Hey Björn Ich finde dein Video echt super gut! Richtig toll erklärt und mit einfachen Beispielen erläutert. Dazu noch deine angenehme Stimme und dein auf mich sehr professionelles und ambitioniertes Vortragen, echt spitze! Das hat mir wirklich geholfen Statistik besser zu verstehen. Ich schau mir auch direkt die nächsten Videos nich an 👍🏻👍🏻 Danke dir :) selten so gute Erklärvideos zu Datenanalyse gefunden 🙌🏼
Hallo Björn, vielen Dank für die übersichtlichen Videos! Ich sitze aktuell an der Auswertung meiner Masterarbeit und nutze PROCESS für die Moderationsanalyse. Ich habe 3 Fragen die sich mir noch stellen. 1. X ist bei mir multikategorial (3 verschiedene Bedingungen). Ich habe als Befehl bisher Indicator Coding ausgewählt. Hast du ein Video, in dem die Unterschiede der Coding Varianten erklärt werden und v.a. im Hinblick auf PROCESS wie die Ausgabe anschließend interpretiert werden würde? 2. Ich habe gelesen, dass Hayes empfiehlt die Heteroscedasticity-consistent inference HC3 oder HC4 standardmäßig zu verwenden, sodass man die Voraussetzung eigentlich gar nicht mehr testen müsste. Siehst du das ähnlich, oder gibt es Gründe die doch dafür sprechen, die Voraussetzung zu testen und nur bei Verletzung HC3/4 zu verwenden? 3. Wie lässt sich Bootstrapping im Fall der Moderation nutzen? Vielen Dank und viele Grüße Hannah
Vielen lieben Dank für die tollen Videos. Das vereinfacht ungemein Daten auszuwerten. Ich habe wie so viele andere, auch noch eine Frage an dich. Meine AV ist metrisch skaliert, meine UV ist nominal skaliert (2 Gruppe) und der Moderator (bzw. die andere UV) ist jedoch continuous. Kann ich bei der Auswertung genauso verfahren wie hier? Gibt es dafür ein spezielles Modell oder muss ich meine continuous Variable in eine dichotome Variable umformen? Vielen Dank für Ihre Hilfe!
Hallo, zunächst einmal herzlichen Dank für deine vielen ausgesprochen gut erklärten Videos! Ich habe allerdings noch eine Frage: Ich habe bei der Interaktion extrem hohen p-Werte (nahe 1), obwohl im Interaktionsdiagramm (bei dem ich einen Median-Split gemacht habe) ein Interaktionseffekt zu erkennen ist. Ich frage mich, ob das realistisch ist. Über eine Antwort würde ich mich sehr, sehr freuen! :)
Hallo Björn, ich habe eine Frage zum Interaktionseffekt in Process. Mein Interaktionseffekt ist nicht signifikant. Wenn ich mir allerdings die verschiedenen Ausprägungen anzeigen lasse (Conditional effects of the focal predictor at values of the moderator(s):), sind alle p-Werte signifikant. Hierzu habe ich unter Optionen: probe interactions--> always angeklickt. Woran liegt das? Und kann man die Interaktionseffekte überhaupt interpretieren, wenn kein signifikanter Effekt vorliegt? Vielen Dank und Liebe Grüße Annika
Hey:) ich hätte eine Frage- ich hab in meiner Masterarbeit mit Process eine Moderation berechnet und mir diese auch grafisch ausgeben lassen. Jetzt bin ich mir aber nicht sicher ob ich diese Grafik auch einfach (nachdem ich sie APA-„konformer“ gemacht habe) in die Arbeit so mit reinnehmen darf, weil es ja eben mean gecenterte Variablen sind nun und auch weil die Y-Achse ja nicht bei 0 beginnt…. weißt du wie man das normalerweise macht? Oder gibt man einfach beide Grafiken an - also einmal die von PROCESS und einmal die „normale“ die man sich so von SPSS ausgeben lassen kann? Vielen Dank im Vorraus:)
Sehr geehrter Herr Walther, Ich bin nicht sicher in Bezug auf die Vorraussetzung des Skalenniveaus bei Moderationsanalysen. Ein Moderator den ich verwendne will ist likertskaliert und hat nur ein Item. Sie sagen ja selbst, dass die verwendung von ordinalskalierten Variablen umstritten ist. Hayes nennt es in seinem Buch Introduction ja auch nicht explizit als Vorraussetzung.. Glauben sie, man kann so ein Item ohne Dummykodierung verwenden ?
Danke auch für dieses wunderbare Video! Ich hätte noch eine Frage wg. Voraussetzung der Linearität. Soll man alle Variablen auf die Linearität prüfen oder nur Prädiktor+Kriterium? Sollte man diese Annahme mit Streudiagramm mit unstandardisierten und vorhersagten Werte und die studentisierten Residuen prüfen?
Hallo Oxana, danke für dein Lob! Nur UV und AV sind auf Linearität zu prüfen, was meist mit einem Streudiagramm der Rohdaten von UV und AV völlig ausreicht - viele Autoren verzichten allerdings auch da gänzlich drauf und argumentieren, dass die Signifikanz der ANOVA bei nicht ausreichender Linearität ohnehin zu hoch ist, als das das Modell noch einen Erklärungsbeitrag leisten kann. Dem kann man nach meiner Einschätzung auch folgen. Viele Grüße, Björn.
Hallo, vielen Dank erstmal! Ich habe noch eine kleine Frage: Wenn man ne zweistufige UV hat, also zb ne Kontrollgruppe, muss man dann die Mediation getrennt rechnen? Also einmal für Kontrollgruppe und einmal für die Experimentalgruppe? Liebe Grüße!
Hallo Hannah, es sollte in deinem Falle reichen diese UV ins Modell aufzunehmen und zu schauen, was passiert. Die getrennte Rechnung würde ich nur in Erwägung ziehen, wenn ich im Vorfeld bei den anderen UV auch andere Effekte (Vorzeichen anders) erwarte, eine hinreichende Stichprobengröße hätte und mir das Teilen "erlauben" kann; Stichwort: statistische Power. Viele Grüße, Björn.
Das Video ist wirklich super, vielen Dank dafür! Bei der Interpretation des Outputs hätte ich noch eine Frage: der R-sq Wert in der Model Summary - ist dies der "adjusted R square"? Und falls nicht, wo finde ich diesen Wert?
Hallo Hanna und danke für dein Lob! PROCESS gibt beim Rechnen der Moderation nur das normale R² und damit den Prozentsatz der Varianzaufklärung aus. Über die Gründe kann man nur spekulieren, ich tippe aber darauf, dass das Interesse der Interaktion an sich gilt. Ein adjustiertes R² bekommst du aber, wenn du die Moderation wie in diesem Video rechnest: ruclips.net/video/horOf-hTuFo/видео.html Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Super, vielen Dank! Habe es nun ohne Process berechnet, die anderen Werte weichen leicht ab, habe aber auch HC3 in Process genutzt. Die R und R2 Werte sind aber komplett identisch, daher gehe ich davon aus, dass ich das korrigierte R2 auch einfach in den Ergebnissen berichten kann zusätzlich zu meinen Process Ergebnissen, oder?
Hallo Hanna, ja, du kannst das korrigierte R² übernehmen. Das wird ja nur aus dem R² um die Anzahl der Parameter und der Stichprobengröße korrigiert. Viele Grüße, Björn.
Hallo, je nachdem, was du erreichen möchtest, ja. Typischerweise ist das aber nicht nötig. Generell zu Standardisierung hier noch ein Hinweis aus Hayes (2018), S. 525: "Fourth, as with mean centering, the decision to standardize X and W or to report standardized or unstandardized regression coefficients is your choice to make. But if you choose to do so, don’t say you are doing so to reduce the effects of collinearity. Personally, I prefer to talk about regression results in unstandardized form. [...] When doing so, make sure that you are reporting and interpreting the coefficients corresponding to the unstandardized model in the output of your program and not the standardized model. Indeed, as a general rule, *never* report or interpret the coefficients listed in a standardized section of the output when your model includes the product of two variables along with the components of that product, and don’t use these coefficients to probe an interaction." Viele Grüße, Björn.
Hallo Björn! Vielen Dank erst einmal für das hilfreiche Video. Ich habe jedoch noch eine Frage: meine UV, mein Moderator und die AV sind mit Likert Skalen gemessen worden. Wenn ich die Moderation ohne „mean center for products“ laufen lasse, erhalte ich signifikante b1 und b2 Koeffizienten in entgegengesetzter Richtung (negativ). Der Interaktionsterm ist wie erwartet positiv und signifikant. Wenn ich aber „mean centering for products“ auswähle, erhalte ich wie erwartet positive und signifikante b1 und b2. Meine Frage ist nun, darf man bei Likert Skalen mean centern? Ich habe vergeblich nach Quellen gesucht. Vielleicht kannst du mir hier weiterhelfen (ein Paper empfehlen?). Jedoch werden Likert Skalen meist als continuous scales behandelt, sodass das mean centering möglich sein sollte oder? Vielen Dank!
Hallo Moerv06, prinzipiell kann man bei Likert Skalen mean centern. Allerdings ist zu Bedenken, dass bei zu wenigen Abstufungen (unter 5 typischerweise) das nicht so sinnvoll sein wird. Ein kurzer Absatz steht in Hofer, M. (2017). Mean Centering. The International Encyclopedia of Communication Research Methods, 1-3. Viele Grüße, Björn.
Hallo Björn, ich finde deine Videos super! Meine Frage ist, ob man theoretisch anstelle des mean centering die Werte auch z-standardisieren könnte. Inwiefern macht das bzgl. des Ergebnisses einen Unterschied? Viele Grüße Sarah
Hallo Sarah, danke für dein Lob! Beim mean centering, "verschiebt" man lediglich die Verteilung, die Koeffizienten bleiben genauso interpretierbar- die Konstante ändert sich aber freilich. Beim z-standardisieren ist es jedoch etwas anders, weil du zusätzlich noch durch die Standardabweichung teilst, weswegen die Interpretation in "Standardabweichungseinheiten" vollzogen wird und ein direkter Vergleich der Effekte möglich ist -die Effektinterpretation der Koeffizienten selbst ist aber schwieriger aufgrund der jeweils anderen "Skalierung". Dewegen wird bei multipler Regression auch immer unstandardisierte und standardisierte Koeffizient angegeben. Du merkst, es geht also lediglich um die Interpretation. Qualitativ sollte es keinen Unterschied machen. Viele Grüße, Björn.
Hey Björn, erstmal vielen lieben Dank für das Video, du schleifst so viele Verzweifelte durch ihre Abschlussarbeit... Ich habe aber noch eine kurze Frage.. In meinem grafischen Plot ist der Moderator auf die X-Achse geraten, bei dir liegt da aber die UV. Wie kann ich das denn umdrehen? Vielleicht ist noch wichtig zu sagen, dass meine UV kategorial ist und ich 2 Dummyvariablen erstellen musste, weil sie 3-stufig ist, keine Ahnung, ob das einen Einfluss auf die Ausgabe hat... Tausend Dank schonmal!
Hallo Pia und danke für deine lobenden Worte! Hmm, das klingt so, als ob bei der Spezifikation des Modells was schief gelaufen sein könnte. Evt. kannst du mit dem Video zur Version 3.2 ja noch mal schauen: ruclips.net/video/QHb1INZaGgA/видео.html Insgesamt ist das aber wohl wenig wahrscheinlich, dass es da einen bedeutenden Unterschied gibt. Viele Grüße, Björn.
Hallo, vielen Dank für das Video. Ich habe allerdings noch eine Frage: Muss ich bei einer dreistufigen UV (kontinuierliche AV und kontinuierlicher Moderator) in SPSS für die Berechnung der Moderation eine Dummy-Kodierung vornehmen und zwei Moderationsanalysen mit Process berechnen?
Hallo, handelt es sich denn um eine quasi-metrische UV? Wenn nicht, kannst du zwei Dummies erstellen. Die Baseline hat bei beiden Variablen 0, und dann entsprechend eine 1 für die Ausprägung 2 bzw. 3. Viele Grüße, Björn.
Hallo, vielen Dank für das hilfreiche Video! Ich habe eine Frage bezüglich der Interpretation. Und zwar ist bei mir zwar das Gesamtmodell (Model summary) signifikant mit p=.0356, allerdings habe ich keine signifikanten Haupteffekte. Lediglich bei Bedingte Effekte von X auf Y habe ich einen weiteren signifikanten Wert von p=.048 bei -1SD.. Wie kann ich das interpretieren? Schreibe ich dann, dass zwar das Gesamtmodell signifikant ist, es jedoch keinen signifikanten Haupteffekt der Prädiktoren gibt und daher keine moderation vorliegt? und kann ich überhaupt ein signifikantes Gesamtmodell haben, wenn sonst nichts signifikant ist bei den Haupteffekten? Das verwirrt mich etwas :D Würde mich sehr über eine Antwort freuen. Beste Grüße, Lena
Hallo Lena und danke für dein Lob! Wenn deine Haupteffekte nicht signifikant sind, dann ist das soweit kein Problem. Schau dir deine Interaktionseffekte (X*M) an - die möchtest du ja untersuchen. Was sagt die Signifikanz für diese Effekte? Oder ist das jetzt ein begriffliches Problem und du meinst mit Haupteffekten alle Effekte? Viele Grüße, Björn.
Hallo Björn, vielen Dank für dein sehr hilfreiches Video zur Moderation mit Process in Spss. Eine kurze Frage noch: Wenn das p bei int_1 kleiner als 0,05 aber bei der Model Summary größer als 0,05 ist, hat der Moderator dann einen Effekt oder nicht? Vielen Dank schon jetzt für deine Hilfe :)
Hallo Florian, die Frage kam gestern erst auf. Das kann sein, wenn du weitere "unwichtige" Variablen in deinem Modell hast. Wenn du sie entfernen kannst und deine Moderation signfikant verbleibt, sich dein R² erhöht und p sinkt, wäre das ein gangbarer Weg. Wie hoch ist dein p-Wert denn? Letztlich scheint es ja so, das kein individueller Effekt der Variablen existiert?, ein gemeinsamer aber schon. Viele Grüße, Björn.
Hallo Björn, vielen vielen Dank für deine schnelle Antwort! Also leider gibt es in meinen Experiment keine signifikanten Zusammenhänge - alle ANOVAS sind nicht signifikant. Dennoch wollte ich schauen, ob eine der Variablen einen moderierenden Effekt hat. Deshalb stellt sich bei mir die Frage, was das Modell aussagt, wenn 1. die Model Summary signifikant ist und int_1 nicht bzw. wenn int_1 signifikant ist und die Model Summary nicht. Ich hoffe, du verstehst was ich meine. Viele Grüße, Flo
Hallo Björn, zunächst mal vielen Dank für die tollen und hilfreichen Videos!! Auch ich habe eine Frage :) Ich habe mittels Process (Model 1) eine Moderationsanalyse durchgeführt. Mein Prädiktor X (Sturzangst) ist metrisch, mein Moderator M (Aktivitätsniveau) ist ordinalskaliert (3-fach gestuft - niedrig, moderat, hoch) und die vorherzusagende Variable Y (Lebensqualität) ist ebenfalls metrisch. Der Interaktionseffekt von XM wurde nicht signifikant. Welche Werte aus dem Ausgabenfenster sind dann in einer Abschlussarbeit in Bezug auf die angenommene Moderation wichtig zu berichten? Vielen Dank im Voraus!!! Viele Grüße, Lena
Hallo Lena, danke für das Lob! Prinzipiell ist es zwar schade, dass bei deiner Moderation XM nicht signfikant ist, das ändert aber nichts daran, welche Werte zu berichten sind. Die Koeffizienten und deren jeweilige Konfidenzintervalle, die Standardfehler, t-Werte und natürlich die p-Werte sowie den generellen Modell-Fit (R²). Die inhaltliche Interpretation der Nichtsignfikanz musst du natürlich noch vornehmen. Wichtige Frage in dem Zusammenhang: sind denn M und/oder X separat signfikant? Viele Grüße, Björn.
Vielen Dank für dein Video! Ich habe auch noch eine Frage an dich, sollte bei der Prüfung einer gerichteten Hypothese mit Prozess das Signifikanzniveau durch 2 geteilt werden? Vielen Dank!
Hallo Paula, da man bei der Regression ja testet, ob der Koeffizient von Null verschieden ist - du dir aber scheinbar sicher bist, in welche Richtung er verschieden von Null ist, - würdest du deinen p-Wert halbieren. Viele Grüße, Björn.
Hallo Björn, danke für das super Video! Es hat mir sehr geholfen. Bei meinen Ergebnissen habe ich gerade aber noch Probleme: Der Haupteffekt von X auf Y ist nicht signifikant, genauso nicht die Interaktion. Könnte man denn ohne den direkten Effekt überhaupt eine Moderation annehmen (wenn sie signifikant wäre?)? Und darf ich den (einzig) signifikanten Haupteffekt vom Moderator auf Y interpretieren? Ich habe gelesen, dass man das nur darf, wenn vorher alle Variablen am Mittelwert zentriert wurden. Ist das notwendig? Dieser Effekt würde sehr gut in meine Diskussion passen ;) Schon mal vielen Dank!!
Hallo Susi, prinzipiell zur Moderation und Mean Centering gibt es viele Autoren, die das als unnötig erachten (z.B. Kromrey, J. D., & Foster-Johnson, L. (1998). Mean centering in moderated multiple regression: Much ado about nothing. Educational and Psychological Measurement, 58(1), 42-67.), auch Hayes spricht in seinem Buch davon. Da kann man noch mal die Gründe kompakt nachlesen. Wenn der Haupteffekt nicht signifikant ist, kann trotzdem ein Moderationseffekt existieren. Wenn kein Moderationseffekt existiert, kannst du den Haupteffekt interpretieren - wenn du ihn theoretisch begründen kannst. Viele Grüße, Björn.
