkung des Autoritarismus auf die Ausländerfeindlichkeit) zusammensetzte. Damit sind alle oben beschriebenen Annahmen bestätigt. Dies war nur möglich, indem totale, indirekte und direkte Effekte modelliert wurden. Eine bloße Korrelation hätte einen positiven Alterseffekt gezeigt, während die Mediatoranalyse nachweisen konnte, dass der direkte Effekt des Alters negativ wirkt, d. h. dass jüngere Menschen eher ausländerfeindlich sind. Man kann somit den positiven Alterseffekt (je älter, desto ausländer-feindlicher) als Scheinkorrelation bezeichnen.

Wie führt man die Mediatoranalyse praktisch durch?

a) mit mehreren Regressionsmodellen

Dabei prüft man, ob die folgenden Voraussetzungen erfüllt sind:

  1. Es gibt einen signifikanten Effekt von X auf Y.
    Regressionsmodell: X=unabhängige Variable (UV); Y=abhängige Variable (AV)
  2. Es gibt einen signifikanten Effekt von X auf den Mediator Z.
    Regressionsmodell: X als UV, Z als AV
  3. Es gibt einen signifikanten Effekt des Mediators Z auf Y.
    Regressionsmodell: Z als UV, Y als AV
  4. Der Effekt von X auf die Y wird geringer (partielle Mediation) oder verschwindet ganz (ist nicht mehr signifikant –> vollständige Mediation), wenn der Mediator in das Regressionsmodell aufgenommen wird.
    Regressionsmodell: X als UV, Z ebenfalls als UV, Y als AV

Dies entspricht dem theoriegeleiteten Vorgehen, im Gegensatz zum sog. empiristischen Vorgehen, bei dem in erster Linie ein möglichst hohes R² angestrebt wird. Vgl. den früheren Beitrag Regressionsmodelle: R², Zielsetzung / Denkmodelle.

b) mit Skripten bzw. Syntax

Andrew F. Hayes stellt auf seiner Website mehrere Makros und Skripte zur Verfügung, mit denen Mediatoranalysen stärker automatisiert und vereinfacht werden können. Es ist sogar möglich, SPSS ein neues Dialogfenster zur Spezifizierung von Mediator-Modellen hinzuzufügen (wenn man sich traut, so in das Programm einzugreifen – mir genügt erst mal die Syntax). Mit dem Sobel-Test kann man eine Signifikanzaussage zum indirekten Effekt treffen. Im Netz gibt es einige Seiten, die interaktiv den Sobel-Test berechnen, wobei man lediglich Koeffizienten und Standardfehler angeben muss. Mit anderen Worten, der Test ist ohne Zugriff auf die Originaldaten berechenbar.

Der Mediator wird auch als intervenierende Variable bezeichnet; vgl. Artikel Scheinkorrelation vs. intervenierende Variable.

Quellen und Dank an:
Urban / Mayerl: Mediator-Effekte in der Regressionsanalyse (PDF)
D. Danner: Mediatoranalyse & Moderatoranalyse: How to do [URL nicht mehr erreichbar]
Andrew F. Hayes

Literatur:

Introduction to Mediation, Moderation, and Conditional Process Analysis, Second Edition: A Regression-Based Approach (Methodology in the Social Sciences)
Discovering Statistics Using IBM SPSS
Discovering Statistics Using R

44 Gedanken zu „Mediatoranalyse“

  1. Hallo Herr Riepl,

    ich analysiere gerade mithilfe von PROCESS eine multiple serielle Mediation mit zwei Mediatoren.

    X –> M1 –> M2 –> Y

    Der Pfad X –> M2 ist nicht signifikant. Der Pfad M2 –> Y ist der einzige Pfad im Modell der signifikant ist.
    Was mich nun sehr verwirrt ist jedoch, dass der indirekte Effekt X –> M2 –> Y auch signifikant ist. Wie kann das sein, wenn doch der der erste Teil des Pfades nicht signifikant ist?

    Ebenfalls interessant: X auf Y ist nicht mehr signifikant und sogar mit negativem Vorzeichen (Suppression?)

    Wie gehe ich mit diesem indirekten Effekt am besten um?

