Ich denke das Problem liegt bei den Altersgruppen und den Ländern. Beide haben für Excel keine gescheite Nummerierung, sodass Altersgruppen und Ländern auf der Y-Achse nicht darstellbar ist. In deinem verlinkten Bild hat jedes Land sein eigenes Durchschnittsalter, sodass es beide (Land und Durchschnittsalter) auf der gleichen Höhe sein können.

In deinem Fall müssen entweder die Altersgruppen oder die Länder als Legende aufgeführt werden, wobei letzteres die elegantere Wahl wäre.

Eigene Daten zu erheben, fällt schon einmal raus, da das ein viel zu großer zeitlicher und finanzieller Aufwand wäre.

Mögliche Themen könnte ich mir vorstellen:

• Wie unterscheiden sich die (täglichen) Spielzeiten zwischen E-Sportlern zwischen den Ländern X, Y und Z? -> Hier wäre eine univariate Varianzanalyse geeignet. Man könnte auch eine Clusteranalyse durchführen, dann müsste man aber die Fragestellung etwas abändern.
• Wie hängt der soziale Status, das Geschlecht oder das Alter mit dem Beruf des E-Sportlers zusammen? -> Korrelations- oder Regressionsanalysen.

Ich hoffe, ich konnte dir ein paar Denkanstöße und Inspirationen mitgeben. Viel Erfolg!

Die Kovarianz gibt nur den monotonen (linearen) Zusammenhang beider Variablen wieder. Auch wenn Cov=0, heißt das nicht, dass beide Variablen (stochastisch) voneinander unabhängig sind. Es kann ja sein, dass ein anderer Beziehungszusammenhang (quadratisch, logarithmisch, kubisch, ...) vorliegt, der von der Kovarianz nicht erfasst wird.

Wie in vielen meiner Antworten, hängt der statistische Test von den zu überprüfenden Hypothesen ab. Wenn du vermutest, dass die Beziehung zwischen X und Y durch einen Moderator Z verändert wird, dann musst du das auch so testen. Ob der direkte Einfluss von X auf Y jetzt nicht signifikant ist, spielt erstmal keine Rolle.

Um dir den negativen Interaktionskoeffizienten etwas deutlicher vor Augen zu führen, nehme ich an, dass X generell einen positiven Einfluss auf Y ausübt, der jedoch nicht signifikant ist. Durch Hinzunahme der Moderatorvariable Z, entsteht ein signifikanter negativer Interaktionsterm (XZ -> Y = negativ (mit p<0.05)). Das bedeutet, dass die Moderatorvariable Z mit jedem weiteren Anstieg um eine Einheit die Beziehung zwischen X und Y um so und so viel Einheiten verringert. Achte aber darauf, dass die Haupteffekte (X -> Y) nur noch konditionale Effekte sind und ihre Werte sich durch den Interaktionsterm verändern (können).

Am besten, du machst dir den Interaktionseffekt anhand eines Graphen deutlich. Hier ist eine Website mit einer vorgefertigten Excel-Datei, die dir einen solchen Graphen aussgibt, in der du nur noch deine Ergebnisse eintragen musst. http://www.jeremydawson.co.uk/slopes.htm (Nutze dabei die 2-way_linear_interactions.xls Datei).

Generell: Durch Einfügung weiterer Variablen und Interaktionsterme, vergrößerst du dein Modell und es kann generell mehr Varianz erklärt werden, wenn auch manchmal nur marginal. Daher interpretiere das R² hierbei nicht allzusehr. Besser: Du schaust dir die Werte des Informationskriteriums (AIC, BIC oder andere Koeffizienten) an und führst einen Chi²-Test zwischen beiden Modellen (das eine ohne und das andere mit Interaktionsterm) durch und schaust, ob das Interaktionsmodell signifikant besser ist.

Eine gute Literatur über Moderation (aber auch Mediation) liefert das Buch von Andrew Hayes: https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030. In der Regel wird aber Aiken & West (1991) zitiert: https://psycnet.apa.org/record/1991-97932-000.