Hallo Björn, wieder ein super Video! Ich habe folgendes Problem: Meine x-Variable ist Blog Usage (0/1), meine y-Variable ist die Performance und mein Moderator ist Kreativität. Wenn ich jedoch bei M Kreativität eingebe, funktioniert es nicht, es kommt eine Fehlermeldung. Wenn ich stattdessen den Moderator bei W eingebe, geht es. Kannst du dir das erklären, weil eigentlich müssten da ja unterschiedliche Sachen rauskommen, oder ist das gleich? Und kann man bei PROCESS eigentlich auch auf Multikollinearität und Autokorrelation testen oder geht das nur bei einer "normalen Regression"? Weil wenn ich eine normale Regression rechne, kommt ebenfalls eine Fehlermeldung (also beim Testen des Einflusses von Blog Usage auf Performance). Liegt das vielleicht daran, dass Blog Usage ein Dummy ist, muss ich da was besonderes beachten? Wäre dir sehr dankbar für deine Hilfe! :) Vielen Dank!
Hallo Anne, eigentlich sollte eine dichotome X-Variable funktionieren. Wie ist Kreativität skaliert? Sicher ordinal? Ich arbeite inzwischen nur noch sehr selten mit PROCESS, das Buch von Hayes hat mir allerdings sehr geholfen, weil da viele solche Sachen geklärt werden. Autokorrekation und Multikollinearität musst du außerhalb von PROCESS testen: ruclips.net/video/jdmeDYBYsTo/видео.html Viele Grüße, Björn.
Hallo Björn, ich mal wieder O-O ;) Ich musste mich leider von den Erziehungsstilen verabschieden, da die Daten hierfür nicht ausreichend genug sind. Mit den Dimensionen hingegen kann ich einigermaßen rechnen. Also bin ich nun dabei 6 verschiedene Moderationsanalysen zu rechnen. Die Voraussetzungen habe ich einzeln für alle 6 Analysen geprüft und sie sind teilweise erfüllt. Nun habe ich eine Frage, falls der Interaktionseffekt selbst (mit PROCESS) nicht signifikant wird (in meinem Fall zb. p= ,0544) kann ich dann nichts anderes mehr interpretieren? Also in meinem Fall werden unten bei den "Conditional Effects..." bei 0 oder +1 SD die Effekte signifikant. Ich habe auch den Johnson-Neyman durchgeführt, bin mir hier aber bei der Interpretation auch nicht ganz sicher, was darf bzw. kann ich mit Hilfe dieses Tests über die Daten sagen? Ich hoffe du kannst mir abermals weiter helfen :) Viele Grüße Sarah
Hallo Sarah, schade, dass ein Teil flöten geht, aber so ist das leider manchmal. :/ Prinzipiell ist der vermutete Moderatoreffekt dann nicht statistisch signifikant, also faktisch nicht nachweisbar. Wenn X oder M selbst signfikante Effekte entfalten, kannst du die aber interpretieren. Die Johnson-Neyman-Technique zeigt dir lediglich an, in welchen Wertebereichen des Moderators Signifikanz hinsichtlich des Einflusses auf Y besteht, wie auch bei "Conditional effect of X on Y at values of the moderator(s) ". Wenn also die Konfidenzintervallgrenzen durchweg positiv oder negativ sind, ist der Effekt statistisch signifikant, was auch am p-Wert < 0,05 erkennbar ist. Das kannst du bei Hayes (2013) S. 226 auch noch mal schön sehen. Viele Grüße, Björn.
Hallo Björn, besten Dank für dein Video! Wieder etwas Neues gelernt :) Ich habe mir jetzt auch das PROCESS Makro runtergeladen und in meinem Fall zwei Moderatoren (Model 2). Beide sind signifikant. Wenn ich mir die Interaktionsdiagramme ausgeben lasse, schneiden sich die drei Regressionsgraden für den einen Moderator (negativer Effekt von XM auf X -->Y) und für den anderen (positiver Effekt von XW auf X-->Y) laufen die Graden auseinander, wie es bei dir im Video der Fall ist. Liegt das an den unterschiedlichen Zusammenhängen (positiv, negativ) oder gibt es dafür einen anderen Grund? Also beispielsweise einen konkreten Wert im Output, mit dem sich der Unterschied erklären lässt? Ich kenne es leider im klassischen Fall nur so, dass sich die Graden in einem Interaktionsdiagramm schneiden und weiß nicht, wie der Unterschied zustande kommt, obwohl beide Interaktionterme signifikant sind. Beste Grüße Christoph
Hallo Björn, vielen Dank für deine Antwort. Wenn keine Interaktion vorliegt, verlaufen die Linien parallel, daher denke ich, dass es an der Größe der Koeffizienten der Interaktion liegt, kann es aber nicht wirklich belegen. Dein Beispiel: int_1; coeff = 12,09 --> keine Überschneidung Meine erste Interaktion: int_1; coeff = 0,217 --> keine Überscheidung Meine zweite Interaktion: int_2; coeff = 0,0007 --> Überschneidung PS: Kennst du eine geeignete Excel-Vorlage oder ein anderes Tool, um die Daten des PROCESS Makros zu plotten? Beste Grüße Christoph
Hallo Björn, vielen Dank für das Video. Weißt du zufällig auch, wie ich vor der Moderationsanalyse den optimalen Stichprobenumfang bzw. den Effekt schätze? Es geht um die einfache Moderation X -> M --> Y. Herzliche Grüße!
Hallo Nora, da gibt es keine Daumengröße und da ist man am besten dran, wenn man sowas wie GPower benutzt. Die Power sinkt aber mit zunehmender Stichprobengröße (Weisburd Paradoxon). Für ein Power-Level von 0,95 also den beta-Fehler von 0,05 und einer gewünschten Effektstärke von 0,15 (was ein R² von ca. 0,13 ist) bei 3 UV müssten es 124 sein. Am besten du probierst für deinen Anwendungsfall selber mal ein wenig mit GPower rum. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hallo Björn, danke für deine Antwort. Ja ich verwende auch G*Power. Ich habe folgende Einstellungen vorgenommen: t-Test - Linear multiple regression - a priori - tails: two - f2: 0.15 - a err: 0.05 - Power: 0.95 - predictors: 2 Bei mir kommt ein Sample von 89 raus. Würdest du mehr Wert auf die Power legen (0.95 oder nur 0.8) oder mehr auf die Effektstärke (0.15 oder 0.02)? Bzw. auf welche Effektstärke beziehst du dich denn? Liebe Grüße
Hallo Nora, eigentlich hast du ja 3 Prädiktoren, weil der Interaktionsterm ja auch einer ist. Ich bin über Exact und Random model gegangen, hatte daher vermutlich andere Werte. Auf Basis der t-Verteilung ist aber sicher besser. Man würde häufig anhand der gewünschten effect size/Effektstärke unter gegebener Power (0,95 ist da die Regel) bestimmen, wie groß die Stichprobe sein sollte. 0,02; 0,15; 0,35 sind da die Grenzen, an die ich mich halten würde (S. 413-414, Cohen (1988) Statistical Power Analysis). 0,8 würde ich persönlich nicht mehr für akzeptabel halten. Man kann auch R² bereits als Effektstärke nehmen oder eben f². S. 410 bei Cohen (1988) zeigt die Formel zur Umrechnung. Viele Grüße, Björn.
Herzlichen Dank für dank für das tolle Video. Ich hab eine Frage: Bei mir sind zwar die einzelnen p-Werte signifikant, aber nicht der Interaktionseffekt. Bedeutet das, dass zwar alle Variablen auf y einen Effekt haben, aber nicht in der jeweiligen Interaktion? Vielen Dank.
Hallo Christian und danke für dein Lob! Wenn die Interaktionseffekte beim Rechnen der Moderation nicht signifikant sind, kannst du ganz normal die "einfachen" Effekte interpretieren. Viele Grüße, Björn.
Ok, danke dir. Das habe ich gemacht. Kann es auch daran liegen, dass meine unabhängige Variable dichotom ist und meine abhängige Variable von 1-7 skaliert ist. Danke dir.
Hallo Christian, bei einer unabhängigen dichotomen Variable - und sonst keiner weiteren UV? - würde ich mich schwer tun eine Regression zu rechnen. Woher soll das Modell auf Basis einer einzelnen Variable mit 2 Ausprägungen wissen, wie eine AV mit 7 Ausprägungen zustande kommen soll. Wenn dein Moderator dichotom ist, wäre das was anderes. Ist deine AV denn metrisch oder ordinal? Es klingt eher wie letzteres, wofür eine ordinale Regression sinnvoller wäre. Diese kann als Moderation allerdings nicht mit PROCESS gerechnet werden. Viele Grüße, Björn.
Eine Frage: Du hast die Standardisierung der Variablen erklärt -> Mittelwert 0 und +-1 SD; Zusätzlich meintest du, dass wenn wir die Motivation bei 0 belassen, erhöhen wir bei einer Erhöhung um 1 IQ Punkt 19Score Punkte. Sollte es nicht heißen, dass wir bei einer Motivation=Mittelwert und einer Erhöhung des IQ um 1 Punkt 19 Score Punkte erhalten? Also wenn die Motivation durchschnittlich hoch ist, sollte man bei bei jeder Erhöhung um 1 IQ Punkt 19 Score Punkte erwarten können. Liege ich da falsch?
Hallo Tobias, ich zitiere hier direkt mal Hayes (2016), S. 524: " If you get in the habit of mean centering XandW, you know that b1 and b2 and their tests of significance will always be interpretable and meaningful because they estimate conditional effects of X and W when the other variable is at the sample mean." Bei Mean-Centered - nicht durchschnittlichem X und W - führt die Erhöhung der Motivation um 1 zu einer Erhöhung des Scores um 19 Punkte. Viele Grüße, Björn.
Sorry (Ich muss noch eine Frage direkt hinten anschließen): Wenn ich die Signifikanzniveaus der Regressionskoeffizienten des gleichen Prädiktors in den unterschiedlichen Ausprägungen berichten will (Also das was bei "Conditional Effect of X on Y at values of moderator" steht), muss hier nach Bonferroni korrigieren? Einerseits erhöhe ich mit jedem Modell, das ich zusätzlich berechne, die Wahrscheinlichkeit, den Fehler 1. Art zu begehen, andererseits möchte ich durch diese Tests ja nur die bereits signifikant gewordene Interaktion interpretieren. Kannst du mir hier auch nochmal weiterhelfen? Vielen vielen Dank!
Hallo, da du das Modell einmal berechnest, hast du keine multiplen Tests (wie beim post hoc einer ANOVA), welche ein Anpassen der Signifikanz erfordert. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Vielen Dank für deine Antwort! Ich bin mir etwas unsicher. Das was PROCESS tut, ist ja im Prinzip für +1SD, MW und -1SD jeweils ein allgemeines lineares Modell zu berechnen und zu gucken, welchen Einfluss es auf die Steigung des anderen Prädiktors es hat, wenn der Moderator als Abweichungswerte in die Modelle aufgenommen werden. Also im Prinzip werden schon mehrere Analysen gerechnet. Ich habe es mir jetzt so erklärt, dass ich durch die Moderationanalyse nur den signifikanten Interaktionseffekt interpretieren möchte, weshalb nicht jedes signifikante Ergebnis durch PROCESS zu einer Ablehnung der H0 führen würde.
Hallo Björn. Ich wollte fragen, welche Voraussetzungen erfüllt sein müssen um eine Moderation mit PROCESS in SPSS zu rechnen. Das Problem ist, dass meine UVs and AVs (nicht alle) keine Linearität auweisen, nicht normalverteilt sind, die Residuen nicht normalverteilt sind, Homoskedastizität ist vorhanden, und sie sind nicht multikolinar. Danke bereits im Voraus für deine Antwort.
Hallo Sabrina, streng genommen müssen alle Voraussetzungen einer linearen Regression erfüllt werden: ruclips.net/video/MrAPaLLbZQE/видео.html Am ehesten sollte man darauf achten, dass keine Multikollinearität und Heteroskedastizität vorliegt und die Residuen/Fehlerterme normalverteilt sind. Sollten einzelne Voraussetzungen nicht erfüllt sein, sind entsprechende Gegenmaßnahmen zu ergreifen - da muss ich aber auf die entsprechenden Videos im Kanal verweisen, da dies hier zu weit führen würde, das zu wiederholen. Viele Grüße, Björn.
Hallo Björn ich habe auch eine Frage zur Moderation, leider konnte ich bisher keine Antwort finden. Bei mir Handelt es sich um eine Multiple Regression mit 4 IV und einer DV. EIner dieser IV soll auf einen moderierenden Effekt auf DV geprüft werden. Meine Frage daher: Da ich vorher eine multiple Regression gemacht habe und wenn ich jetzt in Process eine Modertaion mit Modell 1 durchführe fehlen dann die WIrkung von den weiteren 3 IV ? Kann man die anderen 3 IV als Covariates einbauen? Oder macht das keinen Sinn? Alternativ würde ich keine multiple Regression machen sondern für alle 4 IV einfache Regressionen und dann mit Process den einen moderien Effekt prüfen -> damit ich nicht zei vorgehensweisen vermische. Zusammengefasst frage: 4 IV eine DV und ein Moderator für eine IV. Kann ich die Moderation getrent von den weitern 3IV testen? Vielen Lieben Dank schonmal
Hallo M-Chr, du kannst die anderen IV, die nicht Teil der Moderation sind, als Covariates aufnehmen. Die Regression wird dann ganz normal geschätzt. Covariate ist in vielerlei Hinsicht als Synonym für IV zu verstehen. Viele Grüße, Björn.
Hi Björn, ich hätte nochmal zwei Fragen: 1) Kann man in PROCESS 4 Moderatoren parallel testen oder geht das nur einzeln? 2) Bei einer Regressionstabelle mit 4 Moderatoren würdest du empfehlen, pro Modell nur einen Interaktionsterm (und natürlich Kontrollvariablen und UV und Moderator) darzustellen oder es so zu machen, dass man bei jedem Modell schrittweise einen neuen Interaktionsterm dazu nimmt (also M1: IT1+KV+UV, M2: IT2+KV+UV ODER M1: IT1+KV+UV, M2: IT1+IT2+KV+UV usw.)? Vielen Dank für deine Hilfe!! :) LG
Hallo Anne, wenn keine besonderen Gründe dafür sprechen, würde ich keine schrittweise Aufnahme durchführen. Ich würde außerdem alle Moderatoren gleichzeitig berechnen - es kann vorkommen, dass manche Moderatoren nur wirken, wenn für andere UV (und Moderatoren) kontrolliert wird. Aus reiner Neugier, welches der Modelle bei PROCESS rechnest du denn? Viele Grüße, Björn.
Hi Björn, danke dir, ohne dich wäre ich echt aufgeschmissen :D Also ich habe eine x-Variable (Nutzung einer bestimmten Lernform), meine y-Variable ist die Performance und dann habe ich 4 separate Moderatoren (4 Eigenschaften). Deshalb habe ich jeden einzelnen Moderator mit Process getestet, also Modell 1 genommen. Ich hätte es jetzt auch so gemacht wie du, und in jedem Modell nur einen Moderator aufgezeigt (mit UV, Kontrollvariablen) und im allerletzten Modell alle Moderatoren komplett aufgenommen (mit UV & KV). Es ist nämlich tatsächlich so, dass ein Modell mit einem bestimmten Moderator signifikant ist (Modell-Fit/ANOVA) und auch der Interaktionsterm signifikant ist. Für alle anderen drei Moderatoren sowie das Modell, in dem alle Moderatoren drin sind, ist nichts signifikant (sowohl die einzelnen Interaktionsterme nicht als auch jeweils das gesamte Modell / ANOVA). Kann sowas sein bzw. wie würde man das interpretieren? Finde es halt komisch, dass alle anderen Modelle überhaupt nicht signifikant sind und nur das eine signifikant ist (also der insgesamte Modell-Fit / ANOVA). Vielleicht kannst du mir hier nochmal helfen, das wäre super!! Vielen Dank!! :) Und nur so interessenshalber: Was wären denn Gründe, die für eine schrittweise Aufnahme der Moderatoren sprechen würden? ich werde es aber einzeln machen, weil jeder Moderator sich auf eine Hypothese bezieht :)
Hallo Anne, wenn nur ein Modell und Moderator Signifikanz zeigen, ist das wohl schlicht so. Häufig schiebt man es dann auf den Datensatz (zu klein, zu einseitig usw.) und muss sich damit zufrieden geben. Es kann sein, dass wenn weitere Variablen ins Modell aufgenommen werden, andere Variablen keinen signifikanten Einfluss mehr haben, weil du nun für die "neuen Variablen" und deren Einfluss kontrollierst. Das würde man dann auch so darlegen (müssen). Schrittweise könnte man tatsächlich auch bei einer Interaktion rechnen, dann aber eher einmal ohne Moderator, einmal mit Moderator, um zu sehen, was die Interaktion ausmacht, speziell beim R² eine Verbesserung/Verschlechterung beobachten könnte. Viele Grüße, Björn.
Hey Björn, gibt es auch die Möglichkeit eine Moderations Analyse für meherere UVs (genauer 3) mit dem Model 2 aus Process zu berechnen? Wie würdest du da vorgehen? LG Tobias
Hallo Tobias, das würde ich vermutlich ohne PROCESS rechnen, da in PROCESS immer nur eine UV aufgenommen werden kann, für die ein Interaktionseffekt berechnet wird. Weitere UV können nur als Kontrollvariable (Covariates) aufgenommen werden. Wie man es ohne PROCESS rechnet, zeige ich hier: ruclips.net/video/horOf-hTuFo/видео.html Du musst dann entsprechend 7 UVs haben. 3 sind deine normalen UV (X), 1 UV ist der Moderator (M) und 3 weitere UV sind die Interaktionsterme (X*M). Viele Grüße, Björn.
