Interaktionseffekt / Moderatoreffekt

Interaktionseffekte (Moderatoreffekte) werden oft als schwierig nachvollziehbar empfunden. Kurz gesagt hängt bei einem Moderatoreffekt die Wirkung einer Variablen auf eine andere vom Zustand einer weiteren Variable, dem Moderator, ab. Klingt zu abstrakt?

Neuer Beitrag zur Visualisierung von Regressionsmodellen, inklusive Interaktionseffekten, Regressionsdiagnostik und 3D-Darstellung, mit Video:
Regressionsmodelle visualisieren in R (ggplot2, plotly)

Moderatoreffekte im Video

 

In einer Studie fand ich ein schönes Beispiel dafür. Jemand hatte ein Balkenwaagenexperiment mit 2- bis 4-jährigen Kindern durchgeführt. Es gab zwei Versuchsanordnungen: eine „normale“ Balkenwaage (die schwere Seite neigt sich nach unten) und eine manipulierte Balkenwaage, bei der die schwere Seite oben blieb. Die Kinder konnten die Waage nicht direkt anfassen, aber ein leichtes oder schweres Gewicht auf der freien Seite platzieren. Auf der anderen Seite lag ein Plüschtier. Wenn es sich nach oben bewegte, konnten sie es behalten.

Moderatoreffekt: Lernerfolg, Lernstunden, Entspannungstechnik
Beispiel für einen Moderatoreffekt: Mit Entspannungstechnik hat die Anzahl der Lernstunden einen stärkeren Effekt auf den Lernerfolg als ohne Entspannungstechnik

Der Lernerfolg wurde in Punkten gemessen, insgesamt zeigte sich jedoch kein Zusammenhang mit dem Alter. Die älteren Kinder waren also nicht erfolgreicher als die jüngeren. Bei näherer Betrachtung zeigte sich: die älteren Kinder waren erfolgreicher bei der „normalen“ Balkenwaage, machten aber mehr Fehler bei der manipulierten. Offenbar verstanden sie im Gegensatz zu den jüngeren Kindern das Prinzip einer Balkenwaage und hatten deshalb mehr Schwierigkeiten in der manipulierten Versuchsanordnung.

Man kann Mittelwerte getrennt nach Art der Balkenwaage und Alter darstellen. Eleganter und fortgeschrittener ist die Verwendung eines Interaktionsterms im Regressionsmodell. Der Lernerfolg (Punktzahl) ist die abhängige Variable. Unabhängige Variable (UV) ist das Alter; die Art der Balkenwaage fungiert als Moderator. Ins Regressionsmodell werden sowohl UV und Moderator als auch der sogenannte Interaktionsterm aufgenommen, d. h. das Ergebnis der Multiplikation aus UV und Moderator. In diesem Beispiel erwies sich der Interaktionsterm als signifikant. Auf deutsch: Je nach Art der Balkenwaage führt ein höheres Alter zu einem höheren oder geringeren Lernerfolg.

Neuerer Beitrag: Regressionsmodelle visualisieren in R (ggplot2, plotly)

Ähnlicher Beitrag: Moderatoreffekte interpretieren und grafisch darstellen.

Für eine ausführlichere Diskussion über die Auswahl der geeigneten statistischen Methode siehe den Beitrag Methodenberatung: Welcher statistische Test passt zu meiner Fragestellung und meinen Daten?

Literatur (Hinweis: bezahlte Links:

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

37 Gedanken zu „Interaktionseffekt / Moderatoreffekt“

  1. Hallo,
    ich habe eine inhaltlich Frage zur Interpretation der Ergebnisse der Moderationsanalyse. Meine UV hat einen signifikanten Einfluss auf die AV. Auch der Moderator hat einen signifikanten Einfluss auf die AV.
    UV und Moderator korrelieren signifikant miteinander. Die Interaktion der beiden hat jedoch keinen signifikanten Einfluss auf die AV, sodass die Moderation entsprechend ja nicht vorliegt und die Effekte der UV und des Moderators unabhängig voneinander die AV beeinflussen.
    Inwiefern lässt es sich denn nun inhaltlich begründen, dass sie beide unabhängig voneinander die AV beeinflussen und zusätzlich miteinander korrelieren, aber nicht signifikant gemeinsam die AV beeinflussen?
    Mich verwirrt, dass die Moderation nicht bestätigt werden kann, aber trotzdem die UV und der Moderator korrelieren….

