9 Interaktionen bei n = 270, warum deine Moderationsanalyse in jamovi mehr testet als deine Fragestellung
Du hast 270 Fragebögen, drei Prädiktoren und drei mögliche Moderatoren. Am Ende stehen neun Interaktionen in deinem jamovi-Modell. Wie du eine Moderation sauber berichtest, steht im Artikel zu Mediation und Moderation nach APA 7. Hier geht es um die Entscheidung davor, nämlich welche dieser Interaktionen deine Fragestellung überhaupt vorgesehen hat.
Neun Tests und ein Zufallstreffer mit 37 % Wahrscheinlichkeit
Jede Interaktion ist ein eigener Signifikanztest. Bei α = .05 liegt die Wahrscheinlichkeit, dass ein einzelner Test zufällig signifikant wird, obwohl in der Population kein Effekt besteht, bei 5 %. Bei neun voneinander unabhängigen Tests steigt die Wahrscheinlichkeit für mindestens einen solchen Zufallstreffer auf 1 − 0.95⁹, also auf rund 37 %.
Diese Alpha-Fehler-Kumulierung ist kein Rechenfehler von jamovi. Sie entsteht, weil viele Fragen an denselben Datensatz gestellt werden. In echten Daten sind die Tests selten ganz unabhängig, die 37 % sind deshalb eher eine grobe Obergrenze als ein exakter Wert. Die Richtung stimmt trotzdem. Je mehr Interaktionen du testest, desto eher findest du eine, die nur in deiner Stichprobe existiert.
Dazu kommt die Power. Interaktionen sind meist kleine Effekte. Mit 270 Personen hast du für einen Haupteffekt oft genug Daten, für eine Interaktion mit wenig zusätzlich erklärter Varianz aber häufig nicht. Neun schwache Tests liefern dann ein Muster aus Zufallstreffern und übersehenen Effekten. Wie du die Fallzahl für kleine Effekte vorab planst, zeigt der Artikel zur Stichprobengröße mit G*Power.
Was eine Interaktion in der jamovi-Ausgabe bedeutet
Eine Moderation liegt vor, wenn der Zusammenhang zwischen Prädiktor und Kriterium von einer dritten Variable abhängt. In jamovi rechnest du sie etwa über das Modul medmod oder über ein lineares Modell mit Interaktionsterm, zum Beispiel in GAMLj. Entscheidend ist in beiden Fällen die Zeile für das Produkt aus Prädiktor und Moderator.
Ein Beispiel mit erfundenen Werten zeigt, wie das aussieht. Arbeitsbelastung sagt Erschöpfung vorher, soziale Unterstützung ist der Moderator. Beide Variablen sind zentriert, die Unterstützung zusätzlich standardisiert. Für die Interaktion steht in der Ausgabe b = −0.18 mit SE = 0.07. Das negative Vorzeichen heißt, dass der Zusammenhang zwischen Belastung und Erschöpfung schwächer wird, je mehr Unterstützung jemand erlebt.
Die Interaktion allein sagt aber noch nicht, wie stark der Zusammenhang bei wem ist. Dafür gibt es die einfachen Steigungen, im Englischen simple slopes. Sie zeigen den Zusammenhang bei niedriger, mittlerer und hoher Ausprägung des Moderators. Üblich sind eine Standardabweichung unter dem Mittelwert, der Mittelwert selbst und eine Standardabweichung darüber. Die Tabelle 1 zeigt die einfachen Steigungen aus dem Beispiel:
Soziale Unterstützung | Steigung b für Belastung | Lesart |
niedrig (−1 SD) | 0.52 | deutlicher Zusammenhang |
mittel (Mittelwert) | 0.34 | mittlerer Zusammenhang |
hoch (+1 SD) | 0.16 | schwacher Zusammenhang |
An dieser Stelle wird aus einer Zahl eine inhaltliche Aussage. Viele Arbeiten berichten nur die Interaktion und lassen offen, für wen der Zusammenhang gilt. Gutachter fragen im Kolloquium dann genau danach.
Drei Wege, die Zahl der Interaktionen zu begrenzen
Die Lösung liegt fast nie in der Software. Sie liegt in der Frage, welche Moderation du vor der Datenerhebung erwartet hast. Drei Wege kommen in Abschlussarbeiten häufig vor:
Interaktionen vorab festlegen. Du testest nur die Moderationen, die aus Theorie und Fragestellung folgen. Weitere Analysen berichtest du ausdrücklich als explorativ.
Ein schlankes Gesamtmodell rechnen. Statt neun einzelner Modelle schätzt du ein Modell mit ein bis zwei theoretisch begründeten Moderatoren. Das spart Tests und hält die Power höher.