Hey Björn, ich bin auf der Suche nach einer Möglichkeit eine Moderatoranalyse für wiederholte Messungen durchzuführen, finde allerdings weder bei Andy Field noch bei Hayes eine Lösung. Ich habe zwei unabhängige dichotome Variablen (High-Fives vs. Low-Fives und alleine vs. mit Partner) die zu vier verschiedenen Kombinationen zusammengefügt werden. Zu jeder der vier Bedingungen messe ich anschließendes Scoring in einem Spiel (als AV) und die Beziehung zum Partner (als Moderator). Nun ist die Frage moderiert die Beziehung zum Partner das Outcome in den vier Bedingungen. Kennst du eine Lösung für das Problem, bzw. weißt wo ich mich über Moderatoranalyse für wiederholte Messungen informieren kann? Vielen Dank, Leon
Hallo Leon, eine Möglichkeit wäre mit Panelmodellen eine Moderation zu rechnen. Das geht in R mit PLM oder auch in STATA - weniger komfortabel als in PROCESS, aber die einzige mir momentan bekannte Möglichkeit. Hierzu braucht man das Wissen, dass ein Interaktionseffekt sich aus der Multiplikation der beiden Regressoren (X-unabhängige Variable, M- Moderatorvariable) ergibt. Hier zeige ich, wie man es in SPSS ohne PROCESS rechnet, man kann das aber 1:1 für ein Panelmodell umsetzen: ruclips.net/video/horOf-hTuFo/видео.html Viele Grüße, Björn.
Frage: Wenn ich die Korrelation zwischen meiner UV und AV prüfe und die nicht signifikant ist, sagt das was darüber aus, wie sich die Variablen in einer Moderationsanalyse verhalten? Ist "keine Korrelation" zwischen UV und AV ein Indiz für "keine Moderation" Danke für das Video!
Hallo Johanne, prinzipiell sprichst du da einen wunden Punkt jeglicher (lienarer) Regressionen und nicht nur der Moderation an. Eine (signifikante) Korrelation ist kein Indiz für Kausalität und auch das Fehlen einer Korrelation ist kein Indiz für keine Kausalität. Unter dem Stichwort "Cum hoc ergo propter hoc" findest du weitere Informationen dazu in der Literaur. Mein Rat also: Korrelationen braucht es eigentlich überhaupt nicht für Regression - es sei denn man prüft die Voraussetzungen wie Multikollinearität, um eine Regression bzw. Moderation überhaupt erst rechnen zu dürfen: ruclips.net/video/MrAPaLLbZQE/видео.html Viele Grüße, Björn.
Hallo Björn, vielen Dank für dein Video! Auch ich habe eine Frage und hoffe du kannst mir weiterhelfen. Ich möchte eine Moderatoranalyse rechnen, in der die unabhängige Variable körperliche Aktivität und die abhängige Variable Depressivität ist. Als Moderator würde ich gerne die Diagnose betrachten (ist die Diagnose ein Prädiktor?), wobei es drei Gruppen gibt (1: Depression, 2: Schizophrenie und 3: Gesunde Kontrollen). Welche Möglichkeiten bestehen nun für mich diese Auswertung anzugehen? Vielen Dank und liebe Grüße, Esra
Hallo Esra, prinzipiell kannst du mit der Version 3 von PROCESS eine Moderation genauso wie oben gezeigt rechnen. Die Moderatorvariable kann sowohl zwei als auch drei Ausprägungen haben. Die Diagnose taugt auf jeden Fall als Moderator. In einer Moderation wird auch der Moderator zum Prädiktor, dich interessiert aber ja ohnehin nur der Interaktionseffekt als Produkt aus Prädiktor X und Moderator M. Viele Grüße, Björn.
Hallo Björn, vielen Dank für Deine schnelle Antwort! Wenn ich das so mache, spuckt mir die Ausgabe bei Conditional effect of X on Y (Min. 8 im Video) für die Diagnose (Moderator) 2, 2 und 4 (statt 2,3,4 für die Gruppen) bzw. mit Auswahl von SD's bei Conditioning values 2; 2,7; 3,6 aus, was ja bei festen Diagnosen keinen Sinn macht. Hast du diesbezüglich noch eine Idee? Vielen Dank :)
Mir wurde von Process die Variable (Häufigkeit der Kontaktierung) der X-Achse in drei Gruppen aufgeteilt. Wie kann ich die Standardabweichung dieser drei Gruppen herausfinden? Sollte nämlich in der Grafik als Standard Error verzeichnet sein! Bitte um Antwort :)
Hallo Mihaela, dankeschön! Ehrlich gesagt, habe ich das PROCESS-Paket für R noch nicht ausprobiert. Die Interpretation verläuft analog, das Durchführen sollte auch nicht sonderlich kompliziert sein, wenn ich die Dokumentation so anschaue. Viele Grüße, Björn.
Statistik am PC vielen Dank für deine Rückmeldung. Hast du zufälligerweise Videos zum Thema Konfirmatorische Faktorenanalyse? Welche Möglichkeiten gibt es ein relativ schlechtes Modell zu verbessern? Der FCI Wert ist zwar gut aber Chi2, TLI und RMSEA Werte sind leider schlecht. VG, Mihaela
@@mihaelawassilko7414 Hallo Mihaela, zur konfirmatorischen Faktorenanalyse gibt es noch nichts. Evtl. kommt demnächst mal etwas zur explorativen. Ich persönlich suche mir lieber immer schon valide Skalen, weil ich mich dann nicht mit dieser anstrengenden "Kaffesatzleserei" beschäftigen muss. Ich fand "Introduction to Structural Equation Modelling Using SPSS and AMOS" ein ganz einsteigerfreundliches Buch. Evtl. hilft dir das. Ansonsten habe ich mich aber nur ganz kurz mit SMART-PLS beschäftigt. Viele Grüße, Björn.
Hallo Björn, vielen Dank für dein wirklich hilfreiches Video. Ich hätte auch noch eine Frage. Ich möchte eine Moderatoranalyse rechnen. Bei mir ist die unabhängige Variable Mobbing, die kann als Mobbing I oder II vorliegen (je nach Vorkommen), diese beiden Ausprägungen sind entweder mit 1=ja kommt vor, oder 0=nein, kommt nicht vor codiert. Dann habe ich eine abhängige Variable in Form von Depressivität. Dies ist ein Punktescore zwischen 0-63 und je nachdem, welcher Score "erreicht" wird, wird eine bestimmte Ausprägung der depressiven Symptome angenommen (kein, minimal, leichtgradig, mittelgradig, hochgradig). Als Moderator möchte ich nun das Erziehungsverhalten der Eltern herannehmen und hier bin ich mir sehr unsicher. Es gäbe die Möglichkeit diese als unterschiedliche Erziehungsstile zu verwenden (jeweils getrennt nach mutter/Vater erziehungsstil trifft zu oder nicht) oder als T-Wert auf verschiedenen Dimensionen (3 Dimensionen > Wärme, Kontrolle, Psych.Kontrolle aber erneut jeweils getrennt nach Mutter und Vater und je nach Höhe des T-Wertes unter-, über- oder durchschnittlich ausgeprägt. Welche Möglichkeiten bestehen nun für mich diese Auswertung anzugehen? Und welche Vorraussetzungen (Normalverteilung o.ä.) muss ich vorher abklären? Ich hoffe du kannst mir weiterhelfen. Gerne auch mittels Mail an: little miss 0085 (at) yahoo de (alles zusammengeschrieben und Punkt nicht vergessen ;)
Hallöchen, ich habe mir dein angedachtes Modell eben mal versucht vorzustellen. Zunächst lese ich das so, als ob du zwei binär codierte UV hast (Mobbing I+II). Warum so kompliziert? Das lässt sich so doch nicht wie gewünscht modellieren. Warum ist nicht Mobbing mit z.B. 1-4 codiert: MobI_nein=1, MobI_ja=2, MobII_nein=3, MobII_ja=4? Die AV sehe ich unproblematisch, da metrisch skaliert. Dass sie gleichzeitig ab Schwellenwerten gewisse Klassen repräsentiert, ist auch ok, für die Regression/Moderation nicht wichtig. Bei der Moderatorvariable musst du glaube ich noch mal konzeptionell ran. Ich habe keinen psychologischen Hintergrund, aber Erziehungsverhalten der Eltern klingt für mich sehr nach einem latenten Konstrukt, dass bereits vielfach abgebildet sein sollte, woher du deine Dimensionen wohl auch hast. Mir stellen sich unabhängig davon aber auch hier Fragen: Wie kann eine solche Trennung der Stile nach Mutter und Vater sichergestellt werden - beeinflussen sich die Eltern nicht gegenseitig? Welcher der Einflüsse überwiegt? Wäre es nicht auch eine kühne These zu behaupten, dass Mütter einen stärkeren Einfluss in der Erziehung ausüben als Väter; oder vielleicht auch umgekehrt? Ist es das Ziel mit zwei Moderatoren M1 (Erziehungsstil Vater) und M2 (Erziehungsstil Mutter) zu arbeiten, die in einem latenten Konstrukt die von dir erwähnten Dimensionen zusammenfassen oder soll eine Moderatorvariable mit einer irgendwie durchgeführten Zusammenfassung der beiden erfolgen? Für die Durchführung der Moderation sind die typischen Voraussetzungen für Regressionen zu prüfen, da es ja letztlich nur eine Regression mit drei UV (X,M, X*M) ist. Hilft dir das bereits etwas? Ich glaube nämlich, dass am Modell noch etwas Arbeit notwendig ist, bevor du losrechnen kannst. Viele Grüße, Björn.
Noch der Nachtrag der Playlist mit den zu prüfenden Voraussetzungen für parametrische Tests bzw. Regression: ruclips.net/video/OB9PFYuKsms/видео.html Viele Grüße, Björn.
Lieber Björn, ich habe vorhin übersehen, dass deine Antwort noch nicht fertig war. :-/ Deine Anregungen helfen mir schon sehr weiter. Das Problem ist wirklich das Erziehungsverhalten. Um dir das besser zu verdeutlichen könntest du dir das -> --www.pukzh.ch/default/assets/File/Anhang_ZKE.pdf-- mal ansehen. Es werden Fragen getrennt nach Mutter und Vater gestellt. Zum erlebten Erziehungsverhalten aus Sicht der Kinder. Bestimmte Items gehören dann zu den einzelnen Dimensionen (Wärme & Unterstützung, Regeln & Kontrolle, Psychologischer Druck) und je nachdem welche Ausprägung diese dann haben (wird in T-Werte umgerechnet) sind sie eben unter-/über- oder durchschnittlich ausgeprägt und je nachdem können sie eben einem Erziehungsstil zugeordnet werden. Es muss aber auch nicht in den Erziehungsstil umgesetzt werden, man kann auch mit den einzelnen Dimensionen rechnen. Dies ist quasi nur eine Option. Vielleicht hast du da noch eine Idee parat? ;) Viele Grüße Sarah
Lieber Björn, Entschuldigung für die weitere Frage, aber ich fand nirgends eine Antwort dazu. Falls mein Model SUmmary einen p-wert über 0.05 aufweist, kann ich dann z.b meine sign. Interaktion nicht interpretieren? Danke vielmals
Hallo Sabrina, das kann sein, wenn du weitere "unwichtige" Variablen in deinem Modell hast. Wenn du sie entfernen kannst und deine Moderation signfikant verbleibt, sich dein R² erhöht und p sinkt, wäre das ein gangbarer Weg. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hallo Björn, vielen Dank erstmal für dein super Video! Leider habe ich genau dasselbe Problem wie Sabrina Meier und auch nur eine unabhängige, ein Moderator und eine abhängige Variable. Der Interaktionseffekt ist bei mir marginal signifikant, das Modell ist nicht signifikant. Ist der korrekte Weg in diesem Fall von Anfang an zu sagen: Das Gesamtmodell leistet aufgrund fehlender Signifikanz keinen Erklärungsbeitrag, somit können die Interaktionseffekte nicht ausgewertet werden? Vielen Dank vorab und ein schönes Wochenende. Viele Grüße, Caro
Hallo Björn, im Rahmen meiner Masterarbeit bin ich gerade dabei eine Moderatoranalyse mit PROCESS zu rechnen. Ich habe jedoch im Gegensatz zu dir die neue Version von PROCESS. Leider sieht bei der neuen Version alles anders aus und bin mir bei meiner Rechnung nicht sicher. Würde mich freuen, wenn du ein neues Video zu der Process Version 3.1 hochladen könntest. Gerne auch mal mit mehreren Prädiktoren. Vielen Dank!!
Hallo Psychology Graduates, ich werde mal schauen, was sich machen lässt, mit Glück Mitte nächster Woche oder Anfang übernächster Woche, wenn die schon gemachten Videos gelaufen sind. Viele Grüße, Björn
Wie testet man die Voraussetzungen für die Moderationsanaylse wie normalverteilung und homoskedastizität mit PRocess. Mann kann ja keine Residuen abspeichern oder?
Hallo, aufgrund des Bootstrappings in PROCESS ist Normalverteilungsprüfung der Residuen obsolet. Zusätzlich würde ich pauschal robsute Standardfehler mit HC3 anfordern, siehe S. 714 in Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior research methods, 39, 709-722. Gibt es keine Probleme mit Heteroskedastizität, sind die Standardfehler, t-Werte und p-Werte identisch. Gibt es Probleme, sind diese korrigiert und vorzuziehen. Viele Grüße, Björn.
Hallo Björn, vielleicht kannst du mir weiterhelfen. Ich möchte auch den Einfluss einer Moderatorvariable testen. Nun hat meine Moderatorvariable 2 Ausprägungen. Ich bin mir nun total unsicher ob ich die Regression, Anova oder Ancova benutzen soll....finde nichts darüber in der Literatur..Besten Dank
Hallo Wadim, was spricht denn in deinem Falle gegen das Rechnen einer Moderation? Eine dichotome Moderatorvariable eignet sich doch hierfür. Viele Grüße, Björn.
Hallo Björn, du hast mir bereits vor einigen Monaten mit einer Moderatoranalyse sehr weitergeholfen, deshalb würde ich nochmal auf dich zukommen, wenn ich darf. Für meine neue Fragestellung habe ich eine intervallskalierte UV (Therapiemotivation), eine intervallskalierte AV (Therapieerfolg) und einen kategorialen Moderator (Therapieziele). Nun weiß ich nicht, wie ich mit dem Moderator umzugehen habe. Jeder Patient hat eine aus 12 Therapiezielkategorien ausgewählt, was ja bedeuten würde, mein Moderator hätte 12 Stufen. Ist das überhaupt möglich? Ich habe schon einmal gehört, hier Dummy-Kodierung einsetzen zu müssen - stimmt das? Auch der Sinn ist hier fraglich, da es insgesamt nur 54 Patienten sind und manche Therapiezielkategorien nur ein Mal ausgewählt wurden. Hättest du einen Rat für mich? Ich wäre dir sehr, sehr dankbar! Viele Grüße Sarah
Hallo Sarah, prinzipiell geht eine Moderation mit einem 12-stufien Moderator, die von dir angesprochene Stichprobengröße wird aber da zu einem erheblichen Problem. Ähnliches wird dir aber auch bei der Regression mit Dummy-Variablen zum Verhängnis werden. Bei teilweise nur einem Fall kann für diese "Gruppe" keine Regressionsgerade ermittelt werden, da die mindestens aus 2 Punkten bestehen muss. Eine Zusammenfassung der 12 Kategorien in Oberkategorien ist sicher auf Grund des Kontexts auch nicht praktikabel? Viele Grüße, Björn.
Lieber Björn, erstmal vielen Dank für die rasche Antwort! Eine Zusammenfassung der 12 Kategorien der Moderatorvariable in Oberkategorien ist leider nicht möglich. Wäre es deiner Meinung nach sinnvoll, die beiden Kategorien, die nur jeweils eine Person ausgewählt hat, wegzulassen und den dadurch entstehenden Verlust von Daten hinzunehmen? Oder sollten auch die beiden Kategorien weggelassen werden, die nur von jeweils 2 Personen ausgewählt wurden? Die restlichen Kategorien, die ich miteinschließen würde, wurden von jeweils mindestens 6 Personen gewählt. Und sollte eine Dummy-Kodierung eingesetzt werden? Viele Grüße und vielen Dank nochmal, Sarah
Hallo Sarah, du kannst bei der Moderation die Kategorien mit nur einer Person weglassen. Begründen kann man das in jedem Fall mit der Stichprobengröße - welche Inferenz soll man da auch rausziehen können. Für die Fälle mit 2 Personen würde ich ähnlich vorgehen. Die Schätzung taugt mit Sicherheit nicht viel. Für alle anderen Gruppen (8 verbliebene?) kannst du das rechnen. Ich wäre fast geneigt das mit Dummy-Variablen zu rechnen. Eine Moderation kann man ja noch mal probehalber rechnen, ich würde mir an deiner Stelle aber mal die Dummy-Rechnung genauer ansehen. Viele Grüße, Björn.