    Vielen Dank für eine Antwort!
    Leonie

    1. Hallo Leonie,
      ok, spannend. Da gilt es zwei Dinge auseinander zu halten: Die Korrelation zwischen UV und Moderator einerseits und Zusammenhänge mit der AV andererseits. Dein Beispiel zeigt, dass das eine das andere nicht bedingt. Bei der Korrelation zwischen UV und Moderator wird die AV überhaupt nicht berücksichtigt. Beide wirken unabhängig von einander auf die AV. Der nicht signifikante Moderatoreffekt bedeutet, dass sich der Effekt der UV auf die AV nicht ändert, wenn sich der Wert des Moderators ändert. Grafisch gesprochen: Bei zwei Ausprägungen des Moderators (etwa niedrig vs. hoch) verlaufen die Regressionsgeraden für den Effekt UV auf AV nicht (signifikant) unterschiedlich steil.
      Hilft das?

  2. Hallo Herr Riepl,

    vielen Dank für den tollen Beitrag! Sie sind eine große Hilfe!

    Ich verstehe nur noch nicht ganz was die p-Werte der unabhängigen und Moderatorenvariable bei der Berechnung über RStudio aussagen. Die Interaktion mit den zwei UV sagt ja aus, dass die UV auf die AV einwirkt und dies je nachdem positiv oder negativ vom Moderator beeinflusst wird.

    Ich habe beim Ausrechnen bei meiner unabhängigen Variabel einen p-Wert von – 0.427 und bei meiner Moderatorvariable einen p-Wert von 0.22. Die Interaktion dahingegen von beiden unabhängigen Variablen liegt bei 0.0004 (was ja darauf hinweist, dass ein Moderationseffekt vorliegt). Mich irritiert es aber, dass der eine Wert nicht signifikant ist (da zuvor beim Korrelationstest ein Zusammenhang bewiesen wurde). WIe kann ich das interpretieren bzw. muss ich überhaupt die anderen zwei p-Werte interpretieren oder reicht es nur zu sagen, dass eine Interaktion vorliegt.

    Wenn doch stimmt meine Interpretation?
    „Die 1. unabhängige Variable kann das Ausmaß der abhängigen Variable signifikant vorhersagen, jedoch kann dies nicht durch die Moderatorvariable geschehen, da dieser keine Signifikanz vorweist. Die Interkation zwischen UV und Moderation ist dahingegeben gegeben und somit signifikant. Es kann davon ausgegangen werden, dass ein bedeutsamer Moderationseffekt vorliegt.“

    Vielen Dank im Voraus für Ihre Bemühungen

    Mit freundlichen Grüßen
    Lia

    1. Hallo Lia,
      die Herausforderung bei Moderatoreffekten besteht darin, dass der Effekt der Variablen einzeln nicht mehr unabhängig vom Interaktionsterm zu betrachten ist. Die nicht signifikanten p-Werte der Einzelvariablen haben hier eine untergeordnete Bedeutung, da ein Teil der Effekte beider Variablen im Interaktionsterm steckt. Die Kernaussage bei signifikantem Interaktionsterm ist also, dass eine Interaktion (=Moderationseffekt) vorliegt. Die Moderatorvariable hat auch einen Einfluss, der sich im Interaktionsterm zeigt. Den Satz „jedoch kann dies nicht durch die Moderatorvariable geschehen“ würde ich weglassen. Der Effekt zeigt sich insgesamt über die drei Prädiktoren gemeinsam.

  3. Lieber Herr Riepe

    Ich habe gerade eine Interaktionsgrafik erstellt. Den Zahlen zufolge sollte die Interaktion nicht signifikant sein, die Linien in der Grafik kreuzen sich aber, ist das möglich? Wenn ich es richtig verstanden habe sollten die beiden Linien in einer nicht signifikanten Interaktion parallel verlaufen?

