Tutorial. Mediationsanalyse mit PROCESS. Das Konzept Mediation

Transkript

1 Tutorial Mediationsanalyse mit PROCESS Das Konzept Mediation Ein Mediator (folgend M) erklärt den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen Variable (folgend Y). Dementsprechend wird bei einer Mediation der Zusammenhang zwischen X und Y erklärt, der Mediator stellt damit den verantwortlichen Prozess dar. Beispielsweise kann man annehmen, dass Mitleid (vs. kein Mitleid) mit einer leidenden Person (die unabhängige Variable X) Hilfeverhalten (die abhängige Variable Y) erhöht. Dann kann man die Frage stellen Warum sollte das so sein? womit man die Frage nach dem Mediator stellt. Im Beispiel könnte das Empathic Concern sein (d.h. besorgte Gedanken für den Leidenden). Also: Warum führt Mitleid zu Hilfeverhalten? Weil Mitleid zu Empathic Concern führt, und Empathic Concern zu Hilfeverhalten. Das Mediationsmodel sieht dementsprechend folgendermaßen aus: a b c c (wenn M kontrolliert) Wenn man X manipuliert und M misst, beispielsweise durch eine Skala, die Empathic Concern abbildet, wird folgendes Verfahren vorgeschlagen, um eine Mediation zu testen (vgl. Hayes, 2013: Mediation, Moderation, and Conditional Process Analysis). 1. Man etabliert den a-pfad (das ist der Pfad zwischen X und M). D.h. man testet den a-pfad auf Signifikanz. Der a-pfad sollte ungleich Null sein, also p < Man etabliert den b-pfad (das ist der Pfad zwischen M und Y unter Kontrolle von X). Dieser gibt an, ob M mit Y zusammenhängt, und zwar unabhängig von X. 3. Schließlich wird der gesamte Pfad a b simultan auf Signifikanz getestet (mit PROCESS, siehe unten). Wenn a b 0 spricht man von einem en indirekten Effekt oder einer Mediation. Eine Debatte gibt es zur Signifikanz des c-pfads (vgl. Zhao et al., 2010, JCR). Eigentlich müsste dieser auch gezeigt werden. Denn wenn X zu M und M zu Y führt, so sollte auch X zu Y führen. Es gibt allerdings inhaltliche und statistische Argumente, warum das manchmal nicht der Fall ist. Die beiden wichtigsten sind sicherlich Suppressionseffekte (d.h. ein gegenläufiger a b Pfad, bzw. eine Variable M2, welche den Zusammenhang XY unterdrückt; vgl. MacKinnon et al., 2000, Prevention Science) und substantielle Powernachteile beim statistischen Testen des c-pfads im Vergleich zum a b Pfad (vgl. Kenny & Judd, 2014, PS). Als Fazit kann man festhalten: Wenn man keine Suppressoren annimmt, dann sollte der c Pfad in einer Studienreihe mal gezeigt werden. Allerdings, und so ist der Standpunkt führender Mediationsexperten (bspw. Hayes und Zhao) ist ein er c-pfad keine Voraussetzung für eine Mediation. Natürlich ist das schönste Ergebnis, wenn man einen en c-pfad aufzeigen kann und dann zudem zeigt, dass dieser gegen Null geht (also c nahe Null) wenn man für M kontrolliert (und vorher den a-pfad etabliert hat). Der Pfad c (XY unter Kontrolle von M) gibt ja den kontrafaktischen Zustand an: Wie würde XY aussehen wenn es M nicht gäbe; dann nämlich dürfte es auch XY (also c ) nicht geben (bzw. kleiner werden) wenn XY (also c) durch M mediiert wird. Kommentar [SP1]: man kann M auch manipulieren, um einen Mediator zu etablieren, vgl. Jacoby und Sassenberg, 2011, EJSP, und Spencer, Zanna, und Fong, 2005, JPSP Kommentar [SP2]: was einer einfachen Korrelation, einem t-test oder einer linearen Regression zwischen X und M entspricht; natürlich liefern alle Tests exakt dasselbe Ergebnis hinsichtlich der Signifikanz Kommentar [SP3]: allerdings reicht es für den gesamten indirekten Effekt, also a b, auch manchmal aus, in die Nähe von p =.05 zu kommen (vgl. Hayes, 2013) Kommentar [SP4]: wenn man für X nicht kontrolliert wäre X durch die Korrelation mit M im Zusammenhang MY drin. Kommentar [SP5]: das ist der indirekte Effekt; dieser entspricht exakt c minus c ; also der Reduktion von XY bei Hinzunahme von M

2 Das Vorgehen mit PROCESS Andrew Hayes hat ein wunderbares SPSS Makro geschrieben. Mit diesem kann man die verschiedensten und abgefahrensten le testen (vgl. das PDF Dokument PROCESS, welches die Dokumentation des Makros enthält; download: Bei uns geht es um 4 (vgl. S.20 in der Dokumentation). Dazu öffnet man als erstes (den Datensatz hat man schon offen) die Syntax Process (process.sps). Diese lässt man durchlaufen (STRG + A dann STRG + R). Dann kann man das Syntax- Fenster (process.sps) schließen. Im Output müsste dann folgendes erscheinen: Auf Seite 20 der Dokumentation steht unten auf der Seite die relevante Syntax für unser (das 4): PROCESS vars = xvar mvlist yvar/y=yvar/x=xvar/m=mvlist/model=4. Diese passt man dem eigenen Datensatz an, bspw. PROCESS vars = BEDINGUNG MEDIATOR AV /y=av/x= BEDINGUNG /m= MEDIATOR /model=4. Man kann auch mehrere Mediatoren simultan testen indem man mehrere Mediatoren hintereinander schreibt, bspw.: PROCESS vars = BEDINGUNG MEDIATOR MEDIATOR2 AV /y=av/x= BEDINGUNG /m= MEDIATOR MEDIATOR2 /model=4. Die AV kann auch 01 kodiert sein (bspw. Hilfeverhalten ja vs. nein), PROCESS rechnet dann automatisch logistische Regressionen und keine lineare. In dem Beispieldatensatz, den ich folgend verwende heißt xvar (also X, die unabhängige Variable) BEDINGUNG (0 = Compassion nein, 1 = Compassion ja). mvlist (also M, der Mediator) ist CONCERN (höhere Werte = höherer Concern). yvar (also Y, die abhängige Variable) ist PROSOCIAL (höhere Werte = stärkeres Hilfeverhalten). Die Syntax sieht also folgendermaßen aus: PROCESS vars = BEDINGUNG CONCERN PROSOCIAL /y= PROSOCIAL /x= BEDINGUNG /m= CONCERN /model=4.