Hallo Björn, vielen Dank für die Antwort!!! Meine Moderatorvariable hat nun 5 Kategorien (5 Therapiezielkategorien). Ich habe nun mal eine Moderatoranalyse gerechnet und bei Process "Multicategorial" für die M-Variable angehakt. Im Output ist ersichtlich, dass automatisch eine Dummy-Kodierung erfolgt ist. Hierbei wurde ein Therapieziel als Referenzkategorie genommen und nur für die anderen Dummy-Variablen Ergebnisse berichtet. Nun bin ich leider total überfragt, wie ich das interpretieren soll bzw. ob ich weitere Berechnungen durchführen muss, um die Referenzkategorie einzubeziehen. Bei der Referenzkategorie handelt es sich ja um eine Therapiezielkategorie, die den anderen Kategorien gleichwertig ist (und nicht beispielsweise als Referenzkategorie kein Sport, wenn die anderen Variablen verschiedene Sportarten darstellen). Über einen kleinen Tipp oder einen Hinweis auf ein Video oder eine Website, die das behandelt (ich hab bisher nichts gefunden, was zu meinem Problem passt) wäre ich dir unendlich dankbar! Viele Grüße, Sarah
Hallo, bei 2 Moderatoren musst du ein anderes Modell rechnen. Je nachdem, ob es einfache Moderatoren sind ("Model 2") oder eine moderierte Moderation ist ("Model 3"). Unabhängig davon: wenn es mehr als 2 Ausprägungen des Moderators gibt, dieser aber weiterhin ordinal ist, ist es quasi analog zu interpretieren. Wenn deine UV nur eine Ausprägung hat, ist sie eine Konstante und kann aufgrund fehlender Varianz keine Erklärungsbeitrag für die AV liefern. Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther habe ich das richtig verstanden. Meine UV muss mehr als eine Ausprägung haben? Und bei den Moderatoren ist es egal wie viele Ausprägungen sie haben? Die Daten wären von allen Variablen intervall.....
Hallo, das kommt drauf an, ob du einen Schnitt deiner Regressionsgeraden hast. Wenn nicht, dann macht es Sinn die Haupteffekte zu interpretieren, sofern sie signifikant sind. Wenn sich die Geraden allerdings schneiden, würde ich trotz Signifikanz die Haupteffekte nicht interpretieren. Viel Grüße, Björn.
Hallo Björn, vielen Dank für dein Video! Ich hätte da auch noch einmal eine Frage und würde mich freuen, wenn du mir da helfen könntest: Bei meiner Moderationsanalyse wird die Interaktion zwar nicht signifikant, aber wenn ich mir den conditional effect of x on y at values of the moderator anschaue, wird der Effekt bei dem Mittelwert und dem Mittelwert+1SD signifikant. Hast du vielleicht eine Idee, warum dann die Interaktion nicht signifikant wird? Liegt es daran, dass der Effekt bei dem Mittelwert-1SD nicht signifikant ist? Vielen Dank und liebe Grüße! Franzi
Hallo Franzi, das muss nicht zwingend daran liegen. Die Werte der Johnson-Neyman-Technique werden nur gezeigt, wenn du Bereich hast, die signfikant sind und welche die es nicht sind. Offensichtlich hast du in deiner Moderation ja einen signifikanten Bereich für dein M. Es kann gut und gerne sein, dass nur ein kleiner Bereich signifikant ist und daher der Gesamteffekt nicht signifikant ist. Das kann u.a. daran liegen, dass schlicht nicht genug "Musik" an dem Ende der Verteilung von M ist, was auch an einer zu kleinen Stichprobe liegen kann. Viele Grüße, Björn.
Hi Björn, danke!! das hilft mir wirklich sehr weiter. :) Eine Frage ist mir noch eingefallen: Meine unabhängige Variable war die Experimentalgruppe, welche dichotom und mit 0 und 1 kodiert war. Der Effekt des Moderators auf die Experimentalgruppe, die mit 0 kodiert ist, wird signifikant und in der Abbildung, die ich mir habe ausgeben lassen, sieht man, dass der Moderator nur auf diese mit 0 kodierte Gruppe einen Einfluss zu haben scheint, da in der anderen Gruppe mit steigenden Werten des Moderators nichts passiert (die Mittelwerte bleiben gleich). Wäre das ein zusätzlicher Grund, warum die Interaktion nicht signifikant wird oder hat das nichts damit zu tun? Viele Grüße Franzi
Hallo Franzi, typischerweise würdest du deine Moderatorvariable eher als Gruppierungsvariable verwenden. Da der Interaktionseffekt ja aber das Produkt ist, kann man sich maximal noch an der Interpretation bzw. der Modellierung etwas aufhängen. Warum der Effekt nicht signfikant wird, ist wirklich schwer zu sagen. Das hat häufig inhatliche Gründe. Es erscheint mir durchaus plausibel, dass nur innerhalb einer Gruppe ein Moderatoreffekt auftritt - weswegen ich vermutlich die Moderation auch umgedreht (also X und M vertauscht) hätte. Viele Grüße, Björn.
Muss ein Moderator nicht in eines der unteren Felder eingesetzt werde (W, Z). Das M Feld ist doch lediglich für Mediatoren? Die aktuelle Version schmeißt sogar eine Fehlermeldung raus, da ein Mediator nicht mit Modell 1 vereinbar ist..
Hallo, du hast Recht. Im Video wird die (alte) Version 2.16.3. gezeigt. Da gab es noch ein anderes Interface und M variable(s) war universell für Moderator als auch Mediator. Man konnte zusätzlich unten auch noch zusätzliche Moderatoren einfügen - je nach Modell. Morgen 10 Uhr kommt ein neues Video zur Version 3.2., was bereits hochgeladen ist. Viele Grüße, Björn.
Hi, super Video! Vielen dank schon mal dafür. Ich sitze gerade an meiner quantitativen Auswertung und habe alle meine Variablen dichotom gecoded. UV (Beispiel: Investor Venture Capital ja/nein), AV (Start-Up Fail ja/nein), Moderator (Syndication* ja/nein) Jedoch sagt mir Process/SPSS: This release of process does not allow a dichotomous Y. Hast du eine Lösung zu diesem Problem? Beste Grüße und danke im Voraus Fabi *Syndication ist gegeben, wenn mehr als Investor in ein Start-Up investiert hat.
Hallo Fabian, generell kommst du da glaube ich in Schwierigkeiten, weil das Rechnen einer Regression mit nur binär codierten Variablen nur mit einer logistischen Regression funktioniert. PROCESS unterstützt bisher nur Moderation mit linearen Annahmen. Für die folgenden Ausführungen noch mal kurz der Hinweis auf das methodische Vorgehen einer Moderation: ruclips.net/video/horOf-hTuFo/видео.html Du kannst also sowohl dein X als auch dein M als unabhängige und binäre codierte Variablen (außerhalb von PROCESS) verwenden. Allerdings habe ich ein ungutes Gefühl bezüglich der dritten unabhängigen Variable, XM, die ja das Produkt aus X und M ist. So eine Moderation hatte ich bisher noch nie vor Augen. Daher die Killerfrage: Macht dieses Modell konzeptionell Sinn, besonders der Moderator? Könnte man Investor nicht mit Syndication gemeinsam codieren - z.B. Investor+Syndication: 00 für nein + nein, 01 für nein+ja, 10 für ja+nein und 11 für ja+ja und auf Basis dessen eine logistische Regression versuchen zu rechnen. Wenn du nämlich sonst XM ermittest, verlierst du Informationen, weil du nicht weißt, ob X oder M für ein XM=0 verantwortlich sind. Viele Grüße, Björn.
Hi Björn, vielen lieben Dank für deine schnelle Antwort und Hilfestellungen!! Und auch danke für deinen Codierungs-Vorschlag. Ich habe tatsächlich eine Antwort auf mein Problem gefunden und zwar "Although version 3 is much more versatile than version 2, note that version 3 does not accept a dichotomous Y." (www.processmacro.org/faq.html). Habe daraufhin habe ich die Version 2 installiert und es hat funktioniert. Das müsste jetzt bedeuten, dass Process eine logistische Regression berechnen kann? Ich habe tatsächlich noch eine weitere Frage, die du vllt kurz mit ja oder nein beantworten kannst. Ich habe 2 Kontrollvariablen (start-up age und employee count), die ich gerne in das Modell einbinden möchte. Außerhalb von Process ist das kein Problem, da man diese 2 KV in "Kovariaten" bei dem binär logistischen Modell einfügt. Meine Frage, darf ich meine KV bei Process in "Covariats" einfügen und werden diese dann wie eine KV behandelt? Vielen Dank noch mal für deine Hilfe. Ich wünsche dir einen erfolgreichen Start in die Woche. Grüße aus Gießen Fabi
Hallo Fabian, im Buch zu PROCESS (amzn.to/2ghVqMh) steht auf Seite 436: "PROCESS can estimate models with either a continuous or a binary yvar and will automatically detect whether or not yvar is binary and estimate accordingly. If PROCESS detects only two distinct values on the outcome variable, the direct and indirect effects, as well as the path(s) from the proposed mediator(s) to the outcome, are estimated using logistic regression; otherwise OLS is used." PROCESS erkennt also automatisch, ob die AV binär ist und rechnet entsprechend dann eine logisitische Regression. Zu deiner anderen Frage: in PROCESS kann man die Covariate-Funktion hierfür nutzen. Viele Grüße, Björn.
Moin Björn, nochmals vielen Dank! Das Buch müsste sich auf die Version 2.16 oder früher beziehen, da wie oben angegeben, kann Version 3 das noch nicht berechnen. Aber ich habe nun gute Ergebnisse mit meinem Sample erhalten und kann diese Ergebnisse mit Hilfe deines Tutorials erklären, auch dafür Danke für das Video - sehr gute Erklärungen. Ich habe die Spalte Covariats benutzt und hoffe nun, dass meine Professorin die Ergebnisse freigibt. Ich wünsche dir schöne Weihnachten und einen guten Rutsch ins neue Jahr. Beste Grüße Fabi
Hi, ich habe ein ähnliches Problem. Bei mir ist die abhängige Variable metrisch skaliert. Die unabhängige Variable+die Moderatorvariable sind nominal skliert und dichotom. Funktioniert bei meinem Modell dann die Auswertung genauso wie im Video :)? Danke schon einmal und viele Grüße!
Kann man statistisch testen, inwiefern sich die Steigungen der einzelnen Modelle unterscheiden? Oder inwiefern kann man diese vergleichen? Kann man hier soetwas wie paarweise Vergleiche bei einer ANOVA rechnen? Ich habe folgendes Paper gefunden: www.glmj.org/archives/articles/Robinson_v39n1.pdf Leider beschäftigt sich dieses nur mit dem Fall, dass die Moderatorvariable eine kategoriale Variable ist und die unabhängige Variable eine metrische Variable. Bei mir ist es genau der umgekehrte Fall. Dadurch sieht es so aus, als würde die Formel für t nicht mehr gelten. Kannst du mir weiterhelfen? Vielen vielen Dank! Liebe Grüße
Hallo Con, ich habe das verlinkte Paper mal überflogen und man kann das sicher so machen. Im Falle von mehr als 2 Steigungen kann man auch t-Tests machen, passt dann aber die Signifikanz um die Anzahl der Tests an (Bonferroni-Korrektur). Wenn dein Moderator allerdings metrisch ist, sehe ich da keine adäquate Möglichkeit für einen Test, der an das Paper angelehnt ist. Viele Grüße, Björn.
Leider scheint nur noch die aktuellere Version 3 zum Download zu Verfügung zu stehen auf Hayes' website. Das Interface der neueren Version unterscheidet sich von der vorherigen. Weiß jemand zufällig, wo ich "Heteroscedasticity-consistent SEs means" auswählen kann? Ich finde es nicht mehr unter "Options".
Vielen Dank für die schnelle Antwort. Welcher der Schätzer hat denn ungefähr den gleichen Effekt, wie wenn man "Heteroscedasticity-consistent SEs means" auswählt in einer früheren Version von PROCESS?
Hallo Marie, bei Hayes (2013) (amzn.to/2Suh7JL) steht dazu auf S. 55: "The PROCESS procedure for SPSS and SAS described through-out this book provides an option for the use of one of the estimators knownin the literature at HC3". Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hi Björn, erstmal vielen Dank für deine Videos, die mich gerade durch meine Bachelorarbeit retten! Leider stehe ich immer noch etwas auf dem Schlauch. Ich nutze auch die neue Version von Process (v3.3) und möchte eine Moderatoranalyse mit einer dichotomen Variable als Moderator (Geschlecht) durchführen. Die Vorraussetzungen für eine lineare Regression waren bis auf Homoskedastizität alle erfüllt. Bedeutet die Auswahl von "Heteroscedasticity-consistent inference --> HC3" dass ich damit das Problem umgehen kann und trotzdem meine Analyse rechnen kann? Danke und liebe Grüße
Hallo Hanna und danke für dein Lob! Du hast es schon richtig erfasst. Wenn du Heteroskedastizität vorliegen hast, kannst du mit HC0-HC4 in der neuen Version umgehen. In der alten Version war HC3 unter Heteroscedasticity-consistent SEs versteckt. Also den entsprechenden Haken setzen und alles ist gut. Hier noch kurz zur Begründung für HC3: www.afhayes.com/public/BRM2007.pdf Viele Grüße, Björn.
Hallo, danke für Video! Ich will Moderatoranalyse mit Process berechnen. UV1 ist Pandomisierung zu drei Gruppen UV2 ist Verträglichkeit AV ist Sexismus micht interessiert eigentlich nur 1.Gruppe aus drei. d.h. ich will nur in erster Gruppe anschauen, ob Verträglichkeit da was moderiert. was soll ich bei X (als IV) bei Process eingeben? als DummyVariable für 1.Gruppe? oder ganze Variable für Randomisierung? aber dann da alle drei Gruppen vorhanden, und ich brauche nur bestimmte Gruppe... Danke im Voraus Beste Grüße Stani
Hallo Stanis, wenn ich dich richtig verstehe, willst du eine Moderation mit Process nur für eine von 3 vorhanden Gruppen berechnen. Filtere dazu doch einfach die Fälle, so dass nur die zu betrachtende Gruppe noch übrig bleibt. Was ist denn deine UV wenn Verträglichkeit deine Moderatorvariable ist? Viele Grüße, Björn.
Hallo Björn, danke für schnellen antwort. über Fälle ausschliessen habe ich nicht gedacht. ich habe erst mit miltiple Regression es berechnet und da mit Dummy-koodiert. ich führe ein Experiment durch, wo Probanden drei unterschiedlichen Stimulis bekommen: Erotik, Akt-Kunst und Natur - Bilder. meine Hypo ist: die Verträglichkeit moderiert zusammenhang zwischen Erotik-Stimulis und Sexismus. meine UV ist bestimmten Stimulis, bzw. erotische Stimulis, und es ist nominale/kategorialle Variable, die Randomiesierte Gruppen darstellt (1,2 und 3). Beste Grüße Stani
Hallo Björn, was genau da stand, weiß ich nicht mehr, aber habe mein Problem gelöst. bei Process ist es genau so, wie mit multiplen Regression bei polytomen kategoriallen Variablen. man kann Dummy kodieren. und dann klappt es genau so, wie sein sollte. Beste Grüße Stani
Aus irgendeinem Grund werden mir keine t-Werte sondern z-Werte ausgegeben...zumindest steht da ein großes Z, wo eigentlich ein kleines t in der Tabelle stehen sollte...hat da vielleicht jemand eine Idee, was das Problem sein könnte? :/
Hallo Jessica, ab einer gewissen Stichprobengröße reichen approximative Werte, da verwendet man die z-Verteilung. Ansonsten die t-Verteilung. Leider findet sich dazu aber keine Erläuterung bei Hayes (2016) oder im FAQ auf seiner Homepage, ob er diesen gebräuchlichen Regeln folgt. Viele Grüße, Björn.
Ich sollte vielleicht noch anfügen, dass in dem oben beschriebenen Fall die Standardabweichung bekannt sein sollte, da sonst die Approximation natürlich nicht gelingen kann. Viele Grüße, Björn.
Es wär voll cool wenn du uns auch noch ein Video zu einer moderierten Mediation machen könntest!!!! Deine Erklärung sind einfach die besten :)
Meine erste Moderation eben mit Prozess gerechnet und alles hat geklappt. Danke. Toll erklärt.
Hallo Anka, freut mich zu hören, das es geklappt hat. :-)
Viele Grüße, Björn.
Hey Björn
Ich finde dein Video echt super gut! Richtig toll erklärt und mit einfachen Beispielen erläutert. Dazu noch deine angenehme Stimme und dein auf mich sehr professionelles und ambitioniertes Vortragen, echt spitze! Das hat mir wirklich geholfen Statistik besser zu verstehen. Ich schau mir auch direkt die nächsten Videos nich an 👍🏻👍🏻
Danke dir :) selten so gute Erklärvideos zu Datenanalyse gefunden 🙌🏼
Hallo Flo, Danke für das Lob! Freut mich, wenn es dir gefällt und weiterhilft.
Viel Erfolg bei deinen weiteren Analysen!
Viele Grüße, Björn.
Vielen vielen Dank, das hilft mir sehr bei meiner Bachelorarbeit!
Freut mich, wenn du mit dem Video vorankommst!
Viele Grüße und viel Erfolg weiterhin!
Björn
yeah...i love it. klar, kurz, ohne verzierungen. eine freude! und große hilfe natürlich!
Danke für dein Lob!
Viele Grüße und viel Erfolg weiterhin!
Björn
vielen vielen Dank! ein sehr hilfreiches Video :)
Hallo Björn,
vielen Dank für die übersichtlichen Videos! Ich sitze aktuell an der Auswertung meiner Masterarbeit und nutze PROCESS für die Moderationsanalyse. Ich habe 3 Fragen die sich mir noch stellen.
1. X ist bei mir multikategorial (3 verschiedene Bedingungen). Ich habe als Befehl bisher Indicator Coding ausgewählt. Hast du ein Video, in dem die Unterschiede der Coding Varianten erklärt werden und v.a. im Hinblick auf PROCESS wie die Ausgabe anschließend interpretiert werden würde?