    Viele Grüße
    Cora

    1. Hallo Cora,
      es gibt eben Wechselwirkungen, Scheinkorrelationen, verdeckte Korrelationen, …, viele Möglichkeiten. Eine einzelne Analyse zeigt nur einen kleinen Ausschnitt des Bildes. Ich würde mir auch einfachere Zusammenhänge anschauen, z. B. eine Korrelationstabelle. Ergänzend vielleicht auch Regressionen mit jeweils einer und jeweils zwei Variablen. So ergibt sich allmählich ein vollständigeres Bild.
      Effekte sind nicht immer ganz klar erkennbar, es ist nicht binär „Effekt ja oder nein“ oder „Mediatorwirkung ja oder nein“. Effekte können stärker oder schwächer sein und mit einer weiteren Variable oder bei Weglassen einer Variable unter oder über die Signifikanzschwelle rutschen.

  2. Hallo Herr Riepl,

    vielen lieben Dank für die verständliche Erklärung.
    im Rahmen meiner Bachelorarbeit habe ich unter anderem zwei Hypothesen aufgestellt, bei denen die UV und AV identisch sind und sich lediglich die Mediatoren unterscheiden. Ursprünglich wollte ich hierzu zwei getrennte Mediationsanalysen mit dem jeweiligen Mediator rechnen. Da allerdings die beiden Mediatoren hoch signifikant miteinander korrelieren, habe ich mich gefragt, ob es nun sinnvoller ist eine parallele Mediation zu rechnen. Was meinen Sie dazu?

    Anmerkung: wenn ich zwei getrennte Mediationsmodelle vermitteln beide Mediatoren den Zusammenhang signifikant. Wenn ich die parallele Mediation rechne vermittelt nur noch der eine Mediator den Zusammenhang signifikant.

    Vielen lieben Dank schonmal!
    Marie

      1. Hallo, ich habe nun exakt dieselbe Frage. 🙂 Warum raten Sie davon ab, 2 stark miteinander korrelierende Mediatoren in einem parallelen Modell zu berechnen?
        Bei mir ist nämlich folgendes „Problem“ aufgetaucht: Ich habe auch 2 Mediatoren, bei denen UV und AV identisch sind. Ich habe hier auch 2 getrennte Mediatoranalysen mit dem jeweiligen Mediator gerechnet. Nun kam bei der ersten Analyse mit Mediator 1 raus, dass Mediator 1 vollständig mediiert. Bei der zweiten Analyse mit Mediator 2 kam allerdings raus, dass Mediator 2 partiell mediiert. Wie kann es sein, dass M2 noch partiell mediiert, wenn M1 schon „alles“ aufgeklärt hat?

        1. Wenn die beiden Mediatoren korrelieren, heißt das, sie sind nicht unabhängig von einander. Mediator 2 enthält also einiges, was Mediator 1 auch bereits abbildet. So ist es nicht überraschend, dass auch bei M2 eine Mediationswirkung besteht.

  3. Hallo und vielen Dank für Ihre tolle Erklärung.
    Ich schreibe aktuell meine Masterarbeit und verwende für eine Mediationsanalyse das Process Tool. Allerdings bereitet mir dieses einige Schwierigkeiten bei der Ausführung und Interpretation der Ergebnisse.

    Ich habe eine zentrale UV und mehrere Kontrollvariablen (zB Alter, Geschlecht, Studiengang). Wie kann ich diese sinnvoll in das Modell einschließen, da diese ebenfalls kontrolliert werden sollen? Ebenfalls habe ich bereits eine „einfache Mediationsanalyse“ durchgeführt, indem ich die UV und meine 3 Mediatoren (parallel) in das Programm eingegeben habe. Ich musste feststellen, dass c insignifikant ist, c‘ jedoch signifikant wird. Ebenfalls wird deutlich, dass ein Mediator signifikant ist. Kann ich dieses Ergebnis interpretieren oder wird die Mediationsanalyse hinfällig, sobald c insignifikant ist?

    Wenn ich eine lineare Regression mit der UV und den Mediatoren als weitere UV durchführe, wird ebenfalls deutlich, dass die zenrale UV nur signifikant ist, sofern ich die Mediationsvariablen in die Regression einschließe. Was sagt mir das?

