Mediation in SPSS testen und richtig berichten

Eine Mediation soll zeigen, wie oder über welchen Mechanismus ein Einfluss zustande kommt. Genau hier liegt die Herausforderung: Wer eine Mediation in SPSS testen möchte, braucht mehr als drei Regressionsanalysen und einzelne p-Werte. Entscheidend sind ein plausibles Wirkmodell, sauber definierte Variablen und die richtige Bewertung des indirekten Effekts. Andernfalls entsteht schnell eine formal korrekte, aber inhaltlich nicht haltbare Analyse.

Was eine Mediation tatsächlich prüft

In einem klassischen Mediationsmodell beeinflusst eine unabhängige Variable X eine abhängige Variable Y über einen Mediator M. Denkbar ist etwa, dass Arbeitsbelastung (X) die psychische Erschöpfung (Y) erhöht, weil sie die Schlafqualität (M) verschlechtert. Die Schlafqualität wäre dann der angenommene Vermittlungsmechanismus.

Statistisch zerfällt dieses Modell in mehrere Pfade. Der a-Pfad beschreibt den Zusammenhang von X mit M. Der b-Pfad beschreibt den Zusammenhang von M mit Y, während X statistisch kontrolliert wird. Das Produkt aus a und b ist der indirekte Effekt. Zusätzlich gibt es den direkten Effekt c', also den verbleibenden Zusammenhang zwischen X und Y nach Berücksichtigung des Mediators. Der totale Effekt c beschreibt den Zusammenhang von X und Y ohne Mediator im Modell.

Eine Mediation ist damit keine Aussage darüber, ob X und Y einfach miteinander korrelieren. Sie prüft eine spezifische Prozessannahme. Die fachliche Begründung muss deshalb vor der SPSS-Auswertung stehen: Warum sollte X zeitlich und theoretisch vor M liegen? Warum sollte M wiederum Y beeinflussen? Statistik kann dieses Wirkmodell stützen, aber keine Kausalität aus einer ungeeigneten Studie erzeugen.

Mediation in SPSS testen mit PROCESS

SPSS bietet im Standardmenü keinen vollständigen Mediationsdialog. In der Praxis wird daher häufig das Makro PROCESS von Andrew F. Hayes verwendet. Für eine einfache Mediation wählen Sie dort Modell 4. Nach der Installation erscheint PROCESS als Erweiterung im Menü für Regressionen.

Im Dialog legen Sie die unabhängige Variable als X, den Mediator als M und die Zielvariable als Y fest. Kovariaten können Sie ergänzen, wenn sie fachlich begründet sind und zeitlich vor X beziehungsweise dem vermuteten Wirkprozess liegen. Alter oder Geschlecht können beispielsweise sinnvoll sein. Variablen nur deshalb aufzunehmen, weil sie mit anderen Variablen signifikant zusammenhängen, ist dagegen keine überzeugende Auswahlstrategie.

Für den indirekten Effekt sollten Sie ein Bootstrap-Konfidenzintervall anfordern, üblicherweise mit 5.000 Resamples und einem 95-Prozent-Konfidenzintervall. Bootstrap bedeutet, dass aus Ihren Daten sehr häufig neue Stichproben mit Zurücklegen gezogen werden. So wird empirisch abgeschätzt, wie unsicher der indirekte Effekt ist. Diese Methode ist dem früher verbreiteten Sobel-Test meist vorzuziehen, weil das Produkt aus zwei Regressionskoeffizienten häufig nicht normalverteilt ist.

Bei einer einfachen Mediation müssen Sie nicht darauf bestehen, dass jeder einzelne Pfad signifikant ist. Die zentrale Frage lautet: Enthält das Bootstrap-Konfidenzintervall des indirekten Effekts die Null? Liegen Unter- und Obergrenze beide oberhalb oder beide unterhalb von null, spricht das für einen statistisch nachweisbaren indirekten Effekt.

Daten vor dem Modell prüfen

PROCESS ersetzt keine Datenprüfung. Kontrollieren Sie vor der Analyse, ob höhere Werte Ihrer Skalen tatsächlich dieselbe inhaltliche Richtung abbilden. Eine falsch rekodierte Skala kann die Interpretation vollständig umkehren. Prüfen Sie außerdem fehlende Werte, Ausreißer, plausible Wertebereiche und die Reliabilität mehrteiliger Skalen.

Bei linearen Mediationsmodellen sollten die Beziehungen annähernd linear sein. Stark einflussreiche Einzelfälle, erhebliche Heteroskedastizität oder unplausible Residuen können die Regressionsergebnisse verzerren. Die Normalverteilung der indirekten Wirkung ist durch Bootstrap weniger kritisch als bei klassischen Tests, doch die Voraussetzungen der einzelnen Regressionsmodelle bleiben relevant.

Besondere Aufmerksamkeit brauchen kategoriale Variablen. Eine dichotome X-Variable, etwa Therapiegruppe versus Kontrollgruppe, lässt sich in vielen Fällen gut verwenden, wenn sie sinnvoll codiert ist. Bei mehrkategorialen Prädiktoren, nominalen Mediatoren oder dichotomen Outcomes wird das Vorgehen komplexer. Dann reicht ein Standardmodell mit linearer Regression oft nicht aus. Auch die Interpretation indirekter Effekte in logistischen Modellen verlangt methodische Sorgfalt.

So interpretieren Sie den SPSS-Output

Der PROCESS-Output wirkt zunächst umfangreich, enthält für eine einfache Mediation aber drei zentrale Ergebnisbereiche. Zuerst sehen Sie das Modell mit M als abhängiger Variable. Hier finden Sie den a-Pfad. Danach folgt das Modell mit Y als abhängiger Variable. Der Koeffizient von M ist der b-Pfad, jener von X der direkte Effekt c'. Am Ende steht die Tabelle zum indirekten Effekt.