2. Ich habe gelesen, dass Hayes empfiehlt die Heteroscedasticity-consistent inference HC3 oder HC4 standardmäßig zu verwenden, sodass man die Voraussetzung eigentlich gar nicht mehr testen müsste. Siehst du das ähnlich, oder gibt es Gründe die doch dafür sprechen, die Voraussetzung zu testen und nur bei Verletzung HC3/4 zu verwenden?
3. Wie lässt sich Bootstrapping im Fall der Moderation nutzen?
Vielen Dank und viele Grüße Hannah
Vielen lieben Dank für die tollen Videos. Das vereinfacht ungemein Daten auszuwerten. Ich habe wie so viele andere, auch noch eine Frage an dich. Meine AV ist metrisch skaliert, meine UV ist nominal skaliert (2 Gruppe) und der Moderator (bzw. die andere UV) ist jedoch continuous. Kann ich bei der Auswertung genauso verfahren wie hier? Gibt es dafür ein spezielles Modell oder muss ich meine continuous Variable in eine dichotome Variable umformen? Vielen Dank für Ihre Hilfe!
super erklärt! Danke!
Hallo, zunächst einmal herzlichen Dank für deine vielen ausgesprochen gut erklärten Videos!
Ich habe allerdings noch eine Frage: Ich habe bei der Interaktion extrem hohen p-Werte (nahe 1), obwohl im Interaktionsdiagramm (bei dem ich einen Median-Split gemacht habe) ein Interaktionseffekt zu erkennen ist. Ich frage mich, ob das realistisch ist.
Über eine Antwort würde ich mich sehr, sehr freuen! :)
Hallo Björn,
ich habe eine Frage zum Interaktionseffekt in Process. Mein Interaktionseffekt ist nicht signifikant. Wenn ich mir allerdings die verschiedenen Ausprägungen anzeigen lasse (Conditional effects of the focal predictor at values of the moderator(s):), sind alle p-Werte signifikant. Hierzu habe ich unter Optionen: probe interactions--> always angeklickt.
Woran liegt das? Und kann man die Interaktionseffekte überhaupt interpretieren, wenn kein signifikanter Effekt vorliegt?
Vielen Dank und Liebe Grüße
Annika
Hey:) ich hätte eine Frage- ich hab in meiner Masterarbeit mit Process eine Moderation berechnet und mir diese auch grafisch ausgeben lassen. Jetzt bin ich mir aber nicht sicher ob ich diese Grafik auch einfach (nachdem ich sie APA-„konformer“ gemacht habe) in die Arbeit so mit reinnehmen darf, weil es ja eben mean gecenterte Variablen sind nun und auch weil die Y-Achse ja nicht bei 0 beginnt…. weißt du wie man das normalerweise macht? Oder gibt man einfach beide Grafiken an - also einmal die von PROCESS und einmal die „normale“ die man sich so von SPSS ausgeben lassen kann?
Vielen Dank im Vorraus:)
Sehr geehrter Herr Walther,
Ich bin nicht sicher in Bezug auf die Vorraussetzung des Skalenniveaus bei Moderationsanalysen. Ein Moderator den ich verwendne will ist likertskaliert und hat nur ein Item. Sie sagen ja selbst, dass die verwendung von ordinalskalierten Variablen umstritten ist. Hayes nennt es in seinem Buch Introduction ja auch nicht explizit als Vorraussetzung.. Glauben sie, man kann so ein Item ohne Dummykodierung verwenden ?
Danke auch für dieses wunderbare Video! Ich hätte noch eine Frage wg. Voraussetzung der Linearität. Soll man alle Variablen auf die Linearität prüfen oder nur Prädiktor+Kriterium? Sollte man diese Annahme mit Streudiagramm mit unstandardisierten und vorhersagten Werte und die studentisierten Residuen prüfen?
Hallo Oxana, danke für dein Lob!
Nur UV und AV sind auf Linearität zu prüfen, was meist mit einem Streudiagramm der Rohdaten von UV und AV völlig ausreicht - viele Autoren verzichten allerdings auch da gänzlich drauf und argumentieren, dass die Signifikanz der ANOVA bei nicht ausreichender Linearität ohnehin zu hoch ist, als das das Modell noch einen Erklärungsbeitrag leisten kann. Dem kann man nach meiner Einschätzung auch folgen.
Viele Grüße, Björn.
wallah ehrenmann ich küss dein auge bruder
Hallo, vielen Dank erstmal! Ich habe noch eine kleine Frage: Wenn man ne zweistufige UV hat, also zb ne Kontrollgruppe, muss man dann die Mediation getrennt rechnen? Also einmal für Kontrollgruppe und einmal für die Experimentalgruppe? Liebe Grüße!
Hallo Hannah, es sollte in deinem Falle reichen diese UV ins Modell aufzunehmen und zu schauen, was passiert. Die getrennte Rechnung würde ich nur in Erwägung ziehen, wenn ich im Vorfeld bei den anderen UV auch andere Effekte (Vorzeichen anders) erwarte, eine hinreichende Stichprobengröße hätte und mir das Teilen "erlauben" kann; Stichwort: statistische Power.
Viele Grüße, Björn.
Das Video ist wirklich super, vielen Dank dafür! Bei der Interpretation des Outputs hätte ich noch eine Frage: der R-sq Wert in der Model Summary - ist dies der "adjusted R square"? Und falls nicht, wo finde ich diesen Wert?
Hallo Hanna und danke für dein Lob! PROCESS gibt beim Rechnen der Moderation nur das normale R² und damit den Prozentsatz der Varianzaufklärung aus. Über die Gründe kann man nur spekulieren, ich tippe aber darauf, dass das Interesse der Interaktion an sich gilt. Ein adjustiertes R² bekommst du aber, wenn du die Moderation wie in diesem Video rechnest: ruclips.net/video/horOf-hTuFo/видео.html
Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Super, vielen Dank! Habe es nun ohne Process berechnet, die anderen Werte weichen leicht ab, habe aber auch HC3 in Process genutzt. Die R und R2 Werte sind aber komplett identisch, daher gehe ich davon aus, dass ich das korrigierte R2 auch einfach in den Ergebnissen berichten kann zusätzlich zu meinen Process Ergebnissen, oder?
Hallo Hanna, ja, du kannst das korrigierte R² übernehmen. Das wird ja nur aus dem R² um die Anzahl der Parameter und der Stichprobengröße korrigiert.
Viele Grüße, Björn.
Hey, muss vorher trotzdem noch ggf. z-Standardisiert werden? Danke und VG
Hallo, je nachdem, was du erreichen möchtest, ja. Typischerweise ist das aber nicht nötig. Generell zu Standardisierung hier noch ein Hinweis aus Hayes (2018), S. 525: "Fourth, as with mean centering, the decision to standardize X and W or to report standardized or unstandardized regression coefficients is your choice to make. But if you choose to do so, don’t say you are doing so to reduce the effects of collinearity. Personally, I prefer to talk about regression results in unstandardized form. [...] When doing so, make sure that you are reporting and interpreting the coefficients corresponding to the unstandardized model in the output of your program and not the standardized model. Indeed, as a general rule, *never* report or interpret the coefficients listed in a standardized section of the output when your model includes the product of two variables along with the components of that product, and don’t use these coefficients to probe an interaction."
Viele Grüße, Björn.
Hallo Björn!
Vielen Dank erst einmal für das hilfreiche Video.
Ich habe jedoch noch eine Frage: meine UV, mein Moderator und die AV sind mit Likert Skalen gemessen worden. Wenn ich die Moderation ohne „mean center for products“ laufen lasse, erhalte ich signifikante b1 und b2 Koeffizienten in entgegengesetzter Richtung (negativ). Der Interaktionsterm ist wie erwartet positiv und signifikant.
Wenn ich aber „mean centering for products“ auswähle, erhalte ich wie erwartet positive und signifikante b1 und b2. Meine Frage ist nun, darf man bei Likert Skalen mean centern? Ich habe vergeblich nach Quellen gesucht. Vielleicht kannst du mir hier weiterhelfen (ein Paper empfehlen?). Jedoch werden Likert Skalen meist als continuous scales behandelt, sodass das mean centering möglich sein sollte oder?
Vielen Dank!
Hallo Moerv06, prinzipiell kann man bei Likert Skalen mean centern. Allerdings ist zu Bedenken, dass bei zu wenigen Abstufungen (unter 5 typischerweise) das nicht so sinnvoll sein wird. Ein kurzer Absatz steht in Hofer, M. (2017). Mean Centering. The International Encyclopedia of Communication Research Methods, 1-3.
Viele Grüße, Björn.
Hallo Björn,
ich finde deine Videos super!
Meine Frage ist, ob man theoretisch anstelle des mean centering die Werte auch z-standardisieren könnte. Inwiefern macht das bzgl. des Ergebnisses einen Unterschied?
Viele Grüße
Sarah
Hallo Sarah, danke für dein Lob!
Beim mean centering, "verschiebt" man lediglich die Verteilung, die Koeffizienten bleiben genauso interpretierbar- die Konstante ändert sich aber freilich. Beim z-standardisieren ist es jedoch etwas anders, weil du zusätzlich noch durch die Standardabweichung teilst, weswegen die Interpretation in "Standardabweichungseinheiten" vollzogen wird und ein direkter Vergleich der Effekte möglich ist -die Effektinterpretation der Koeffizienten selbst ist aber schwieriger aufgrund der jeweils anderen "Skalierung". Dewegen wird bei multipler Regression auch immer unstandardisierte und standardisierte Koeffizient angegeben. Du merkst, es geht also lediglich um die Interpretation. Qualitativ sollte es keinen Unterschied machen.
Viele Grüße, Björn.
Hey Björn, erstmal vielen lieben Dank für das Video, du schleifst so viele Verzweifelte durch ihre Abschlussarbeit...
Ich habe aber noch eine kurze Frage.. In meinem grafischen Plot ist der Moderator auf die X-Achse geraten, bei dir liegt da aber die UV. Wie kann ich das denn umdrehen?
Vielleicht ist noch wichtig zu sagen, dass meine UV kategorial ist und ich 2 Dummyvariablen erstellen musste, weil sie 3-stufig ist, keine Ahnung, ob das einen Einfluss auf die Ausgabe hat...
Tausend Dank schonmal!
Hallo Pia und danke für deine lobenden Worte!
Hmm, das klingt so, als ob bei der Spezifikation des Modells was schief gelaufen sein könnte. Evt. kannst du mit dem Video zur Version 3.2 ja noch mal schauen: ruclips.net/video/QHb1INZaGgA/видео.html
Insgesamt ist das aber wohl wenig wahrscheinlich, dass es da einen bedeutenden Unterschied gibt.
Viele Grüße, Björn.
Hallo, vielen Dank für das Video. Ich habe allerdings noch eine Frage: Muss ich bei einer dreistufigen UV (kontinuierliche AV und kontinuierlicher Moderator) in SPSS für die Berechnung der Moderation eine Dummy-Kodierung vornehmen und zwei Moderationsanalysen mit Process berechnen?
Hallo, handelt es sich denn um eine quasi-metrische UV? Wenn nicht, kannst du zwei Dummies erstellen. Die Baseline hat bei beiden Variablen 0, und dann entsprechend eine 1 für die Ausprägung 2 bzw. 3.
Viele Grüße, Björn.
Hallo, vielen Dank für das hilfreiche Video! Ich habe eine Frage bezüglich der Interpretation. Und zwar ist bei mir zwar das Gesamtmodell (Model summary) signifikant mit p=.0356, allerdings habe ich keine signifikanten Haupteffekte. Lediglich bei Bedingte Effekte von X auf Y habe ich einen weiteren signifikanten Wert von p=.048 bei -1SD.. Wie kann ich das interpretieren? Schreibe ich dann, dass zwar das Gesamtmodell signifikant ist, es jedoch keinen signifikanten Haupteffekt der Prädiktoren gibt und daher keine moderation vorliegt? und kann ich überhaupt ein signifikantes Gesamtmodell haben, wenn sonst nichts signifikant ist bei den Haupteffekten? Das verwirrt mich etwas :D Würde mich sehr über eine Antwort freuen.
Beste Grüße,
Lena
Hallo Lena und danke für dein Lob!
Wenn deine Haupteffekte nicht signifikant sind, dann ist das soweit kein Problem. Schau dir deine Interaktionseffekte (X*M) an - die möchtest du ja untersuchen. Was sagt die Signifikanz für diese Effekte? Oder ist das jetzt ein begriffliches Problem und du meinst mit Haupteffekten alle Effekte?
Viele Grüße, Björn.
Ich habe nicht die Möglichkeit den Syntax zu öffnen, finde dazu auch keine Lösung. Woran kann das liegen?
Hallo Björn,
vielen Dank für dein sehr hilfreiches Video zur Moderation mit Process in Spss. Eine kurze Frage noch: Wenn das p bei int_1 kleiner als 0,05 aber bei der Model Summary größer als 0,05 ist, hat der Moderator dann einen Effekt oder nicht?
Vielen Dank schon jetzt für deine Hilfe :)
Hallo Florian, die Frage kam gestern erst auf. Das kann sein, wenn du weitere "unwichtige" Variablen in deinem Modell hast. Wenn du sie entfernen kannst und deine Moderation signfikant verbleibt, sich dein R² erhöht und p sinkt, wäre das ein gangbarer Weg. Wie hoch ist dein p-Wert denn? Letztlich scheint es ja so, das kein individueller Effekt der Variablen existiert?, ein gemeinsamer aber schon. Viele Grüße, Björn.
Hallo Björn,
vielen vielen Dank für deine schnelle Antwort! Also leider gibt es in meinen Experiment keine signifikanten Zusammenhänge - alle ANOVAS sind nicht signifikant. Dennoch wollte ich schauen, ob eine der Variablen einen moderierenden Effekt hat. Deshalb stellt sich bei mir die Frage, was das Modell aussagt, wenn 1. die Model Summary signifikant ist und int_1 nicht bzw. wenn int_1 signifikant ist und die Model Summary nicht. Ich hoffe, du verstehst was ich meine.
Viele Grüße,
Flo
Hallo Björn,
zunächst mal vielen Dank für die tollen und hilfreichen Videos!!
Auch ich habe eine Frage :) Ich habe mittels Process (Model 1) eine Moderationsanalyse durchgeführt. Mein Prädiktor X (Sturzangst) ist metrisch, mein Moderator M (Aktivitätsniveau) ist ordinalskaliert (3-fach gestuft - niedrig, moderat, hoch) und die vorherzusagende Variable Y (Lebensqualität) ist ebenfalls metrisch. Der Interaktionseffekt von XM wurde nicht signifikant. Welche Werte aus dem Ausgabenfenster sind dann in einer Abschlussarbeit in Bezug auf die angenommene Moderation wichtig zu berichten?
Vielen Dank im Voraus!!!
Viele Grüße, Lena
Hallo Lena, danke für das Lob!
Prinzipiell ist es zwar schade, dass bei deiner Moderation XM nicht signfikant ist, das ändert aber nichts daran, welche Werte zu berichten sind. Die Koeffizienten und deren jeweilige Konfidenzintervalle, die Standardfehler, t-Werte und natürlich die p-Werte sowie den generellen Modell-Fit (R²). Die inhaltliche Interpretation der Nichtsignfikanz musst du natürlich noch vornehmen. Wichtige Frage in dem Zusammenhang: sind denn M und/oder X separat signfikant?
Viele Grüße, Björn.
Vielen Dank für dein Video! Ich habe auch noch eine Frage an dich, sollte bei der Prüfung einer gerichteten Hypothese mit Prozess das Signifikanzniveau durch 2 geteilt werden? Vielen Dank!
Hallo Paula, da man bei der Regression ja testet, ob der Koeffizient von Null verschieden ist - du dir aber scheinbar sicher bist, in welche Richtung er verschieden von Null ist, - würdest du deinen p-Wert halbieren. Viele Grüße, Björn.
Hallo Björn,
danke für das super Video! Es hat mir sehr geholfen.
Bei meinen Ergebnissen habe ich gerade aber noch Probleme:
Der Haupteffekt von X auf Y ist nicht signifikant, genauso nicht die Interaktion. Könnte man denn ohne den direkten Effekt überhaupt eine Moderation annehmen (wenn sie signifikant wäre?)?
Und darf ich den (einzig) signifikanten Haupteffekt vom Moderator auf Y interpretieren? Ich habe gelesen, dass man das nur darf, wenn vorher alle Variablen am Mittelwert zentriert wurden. Ist das notwendig? Dieser Effekt würde sehr gut in meine Diskussion passen ;) Schon mal vielen Dank!!
Hallo Susi,
prinzipiell zur Moderation und Mean Centering gibt es viele Autoren, die das als unnötig erachten (z.B. Kromrey, J. D., & Foster-Johnson, L. (1998). Mean centering in moderated multiple regression: Much ado about nothing. Educational and Psychological Measurement, 58(1), 42-67.), auch Hayes spricht in seinem Buch davon. Da kann man noch mal die Gründe kompakt nachlesen.
Wenn der Haupteffekt nicht signifikant ist, kann trotzdem ein Moderationseffekt existieren. Wenn kein Moderationseffekt existiert, kannst du den Haupteffekt interpretieren - wenn du ihn theoretisch begründen kannst.
Viele Grüße, Björn.
Hallo Björn, wieder ein super Video! Ich habe folgendes Problem: Meine x-Variable ist Blog Usage (0/1), meine y-Variable ist die Performance und mein Moderator ist Kreativität. Wenn ich jedoch bei M Kreativität eingebe, funktioniert es nicht, es kommt eine Fehlermeldung. Wenn ich stattdessen den Moderator bei W eingebe, geht es. Kannst du dir das erklären, weil eigentlich müssten da ja unterschiedliche Sachen rauskommen, oder ist das gleich? Und kann man bei PROCESS eigentlich auch auf Multikollinearität und Autokorrelation testen oder geht das nur bei einer "normalen Regression"? Weil wenn ich eine normale Regression rechne, kommt ebenfalls eine Fehlermeldung (also beim Testen des Einflusses von Blog Usage auf Performance). Liegt das vielleicht daran, dass Blog Usage ein Dummy ist, muss ich da was besonderes beachten? Wäre dir sehr dankbar für deine Hilfe! :) Vielen Dank!