    Vielen Dank im Voraus und viele Grüße
    Mona

    1. Hallo Mona,
      tut mir leid, ich arbeite nicht mehr mit diesen Modellen. Das müsste man sich genauer anschauen, gerade mit mehreren Mediatoren gibt es viele Kombinationsmöglichkeiten und es ist empfehlenswert, nicht nur „statistisch / technisch“, sondern auch inhaltlich zu interpretieren. Das kann ich leider nicht so nebenbei machen.
      Sorry – Wolf

  4. Lieber Wolf

    Vielen Dank für deine hilfreichen Inputs!

    In meinem Pfadmodell, in der ich unter anderem eine Mediation testen möchte, der totale Effekt der Uv (Attribution, dichotome Variable) auf die Av (Leistung, kontinuierliche Variable) vermittelt durch den Mediatior (Erwartung, kontinuierliche Variable) knapp nicht signifikant. Der direkte Effekt auch nicht. Der indirekte Effekt jedoch schon.

    Wie kann das sein? Ich habe noch andere Modelle mit anderen Attributionen gerechnet. Hier ist der totale Effekt immer signifikant.

    Ich gehe nach dem Prinzip der Hypothesentestung vor.

    Vielen Dank für die Rückmeldung bereits im Voraus.

    Liebe Grüsse
    Camille

    1. Tja, da gibt es eben viele Kombinationsmöglichkeiten, die nicht immer einfach zu interpretieren sind. Ich würde Infos zusammentragen (neben den Modellergebnissen auch ein paar deskriptive Statistiken), die Ergebnisse insgesamt beschreiben und dann so gut wie möglich interpretieren.
      Es gibt andere Beispiele für solche Herausforderungen: Wenn zum Beispiel bei einer Anova das Gesamtmodell signifikant ist, aber kein Einzeleffekt …

  5. Hallo Herr Riepl,

    vielen Dank für Ihre hilfreichen Ausführungen, dafür bin ich sehr dankbar. Ich habe eine weitere Frage:
    Ist es möglich folgendes Modell zu rechnen: AV, mehrere UVs, darunter das Geschlecht + eine UV, von der eine Mediation mit dem Geschlecht erwartet wird + eine UV, von der eine Moderation mit dem Geschlecht erwartet wird?
    Separat habe ich das alles schon gerechnet, über die Syntax, als auch mit Process. Ich bin mir aber nicht sicher, ob man noch ein Modell rechnen müsste, in das „alles rein geworfen wird“, um nicht etwas ausgelassen zu haben.

    Ich danke Ihnen sehr für eine kurze Antwort!
    Mit besten Grüßen!

    1. Hallo Sabrina,
      von einem gemeinsamen Modell mit Mediation und Moderation rate ich ab. Die Interpretation wäre sehr herausfordernd, da sich die Effekte gegenseitig beeinflussen und man sie daher nicht sinnvoll einzeln betrachten kann. Ich würde bei separaten Modellen für Mediation / Moderation bleiben und die Energie lieber in die Interpretation der bereits gerechneten Varianten stecken.
      Viele Grüße & viel Erfolg,
      Wolf

      1. Super, vielen Dank, das ist sehr hilfreich. Noch eine ergänzende Frage: Kann ich ein Modell mit mehreren UVs und einer Mediation rechnen (die sich auf eine der Uvs bezieht)? Oder ist das Unsinn?

        1. Ja, das klingt sinnvoll. Evtl. Modelle mit und ohne bestimmte UVs vergleichen, falls sich Effekte verändern oder die Interpretation schwer fällt (unplausible Ergebnisse?).
          Hinweis: Werde nun einige Tage nicht mehr hier reinschauen.
          Viele Grüße!