    Herzliche Grüsse

    Linda

    1. Hallo Linda,
      Signifikanz hängt auch von der Stichprobengröße ab, nicht nur von der Stärke der Interaktion. Perfekt parallele Linien sind selten, es geht auch darum, wie stark sich die Steigungen unterscheiden (Winkel). Signifikanz ist ein Maß für die statistische (Un-)Sicherheit. Deine Daten enthalten offenbar eine Interaktion (Wechselwirkung), die aber statistisch nicht mit hinreichender Sicherheit belegt werden kann. D. h. es ist unsicher, ob sich der Befund in anderen Stichproben bestätigt.

  4. Lieber Herr Riepl,

    vielen Dank für das Erklär-Video. Auch ich habe ein „Problem“ bei meiner Masterarbeit. Sobald ich die Ausreiser entferne (da dies ja Voraussetzung ist), wird mein Interaktionseffekt zwar signifikant, ist jedoch negativ wohingegen beide anderen Variablen, welche auf die Interaktion einwirken, sifnifikant positiv sind. Simple Slopes habe ich auch gebildet und da sieht es so aus, dass auch bei höherem Moderator ein höherer Wert der AV herauskommt, jedoch bin ich mit dem negativen Interaktionseffekt etwas stutzig, da ich mir das partout nicht erklären kann. Alle anderen Voraussetzungen der Regression habe ich bereits geprüft und die Auswertung mithilfe von Process durchgeführt. Wissen Sie ggf. diesbezüglich weiter?

    Vielen Dank und viele Grüße
    Anki

    1. Hallo Anki,
      eine Herausforderung bei Modellen mit Interaktionstermen besteht darin, dass man die Effekte nicht mehr unabhängig von einander interpretieren kann. Ein Teil des Effekts des Moderators steckt im Interaktionsterm, ein Teil im Moderatorterm. Ebenso mit der UV: ein Teil ihres Effekts steckt in ihrem Term, ein Teil im Interaktionsterm. Mir fällt es schwer, ein Modell mit Interaktionsterm nur anhand der Vorzeichen und Koeffizienten zu interpretieren. (Das ist möglich, aber es gibt eine Reihe von Kombinationsmöglichkeiten …) Haben Sie den Zusammenhang auch grafisch dargestellt? Dann finde ich es einfacher. Zumnindest gibt es wohl eine Wechselwirkung, d. h. die Geraden werden unterschiedlich steil sein und sich schneiden.

  5. Hallo Herr Riepl,

    ich habe auch eine Moderation für meine Arbeit durchgeführt und bin mir unsicher bei der Interpretation.
    Der Effekt der UV auf die AV wurde sowohl in dem Modell der Moderation als auch in einer zusätzlich gerechneten Regression nicht signifikant. Der Effekt des Moderators auf die AV wurde jedoch signifikant und die Interaktion wie schon der Effekt der UV auf die AV nicht signifikant. Liegen die Geraden, die sich theoretisch ergeben würden dann parallel zueinander, obwohl sich gar kein Effekt der UV auf die AV gezeigt hat oder kann man einfach sagen, dass die UV nichts mit der AV zutun hat und sich daran auch bei Einbezug des Moderators nichts ändert?

    Dankeschön! 🙂

    1. Hallo Sarah,
      im Zweifel hilft die grafische Darstellung 🙂
      Nach Ihrer Beschreibung würde ich annehmen: ja, parallel und ja, kein Zusammenhang zwischen UV und AV. Kein Zusammenhang sollte in einem Diagramm mit UV auf der x-Achse und AV auf der y-Achse bedeuten: (ungefähr) horizontale Linie, d. h. die AV ändert sich nicht, wenn sich die UV ändert. Bei zwei Linien für jeweils unterschiedliche Ausprägungen des Moderators (etwa niedrig / hoch oder ja / nein) sollten diese horizontal verlaufen, d. h. „parallel waagerecht“, aber auf unterschiedlichen Niveaus (da der Moderator ja einen Effekt aufweist).