Hallo Anne, eigentlich sollte eine dichotome X-Variable funktionieren. Wie ist Kreativität skaliert? Sicher ordinal? Ich arbeite inzwischen nur noch sehr selten mit PROCESS, das Buch von Hayes hat mir allerdings sehr geholfen, weil da viele solche Sachen geklärt werden.
Autokorrekation und Multikollinearität musst du außerhalb von PROCESS testen: ruclips.net/video/jdmeDYBYsTo/видео.html
Viele Grüße, Björn.
Hallo Björn,
ich mal wieder O-O ;)
Ich musste mich leider von den Erziehungsstilen verabschieden, da die Daten hierfür nicht ausreichend genug sind.
Mit den Dimensionen hingegen kann ich einigermaßen rechnen. Also bin ich nun dabei 6 verschiedene Moderationsanalysen zu rechnen.
Die Voraussetzungen habe ich einzeln für alle 6 Analysen geprüft und sie sind teilweise erfüllt. Nun habe ich eine Frage,
falls der Interaktionseffekt selbst (mit PROCESS) nicht signifikant wird (in meinem Fall zb. p= ,0544) kann ich dann nichts anderes mehr interpretieren? Also in meinem Fall werden unten bei den "Conditional Effects..." bei 0 oder +1 SD die Effekte signifikant. Ich habe auch den Johnson-Neyman durchgeführt, bin mir hier aber bei der Interpretation auch nicht ganz sicher, was darf bzw. kann ich mit Hilfe dieses Tests über die Daten sagen?
Ich hoffe du kannst mir abermals weiter helfen :)
Viele Grüße
Sarah
Hallo Sarah, schade, dass ein Teil flöten geht, aber so ist das leider manchmal. :/
Prinzipiell ist der vermutete Moderatoreffekt dann nicht statistisch signifikant, also faktisch nicht nachweisbar. Wenn X oder M selbst signfikante Effekte entfalten, kannst du die aber interpretieren. Die Johnson-Neyman-Technique zeigt dir lediglich an, in welchen Wertebereichen des Moderators Signifikanz hinsichtlich des Einflusses auf Y besteht, wie auch bei "Conditional effect of X on Y at values of the moderator(s) ". Wenn also die Konfidenzintervallgrenzen durchweg positiv oder negativ sind, ist der Effekt statistisch signifikant, was auch am p-Wert < 0,05 erkennbar ist. Das kannst du bei Hayes (2013) S. 226 auch noch mal schön sehen.
Viele Grüße, Björn.
Hallo Björn,
besten Dank für dein Video! Wieder etwas Neues gelernt :) Ich habe mir jetzt auch das PROCESS Makro runtergeladen und in meinem Fall zwei Moderatoren (Model 2). Beide sind signifikant. Wenn ich mir die Interaktionsdiagramme ausgeben lasse, schneiden sich die drei Regressionsgraden für den einen Moderator (negativer Effekt von XM auf X -->Y) und für den anderen (positiver Effekt von XW auf X-->Y) laufen die Graden auseinander, wie es bei dir im Video der Fall ist. Liegt das an den unterschiedlichen Zusammenhängen (positiv, negativ) oder gibt es dafür einen anderen Grund? Also beispielsweise einen konkreten Wert im Output, mit dem sich der Unterschied erklären lässt? Ich kenne es leider im klassischen Fall nur so, dass sich die Graden in einem Interaktionsdiagramm schneiden und weiß nicht, wie der Unterschied zustande kommt, obwohl beide Interaktionterme signifikant sind.
Beste Grüße
Christoph
Hallo Christoph, das muss ich die Tage malin Ruhe recherchieren. Ich würde dann noch mal antworten.
Viele Grüße, Björn.
Hallo Björn, vielen Dank für deine Antwort. Wenn keine Interaktion vorliegt, verlaufen die Linien parallel, daher denke ich, dass es an der Größe der Koeffizienten der Interaktion liegt, kann es aber nicht wirklich belegen.
Dein Beispiel: int_1; coeff = 12,09 --> keine Überschneidung
Meine erste Interaktion: int_1; coeff = 0,217 --> keine Überscheidung
Meine zweite Interaktion: int_2; coeff = 0,0007 --> Überschneidung
PS: Kennst du eine geeignete Excel-Vorlage oder ein anderes Tool, um die Daten des PROCESS Makros zu plotten?
Beste Grüße
Christoph
Hallo Björn,
vielen Dank für das Video. Weißt du zufällig auch, wie ich vor der Moderationsanalyse den optimalen Stichprobenumfang bzw. den Effekt schätze? Es geht um die einfache Moderation X -> M --> Y.
Herzliche Grüße!
Hallo Nora, da gibt es keine Daumengröße und da ist man am besten dran, wenn man sowas wie GPower benutzt. Die Power sinkt aber mit zunehmender Stichprobengröße (Weisburd Paradoxon). Für ein Power-Level von 0,95 also den beta-Fehler von 0,05 und einer gewünschten Effektstärke von 0,15 (was ein R² von ca. 0,13 ist) bei 3 UV müssten es 124 sein. Am besten du probierst für deinen Anwendungsfall selber mal ein wenig mit GPower rum.
Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther
Hallo Björn,
danke für deine Antwort. Ja ich verwende auch G*Power. Ich habe folgende Einstellungen vorgenommen: t-Test - Linear multiple regression - a priori - tails: two - f2: 0.15 - a err: 0.05 - Power: 0.95 - predictors: 2
Bei mir kommt ein Sample von 89 raus.
Würdest du mehr Wert auf die Power legen (0.95 oder nur 0.8) oder mehr auf die Effektstärke (0.15 oder 0.02)? Bzw. auf welche Effektstärke beziehst du dich denn?
Liebe Grüße
Hallo Nora, eigentlich hast du ja 3 Prädiktoren, weil der Interaktionsterm ja auch einer ist. Ich bin über Exact und Random model gegangen, hatte daher vermutlich andere Werte. Auf Basis der t-Verteilung ist aber sicher besser. Man würde häufig anhand der gewünschten effect size/Effektstärke unter gegebener Power (0,95 ist da die Regel) bestimmen, wie groß die Stichprobe sein sollte. 0,02; 0,15; 0,35 sind da die Grenzen, an die ich mich halten würde (S. 413-414, Cohen (1988) Statistical Power Analysis). 0,8 würde ich persönlich nicht mehr für akzeptabel halten. Man kann auch R² bereits als Effektstärke nehmen oder eben f². S. 410 bei Cohen (1988) zeigt die Formel zur Umrechnung.
Viele Grüße, Björn.
Herzlichen Dank für dank für das tolle Video. Ich hab eine Frage: Bei mir sind zwar die einzelnen p-Werte signifikant, aber nicht der Interaktionseffekt. Bedeutet das, dass zwar alle Variablen auf y einen Effekt haben, aber nicht in der jeweiligen Interaktion? Vielen Dank.
Hallo Christian und danke für dein Lob!
Wenn die Interaktionseffekte beim Rechnen der Moderation nicht signifikant sind, kannst du ganz normal die "einfachen" Effekte interpretieren.
Viele Grüße, Björn.
Ok, danke dir. Das habe ich gemacht. Kann es auch daran liegen, dass meine unabhängige Variable dichotom ist und meine abhängige Variable von 1-7 skaliert ist. Danke dir.
Hallo Christian, bei einer unabhängigen dichotomen Variable - und sonst keiner weiteren UV? - würde ich mich schwer tun eine Regression zu rechnen. Woher soll das Modell auf Basis einer einzelnen Variable mit 2 Ausprägungen wissen, wie eine AV mit 7 Ausprägungen zustande kommen soll. Wenn dein Moderator dichotom ist, wäre das was anderes. Ist deine AV denn metrisch oder ordinal? Es klingt eher wie letzteres, wofür eine ordinale Regression sinnvoller wäre. Diese kann als Moderation allerdings nicht mit PROCESS gerechnet werden.
Viele Grüße, Björn.
Eine Frage: Du hast die Standardisierung der Variablen erklärt -> Mittelwert 0 und +-1 SD; Zusätzlich meintest du, dass wenn wir die Motivation bei 0 belassen, erhöhen wir bei einer Erhöhung um 1 IQ Punkt 19Score Punkte. Sollte es nicht heißen, dass wir bei einer Motivation=Mittelwert und einer Erhöhung des IQ um 1 Punkt 19 Score Punkte erhalten? Also wenn die Motivation durchschnittlich hoch ist, sollte man bei bei jeder Erhöhung um 1 IQ Punkt 19 Score Punkte erwarten können. Liege ich da falsch?
Hallo Tobias, ich zitiere hier direkt mal Hayes (2016), S. 524: " If you get in the habit of mean centering XandW, you know that b1 and b2 and their tests of significance will always be interpretable and meaningful because they estimate conditional effects of X and W when the other variable is at the sample mean." Bei Mean-Centered - nicht durchschnittlichem X und W - führt die Erhöhung der Motivation um 1 zu einer Erhöhung des Scores um 19 Punkte.
Viele Grüße, Björn.
Sorry (Ich muss noch eine Frage direkt hinten anschließen):
Wenn ich die Signifikanzniveaus der Regressionskoeffizienten des gleichen Prädiktors in den unterschiedlichen Ausprägungen berichten will (Also das was bei "Conditional Effect of X on Y at values of moderator" steht), muss hier nach Bonferroni korrigieren? Einerseits erhöhe ich mit jedem Modell, das ich zusätzlich berechne, die Wahrscheinlichkeit, den Fehler 1. Art zu begehen, andererseits möchte ich durch diese Tests ja nur die bereits signifikant gewordene Interaktion interpretieren. Kannst du mir hier auch nochmal weiterhelfen? Vielen vielen Dank!
Hallo, da du das Modell einmal berechnest, hast du keine multiplen Tests (wie beim post hoc einer ANOVA), welche ein Anpassen der Signifikanz erfordert.
Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Vielen Dank für deine Antwort! Ich bin mir etwas unsicher. Das was PROCESS tut, ist ja im Prinzip für +1SD, MW und -1SD jeweils ein allgemeines lineares Modell zu berechnen und zu gucken, welchen Einfluss es auf die Steigung des anderen Prädiktors es hat, wenn der Moderator als Abweichungswerte in die Modelle aufgenommen werden. Also im Prinzip werden schon mehrere Analysen gerechnet. Ich habe es mir jetzt so erklärt, dass ich durch die Moderationanalyse nur den signifikanten Interaktionseffekt interpretieren möchte, weshalb nicht jedes signifikante Ergebnis durch PROCESS zu einer Ablehnung der H0 führen würde.
Hallo Björn. Ich wollte fragen, welche Voraussetzungen erfüllt sein müssen um eine Moderation mit PROCESS in SPSS zu rechnen. Das Problem ist, dass meine UVs and AVs (nicht alle) keine Linearität auweisen, nicht normalverteilt sind, die Residuen nicht normalverteilt sind, Homoskedastizität ist vorhanden, und sie sind nicht multikolinar.
Danke bereits im Voraus für deine Antwort.
Hallo Sabrina, streng genommen müssen alle Voraussetzungen einer linearen Regression erfüllt werden: ruclips.net/video/MrAPaLLbZQE/видео.html
Am ehesten sollte man darauf achten, dass keine Multikollinearität und Heteroskedastizität vorliegt und die Residuen/Fehlerterme normalverteilt sind. Sollten einzelne Voraussetzungen nicht erfüllt sein, sind entsprechende Gegenmaßnahmen zu ergreifen - da muss ich aber auf die entsprechenden Videos im Kanal verweisen, da dies hier zu weit führen würde, das zu wiederholen.
Viele Grüße, Björn.
Hallo Björn ich habe auch eine Frage zur Moderation, leider konnte ich bisher keine Antwort finden. Bei mir Handelt es sich um eine Multiple Regression mit 4 IV und einer DV. EIner dieser IV soll auf einen moderierenden Effekt auf DV geprüft werden.
Meine Frage daher: Da ich vorher eine multiple Regression gemacht habe und wenn ich jetzt in Process eine Modertaion mit Modell 1 durchführe fehlen dann die WIrkung von den weiteren 3 IV ? Kann man die anderen 3 IV als Covariates einbauen? Oder macht das keinen Sinn?
Alternativ würde ich keine multiple Regression machen sondern für alle 4 IV einfache Regressionen und dann mit Process den einen moderien Effekt prüfen -> damit ich nicht zei vorgehensweisen vermische.
Zusammengefasst frage:
4 IV eine DV und ein Moderator für eine IV.
Kann ich die Moderation getrent von den weitern 3IV testen?
Vielen Lieben Dank schonmal
Hallo M-Chr, du kannst die anderen IV, die nicht Teil der Moderation sind, als Covariates aufnehmen. Die Regression wird dann ganz normal geschätzt. Covariate ist in vielerlei Hinsicht als Synonym für IV zu verstehen.
Viele Grüße, Björn.
Hi Björn, ich hätte nochmal zwei Fragen: 1) Kann man in PROCESS 4 Moderatoren parallel testen oder geht das nur einzeln? 2) Bei einer Regressionstabelle mit 4 Moderatoren würdest du empfehlen, pro Modell nur einen Interaktionsterm (und natürlich Kontrollvariablen und UV und Moderator) darzustellen oder es so zu machen, dass man bei jedem Modell schrittweise einen neuen Interaktionsterm dazu nimmt (also M1: IT1+KV+UV, M2: IT2+KV+UV ODER M1: IT1+KV+UV, M2: IT1+IT2+KV+UV usw.)? Vielen Dank für deine Hilfe!! :) LG
Hallo Anne,
wenn keine besonderen Gründe dafür sprechen, würde ich keine schrittweise Aufnahme durchführen. Ich würde außerdem alle Moderatoren gleichzeitig berechnen - es kann vorkommen, dass manche Moderatoren nur wirken, wenn für andere UV (und Moderatoren) kontrolliert wird. Aus reiner Neugier, welches der Modelle bei PROCESS rechnest du denn?
Viele Grüße, Björn.
Hi Björn, danke dir, ohne dich wäre ich echt aufgeschmissen :D Also ich habe eine x-Variable (Nutzung einer bestimmten Lernform), meine y-Variable ist die Performance und dann habe ich 4 separate Moderatoren (4 Eigenschaften). Deshalb habe ich jeden einzelnen Moderator mit Process getestet, also Modell 1 genommen. Ich hätte es jetzt auch so gemacht wie du, und in jedem Modell nur einen Moderator aufgezeigt (mit UV, Kontrollvariablen) und im allerletzten Modell alle Moderatoren komplett aufgenommen (mit UV & KV). Es ist nämlich tatsächlich so, dass ein Modell mit einem bestimmten Moderator signifikant ist (Modell-Fit/ANOVA) und auch der Interaktionsterm signifikant ist. Für alle anderen drei Moderatoren sowie das Modell, in dem alle Moderatoren drin sind, ist nichts signifikant (sowohl die einzelnen Interaktionsterme nicht als auch jeweils das gesamte Modell / ANOVA). Kann sowas sein bzw. wie würde man das interpretieren? Finde es halt komisch, dass alle anderen Modelle überhaupt nicht signifikant sind und nur das eine signifikant ist (also der insgesamte Modell-Fit / ANOVA). Vielleicht kannst du mir hier nochmal helfen, das wäre super!! Vielen Dank!! :) Und nur so interessenshalber: Was wären denn Gründe, die für eine schrittweise Aufnahme der Moderatoren sprechen würden? ich werde es aber einzeln machen, weil jeder Moderator sich auf eine Hypothese bezieht :)
Hallo Anne,
wenn nur ein Modell und Moderator Signifikanz zeigen, ist das wohl schlicht so. Häufig schiebt man es dann auf den Datensatz (zu klein, zu einseitig usw.) und muss sich damit zufrieden geben. Es kann sein, dass wenn weitere Variablen ins Modell aufgenommen werden, andere Variablen keinen signifikanten Einfluss mehr haben, weil du nun für die "neuen Variablen" und deren Einfluss kontrollierst. Das würde man dann auch so darlegen (müssen). Schrittweise könnte man tatsächlich auch bei einer Interaktion rechnen, dann aber eher einmal ohne Moderator, einmal mit Moderator, um zu sehen, was die Interaktion ausmacht, speziell beim R² eine Verbesserung/Verschlechterung beobachten könnte.
Viele Grüße, Björn.
herzlichen dank, das hat mir sehr geholfen :-)
Hey Björn, gibt es auch die Möglichkeit eine Moderations Analyse für meherere UVs (genauer 3) mit dem Model 2 aus Process zu berechnen? Wie würdest du da vorgehen?
LG Tobias
Hallo Tobias, das würde ich vermutlich ohne PROCESS rechnen, da in PROCESS immer nur eine UV aufgenommen werden kann, für die ein Interaktionseffekt berechnet wird. Weitere UV können nur als Kontrollvariable (Covariates) aufgenommen werden. Wie man es ohne PROCESS rechnet, zeige ich hier: ruclips.net/video/horOf-hTuFo/видео.html Du musst dann entsprechend 7 UVs haben. 3 sind deine normalen UV (X), 1 UV ist der Moderator (M) und 3 weitere UV sind die Interaktionsterme (X*M).
Viele Grüße, Björn.
Hey Björn,
ich bin auf der Suche nach einer Möglichkeit eine Moderatoranalyse für wiederholte Messungen durchzuführen, finde allerdings weder bei Andy Field noch bei Hayes eine Lösung.
