Mediation oder Moderation? So wertest du beide Analysen richtig aus
Mediations- und Moderationsanalyse: Unterschiede, Modellierung und praktische Anwendung.
Du hast einen signifikanten Zusammenhang gefunden und fragst dich jetzt: Warum besteht er überhaupt? Und gilt er wirklich für alle Personen gleich? Genau an dieser Stelle trennen sich zwei Verfahren, die oft in einen Topf geworfen werden: die Mediationsanalyse und die Moderationsanalyse. Beide gehören in Psychologie, Medizin, Bildungsforschung, Soziologie und empirischer Wirtschaftsforschung zum Standardwerkzeug. Beide werden aber erstaunlich oft falsch eingesetzt.
Die Unterscheidung wirkt auf den ersten Blick simpel. In der Praxis werden indirekte Effekte falsch gedeutet, Interaktionsterme unpassend aufgebaut und signifikante Ergebnisse vorschnell als Kausalität verkauft. Dieser Artikel zeigt dir, was hinter den Verfahren steckt, wo die typischen Stolperfallen liegen und worauf du achten solltest, damit deine Auswertung wissenschaftlich trägt. Denn es geht um mehr als um die Bedienung von SPSS, AMOS oder R: Forschungsfrage, Theorie, Studiendesign und Statistik müssen zusammenpassen.
Mediation und Moderation: Grundlagen und Unterschiede
Mediation: Über welche Variable läuft der Zusammenhang?
Eine Mediationsanalyse prüft, ob der Zusammenhang zwischen einer unabhängigen Variable X und einer abhängigen Variable Y über eine dritte Variable M verläuft, den Mediator. Ein klassisches Beispiel: Hohe Arbeitsbelastung geht mit mehr emotionaler Erschöpfung einher, und diese hängt mit geringerer Arbeitszufriedenheit zusammen. Die Erschöpfung ist dann der Mediator.
Das Modell besteht aus drei Beziehungen: dem a-Pfad (X zu M), dem b-Pfad (M zu Y unter Kontrolle von X) und dem direkten Effekt c′ (X zu Y unter Kontrolle von M). Der indirekte Effekt ist das Produkt a × b. Im einfachen linearen Modell gilt: Totaler Effekt = direkter Effekt + indirekter Effekt. Das ist zunächst nur eine statistische Zerlegung. Ob du die Teile kausal deuten darfst, hängt von zusätzlichen Voraussetzungen ab.
Moderation: Wann verändert sich der Zusammenhang?
Eine Moderationsanalyse fragt, ob die Stärke oder Richtung eines Zusammenhangs von einer Variable W abhängt. Beispiel: Der negative Zusammenhang zwischen Arbeitsbelastung und Arbeitszufriedenheit fällt bei hoher sozialer Unterstützung schwächer aus als bei geringer. Im Regressionsmodell steckt die Moderation im Interaktionsterm X × W, neben den Haupteffekten von X und W.
| Kriterium | Mediationsanalyse | Moderationsanalyse |
|---|---|---|
| Zentrale Frage | Über welche Variable verläuft ein Zusammenhang? | Unter welchen Bedingungen verändert er sich? |
| Zusätzliche Variable | Mediator | Moderator |
| Modellstruktur | X → M → Y | X × W → Y |
| Zentraler Parameter | Indirekter Effekt | Interaktionseffekt |
| Typischer Fehler | Indirekten Effekt kausal deuten | Signifikanzunterschiede mit Interaktion verwechseln |
Dieselbe Variable kann je nach Fragestellung Mediator oder Moderator sein. Entscheide deshalb vor der Auswertung und theoretisch begründet, welche Rolle sie spielt.

