Wie benennt man die Effektstärken von Mediationsanalyse, Moderationsanalyse (über Process) sowie ANCOVA?
Guten Tag, ich bin derzeit an einer wissenschaftlichen Arbeit dran und habe über SPSS (PROCESS) einige Analysen abgeschlossen. Nun da ich aber leider eine Niete bin und Chatgpt sowie Google mich verwirren, wollte ich einmal fragen ob jemand mir hier helfen kann bzgl. der Benennung der Effektstärken. Also bpsw. kleines b, B, F oder M und das halt für direkte und indirekte Effekte etc.
Ich habe dafür einige Ausschnitte der Ergebnisse und wäre sehr erfreut darüber, wenn mir jemand helfen könnte mich in der thematik schnell aufzuklären.
Mediationsanalyse mit Bootstrap
Moderationsanalyse
ANCOVA
Vielen Dank im Voraus.
1 Antwort
Da ich nicht deine genauen Einstellungen kenne, interpretiere ich deine Ergebnisse ohne Hintergrundkenntnisse.
Mediationsanalyse: Leider keine Variablenbeschreibung in der Grafik, daher nur eine allgemeine Interpretation. Weder hast du einen signifikanten direkten noch einen indirekten Effekt. D.h. es ist sehr wahrscheinlich, dass mit deinem Modell keine Mediation vorliegt. "Effect" ist dabei der unstandardisierte Effektkoeffizient, "se(HC3)" die Standardabweichung, "t" der t-Wert (Effekt geteilt durch Standardabweichung), "p" das Signifikanzniveau (i.d.R. sollte p<0.05 um signifikant zu sein), LLCI und ULCI sind der untere und obere Bereich des Konfidenzintervalls, sprich der Bereich in dem der Effektkoeffizient zu 95% liegt. Die Präfixe "BOOT" zeigen einfach nur an, dass es sich um Bootstraps-Werte handelt.
Moderation: "Int_1" ist nicht-signifikant, also kein Interaktionseffekt. "R" wird nicht interpretiert. "R-sq" ist die erklärte Varianz (Spanne: 0-1; je höher desto besser) in deinem Modell und wird in Prozent ausgedrückt (0.8133 = 81,33% erklärte Varianz). "MSE" ist die mittlere Summe der Fehlerquadrate und wird nicht interpretiert. "df1" ist die Anzahl der Effekte im Modell (hier: 7). "df2" ist die Anzahl der maximal möglichen Effekte im Modell. "F(HC3)" ist der F-Wert und gibt an, ob das Modell besser ist als ein leeres Modell, also eins ohne unabhängige Variablen. Der "p"-Wert bestätigt dies, da p<0,05. Unten habe ich keine Ahnung.