Ich habe zwei unabhängige dichotome Variablen (High-Fives vs. Low-Fives und alleine vs. mit Partner) die zu vier verschiedenen Kombinationen zusammengefügt werden. Zu jeder der vier Bedingungen messe ich anschließendes Scoring in einem Spiel (als AV) und die Beziehung zum Partner (als Moderator). Nun ist die Frage moderiert die Beziehung zum Partner das Outcome in den vier Bedingungen.
Kennst du eine Lösung für das Problem, bzw. weißt wo ich mich über Moderatoranalyse für wiederholte Messungen informieren kann?
Vielen Dank,
Leon
Hallo Leon,
eine Möglichkeit wäre mit Panelmodellen eine Moderation zu rechnen. Das geht in R mit PLM oder auch in STATA - weniger komfortabel als in PROCESS, aber die einzige mir momentan bekannte Möglichkeit. Hierzu braucht man das Wissen, dass ein Interaktionseffekt sich aus der Multiplikation der beiden Regressoren (X-unabhängige Variable, M- Moderatorvariable) ergibt. Hier zeige ich, wie man es in SPSS ohne PROCESS rechnet, man kann das aber 1:1 für ein Panelmodell umsetzen: ruclips.net/video/horOf-hTuFo/видео.html
Viele Grüße, Björn.
Danke dir für die Antwort Björn! Werde es so versuchen :)
Frage: Wenn ich die Korrelation zwischen meiner UV und AV prüfe und die nicht signifikant ist, sagt das was darüber aus, wie sich die Variablen in einer Moderationsanalyse verhalten? Ist "keine Korrelation" zwischen UV und AV ein Indiz für "keine Moderation"
Danke für das Video!
Hallo Johanne, prinzipiell sprichst du da einen wunden Punkt jeglicher (lienarer) Regressionen und nicht nur der Moderation an. Eine (signifikante) Korrelation ist kein Indiz für Kausalität und auch das Fehlen einer Korrelation ist kein Indiz für keine Kausalität. Unter dem Stichwort "Cum hoc ergo propter hoc" findest du weitere Informationen dazu in der Literaur.
Mein Rat also: Korrelationen braucht es eigentlich überhaupt nicht für Regression - es sei denn man prüft die Voraussetzungen wie Multikollinearität, um eine Regression bzw. Moderation überhaupt erst rechnen zu dürfen: ruclips.net/video/MrAPaLLbZQE/видео.html
Viele Grüße, Björn.
Hallo Björn,
vielen Dank für dein Video! Auch ich habe eine Frage und hoffe du kannst mir weiterhelfen. Ich möchte eine Moderatoranalyse rechnen, in der die unabhängige Variable körperliche Aktivität und die abhängige Variable Depressivität ist. Als Moderator würde ich gerne die Diagnose betrachten (ist die Diagnose ein Prädiktor?), wobei es drei Gruppen gibt (1: Depression, 2: Schizophrenie und 3: Gesunde Kontrollen). Welche Möglichkeiten bestehen nun für mich diese Auswertung anzugehen?
Vielen Dank und liebe Grüße,
Esra
Hallo Esra, prinzipiell kannst du mit der Version 3 von PROCESS eine Moderation genauso wie oben gezeigt rechnen. Die Moderatorvariable kann sowohl zwei als auch drei Ausprägungen haben. Die Diagnose taugt auf jeden Fall als Moderator. In einer Moderation wird auch der Moderator zum Prädiktor, dich interessiert aber ja ohnehin nur der Interaktionseffekt als Produkt aus Prädiktor X und Moderator M.
Viele Grüße, Björn.
Hallo Björn, vielen Dank für Deine schnelle Antwort! Wenn ich das so mache, spuckt mir die Ausgabe bei Conditional effect of X on Y (Min. 8 im Video) für die Diagnose (Moderator) 2, 2 und 4 (statt 2,3,4 für die Gruppen) bzw. mit Auswahl von SD's bei Conditioning values 2; 2,7; 3,6 aus, was ja bei festen Diagnosen keinen Sinn macht. Hast du diesbezüglich noch eine Idee? Vielen Dank :)
Mir wurde von Process die Variable (Häufigkeit der Kontaktierung) der X-Achse in drei Gruppen aufgeteilt. Wie kann ich die Standardabweichung dieser drei Gruppen herausfinden? Sollte nämlich in der Grafik als Standard Error verzeichnet sein! Bitte um Antwort :)
Hallo Naemi, die Standardabweichung deiner x-Variable kannst du ganz normal über die deskriptiven Statistiken in SPSS abrufen.
Viele Grüße, Björn
Sehr gut erklärt, vielen Dank! Wie führt man eine Moderatoranalyse mit PROCESS in R durch und wie interpretiert man sie?
Hallo Mihaela, dankeschön!
Ehrlich gesagt, habe ich das PROCESS-Paket für R noch nicht ausprobiert. Die Interpretation verläuft analog, das Durchführen sollte auch nicht sonderlich kompliziert sein, wenn ich die Dokumentation so anschaue.
Viele Grüße, Björn.
Statistik am PC
vielen Dank für deine Rückmeldung. Hast du zufälligerweise Videos zum Thema Konfirmatorische Faktorenanalyse? Welche Möglichkeiten gibt es ein relativ schlechtes Modell zu verbessern? Der FCI Wert ist zwar gut aber Chi2, TLI und RMSEA Werte sind leider schlecht.
VG, Mihaela
@@mihaelawassilko7414 Hallo Mihaela, zur konfirmatorischen Faktorenanalyse gibt es noch nichts. Evtl. kommt demnächst mal etwas zur explorativen. Ich persönlich suche mir lieber immer schon valide Skalen, weil ich mich dann nicht mit dieser anstrengenden "Kaffesatzleserei" beschäftigen muss. Ich fand "Introduction to Structural Equation Modelling Using SPSS and AMOS" ein ganz einsteigerfreundliches Buch. Evtl. hilft dir das. Ansonsten habe ich mich aber nur ganz kurz mit SMART-PLS beschäftigt.
Viele Grüße, Björn.
Hallo Björn,
vielen Dank für dein wirklich hilfreiches Video. Ich hätte auch noch eine Frage.
Ich möchte eine Moderatoranalyse rechnen. Bei mir ist die unabhängige Variable Mobbing, die kann als Mobbing I oder II vorliegen (je nach Vorkommen), diese beiden Ausprägungen sind entweder mit 1=ja kommt vor, oder 0=nein, kommt nicht vor codiert. Dann habe ich eine abhängige Variable in Form von Depressivität. Dies ist ein Punktescore zwischen 0-63 und je nachdem, welcher Score "erreicht" wird, wird eine bestimmte Ausprägung der depressiven Symptome angenommen (kein, minimal, leichtgradig, mittelgradig, hochgradig). Als Moderator möchte ich nun das Erziehungsverhalten der Eltern herannehmen und hier bin ich mir sehr unsicher. Es gäbe die Möglichkeit diese als unterschiedliche Erziehungsstile zu verwenden (jeweils getrennt nach mutter/Vater erziehungsstil trifft zu oder nicht) oder als T-Wert auf verschiedenen Dimensionen (3 Dimensionen > Wärme, Kontrolle, Psych.Kontrolle aber erneut jeweils getrennt nach Mutter und Vater und je nach Höhe des T-Wertes unter-, über- oder durchschnittlich ausgeprägt. Welche Möglichkeiten bestehen nun für mich diese Auswertung anzugehen? Und welche Vorraussetzungen (Normalverteilung o.ä.) muss ich vorher abklären? Ich hoffe du kannst mir weiterhelfen. Gerne auch mittels Mail an: little miss 0085 (at) yahoo de (alles zusammengeschrieben und Punkt nicht vergessen ;)
LG
PS. ich schaue mir derweil nochmal dein anderes Video zur Moderation in SPSS an =)
Hallöchen,
ich habe mir dein angedachtes Modell eben mal versucht vorzustellen. Zunächst lese ich das so, als ob du zwei binär codierte UV hast (Mobbing I+II). Warum so kompliziert? Das lässt sich so doch nicht wie gewünscht modellieren. Warum ist nicht Mobbing mit z.B. 1-4 codiert: MobI_nein=1, MobI_ja=2, MobII_nein=3, MobII_ja=4?
Die AV sehe ich unproblematisch, da metrisch skaliert. Dass sie gleichzeitig ab Schwellenwerten gewisse Klassen repräsentiert, ist auch ok, für die Regression/Moderation nicht wichtig.
Bei der Moderatorvariable musst du glaube ich noch mal konzeptionell ran. Ich habe keinen psychologischen Hintergrund, aber Erziehungsverhalten der Eltern klingt für mich sehr nach einem latenten Konstrukt, dass bereits vielfach abgebildet sein sollte, woher du deine Dimensionen wohl auch hast. Mir stellen sich unabhängig davon aber auch hier Fragen: Wie kann eine solche Trennung der Stile nach Mutter und Vater sichergestellt werden - beeinflussen sich die Eltern nicht gegenseitig? Welcher der Einflüsse überwiegt? Wäre es nicht auch eine kühne These zu behaupten, dass Mütter einen stärkeren Einfluss in der Erziehung ausüben als Väter; oder vielleicht auch umgekehrt? Ist es das Ziel mit zwei Moderatoren M1 (Erziehungsstil Vater) und M2 (Erziehungsstil Mutter) zu arbeiten, die in einem latenten Konstrukt die von dir erwähnten Dimensionen zusammenfassen oder soll eine Moderatorvariable mit einer irgendwie durchgeführten Zusammenfassung der beiden erfolgen?
Für die Durchführung der Moderation sind die typischen Voraussetzungen für Regressionen zu prüfen, da es ja letztlich nur eine Regression mit drei UV (X,M, X*M) ist.
Hilft dir das bereits etwas? Ich glaube nämlich, dass am Modell noch etwas Arbeit notwendig ist, bevor du losrechnen kannst.
Viele Grüße, Björn.
Noch der Nachtrag der Playlist mit den zu prüfenden Voraussetzungen für parametrische Tests bzw. Regression: ruclips.net/video/OB9PFYuKsms/видео.html
Viele Grüße, Björn.
Lieber Björn,
manchmal hat man einfach ein Brett vor dem Kopf :-) Danke dir für den Tipp, das hilft mir garantiert weiter =))
Lieber Björn,
ich habe vorhin übersehen, dass deine Antwort noch nicht fertig war. :-/
Deine Anregungen helfen mir schon sehr weiter. Das Problem ist wirklich das Erziehungsverhalten. Um dir das besser zu verdeutlichen könntest du dir das -> --www.pukzh.ch/default/assets/File/Anhang_ZKE.pdf-- mal ansehen. Es werden Fragen getrennt nach Mutter und Vater gestellt. Zum erlebten Erziehungsverhalten aus Sicht der Kinder. Bestimmte Items gehören dann zu den einzelnen Dimensionen (Wärme & Unterstützung, Regeln & Kontrolle, Psychologischer Druck) und je nachdem welche Ausprägung diese dann haben (wird in T-Werte umgerechnet) sind sie eben unter-/über- oder durchschnittlich ausgeprägt und je nachdem können sie eben einem Erziehungsstil zugeordnet werden. Es muss aber auch nicht in den Erziehungsstil umgesetzt werden, man kann auch mit den einzelnen Dimensionen rechnen. Dies ist quasi nur eine Option.
Vielleicht hast du da noch eine Idee parat? ;)
Viele Grüße
Sarah
Darf man PROCESS Plug benutzen in der Bachelorarbeit?
Ich wäre erstaunt, wenn man das nicht verwenden dürfte.
Viele Grüße, Björn.
Lieber Björn,
Entschuldigung für die weitere Frage, aber ich fand nirgends eine Antwort dazu. Falls mein Model SUmmary einen p-wert über 0.05 aufweist, kann ich dann z.b meine sign. Interaktion nicht interpretieren?
Danke vielmals
Hallo Sabrina,
das kann sein, wenn du weitere "unwichtige" Variablen in deinem Modell hast. Wenn du sie entfernen kannst und deine Moderation signfikant verbleibt, sich dein R² erhöht und p sinkt, wäre das ein gangbarer Weg.
Viele Grüße, Björn.
Hallo Björn, ah okay. Leider habe ich nur eine unabhängige, ein Moderator und eine abhängige Variable drin. Daher kann ich leider nichts entfernen.
@@StatistikamPC_BjoernWalther Hallo Björn, vielen Dank erstmal für dein super Video! Leider habe ich genau dasselbe Problem wie Sabrina Meier und auch nur eine unabhängige, ein Moderator und eine abhängige Variable. Der Interaktionseffekt ist bei mir marginal signifikant, das Modell ist nicht signifikant. Ist der korrekte Weg in diesem Fall von Anfang an zu sagen: Das Gesamtmodell leistet aufgrund fehlender Signifikanz keinen Erklärungsbeitrag, somit können die Interaktionseffekte nicht ausgewertet werden? Vielen Dank vorab und ein schönes Wochenende. Viele Grüße, Caro
Hallo Björn,
im Rahmen meiner Masterarbeit bin ich gerade dabei eine Moderatoranalyse mit PROCESS zu rechnen. Ich habe jedoch im Gegensatz zu dir die neue Version von PROCESS. Leider sieht bei der neuen Version alles anders aus und bin mir bei meiner Rechnung nicht sicher. Würde mich freuen, wenn du ein neues Video zu der Process Version 3.1 hochladen könntest. Gerne auch mal mit mehreren Prädiktoren. Vielen Dank!!
Hallo Psychology Graduates, ich werde mal schauen, was sich machen lässt, mit Glück Mitte nächster Woche oder Anfang übernächster Woche, wenn die schon gemachten Videos gelaufen sind.
Viele Grüße, Björn
Wie testet man die Voraussetzungen für die Moderationsanaylse wie normalverteilung und homoskedastizität mit PRocess. Mann kann ja keine Residuen abspeichern oder?
Hallo, aufgrund des Bootstrappings in PROCESS ist Normalverteilungsprüfung der Residuen obsolet. Zusätzlich würde ich pauschal robsute Standardfehler mit HC3 anfordern, siehe S. 714 in Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior research methods, 39, 709-722. Gibt es keine Probleme mit Heteroskedastizität, sind die Standardfehler, t-Werte und p-Werte identisch. Gibt es Probleme, sind diese korrigiert und vorzuziehen.
Viele Grüße, Björn.
Gibt es auch einen kommentierten output von modell 59? Danke für die super videos!
Hallo und danke für dein Lob! Leider habe ich nur für Modell 1 (moderation) und 4 (mediation) ein Video gemacht.
Viele Grüße, Björn.
Hallo Björn,
vielleicht kannst du mir weiterhelfen. Ich möchte auch den Einfluss einer Moderatorvariable testen. Nun hat meine Moderatorvariable 2 Ausprägungen. Ich bin mir nun total unsicher ob ich die Regression, Anova oder Ancova benutzen soll....finde nichts darüber in der Literatur..Besten Dank
Hallo Wadim, was spricht denn in deinem Falle gegen das Rechnen einer Moderation? Eine dichotome Moderatorvariable eignet sich doch hierfür.
Viele Grüße, Björn.
Hallo Björn,
du hast mir bereits vor einigen Monaten mit einer Moderatoranalyse sehr weitergeholfen, deshalb würde ich nochmal auf dich zukommen, wenn ich darf.
Für meine neue Fragestellung habe ich eine intervallskalierte UV (Therapiemotivation), eine intervallskalierte AV (Therapieerfolg) und einen kategorialen Moderator (Therapieziele). Nun weiß ich nicht, wie ich mit dem Moderator umzugehen habe. Jeder Patient hat eine aus 12 Therapiezielkategorien ausgewählt, was ja bedeuten würde, mein Moderator hätte 12 Stufen. Ist das überhaupt möglich? Ich habe schon einmal gehört, hier Dummy-Kodierung einsetzen zu müssen - stimmt das?
Auch der Sinn ist hier fraglich, da es insgesamt nur 54 Patienten sind und manche Therapiezielkategorien nur ein Mal ausgewählt wurden.
Hättest du einen Rat für mich? Ich wäre dir sehr, sehr dankbar!
Viele Grüße
Sarah
Hallo Sarah, prinzipiell geht eine Moderation mit einem 12-stufien Moderator, die von dir angesprochene Stichprobengröße wird aber da zu einem erheblichen Problem. Ähnliches wird dir aber auch bei der Regression mit Dummy-Variablen zum Verhängnis werden. Bei teilweise nur einem Fall kann für diese "Gruppe" keine Regressionsgerade ermittelt werden, da die mindestens aus 2 Punkten bestehen muss. Eine Zusammenfassung der 12 Kategorien in Oberkategorien ist sicher auf Grund des Kontexts auch nicht praktikabel?
Viele Grüße, Björn.
Lieber Björn,
erstmal vielen Dank für die rasche Antwort! Eine Zusammenfassung der 12 Kategorien der Moderatorvariable in Oberkategorien ist leider nicht möglich. Wäre es deiner Meinung nach sinnvoll, die beiden Kategorien, die nur jeweils eine Person ausgewählt hat, wegzulassen und den dadurch entstehenden Verlust von Daten hinzunehmen? Oder sollten auch die beiden Kategorien weggelassen werden, die nur von jeweils 2 Personen ausgewählt wurden? Die restlichen Kategorien, die ich miteinschließen würde, wurden von jeweils mindestens 6 Personen gewählt.
Und sollte eine Dummy-Kodierung eingesetzt werden?
Viele Grüße und vielen Dank nochmal,
Sarah
Hallo Sarah,
du kannst bei der Moderation die Kategorien mit nur einer Person weglassen. Begründen kann man das in jedem Fall mit der Stichprobengröße - welche Inferenz soll man da auch rausziehen können. Für die Fälle mit 2 Personen würde ich ähnlich vorgehen. Die Schätzung taugt mit Sicherheit nicht viel.
