Online-Rechner

υ nach Lachowicz, Preacher und Kelley: Effektmaß für die einfache Mediation.

Trag den indirekten Effekt, etwa aus PROCESS, oder die Koeffizienten beider Pfade ein. Der Rechner zeigt dir den standardisierten indirekten Effekt, den Schätzer und den korrigierten Schätzer von υ nach Lachowicz, Preacher und Kelley (2018), dazu den Rechenweg und eine Abbildung.

  • Vier Eingabewege
  • Mit korrigiertem Schätzer und Rechenweg
  • Kostenlos, ohne Anmeldung

Rechner wird geladen …

Berechnungsgrundlage.

Lachowicz, Preacher und Kelley (2018) haben mit \({\upsilon}\) (Upsilon) ein Effektmaß für den indirekten Effekt in einfachen Mediationsmodellen entwickelt. Es kann in Anlehnung an Cohen (1988) bewertet werden. Die Autoren geben dafür einen Schätzer \({\hat{\upsilon}}\) und einen korrigierten Schätzer \({\tilde{\upsilon}}\) an.

Der Rechner bestimmt das Effektmaß auf drei Wegen: aus dem indirekten Effekt, unstandardisiert oder standardisiert, etwa aus dem PROCESS-Macro, aus standardisierten Regressionskoeffizienten oder aus unstandardisierten Regressionskoeffizienten. Die Berechnungen stützen sich auf Lachowicz et al. (2018).

Das einfache Mediationsmodell

\({X}\) wirkt über den Mediator \({M}\) auf \({Y}\). Der indirekte Effekt ist das Produkt der beiden Pfade. \({\upsilon}\) ist das Quadrat des standardisierten indirekten Effekts, der direkte Effekt geht nicht ein.

\[ \upsilon = IE_{\text{std}}^{2} = \beta_{XM}^{2} \cdot \beta_{MY \cdot X}^{2} \]
Einfaches Mediationsmodell: X wirkt über den Mediator M auf Y. Der indirekte Weg führt über die Pfade beta XM und beta MY·X, der direkte Effekt c-Strich führt von X nach Y.XMYβXMβMY·Xdirekter Effekt c′indirekter Effekt
Indirekter und direkter Weg. Der Pfad \({\beta_{XM}}\) führt von \({X}\) zu \({M}\), der Pfad \({\beta_{MY \cdot X}}\) von \({M}\) zu \({Y}\), kontrolliert für \({X}\). Gestrichelt ist der direkte Effekt \({c^{\prime}}\).

Indirekter Effekt (unstandardisiert)

\[ IE_{\text{std}} = IE \cdot \frac{SD_{X}}{SD_{Y}} = B_{XM} \cdot B_{MY \cdot X} \cdot \frac{SD_{X}}{SD_{Y}} \]
\[ \hat{\upsilon} = IE_{\text{std}}^{2} \]

Indirekter Effekt (standardisiert)

\[ \hat{\upsilon} = IE_{\text{std}}^{2} \]

Mit dem indirekten Effekt allein lässt sich nur \({\hat{\upsilon}}\) berechnen. Für \({\tilde{\upsilon}}\) brauchst du die Koeffizienten beider Pfade und ihre Standardfehler.

Standardisierte Koeffizienten

\[ IE_{\text{std}} = \beta_{XM} \cdot \beta_{MY \cdot X} \]
\[ \hat{\upsilon} = (\beta_{XM} \cdot \beta_{MY \cdot X})^{2} \]
\[ \begin{aligned} \tilde{\upsilon} &= \max\left(0;\, \beta_{XM}^{2} - SE_{XM}^{2}\right) \\ &\quad \cdot \max\left(0;\, \beta_{MY \cdot X}^{2} - SE_{MY \cdot X}^{2}\right) \end{aligned} \]

Die Standardfehler gehören hier zu den standardisierten Koeffizienten.

Unstandardisierte Koeffizienten

\[ IE_{\text{std}} = B_{XM} \cdot B_{MY \cdot X} \cdot \frac{SD_{X}}{SD_{Y}} \]
\[ \hat{\upsilon} = \left(B_{XM} \cdot B_{MY \cdot X} \cdot \frac{SD_{X}}{SD_{Y}}\right)^{2} \]
\[ \begin{aligned} \tilde{\upsilon} &= \max\left(0;\, B_{XM}^{2} - SE_{XM}^{2}\right) \\ &\quad \cdot \max\left(0;\, B_{MY \cdot X}^{2} - SE_{MY \cdot X}^{2}\right) \cdot \frac{SD_{X}^{2}}{SD_{Y}^{2}} \end{aligned} \]

Die SD von \({M}\) brauchst du nicht. Sie kürzt sich beim Standardisieren heraus.

Warum ein korrigierter Schätzer?