3 Dann die Syntax markieren und STRG + R drücken. Der Output sieht folgendermaßen aus: Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release 2.01 beta **************** Written by Andrew F. Hayes, Ph.D. = 4 Y = PROSOCIA X = BEDINGUN M = CONCERN Kommentar [SP6]: Im Output werden die unstandardisierten Regressionskoeffizienten angegeben. Sample size 30 Outcome: CONCERN Kommentar [SP7]: Der folgende Abschnitt testet den a-pfad Summary constant BEDINGUN Summary constant CONCERN BEDINGUN ******************** DIRECT AND INDIRECT EFFECTS ************************* Direct effect of X on Y Indirect effect of X on Y Effect Boot SE BootLLCI BootULCI CONCERN ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 1000 Level of confidence for all confidence intervals in output: END MATRIX Kommentar [SP8]: Der a-pfad ist Kommentar [SP9]: Der a-pfad ist Kommentar [SP10]: Der folgende Abschnitt testet den b-pfad und den c - Pfad Kommentar [SP11]: Der b-pfad ist Kommentar [SP12]: Der b-pfad ist Kommentar [SP13]: Der c -Pfad ist Kommentar [SP14]: Der c -Pfad ist aber nicht Kommentar [SP15]: = c Kommentar [SP16]: kennen wir schon von oben (unstandardisierter Regressionskoeffizient von c ) Kommentar [SP17]: = a b also der indirekte Effkt / Mediation, das hier ist der entscheidende Test! Kommentar [SP18]: Das hier ist entscheidend. Das Konfidenzintervall für a b darf nicht die Null enthalten, dies ist hier der Fall, zwischen ist die Null nicht drin. Damit kann man davon ausgehen dass a b 0, damit hat man einen indirekten Effekt, also eine Mediation. Die Konfidenzintervalle sind bootstrapped (vgl. Andy Fields Abschnitt zu Bootstarpping in Field, 2013, Discovering Statistics Using SPSS). Prima: Bootsrapping ist ein nicht-parametrischer Test. Durch das Bootstrapping verändern sich die Konfidenzintervalle bei jeder neuen Berechnung (also bei wiederholtem Durchlauf der Syntax), davon soll man sich nicht irritieren lassen.

4 Im Output fehlt der c-pfad (der totale Effekt). Dies ist tatsächlich die Standardeinstellung von PROCESS und reflektiert die Idee, dass ein er c-pfad nicht essentiell ist, um eine Mediation zu zeigen. Man kann ihn sich leicht berechnen (aus a b = c c folgt c = a b + c also c = = ). Man kann ihn sich auch leicht ausgeben lassen, indem man /total=1 an die Syntax hängt: PROCESS vars = BEDINGUNG CONCERN PROSOCIAL /y= PROSOCIAL /x= BEDINGUNG /m= CONCERN /model=4/total=1. Output: Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release 2.01 beta **************** Written by Andrew F. Hayes, Ph.D. = 4 Y = PROSOCIA X = BEDINGUN M = CONCERN Sample size 30 Outcome: CONCERN Summary constant BEDINGUN Summary constant CONCERN BEDINGUN ************************** TOTAL EFFECT MODEL **************************** Kommentar [SP19]: c ist kleiner als c (c siehe unten) Summary constant BEDINGUN ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y Kommentar [SP20]: Und siehe da, c = Kommentar [SP21]: c ist aber nicht Direct effect of X on Y

5 Indirect effect of X on Y Effect Boot SE BootLLCI BootULCI CONCERN ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 1000 Level of confidence for all confidence intervals in output: END MATRIX In unserem Beispiel mediiert Empathic Concern also tatsächlich den Zusammenhang zwischen der Compassion Manipulation und prosozialem Verhalten: Die Compassion Manipulation erhöht Empathic Concern und diese hängt wiederum mit prosozialem Verhalten zusammen. Es gibt allerdings keinen en totalen Effekt, die Compassion Manipulation fördert nicht direkt prosoziales Verhalten, sondern nur indirekt über Empathic Concern. Wie oben erwähnt kann der nicht gefundene totale Effekt mehrere Gründe haben, die zwei wichtigsten zur Rekapitulation: Zum einen Suppressoren (der totale Effekt c wird durch einen Suppressor unterdrückt). So ist es möglich, dass die Compassion Manipulation gleichzeitig auch inhibitorische Tendenzen auslöst, welche prosoziales Verhalten hemmt (vgl. MacKinnon et al., 2000, Prevention Science). Zum anderen die erwähnten Power-Nachteile von c gegenüber a b (vgl. Kenny & Judd, 2014, PS). Bei weiteren Fragen: stefan.pfattheicher@uni-ulm.de