Für alle anderen Gruppen (8 verbliebene?) kannst du das rechnen.
Ich wäre fast geneigt das mit Dummy-Variablen zu rechnen. Eine Moderation kann man ja noch mal probehalber rechnen, ich würde mir an deiner Stelle aber mal die Dummy-Rechnung genauer ansehen.
Viele Grüße, Björn.
Hallo Björn,
vielen Dank für die Antwort!!!
Meine Moderatorvariable hat nun 5 Kategorien (5 Therapiezielkategorien). Ich habe nun mal eine Moderatoranalyse gerechnet und bei Process "Multicategorial" für die M-Variable angehakt. Im Output ist ersichtlich, dass automatisch eine Dummy-Kodierung erfolgt ist. Hierbei wurde ein Therapieziel als Referenzkategorie genommen und nur für die anderen Dummy-Variablen Ergebnisse berichtet.
Nun bin ich leider total überfragt, wie ich das interpretieren soll bzw. ob ich weitere Berechnungen durchführen muss, um die Referenzkategorie einzubeziehen. Bei der Referenzkategorie handelt es sich ja um eine Therapiezielkategorie, die den anderen Kategorien gleichwertig ist (und nicht beispielsweise als Referenzkategorie kein Sport, wenn die anderen Variablen verschiedene Sportarten darstellen).
Über einen kleinen Tipp oder einen Hinweis auf ein Video oder eine Website, die das behandelt (ich hab bisher nichts gefunden, was zu meinem Problem passt) wäre ich dir unendlich dankbar!
Viele Grüße, Sarah
Kann ich dasselbe auch rechnen wenn ich 2 Moderatoren habe und die jeweils 2 oder mehr Ausprägungen haben?
Darf meine UV auch nur 1 Ausprägung haben?
Hallo, bei 2 Moderatoren musst du ein anderes Modell rechnen. Je nachdem, ob es einfache Moderatoren sind ("Model 2") oder eine moderierte Moderation ist ("Model 3"). Unabhängig davon: wenn es mehr als 2 Ausprägungen des Moderators gibt, dieser aber weiterhin ordinal ist, ist es quasi analog zu interpretieren. Wenn deine UV nur eine Ausprägung hat, ist sie eine Konstante und kann aufgrund fehlender Varianz keine Erklärungsbeitrag für die AV liefern.
Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther habe ich das richtig verstanden. Meine UV muss mehr als eine Ausprägung haben?
Und bei den Moderatoren ist es egal wie viele Ausprägungen sie haben? Die Daten wären von allen Variablen intervall.....
Eine Frage: Wenn mein dichotomoer Moderator (Geschlecht) signifikant wird, kann ich dann ohne weiteres die Haupteffekte interpretieren?
Hallo, das kommt drauf an, ob du einen Schnitt deiner Regressionsgeraden hast. Wenn nicht, dann macht es Sinn die Haupteffekte zu interpretieren, sofern sie signifikant sind. Wenn sich die Geraden allerdings schneiden, würde ich trotz Signifikanz die Haupteffekte nicht interpretieren.
Viel Grüße, Björn.
@@StatistikamPC_BjoernWalther danke!
Hallo Björn,
vielen Dank für dein Video! Ich hätte da auch noch einmal eine Frage und würde mich freuen, wenn du mir da helfen könntest: Bei meiner Moderationsanalyse wird die Interaktion zwar nicht signifikant, aber wenn ich mir den conditional effect of x on y at values of the moderator anschaue, wird der Effekt bei dem Mittelwert und dem Mittelwert+1SD signifikant. Hast du vielleicht eine Idee, warum dann die Interaktion nicht signifikant wird? Liegt es daran, dass der Effekt bei dem Mittelwert-1SD nicht signifikant ist?
Vielen Dank und liebe Grüße!
Franzi
Hallo Franzi,
das muss nicht zwingend daran liegen. Die Werte der Johnson-Neyman-Technique werden nur gezeigt, wenn du Bereich hast, die signfikant sind und welche die es nicht sind. Offensichtlich hast du in deiner Moderation ja einen signifikanten Bereich für dein M. Es kann gut und gerne sein, dass nur ein kleiner Bereich signifikant ist und daher der Gesamteffekt nicht signifikant ist. Das kann u.a. daran liegen, dass schlicht nicht genug "Musik" an dem Ende der Verteilung von M ist, was auch an einer zu kleinen Stichprobe liegen kann.
Viele Grüße, Björn.
Hi Björn,
danke!! das hilft mir wirklich sehr weiter. :) Eine Frage ist mir noch eingefallen: Meine unabhängige Variable war die Experimentalgruppe, welche dichotom und mit 0 und 1 kodiert war. Der Effekt des Moderators auf die Experimentalgruppe, die mit 0 kodiert ist, wird signifikant und in der Abbildung, die ich mir habe ausgeben lassen, sieht man, dass der Moderator nur auf diese mit 0 kodierte Gruppe einen Einfluss zu haben scheint, da in der anderen Gruppe mit steigenden Werten des Moderators nichts passiert (die Mittelwerte bleiben gleich). Wäre das ein zusätzlicher Grund, warum die Interaktion nicht signifikant wird oder hat das nichts damit zu tun?
Viele Grüße
Franzi
Hallo Franzi, typischerweise würdest du deine Moderatorvariable eher als Gruppierungsvariable verwenden. Da der Interaktionseffekt ja aber das Produkt ist, kann man sich maximal noch an der Interpretation bzw. der Modellierung etwas aufhängen. Warum der Effekt nicht signfikant wird, ist wirklich schwer zu sagen. Das hat häufig inhatliche Gründe. Es erscheint mir durchaus plausibel, dass nur innerhalb einer Gruppe ein Moderatoreffekt auftritt - weswegen ich vermutlich die Moderation auch umgedreht (also X und M vertauscht) hätte.
Viele Grüße, Björn.
Alles klar, vielen Dank! :) Das könnte ich tatsächlich mal ausprobieren. ;)
Viele Grüße, Franzi
Muss ein Moderator nicht in eines der unteren Felder eingesetzt werde (W, Z). Das M Feld ist doch lediglich für Mediatoren?
Die aktuelle Version schmeißt sogar eine Fehlermeldung raus, da ein Mediator nicht mit Modell 1 vereinbar ist..
Hallo, du hast Recht. Im Video wird die (alte) Version 2.16.3. gezeigt. Da gab es noch ein anderes Interface und M variable(s) war universell für Moderator als auch Mediator. Man konnte zusätzlich unten auch noch zusätzliche Moderatoren einfügen - je nach Modell. Morgen 10 Uhr kommt ein neues Video zur Version 3.2., was bereits hochgeladen ist.
Viele Grüße, Björn.
Hi, super Video! Vielen dank schon mal dafür.
Ich sitze gerade an meiner quantitativen Auswertung und habe alle meine Variablen dichotom gecoded. UV (Beispiel: Investor Venture Capital ja/nein), AV (Start-Up Fail ja/nein), Moderator (Syndication* ja/nein)
Jedoch sagt mir Process/SPSS: This release of process does not allow a dichotomous Y.
Hast du eine Lösung zu diesem Problem?
Beste Grüße und danke im Voraus
Fabi
*Syndication ist gegeben, wenn mehr als Investor in ein Start-Up investiert hat.
Hallo Fabian,
generell kommst du da glaube ich in Schwierigkeiten, weil das Rechnen einer Regression mit nur binär codierten Variablen nur mit einer logistischen Regression funktioniert. PROCESS unterstützt bisher nur Moderation mit linearen Annahmen.
Für die folgenden Ausführungen noch mal kurz der Hinweis auf das methodische Vorgehen einer Moderation: ruclips.net/video/horOf-hTuFo/видео.html
Du kannst also sowohl dein X als auch dein M als unabhängige und binäre codierte Variablen (außerhalb von PROCESS) verwenden. Allerdings habe ich ein ungutes Gefühl bezüglich der dritten unabhängigen Variable, XM, die ja das Produkt aus X und M ist. So eine Moderation hatte ich bisher noch nie vor Augen.
Daher die Killerfrage: Macht dieses Modell konzeptionell Sinn, besonders der Moderator? Könnte man Investor nicht mit Syndication gemeinsam codieren - z.B. Investor+Syndication: 00 für nein + nein, 01 für nein+ja, 10 für ja+nein und 11 für ja+ja und auf Basis dessen eine logistische Regression versuchen zu rechnen. Wenn du nämlich sonst XM ermittest, verlierst du Informationen, weil du nicht weißt, ob X oder M für ein XM=0 verantwortlich sind.
Viele Grüße, Björn.
Hi Björn,
vielen lieben Dank für deine schnelle Antwort und Hilfestellungen!! Und auch danke für deinen Codierungs-Vorschlag.
Ich habe tatsächlich eine Antwort auf mein Problem gefunden und zwar "Although version 3 is much more versatile than version 2, note that version 3 does not accept a dichotomous Y." (www.processmacro.org/faq.html).
Habe daraufhin habe ich die Version 2 installiert und es hat funktioniert. Das müsste jetzt bedeuten, dass Process eine logistische Regression berechnen kann?
Ich habe tatsächlich noch eine weitere Frage, die du vllt kurz mit ja oder nein beantworten kannst.
Ich habe 2 Kontrollvariablen (start-up age und employee count), die ich gerne in das Modell einbinden möchte. Außerhalb von Process ist das kein Problem, da man diese 2 KV in "Kovariaten" bei dem binär logistischen Modell einfügt. Meine Frage, darf ich meine KV bei Process in "Covariats" einfügen und werden diese dann wie eine KV behandelt?
Vielen Dank noch mal für deine Hilfe.
Ich wünsche dir einen erfolgreichen Start in die Woche.
Grüße aus Gießen
Fabi
Hallo Fabian,
im Buch zu PROCESS (amzn.to/2ghVqMh) steht auf Seite 436: "PROCESS can estimate models with either a continuous or a binary yvar and will automatically detect whether or not yvar is binary and estimate
accordingly. If PROCESS detects only two distinct values on the outcome variable, the direct and indirect effects, as well as the path(s) from the proposed mediator(s) to the outcome, are estimated using logistic regression; otherwise OLS is used."
PROCESS erkennt also automatisch, ob die AV binär ist und rechnet entsprechend dann eine logisitische Regression.
Zu deiner anderen Frage: in PROCESS kann man die Covariate-Funktion hierfür nutzen.
Viele Grüße, Björn.
Moin Björn,
nochmals vielen Dank! Das Buch müsste sich auf die Version 2.16 oder früher beziehen, da wie oben angegeben, kann Version 3 das noch nicht berechnen.
Aber ich habe nun gute Ergebnisse mit meinem Sample erhalten und kann diese Ergebnisse mit Hilfe deines Tutorials erklären, auch dafür Danke für das Video - sehr gute Erklärungen.
Ich habe die Spalte Covariats benutzt und hoffe nun, dass meine Professorin die Ergebnisse freigibt.
Ich wünsche dir schöne Weihnachten und einen guten Rutsch ins neue Jahr.
Beste Grüße
Fabi
Hi,
ich habe ein ähnliches Problem. Bei mir ist die abhängige Variable metrisch skaliert. Die unabhängige Variable+die Moderatorvariable sind nominal skliert und dichotom. Funktioniert bei meinem Modell dann die Auswertung genauso wie im Video :)?
Danke schon einmal und viele Grüße!
Kann man statistisch testen, inwiefern sich die Steigungen der einzelnen Modelle unterscheiden? Oder inwiefern kann man diese vergleichen? Kann man hier soetwas wie paarweise Vergleiche bei einer ANOVA rechnen? Ich habe folgendes Paper gefunden:
www.glmj.org/archives/articles/Robinson_v39n1.pdf
Leider beschäftigt sich dieses nur mit dem Fall, dass die Moderatorvariable eine kategoriale Variable ist und die unabhängige Variable eine metrische Variable. Bei mir ist es genau der umgekehrte Fall. Dadurch sieht es so aus, als würde die Formel für t nicht mehr gelten.
Kannst du mir weiterhelfen? Vielen vielen Dank!
Liebe Grüße
Hallo Con, ich habe das verlinkte Paper mal überflogen und man kann das sicher so machen. Im Falle von mehr als 2 Steigungen kann man auch t-Tests machen, passt dann aber die Signifikanz um die Anzahl der Tests an (Bonferroni-Korrektur). Wenn dein Moderator allerdings metrisch ist, sehe ich da keine adäquate Möglichkeit für einen Test, der an das Paper angelehnt ist.
Viele Grüße, Björn.
Leider scheint nur noch die aktuellere Version 3 zum Download zu Verfügung zu stehen auf Hayes' website. Das Interface der neueren Version unterscheidet sich von der vorherigen. Weiß jemand zufällig, wo ich "Heteroscedasticity-consistent SEs means" auswählen kann? Ich finde es nicht mehr unter "Options".
Hallo Marie, unter "Options" gibt es die Möglichkeit rechts. Es ist ein drop-down-Menü mit verschiedenen Schätzern (HC0-HC4).
Viele Grüße, Björn.
Vielen Dank für die schnelle Antwort. Welcher der Schätzer hat denn ungefähr den gleichen Effekt, wie wenn man "Heteroscedasticity-consistent SEs means" auswählt in einer früheren Version von PROCESS?
Hallo Marie, bei Hayes (2013) (amzn.to/2Suh7JL) steht dazu auf S. 55: "The PROCESS procedure for SPSS and SAS described through-out this book provides an option for the use of one of the estimators knownin the literature at HC3".
Viele Grüße, Björn.
@@StatistikamPC_BjoernWalther Hi Björn, erstmal vielen Dank für deine Videos, die mich gerade durch meine Bachelorarbeit retten!
Leider stehe ich immer noch etwas auf dem Schlauch. Ich nutze auch die neue Version von Process (v3.3) und möchte eine Moderatoranalyse mit einer dichotomen Variable als Moderator (Geschlecht) durchführen. Die Vorraussetzungen für eine lineare Regression waren bis auf Homoskedastizität alle erfüllt. Bedeutet die Auswahl von "Heteroscedasticity-consistent inference --> HC3" dass ich damit das Problem umgehen kann und trotzdem meine Analyse rechnen kann?
Danke und liebe Grüße
Hallo Hanna und danke für dein Lob! Du hast es schon richtig erfasst. Wenn du Heteroskedastizität vorliegen hast, kannst du mit HC0-HC4 in der neuen Version umgehen. In der alten Version war HC3 unter Heteroscedasticity-consistent SEs versteckt. Also den entsprechenden Haken setzen und alles ist gut. Hier noch kurz zur Begründung für HC3: www.afhayes.com/public/BRM2007.pdf
Viele Grüße, Björn.
Hallo,
danke für Video!
Ich will Moderatoranalyse mit Process berechnen.
UV1 ist Pandomisierung zu drei Gruppen
UV2 ist Verträglichkeit
AV ist Sexismus
micht interessiert eigentlich nur 1.Gruppe aus drei.
d.h. ich will nur in erster Gruppe anschauen, ob Verträglichkeit da was moderiert.
was soll ich bei X (als IV) bei Process eingeben?
als DummyVariable für 1.Gruppe?
oder ganze Variable für Randomisierung? aber dann da alle drei Gruppen vorhanden, und ich brauche nur bestimmte Gruppe...
Danke im Voraus
Beste Grüße
Stani
Hallo Stanis,
wenn ich dich richtig verstehe, willst du eine Moderation mit Process nur für eine von 3 vorhanden Gruppen berechnen. Filtere dazu doch einfach die Fälle, so dass nur die zu betrachtende Gruppe noch übrig bleibt. Was ist denn deine UV wenn Verträglichkeit deine Moderatorvariable ist?
Viele Grüße, Björn.
Hallo Björn,
danke für schnellen antwort.
über Fälle ausschliessen habe ich nicht gedacht.
ich habe erst mit miltiple Regression es berechnet und da mit Dummy-koodiert.
ich führe ein Experiment durch, wo Probanden drei unterschiedlichen Stimulis bekommen: Erotik, Akt-Kunst und Natur - Bilder.
meine Hypo ist: die Verträglichkeit moderiert zusammenhang zwischen Erotik-Stimulis und Sexismus.
meine UV ist bestimmten Stimulis, bzw. erotische Stimulis, und es ist nominale/kategorialle Variable, die Randomiesierte Gruppen darstellt (1,2 und 3).
Beste Grüße
Stani
hallo Björn,
wenn ich Fälle auswähle und dann führe ich Process durch, dass für Process nur 1.Gruppe bleibt, bekomme ich "Error Nachricht".
Hallo Stanis, was genau steht denn in der Fehlermeldung?
Viele Grüße, Björn.
Hallo Björn,
was genau da stand, weiß ich nicht mehr, aber habe mein Problem gelöst.
bei Process ist es genau so, wie mit multiplen Regression bei polytomen kategoriallen Variablen.
man kann Dummy kodieren. und dann klappt es genau so, wie sein sollte.
Beste Grüße
Stani
Aus irgendeinem Grund werden mir keine t-Werte sondern z-Werte ausgegeben...zumindest steht da ein großes Z, wo eigentlich ein kleines t in der Tabelle stehen sollte...hat da vielleicht jemand eine Idee, was das Problem sein könnte? :/
Hallo Jessica, ab einer gewissen Stichprobengröße reichen approximative Werte, da verwendet man die z-Verteilung. Ansonsten die t-Verteilung. Leider findet sich dazu aber keine Erläuterung bei Hayes (2016) oder im FAQ auf seiner Homepage, ob er diesen gebräuchlichen Regeln folgt.
Viele Grüße, Björn.
Ich sollte vielleicht noch anfügen, dass in dem oben beschriebenen Fall die Standardabweichung bekannt sein sollte, da sonst die Approximation natürlich nicht gelingen kann.
Viele Grüße, Björn.