  6. Vielen Dank für die anschauliche Erklärung! Allerdings bin ich etwas stutzig geworden. Ich hatte angenommen dass die unabhänige Variable einen signifikanten Einfluss auf die abhänige Variable haben muss, damit der Interaktionsterm interpretiert werden kann, selbst falls der Interaktionsterm signifikant ist. Im Beispiel sind jedoch Lernstunden nicht signifikant. Kann der Interaktionsterm trotzdem interpretiert werden?

    Habe dieses Problem in meiner Masterarbeit und bin mir unsicher bezüglich der Interpretation.

    1. Hallo Theresa,
      ich verstehe es so: es kann doch sein, dass es eine Wechselwirkung gibt, ohne dass die unabhängigen Variablen EINZELN signifikant werden (gemeint ist: in einem Modell OHNE Interaktionsterm). Die Wechselwirkung entdeckt man nur, wenn man den Interaktionsterm auch ins Modell aufnimmt, also gezielt danach testet.
      Im Modell MIT Interaktionsterm muss man vorsichtig sein: Da sind die Effekte nicht mehr unabhängig von einander. Angenommen: dort ist die Interaktion signifikant, aber eine unabhängige (sagen wir: Lernstunden) nicht. Das bedeutet nicht, dass die Lernstunden keinen Einfluss haben! Denn der Effekt der Lernstunden ist nun auf zwei Modellvariablen aufgeteilt: Lernstunden und Interaktionsterm. D. h. ein Teil des Effekts der Lernstunden steckt im Interaktionsterm.
      Hoffe das hilft!
      Viele Grüße & viel Erfolg mit der Masterarbeit
      Wolf

      1. Hallo Herr Wolf,

        ich stehe genau wie Theresa vor dem selben Problem: Die Interaktion ist signifikant (auch das Inkrement) jedoch sind die Effekte der einzelnen Prädiktoren leider nicht signifikant. Das heisst für meine Moderatorhypothese, dass ich Sie trotzdem bestätigen kann, oder?
        Hast du hierfür vielleicht eine wissenschaftliche Quelle?

        Ich danke dir vielmals!
        Liebe Grüße

        Nicole

        1. Hallo Nicole,
          ich denke ja. Antwort wie bei Theresa: man kann die Einzeleffekte nicht mehr unabhängig vom Interaktionsterm interpretieren, da der Effekt einer Variablen in zwei Modellkoeffizienten steckt.
          Genau dazu hab ich grade keine Literaturstelle parat.

          1. Hallo Herr Wolf,

            Interaktionskooeffizient ist bei mir negativ, Int_1 ist signifikant und Interaktionseffekt ist positiv, der Verlauf der Geraden ist von links unten nach rechts oben – Ich kann die Moderatorhypothese bestätigen, oder?

            Herzlichen Dank und beste Grüsse
            Brando

          2. Das kann ich aus diesen Angaben nicht sagen. Sind es zwei Interaktionseffekte, ein negativer und ein positiver? Ich empfehle nur einen Interaktionsterm pro Modell. Für die grafische Interpretation ist es sinnvoll, zwei Geraden zu erstellen – für zwei Zustände (Ausprägungen) des Moderators. Das Kriterium für eine Interaktion ist, dass die Geraden NICHT parallel verlaufen, also sich schneiden (oder zumindest bei Verlängerung der Geraden sich schneiden würden).

    1. Hallo Monica,
      ausführlicher ist meist besser … Bestätigt das Ergebnis die Vermutung / Hypothese?
      Grafisch fällt mir die Interpretation leichter als nur mit Blick auf die Koeffizienten.

      1. Danke für Ihre Antwort.

        was ich untersuche, ist: Hat die Höhe des Umweltbewusstseins einen moderierenden Effekt auf den Zusammenhang zwischen der Identifikation mit der Menschheit und dem Umweltverhalten?

        Es reicht, wenn ich den P-Wert und R² berichte?

        p = .014, R² =.037, (-,2657 -,0295) –> ist das das Konfidenzintervall?