  6. Hallo Wolf!
    Cielen Dank für die hilfreichen Ausführungen auf deiner Seite.

    Ich hätte eine Frage zu parallelen Mediationsmodellen an dich. Die Situation ist wie folgt: Ich rechne ein Mediationsmodell mit vier Mediatoren. Diese sind untereinander hoch korreliert (r = .7 – .8). Keiner dieser vier Mediatoren vermittelt einen signifikanten indirekten Effekt. Ich habe dann zwei aggregierte Werte aus jeweils zwei spezifischen Mediatoren gebildet und ein Mediationsmodell mit diesen beiden Composite Scores berechnet. Auch diese Composite Scores sind hochkorreliert. In diesem Modell vermittelt dennoch einer der Composite Scores signifikant einen indirekten Effekt. Woran könnte das liegen? Würden Multikollinearitätseffekte die fehlenden signifikanten Effekte im ersten Modell erklären, dürften doch eigentlich auch die Composite Scores nur zu nicht-signifikanten indirekten Effekten führen…

    Vielen Dank schon mal und viele Grüße von Hannah

    1. Hallo Hannah,
      das ist eine herausfordernde Konstellation. Meine wichtigste Empfehlung wäre, das Modell so einfach wie möglich zu halten. Bei mehreren korrelierten Mediatoren gibt es verschiedene Möglichkeiten, wie sich die Korrelationen auswirken. Der Mediator korreliert ja auch mit der UV.

      Wenn tatsächlich alle Effekte wichtig sind und man nicht einfach etwas weglassen kann, würde ich für jeden Mediator ein eigenes Modell aufstellen. Dann kannst Du sehen, wie sich Effekte verändern, wenn Du das Modell erweiterst. Gibt es in vier separaten Modellen mit jeweils nur einem Mediator signifikante indirekte Effekte? Wenn Du dann jeweils einen Mediator hinzufügst, wie verändern sich die Effekte?

      So kannst Du ein Gefühl für die Zusammenhänge bekommen. Dennoch rate ich von einem Gesamtmodell ab, das gleichzeitig mehrere Mediatoren enthält, weil es zu viele Wechselwirkungen gibt …

      Wenn die Mediatoren so stark korrelieren, frage ich mich, ob sie wirklich etwas fundamental Unterschiedliches messen. Wenn man sie unter einem gemeinsamen Begriff zusammenfassen kann, würde das das Modell vereinfachen.

      Bei den zwei aggregierten Mediatoren würde ich auch zwei separate Modelle betrachten.

      Hoffe das hilft etwas weiter.

      Wolf

  7. Guten Abend Herr Riepl,

    ich stehe vor der großen Herausforderung, dass einige Mediationen signifikant werden, jedoch der Zobel-Test nicht signifikant ist.

    Beispiel:
    AU (X) -> CBI (Y) mit Kontrolle von SOC (M): b = -.1305 p = .0612 (C´-Pfad)
    SOC (M) -> CBI (Y): b = .5863 p = .0004 (B-Pfad)
    AU (X) -> SOC (M): b = -.0914 p = .0484 (A-Pfad)
    AU (X) -> CBI (Y) ohne Kontrolle von SOC (M): b = -.1841 p = .0164 (C-Pfad)

    Sobel (Normal theory tests for indirect effect): b = -.0536 Z = -1.7175 p = .0859

    Ohne den Sobel-Test, würde ich eine vollständige Mediation annehmen, da der Effekt von X auf die Y ganz verschwindet (mit p = .0612 nicht mehr signifikant ist), wenn der Mediator in das Regressionsmodell aufgenommen wird. Aber wie werte ich die Ergebnisse des Sobel-Tests?

    Ich hoffe sehr, dass Sie mir helfen können,
    Viele Grüße,

    Conny

    1. Hallo Conny,
      offenbar liegen mehrere p-Werte nahe an der 0.05-Schwelle (einer knapp darunter, zwei knapp darüber, inkl. Sobel-Test). Mein Impuls wäre, die Ergebnisse nüchtern zu dokumentieren und zu diskutieren. Sinngemäß: Es gibt zwar Anhaltspunkte für einen Mediatoreffekt, aber der Sobel-Test wird (knapp) nicht signifikant.

      1. Hallo Gerr Riepl,
        lieben Dank für diese schnelle Hilfestellung, Sie haben mir mit der Empfehlung für den Bericht sehr geholfen.

