Ein großer Datensatz, viele Variablen - und man steht einer fundamentalen Herausforderung: Wie prüfe ich meine Hypothesen, wie hängen diese Daten zusammen? In der modernen Statistik der letzten zwei Jahrzehnte werden zunehmend Prozess- und Pfadanalysen genutzt, um Zusammenhänge zu prüfen und zu erkennen. Hierbei geht es nicht nur um korrelative, sondern auch um mögliche kausale Effekte. Gerade letztere stehen in den letzten Jahren wieder zunehmend im Fokus des Interesses.

Falls es kausale Effekte gibt: Was wäre die Prädiktorvariable/unabhängige Variable (üblicherweise als X bezeichnet) und was die Kriteriumsvariable/abhängige Variable (als Y bezeichnet)?

Eine umsichtige Annäherung zu eine effektive Prüfung von Hypothesen ist: Um die zu untersuchenden Phänomene besser zu verstehen, sollten zusätzlich zu den vermuteten X und Y ein Wie und ein Wann untersucht werden. Mögliche Einflüsse des Wie und mögliche Einflüsse des Wann werden nun ergänzend zum (vermuteten und so besser begründbaren) kausalen Effekt in die Untersuchung miteinbezogen. Zu beachten ist immer: Die als kausal vermuteten Einflüsse sollten  themeninhaltlich begründet sein.

 

 

 

 

 

Um verborgene Strukturen zu erkennen, werden grundsätzlich zwei  Arten von Drittvariablen genutzt: Mediatoren und Moderatoren. 

  • Mediatoren verweisen auf das Wie - sie mediieren = sie werden als 'in der Mitte des kausalen Geschehens' aufgefasst. Mediatoren fungieren gleichsam als Mechanismen, durch welche X einen Einfluss auf Y ausüben. Sie sind auf die eine oder andere Weise inhaltlich mit Y verbunden.


  • Moderatoren verweisen auf ein Wann - sie moderieren = sie beeinflussen gleichsam wie ein TV-Moderator das Gespräch. Das heißt, sie verändern Y, weil sie quasi 'von außen' Variationen in Y erzeugen. Moderatoren zeigen Randbedingungen oder Umstände auf.

Sie können nun mittels verschiedener Kombinationen von Mediatoren und Moderatoren (= verschiedene Modellannahmen) die Struktur ihres Datensatzes prüfen.

 

Reinhard Neumeier
Seotember 2021