        Model Summary
        R R-sq MSE F df1 df2 p
        ,6940 ,4816 ,4317 26,6368 3,0000 86,0000 ,0000

        Model
        coeff se t p LLCI ULCI
        constant 5,1896 ,0732 70,9258 ,0000 5,0442 5,3351
        Identifi ,1733 ,0692 2,5049 ,0141 ,0358 ,3108
        Vorwisse ,3747 ,0742 5,0475 ,0000 ,2271 ,5222
        Int_1 -,1476 ,0594 -2,4838 ,0149 -,2657 -,0295

        Test(s) of highest order unconditional interaction(s):
        R2-chng F df1 df2 p
        X*W ,0372 6,1694 1,0000 86,0000 ,0149

        Ich kann die Abbildung nicht so richtig nachvollziehen bzw. verstehen.

        DATA LIST FREE/
        Identifi Vorwisse Globa_Ve .
        BEGIN DATA.
        -1,0734 -1,1302 4,4011
        ,0000 -1,1302 4,7662
        1,0734 -1,1302 5,1313
        -1,0734 ,0000 5,0036
        ,0000 ,0000 5,1896
        1,0734 ,0000 5,3756
        -1,0734 ,9722 5,5219
        ,0000 ,9722 5,5539
        1,0734 ,9722 5,5858
        END DATA.
        GRAPH/SCATTERPLOT=
        Identifi WITH Globa_Ve BY Vorwisse .

        * ich habe versucht, die Abbildung einzufügen aber es geht nicht.

        Vielen dank im Voraus !

        1. Hallo Monica,
          ich arbeite nicht mehr mit SPSS und kann die Grafik nicht nachbauen. Wenn Sie zwei Gruppen unterscheiden, z. B. hohes und niedriges Umweltbewusstsein, dann können Sie für diese beiden Gruppen separate Regressionsgeraden erstellen, die jeweils den Einfluss von Identifikation mit der Menschheit auf das Umweltverhalten zeigen. Sich schneidende Geraden, also deutlich unterschiedliche Steigungskoeffizienten, zeigen einen Moderatoreffekt (Interaktionseffekt) an.

  7. Lieber Herr Wolf,

    vielen Dank für die nützlichen Hinweise zur Moderation. Ich hätte eine Frage zum besseren Verständnis: ist Interaktion = Moderation? Wenn ich zB. einen dichotomen Moderator „Geschlecht“ habe und die zwei Geraden beide den gleichen Trend aufweisen (steigend) und sich schneiden, spreche ich dann von einer Interaktion oder Moderation? Oder ist beides dasselbe?

    Vielen Dank und viele Grüße
    Marco Heppler

    1. „Technisch“ ist es dasselbe. Die beiden Begriffe stammen aus unterschiedlichen „Ecken“ der Statistik: Interaktion wird eher mit ANOVA assoziiert, Moderation eher mit Regression. Mathematisch steckt das gleiche dahinter.

  8. Lieber Wolf,

    hab vielen Dank für deine Darstellung der Interaktionseffekte! Das hat mir sehr geholfen! Dürfte ich dich um deine Hilfe bei einer aktuellen Interaktionsberechnung bitten? Für ein Projekt rechne ich gerade eine Varianzanalyse mit mehreren Interaktionen, darunter auch Dreifachinteraktionen. Als unabhängige Variablen habe ich unter anderem auch drei Faktoren, die aus einer Faktorenanalyse herausgegangen sind. Da die Faktoren metrisch sind, könnten sie ja nur als Kovariate in die Varianzanalyse eingehen. Allerdings könnte ich mir dann keine Interaktionsdiagramme anschauen, was gerade die Interpretation der Dreifachinteraktionen sehr schwer machen würde. Darum wollte ich dich fragen, ob du einen Tipp hast, wie ich vorgehen könnte! Ich könnte die metrischen Faktoren theoretisch in dichotomes Datenniveau wandeln, da ich durch die z-standardisierten Faktoren ja theoretisch allen Fällen mit negativer Ausprägung eine 0 geben könnte und allen positiven Fällen des Faktors eine 1. Allerdings wäre es für meine Interpretation noch besser, wenn ich meine z-standardisierten Faktoren in eine dreistufige Variable umwandeln könnte. Hättest du einen Tipp, wie ich ein z-Standardisierte Variable in eine dreistufige Variable umwandeln könnte in SPSS?