        Lieben Gruß
        Conny

      2. Hallo Herr Riepl,
        Ich sitze gerade an meiner bachelor Arbeit und hoffe sie können mir weiter helfen…
        Und zwar ist mein model „intra team conflict —-> Promotive voice behaviour ——> team performance“. Im ersten schritt habe ich control variables eingefügt und diese mit team performance getestet. Im zweiten model habe ich dann die control variablen zusammen mit intra team conflict getestet. Im dritten und letzten model habe ich voice behaviour als mediator hinzugefügt. In meinem regression output kann ich erkennen das der coefficient für voice behaviour im model 2 negative und significant ist. Im dritten model ist der coefficient von intra team conflict nicht mehr significant und dafür aber der coefficient vom mediator. Von diesen Ergebnissen aus hätte ich einen mediation effect interpretiert. Jedoch wenn ich den Sobel test durchführe kriege ich ein nicht signifikantes p value für die mediation gegeben. Für mich ergibt das wenig sinn und sieht irgendwie gegenläufig aus ?

        Ich hoffe sie können mir weiter helfen,
        Mit freundlichen Grüßen,

        Eileen

        1. Hallo Eileen,
          das kann verschiedene Gründe haben. Habe leider in den nächsten Tagen keine Kapazitäten, mir das genauer anzuschauen, tut mir leid …

  8. Lieber Herr Riepl,

    vielen herzlichen Dank für Ihre Ausführungen! Gut, dass es so Menschen wie Sie gibt! Danke!

    Ich bin im Zuge der Auswertung meiner Daten für die Masterarbeit auf Ihren Artikel gestoßen.
    Jetzt frage ich mich, wie das ist, wenn ich mehrere UVn habe und testen möchte, ob Z, die Beziehung zwischen diesen mehreren UVn und Y mediiert.
    Kann ich dann mehrere multiple Regressionsmodelle aufstellen, in die ich alle UVn einschließe und dann die jeweiligen Regressionskoeffizienten wie beschrieben vergleichen?

    Über eine Antwort würde ich mich sehr freuen!
    Anna

    1. Hallo Anna,
      ja. Ich würde einer einfacheren Hypothese den Vorzug vor einer komplexeren geben. Vermutlich wird Z nicht für alle UVs im gleichen Maße als Mediator dienen. Evtl sieht man das in einzelnen Tests mit jeweils einer UV und Z deutlicher, als wenn man gleich alles in einen Topf wirft.
      Wie sind die Beziehungen zwischen den UVs? Wie stark korrelieren die? Wenn sie stark korrelieren, kann das auch ein Argument sein zu vereinfachen.

  9. Hallo Herr Riepl,

    vielen Dank für Ihre Ausführungen. Ich rechne eine „doppelte“ Mediation, indem ich mir folgendes anschaue:

    Empathy (dichotom) –> Interactional Justice –> Recovery Satisfaction –> WOM

    Ich benutze Process. Der totale Effekt (also der ohne Mediation) von Empathy auf WOM ist positiv mit 0.307. Wenn ich nun die Mediation mit Model 6 (nach Hayes) rechne, ist die doppelte Mediation signifikant. Zudem ist der direkte Effekt zwischen Empathy und WOM signifikant, jedoch negativ (-0.362). Das würde ja bedeuten, dass wenn eine empathische Beschwerdeantwort verschickt wurde (Empathy 1=liegt vor, 0=liegt nicht vor), weniger weiterempfohlen wird. Dieser Vorzeichenwechsel verwirrt mich sehr. Zudem ist der direkte Effekt ja höher als der totale Effekt (0.307 versus -0.362). Wie kann es sein, dass trotzdem die Mediation als signifikant ausgewiesen wird (keine Null zwischen BootLLCI und BootULCI)?

    Und noch eine Frage:

    Ich untersuche zudem die „Kette“ von oben mit Repurchase Intention als DV. Hier ist es so, dass der totale Effekt nicht signifikant ist. Bedeutet dies, dass eine Mediationsanalyse gar nicht durchgeführt werden kann. Also ist ein signifikanter Effekt zwischen Empathy und Repurchase Intention Voraussetzung für eine Mediationsanalyse.

    Vielen Dank für Ihre Mühe und Hilfe!!

    Hanna R.

    1. Sorry, stecke da grad nicht so drin, hab lange nicht mit Process gearbeitet und bin grad stark in Projekte eingebunden. Ich würde mir mehrere deskriptive Statistiken aller relevanten Variablen und Kombinationen anschauen, das sollte die Interpretation erleichtern.