Ein quadrierter Koeffizient liegt im Mittel um die Varianz seiner Schätzung über dem quadrierten wahren Wert. Deshalb überschätzt \({\hat{\upsilon}}\) den Effekt, vor allem in kleinen Stichproben. \({\tilde{\upsilon}}\) zieht von jedem quadrierten Koeffizienten das Quadrat seines Standardfehlers ab (Lachowicz et al., 2018).

\[ E\left(\hat{B}^{2}\right) = B^{2} + SE^{2} \]

Wird einer der beiden Faktoren negativ, setzt der Rechner ihn auf 0. Dann ist auch \({\tilde{\upsilon} = 0}\). Das passiert, wenn ein Koeffizient betragsmäßig kleiner ist als sein Standardfehler. Lachowicz et al. (2018) setzen negative Werte nicht auf 0. Ohne diese Regel könnten aber zwei negative Faktoren ein positives \({\tilde{\upsilon}}\) ergeben, das sogar über \({\hat{\upsilon}}\) liegt.

Interpretation

\({\upsilon}\) kann in Anlehnung an Cohen (1988) bewertet werden.

Literatur

  1. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers.
  2. Lachowicz, M. J., Preacher, K. J. & Kelley, K. (2018). A novel measure of effect size for mediation analysis. Psychological Methods, 23(2), 244–261. https://doi.org/10.1037/met0000165

Weitere Online-Rechner.

Prüf auch deine anderen Übungsaufgaben, bevor sich ein Fehler bis in die Klausur zieht. Kostenlos und ohne Anmeldung.

Alle Online-Rechner im Überblick

Jan Oetker

Statistik & Datenanalyse

Studienverlauf

  1. B.Sc.WirtschaftspsychologieHochschule Fresenius
  2. M.Sc.WirtschaftsinformatikFernUniversität in Hagen

Lehrerfahrung

  1. AStATutor seit 2016Hochschule Fresenius, Köln und weitere Standorte
  2. LehreDozentHochschule Fresenius

Du willst es mit jemandem durchgehen?

Der Rechner zeigt dir, ob dein Ergebnis stimmt. Wie du in der Klausur selbst dorthin kommst oder deine eigenen Daten richtig auswertest, gehst du am besten mit jemandem durch. Dabei unterstützt dich Jan Oetker: Er ist seit 2016 Tutor für Statistik beim AStA der Hochschule Fresenius und lehrt dort heute als Dozent.

  • Prüfungsvorbereitung Statistik

    Von der deskriptiven Statistik bis zur Inferenzstatistik, entlang deiner prüfungsrelevanten Themen und mit eigenen Aufgaben. Online per Zoom oder in Köln, einzeln oder in der Lerngruppe.

    60 € je 60 Minuten einzeln, zu zweit 30 € und ab drei Personen 20 € je Person

  • Datenanalyse

    Für deine Haus- oder Abschlussarbeit: Studiendesign, Hypothesen und Auswertung in SPSS, R, STATA oder JASP, inklusive Interpretation der Ergebnisse.

    80 € je 60 Minuten

Team tutoring ist ein unabhängiges Angebot und kein offizielles Angebot der Hochschule Fresenius.

Häufige Fragen zu υ bei der einfachen Mediation.

Welche Werte brauche ich?

Für \({\hat{\upsilon}}\) reicht der indirekte Effekt, entweder standardisiert oder unstandardisiert mit den SDs von \({X}\) und \({Y}\). Für \({\tilde{\upsilon}}\) brauchst du die Koeffizienten beider Pfade und ihre Standardfehler.

Warum ist \({\tilde{\upsilon}}\) kleiner als \({\hat{\upsilon}}\)?

\({\hat{\upsilon}}\) überschätzt den Effekt im Mittel, weil quadrierte Koeffizienten ihre Stichprobenvarianz mitbringen. \({\tilde{\upsilon}}\) zieht diese ab. Deshalb liegt \({\tilde{\upsilon}}\) nie über \({\hat{\upsilon}}\).

Wann ist \({\tilde{\upsilon} = 0}\)?

Wenn mindestens ein Koeffizient betragsmäßig kleiner ist als sein Standardfehler. Dann wird der zugehörige Faktor negativ, und der Rechner setzt ihn auf 0.

Brauche ich die SD des Mediators?

Nein. Beim Standardisieren des indirekten Effekts kürzt sich die SD von \({M}\) heraus. Es reichen die SDs von \({X}\) und \({Y}\).

Wie berichte ich das Ergebnis?

Nenne den standardisierten indirekten Effekt und beide Schätzer. Zum Beispiel: Der standardisierte indirekte Effekt betrug 0,17; \({\hat{\upsilon} = 0{,}029}\), \({\tilde{\upsilon} = 0{,}027}\) (Lachowicz et al., 2018).