    Hab vielen Dank und ich wünsche dir noch einen schönen Abend!

    Juliane

    1. Hallo Juliane,
      Du kannst mit Rangfolgen (rank cases) arbeiten. SPSS kann automatisch Schwellenwerte berechnen, um die Daten in 3, 4, … n gleich große Teile zu teilen. Es geht auch manuell, indem Du über deskriptive Statistiken Perzentile ausgibst und dann anhand der Werte, die Du passend findest, recodierst.
      Ich wäre allerdings vorsichtig mit zu vielen Interaktionen in einem gemeinsamen Modell, das wird sehr anspruchsvoll in der Interpretation.
      Viel Erfolg!
      Wolf

  9. Hallo lieber Wolf! Ich habe anhand einer Varianzanalyse festgestellt, dass meine zwei Experimental- und eine Kontrollgruppen sich nicht signifikant von einander unterscheiden. Macht es dann noch Sinn ein Mediatiosmodell zu rechnen, wenn es hierbei um meine UV’s und AV´s handelt? Also haben anscheinend diese UV´s keinen Effekt, da die Gruppen sich überhaupt nicht unterscheiden.

    Vielen Dank! 🙂

    1. Hallo Anna,
      bei nicht signifikanten Effekten kann es sein, dass tatsächlich ein Zusammenhang besteht, dieser aber durch eine Drittvariable verdeckt wird. Bei einem Modell mit einer entsprechenden Kontrollvariable könnte also ein Mediatoreffekt auftreten. Die Frage ist immer, welchen Aufwand man treiben will und für welche Merkmale man überhaupt Daten hat …

      1. Vielen Dank für Ihre Antwort. Ich habe drei AV´s und die Gruppen unterschieden sich nicht hinsichtlich dieser AV´s. Eine dieser AV´s, habe ich als Mediator zu der anderen dieser AV`s vermutet.

  10. Hab max. 4 Ebenen eingestellt, deshalb Antwort jetzt hier.

    Stutze über die Kombination „nicht signifikant – positiv linear“ und „signifikant – Nullzusammenhang“ bei 2/3. Würde das anders kombinieren: nicht signifikant – Nullzusammenhang und signifikant – positiv linear.

    Ich würde schon sagen, dass der Haupteffekt der metrischen UV sinnvoll ist – für mich ist er wie gesagt plausibel. Die Stichprobengröße fließt nun mal in die Signifikanzberechnung ein und das ist nicht verkehrt. Es geht ja darum, ob man die Ergebnisse mit hinreichender Sicherheit verallgemeinern kann, und das geht bei größerer Stichprobe besser.

    In gewissem Sinn ist die Regression in den beiden Gruppen schon genauer. Am Haupteffekt allein erkennt man die Interaktion nicht. Die sieht man nur, wenn man die Gruppen trennt oder den Interaktionsterm ins Modell aufnimmt. Das Vorliegen einer Interaktion schließt nach meinem Verständnis einen Haupteffekt nicht aus.

  11. Hallo lieber Wolf! In deinen Beispielen handelt es sich ja um kategoriale Variablen.
    Ich untersuche den Effekt einer kategorialen UV (2 Stufen / Gruppen) und einer metrischen UV auf eine metrische AV. Nun habe ich mittels eines t-Tests herausgefunden, dass sich die kategoriale UV signifikant auf die AV auswirkt. Daraus habe ich geschlussfolgert, dass ich den Effekt der metrischen UV auf die AV getrennt in den beiden Gruppen untersuchen muss, um Verzerrungen zu vermeiden. Also habe ich jeweils eine Regressionsanalyse durchgeführt und festgestellt, dass sich nur in einer der beiden Gruppen die metrische UV signifikant auf die AV auswirkt = Die kategoriale UV scheint also den Zusammenhang zwischen metrischer UV und der AV zu moderieren.
    Wie kann ich nachweisen, dass neben diesem Interaktionseffekt auch noch ein Haupteffekt der kategorialen UV besteht? Oder habe ich das mit dem t-Test schon ausreichend getan vor dem Hintergrund, dass die metrische UV in beiden Gruppen gleich verteilt ist?