  10. Hallo Herr Riepl, vielen Dank für die Ausführung. Ich habe ein konkretes Beispiel, welches ich gerne rechnen würde. Kann man Kontakt zu Ihnen aufnehmen?

  11. Hallo! Vielen Dank für diese Anleitung. Ich bin wie beschrieben vorgegangen (X nominal, Z Skala, Y Skala) und habe das Ergebnis der linearen Regression, dass bei X weiterhin signifikant bleibt. Dies bedeutet schlichtweg, dass Z keinen Mediator darstellt, oder?

    Vielen Dank!

    1. Wenn der Effekt von X unter Berücksichtigung des Mediators schwächer wird als ohne Berücksichtigung des Mediators, kann man von partieller Mediation sprechen.
      Vorsicht bei der Codierung von X. Gibt es mehr als zwei Ausprägungen? Dann empfehle ich Dummy-Codierung; eine Kategorie nicht mit ins Modell aufnehmen – das ist die Referenzkategorie.

      1. Vielen Dank Herr Riepl! X (Geschlecht) hat nur zwei Ausprägungen. Vielleicht können Sie mir die Methodik anhand meines konkreten Beispiels kurz erläutern?

        X -> Y:

        X*Z -> Y:

        Vielen Dank für Ihre Mühen!

        1. Keine Mediation, Effekt bleibt unter Berücksichtigung des Mediators erhalten. Haben Sie auch ein Modell mit X=Geschlecht, Y=MM_gesamt? Ich präferiere es, dichotome Variablen so zu codieren, dass die Wirkungsrichtung aus dem Variablennamen hervorgeht. Bei „Geschlecht“ muss ich zur Interpretation die Codierung beachten. Beispiel: „weiblich“ mit 0=männlich, 1=weiblich. Oder „männlich“ mit 0=weiblich, 1=männlich.

          1. Klasse, Sie helfen mir sehr! So langsam verstehe ich das Prinzip. Vielen Dank!
            Ja, das Modell habe ich auch:

  12. Wie kann man den Mediatoreffekt analysieren, wenn einer der drei variablen nominal (dichotom) ausgeprägt ist? Bei mir ist bei X der Fall, Y und Z sind metrisch ausgeprägt.
    Liebe Grüße

    1. Hallo Laura,
      mit einer dichotomen X-Variable sollte der Mediatoreffekt mit dem gleichen Vorgehen testbar sein.
      A. F. Hayes hat seine ursprünglichen Makros inzwischen deutlich erweitert, da gibt es umfangreiche Dokumentation und FAQs.

      1. Und wie verhält es sich bei einer dichotomen Y-Variable? Kann ich dann ebenfalls so vorgehen? Die X- & Z-Variable ist jeweils metrisch.
        Liebe Grüße, Louise

        1. Ich empfehle PROCESS von Andrew F. Hayes. Siehe seine FAQs: http://processmacro.org/faq.html

          Ansonsten: logistische Regression anwenden.

          Question: My outcome variable Y is dichotomous. How do I tell PROCESS this?

          Answer: You don’t have to. PROCESS figures this out on its own and uses logistic regression for the model of Y when it sees only two values of Y in the data.

  13. Hallo,

    vielen Dank für den Beitrag!

    Worin besteht denn der Unterschied zwischen einer Konfundierung und einer (partiellen) Mediation?

    Bei beiden geht man ja davon aus, dass der Effekt von Z den Zusammenhang zwischen X und Y verringert.

    Liebe Grüße

    1. Hallo Deleno,
      sehr gute Frage! Der Unterschied liegt m. E. mehr im Konzept als im statistischen Modell. Bei Mediation geht man von kausalen Zusammenhängen aus: X verursacht Z, Z verursacht Y. Entsprechend sollte auch die zeitliche Abfolge sein. Für Konfundierung muss das nicht der Fall sein. Beispiel: Alter (Z) konfundiert den positiven Zusammenhang zwischen Einkommen (X) und Krebsrisiko (Y). Einkommen verursacht jedoch nicht Alter.
      Vgl. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2819361/

Freue mich über Kommentare!

Wir benutzen Cookies um die Nutzerfreundlichkeit der Webseite zu verbessen. Durch Deinen Besuch stimmst Du dem zu.