Eine Korrektur einsetzen. Bei neun Tests liegt die Grenze nach Bonferroni bei .05 / 9, also bei etwa .006. Das schützt vor Zufallstreffern, kostet aber Power. Mehr zu den Verfahren steht im Artikel zu den Post-hoc-Tests nach der ANOVA.
Welcher Weg trägt, ist keine Frage des Geschmacks. Er hängt davon ab, was in deinem Exposé steht und was deine Betreuung erwartet. Wer die geplanten Interaktionen vor der Auswertung schriftlich festhält, ist auf der sicheren Seite. Wie eine Fragestellung so formuliert wird, dass sie sich prüfen lässt, beschreibt der Artikel Warum deine Hypothesen nicht testbar sind.
Wenn du nicht sicher bist, welche Interaktionen in dein Modell gehören, übernehmen wir die Moderationsanalyse in jamovi und klären die Auswahl vorher mit dir.
Dein eigenes Moderationsmodell folgt einer Logik, die sich nicht aus einem Beispiel ablesen lässt. Welche Variablen Moderatoren sind und welche nur Kontrollvariablen, entscheidet sich an deiner Fragestellung. Wie sich Kontrollvariablen in jamovi auf die Ergebnisse auswirken können, zeigt der Artikel zu Kontrollvariablen in der jamovi-Mediation.
So berichtest du eine signifikante und eine nicht signifikante Interaktion
Für das Beispiel oben könnte der Satz im Ergebnisteil so aussehen, die Werte sind erfunden:
Die Interaktion von Arbeitsbelastung und sozialer Unterstützung wurde signifikant, b = −0.18, SE = 0.07, t(266) = −2.57, p = .011, ΔR² = .02. Bei niedriger Unterstützung war der Zusammenhang zwischen Belastung und Erschöpfung stärker (b = 0.52) als bei hoher Unterstützung (b = 0.16).
Eine nicht signifikante Interaktion berichtest du genauso vollständig, etwa mit b = 0.05, SE = 0.07, t(266) = 0.71, p = .478. Ob ein Ergebnis zu deiner Erwartung passt, gehört in die Diskussion und nicht in den Ergebnisteil. Wie du dort mit nicht signifikanten Befunden umgehst, steht im Artikel Nicht signifikant, was das Ergebnis bedeutet.
Wenn du Werte direkt aus jamovi übernimmst, achte auf Rundung, Kursivschrift und das Minuszeichen. Was beim Kopieren aus jamovi verloren geht, beschreibt der Artikel zu jamovi-Ergebnissen nach APA 7.
Was Studierende zur Moderationsanalyse in jamovi oft fragen
Muss ich Prädiktor und Moderator vor der Analyse zentrieren?
Für den Test der Interaktion ändert das Zentrieren nichts. Es macht aber die Haupteffekte leichter lesbar, weil sie dann für einen mittleren Wert des Moderators gelten. Viele jamovi-Module bieten das Zentrieren direkt als Option an.
Reicht jamovi für eine Moderationsanalyse in der Masterarbeit?
Für die üblichen Modelle mit einem oder zwei Moderatoren reicht jamovi gut aus. Wichtig ist, dass du im Methodenteil Version und Modul angibst. Was sich gegenüber SPSS ändert, steht im Vergleich jamovi oder SPSS.
Mit welchem Aufwand muss ich rechnen, wenn ihr die Moderationsanalyse übernehmt?
Das hängt vor allem davon ab, wie viele Modelle nötig sind und wie weit die Daten schon aufbereitet sind. Eine schlanke Analyse mit klarer Fragestellung braucht deutlich weniger Zeit als ein Datensatz mit vielen offenen Entscheidungen. Wie wir abrechnen, siehst du auf der Seite Preise und Ablauf.
Was mache ich, wenn nur eine von neun Interaktionen signifikant ist?
Dann prüfst du zuerst, ob genau diese Interaktion vorab geplant war. War sie das nicht, berichtest du sie als explorativen Befund und ordnest sie in der Diskussion vorsichtig ein. Bei neun Tests ist ein einzelner Treffer mit p knapp unter .05 kein starkes Signal.
Brauche ich für eine Moderation das Makro PROCESS?
Nein. PROCESS rechnet Moderationen in SPSS und R bequem, das gleiche Modell lässt sich in jamovi aber auch über ein lineares Modell mit Interaktionsterm schätzen. Entscheidend ist, dass du das Vorgehen im Methodenteil nachvollziehbar beschreibst.
Zwei Interaktionen, die du begründen kannst, statt neun auf Verdacht Wenn du die Auswertung abgeben möchtest, rechnen wir deine Moderationsanalyse in jamovi und erklären dir jede Zeile der Ausgabe. Wenn du lieber selbst rechnest, gehen wir dein Modell im 1:1-Coaching gemeinsam durch.