    1. Liebe Hanna,

      ja, der t-Test spricht für den genannten Haupteffekt.

      Am elegantesten wäre das Modell mit den beiden UVs sowie dem Interaktionsterm (=neue Variable als Produkt der beiden UVs).

      Ein einfacheres Modell enthält nur die beiden UVs ohne Interaktionsterm. Dann hast Du den Effekt der kategorialen UV unter Kontrolle der metrischen UV. Gleichbedeutend mit: Du siehst den Effekt der metrischen UV unter Kontrolle der kategorialen UV. (Die beiden UVs kontrollieren sich gegenseitig.) Die Interaktion fehlt dann allerdings, d. h. das Modell berücksichtigt nicht, dass der Effekt der metrischen UV je nach Gruppenzugehörigkeit unterschiedlich ausfällt.

      Wenn Du auf das Modell mit Interaktionsterm verzichten willst bzw. als Ergänzung dazu ist Deine Variante gut geeignet: t-Test und zwei getrennte Regressionsmodelle mit der metrischen UV.

      LG Wolf

      1. Vielen Dank für deine Antwort!
        Meinst mit dem anderen Modell eine Regression mit Interaktionsterm oder eine Kovarianzanalyse? Ich habe mich an beiden Verfahren schon einmal probiert und komischerweise ergeben beide in SPSS immer, dass nicht nur ein Haupteffekt für die kategoriale UV besteht, sondern auch für die metrische UV. Das kann ja aber gar nicht sein, wenn ich mit den zwei getrennten Regressionsanalysen schon nachgewiesen habe, dass die metrische UV in Interaktion mit einer bestimmten Stufe der kategorialen UV wirkt (dies ergibt auch Sinn, wenn man sich die zugehörigen Streudiagramm anschaut)..deshalb bin ich hier etwas ratlos.

        Liebe Grüße, Hanna

        1. Ich finde es nicht so unplausibel, dass ein Haupteffekt der metrischen UV besteht. In einer Gruppe der kategorialen UV ist der Effekt signifikant, in der anderen nicht, insgesamt (=in beiden Gruppen zusammen) reicht es für einen signifikanten Effekt. Das kann zum Teil an der Fallzahl liegen, die in der Gesamtstichprobe natürlich größer ist als in der Untergruppe, in der die metrische UV nicht signifikant war.

          Die Interaktion zu beschreiben bringt natürlich genauere Aussagen über die Zusammenhänge.

          1. Ah die Stichprobengröße – da habe ich gar nicht daran gedacht, dass sie der Auslöser dafür sein könnte.
            Ich habe in den Gruppen jeweils 199 bzw. 204 Probanden, also insgesamt eine Stichprobe von n = 403.

            Wenn ich also eine Kovarianzanalyse mit Parameterschätzungen durchführen und folgendes Ergebnis erhalte:
            1. Haupteffekt der kategorialen UV auf die metrische AV signifikant
            2. Effekt der metrischen UV in der Gruppe 1 auf die metrische AV nicht signifikant (Positiv linear)
            3. Effekt der metrischen UV in der Gruppe 2 auf die metrische AV signifikant (Nullzusammenhang)
            4. Haupteffekt der metrischen UV auf die metrische AV signifikant

            Dann könnte ich die Ergebnisse so interpretieren, dass ein Haupteffekt der kategorialen UV vorliegt sowie ein Interaktionseffekt, allerdings kein Haupteffekt der metrischen UV da das Ergebnis des statistischen Tests nur durch die Stichprobengröße zustande kommt und ja aber erkennbar ist, dass dies keinen Sinn ergibt vor dem Hintergrund von Punkt 2?
            Sprich es ist „genauer“ sich die Regression in den beiden Gruppen anzuschauen und daraus die Interaktion abzuleiten als sich nur am angeblichem Haupteffekt der metrischen AV zu orientieren?

Freue mich über Kommentare!

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