Mediationsanalyse (indirekte Effekte)
Testen Sie indirekte Effekte mit bootstrap-Konfidenzintervallen — und erhalten Sie den APA-Satz als Entwurf zum Bearbeiten.
Diese Seite ist eine Übersetzung des geprüften englischen Originals. Original ansehen (EN)
mediation analysisWas es ist
Die Mediationsanalyse fragt, wie ein Effekt zustande kommt — ob eine Variable X ein Ergebnis Y über eine dritte Variable M beeinflusst. Der Pfad von X über M zu Y ist der indirekte (mediierte) Effekt; der verbleibende Pfad von X zu Y ist der direkte Effekt. Der moderne Ansatz testet den indirekten Effekt (das a×b-Produkt) direkt mit bootstrapping, das ein Konfidenzintervall aus tausenden resamples bildet, statt anzunehmen, der indirekte Effekt sei normalverteilt. Schließt dieses Konfidenzintervall die null aus, ist der indirekte Effekt signifikant. Das hat das ältere causal-steps-Verfahren von Baron und Kenny (1986) und den Sobel-Test ersetzt, die heute beide als schwach in der Power und abhängig von Annahmen gelten, die die Daten selten erfüllen.
Wann man es verwendet
- Sie haben eine Theorie über den Mechanismus — warum oder wie X auf Y wirkt.
- Sie wollen einen indirekten Effekt testen, nicht nur einen Gesamteffekt.
- Sie berichten einen Mediator, und ein Gutachter erwartet bootstrap-Intervalle.
- Sie wollen direkte, indirekte und Gesamteffekte in einer Analyse.
Wann man es nicht verwendet
- Ihre Daten sind querschnittlich und Sie wollen starke kausale Aussagen treffen — Mediation beweist ohne ein solides Design keine Kausalität.
- Sie haben keinen theoretischen Grund für den Mediator — das Fischen nach Mediatoren erhöht die Zahl falsch positiver Ergebnisse.
Annahmen
- Eine vertretbare kausale Reihenfolge: X geht M voraus und M geht Y voraus, idealerweise durch das Design.
- Keine wichtigen ausgelassenen Confounder der M–Y-Beziehung.
- Lineare Beziehungen zwischen den Variablen (sofern Sie es nicht anders modellieren).
- Angemessene Stichprobengröße für stabile bootstrap-Intervalle.
Schwellenwerte & Grenzwerte
| Criterion | Rule of thumb | Source |
|---|---|---|
| Indirekter Effekt (a×b) | Signifikant, wenn das bootstrap-CI die 0 ausschließt | Preacher & Hayes (2008) |
| Bootstrap-resamples | ≥ 5.000 empfohlen | Hayes (2018) |
| Konfidenzintervall | Bias-corrected oder Perzentil-95%-CI | Preacher & Hayes (2008) |
Wie man es in APA berichtet
Der indirekte Effekt von X auf Y über M war signifikant, ab = .XX, SE = .XX, 95% bootstrap-CI [.XX, .XX] (5.000 resamples), wobei das Intervall die null ausschloss. Der direkte Effekt blieb signifikant, c′ = .XX, p = .0X, was auf partielle Mediation hindeutet.
Wie Explonia es berechnet
Explonia testet indirekte Effekte im Browser mit bootstrap-Konfidenzintervallen, sodass Sie nicht annehmen müssen, der indirekte Effekt sei normalverteilt. Sie wählen Prädiktor, Mediator und Ergebnis, und Explonia berichtet die direkten, indirekten und Gesamteffekte mit ihren Intervallen und vermerkt, ob der indirekte Effekt signifikant ist. Es entwirft den APA-Satz — samt der bootstrap-Details — den Sie prüfen und bearbeiten können. Export nach R oder SPSS (.sav) ist in den bezahlten Tarifen verfügbar.
Häufig gestellte Fragen
Soll ich für Mediation den Sobel-Test oder bootstrapping nutzen?
Bootstrapping wird vorgezogen. Der Sobel-Test nimmt an, der indirekte Effekt sei normalverteilt, was er meist nicht ist; bootstrapping macht keine solche Annahme (Preacher & Hayes, 2008).
Brauche ich noch die causal steps von Baron und Kenny?
Nein. Der causal-steps-Ansatz von Baron und Kenny (1986) — samt der Forderung, dass X vor dem Test der Mediation Y signifikant vorhersagt — gilt heute als überholt und schwach in der Power. Die moderne Praxis testet den indirekten Effekt direkt mit einem bootstrap-Konfidenzintervall, und ein Effekt kann mediiert sein, selbst wenn der Gesamteffekt X–Y nicht signifikant ist. Zitieren Sie Baron und Kenny für den historischen Kontext, nicht als Ihre Testmethode.
Was bedeutet es, wenn das bootstrap-CI die null ausschließt?
Wenn das 95%-Konfidenzintervall für den indirekten Effekt die null nicht enthält, ist der indirekte Effekt statistisch signifikant — ein Beleg dafür, dass X über den Mediator auf Y wirkt.
Was ist der Unterschied zwischen partieller und voller Mediation?
Bei partieller Mediation bleibt der direkte Effekt nach Hinzunahme des Mediators signifikant; bei voller Mediation fällt er auf Nicht-Signifikanz. Beide erfordern einen signifikanten indirekten Effekt.
Kann ich aus einer Mediationsanalyse Kausalität ableiten?
Nicht aus querschnittlichen Daten allein. Mediation beschreibt einen hypothetisierten Pfad; kausale Aussagen brauchen ein Design (etwa längsschnittlich oder experimentell), das sie stützt.
Last updated: Juli 2026
Führen Sie Mediation mit Ihren eigenen Daten durch
Sammeln oder laden Sie Ihre Daten hoch, führen Sie die Analyse in Ihrem Browser durch und erhalten Sie einen APA-Absatzentwurf, den Sie bearbeiten können. Kostenlos starten. Keine Kreditkarte.
Kostenlos starten