Angenommen, die Arbeitsbelastung sagt eine schlechtere Schlafqualität vorher (a = -0,42), und eine bessere Schlafqualität geht bei Kontrolle der Belastung mit geringerer Erschöpfung einher (b = -0,55). Das Produkt beider negativen Pfade ist positiv: Höhere Belastung erhöht über schlechteren Schlaf die Erschöpfung. Wenn das 95-Prozent-Bootstrap-Konfidenzintervall für diesen indirekten Effekt beispielsweise von 0,08 bis 0,39 reicht, liegt kein Nullwert darin. Der indirekte Effekt ist statistisch abgesichert.

Ob zugleich ein direkter Effekt von X auf Y bestehen bleibt, entscheidet über die Bezeichnung der Mediation. Ist c' weiterhin statistisch auffällig, liegt eine partielle Mediation vor: Schlafqualität erklärt einen Teil, nicht aber den gesamten Zusammenhang. Ist c' nicht statistisch auffällig, wird häufig von indirekt-only Mediation gesprochen. Der Begriff „vollständige Mediation“ ist vorsichtig zu verwenden, denn ein nicht signifikanter direkter Effekt beweist nicht, dass kein weiterer Mechanismus existiert.

Vermeiden Sie den Satz, der Mediator „erkläre x Prozent des Effekts“, wenn Sie dafür keine passende Kennzahl und keine methodische Begründung haben. Besonders bei Querschnittsdaten kann eine solche Formulierung kausaler wirken, als das Design erlaubt. Formulieren Sie präziser: „Die Ergebnisse sind mit der Annahme eines indirekten Zusammenhangs über M vereinbar.“

Häufige Fehler beim Mediationsmodell in SPSS

Der verbreitetste Fehler ist, eine Mediation allein aus einem Querschnittsdatensatz kausal zu deuten. Wenn alle Variablen zum selben Zeitpunkt erhoben wurden, ist die Reihenfolge X, M und Y theoretisch begründet, aber empirisch nicht bewiesen. Auch ein umgekehrtes Modell kann mit denselben Daten teilweise ähnlich gut passen. Längsschnitt-, Experimental- oder Interventionsdaten erlauben deutlich stärkere Aussagen.

Problematisch ist auch die mechanische Auswahl von Mediatoren. Ein Mediator sollte keine beliebige Variable sein, die zwischen X und Y signifikant wird. Er braucht eine nachvollziehbare Rolle im theoretischen Modell und sollte nicht erst nach Sichtung vieler Analysen ausgewählt werden. Sonst steigt das Risiko zufälliger Befunde.

Ebenso kritisch sind zu kleine Stichproben. Bootstrap verbessert die Schätzung des Konfidenzintervalls, schafft aber keine Information, die in den Daten nicht vorhanden ist. Bei kleinen Stichproben werden Intervalle breit, Effekte instabil und einzelne Fälle einflussreich. Eine Fallzahlplanung vor der Datenerhebung ist daher besser als die nachträgliche Suche nach einem gerade noch signifikanten Ergebnis.

Schließlich sollten Kovariaten nicht gedankenlos eingefügt werden. Eine Variable, die selbst durch X beeinflusst wird, kann als Kontrolle den Effekt verfälschen. Bei komplexeren kausalen Strukturen lohnt sich vor der Auswertung ein kausales Diagramm: Welche Variablen sind Confounder, welche Folgen der Exposition und welche potenzielle Collider-Variablen?

Ergebnisse wissenschaftlich berichten

Ein guter Ergebnisabschnitt nennt das Modell, die Schätzmethode und die zentralen Koeffizienten. Berichten Sie neben den unstandardisierten Regressionskoeffizienten die Standardfehler, p-Werte oder Konfidenzintervalle sowie die Modellgüte. Für den indirekten Effekt gehören der Punktschätzer und das Bootstrap-Konfidenzintervall in den Text.

Eine mögliche Formulierung lautet: „Es wurde eine Mediationsanalyse mit 5.000 Bootstrap-Stichproben durchgeführt. Arbeitsbelastung sagte eine geringere Schlafqualität vorher, B = -0,42, SE = 0,10, p < .001. Schlafqualität sagte unter Kontrolle der Arbeitsbelastung eine geringere Erschöpfung vorher, B = -0,55, SE = 0,12, p < .001. Der indirekte Effekt von Arbeitsbelastung auf Erschöpfung über Schlafqualität war positiv, B = 0,23, 95%-Bootstrap-KI [0,08; 0,39].“

Passen Sie Dezimalstellen, Formatierung und statistische Notation an die Vorgaben Ihrer Hochschule, Zeitschrift oder Ihres Fachbereichs an. Bei einer Dissertation oder Publikation reichen Tabellenwerte allein selten aus. Leserinnen und Leser müssen verstehen können, welche theoretische Aussage das Modell prüft und welche Grenzen die Daten setzen.

Wenn Variablenkodierung, Modellwahl oder Ergebnisinterpretation Zweifel auslösen, sollte die Analyse vor der Abgabe fachlich geprüft werden. Easy Statistik unterstützt Sie dabei individuell durch promovierte Statistikerinnen und Statistiker - von der Modellentscheidung über die SPSS-Auswertung bis zum nachvollziehbaren Reporting. Nutzen Sie für eine diskrete Ersteinschätzung das Kontaktformular und klären Sie Ihr Mediationsmodell, bevor aus einem vermeidbaren Detail ein methodisches Risiko wird.