Mediation vs. Moderation: Unterschiede, Wirkmechanismen und statistische Modellierung.
So gelingt die Auswertung: Verfahren, Interpretation, Fehler
Der indirekte Effekt und Bootstrapping
Prüfe nicht nur, ob a- und b-Pfad einzeln signifikant sind. Das reicht nicht. Untersuche das Produkt a × b selbst. Mit a = 0,50 und b = −0,40 ergibt sich ein indirekter Effekt von −0,20. Weil die Stichprobenverteilung eines Produkts asymmetrisch sein kann, sind einfache Normalapproximationen nicht immer passend.
Bootstrap-Konfidenzintervalle sind hier oft die bessere Wahl. Sie berechnen den indirekten Effekt in vielen Resamples neu. Schließt ein 95-%-Intervall die Null aus, spricht das gegen einen indirekten Effekt von null. Bei Clustern oder Messwiederholungen musst du das Resampling aber an die Datenstruktur anpassen.
Vollständige oder partielle Mediation?
Verlass dich nicht allein auf die Einteilung nach Signifikanz. Ein nicht signifikanter direkter Effekt heißt nicht, dass er null ist. Vielleicht fehlt nur Teststärke. Berichte lieber direkte und indirekte Effekte samt Konfidenzintervallen. Auch gegenläufige Effekte sind möglich, dann taugt eine einfache Vermittlungsquote kaum.

Vollständige vs. partielle Mediation: Direkte und indirekte Effekte richtig einordnen.
Moderation sauber interpretieren
Das Modell lautet Y = b₀ + b₁X + b₂W + b₃(X × W) + ε. Der Koeffizient b₃ ist der Interaktionseffekt. Die Haupteffekte b₁ und b₂ gelten nur für W = 0 beziehungsweise X = 0. Ist null keine sinnvolle Ausprägung, wird die Deutung schwierig. Dann hilft Zentrierung, etwa am Mittelwert.
Um eine Interaktion greifbar zu machen, nutzt du Simple Slopes. Betrachte den Zusammenhang bei einer Standardabweichung unter dem Mittelwert, beim Mittelwert und eine Standardabweichung darüber, sofern diese Werte im beobachteten Bereich liegen. Das Johnson-Neyman-Verfahren zeigt, in welchen Moderatorbereichen der Zusammenhang von null abweicht. Auch hier gilt: Nicht über die beobachteten Werte hinaus interpretieren. Eine Grafik mit Unsicherheitsintervallen hilft, ersetzt aber nie den Interaktionstest.
Dichotomisiere kontinuierliche Moderatoren nicht ohne Not. Das vernichtet Information und senkt die Teststärke.

Sieben typische Fehler bei Mediations- und Moderationsanalysen erkennen und vermeiden.
Der Klassiker: signifikant hier, nicht signifikant dort
Bei Stress und Schlafqualität ist der Zusammenhang bei Männern signifikant, bei Frauen nicht. Daraus folgt nicht, dass sich die Gruppen unterscheiden. Dafür brauchst du einen Test der Interaktion beziehungsweise des Koeffizientenunterschieds, selbst wenn die p-Werte weit auseinanderliegen.
Werkzeuge: SPSS, AMOS und R
In SPSS arbeitest du meist mit dem PROCESS-Makro. Modell 1 steht für einfache Moderation, Modell 4 für einfache Mediation, Modell 7 für Moderation des a-Pfads und Modell 14 für Moderation des b-Pfads. Wähle das Modell nach deiner Theorie, nicht nach Verfügbarkeit.
AMOS modelliert direkte und indirekte Beziehungen im Strukturgleichungsmodell, auch mit latenten Variablen. Das erhöht die Anforderungen an Identifikation, Schätzung und Messmodelle. Hilfe dazu findest du bei der professionellen AMOS-Hilfe von Mehr als Durchschnitt. In R bietet das Paket lavaan Pfadanalysen und Strukturgleichungsmodelle, in denen du indirekte Effekte direkt definierst und reproduzierbar dokumentierst. Bei anspruchsvollen Modellen gibt es Unterstützung bei Datenauswertungen mit R.
Kombinierte Modelle und Stichprobengröße
Bei moderierter Mediation hängt der indirekte Effekt vom Moderator ab, etwa wenn soziale Unterstützung den a-Pfad zwischen Arbeitsbelastung und Erschöpfung verändert. Schätze dann bedingte indirekte Effekte und nutze, wo passend, den Index of Moderated Mediation. Bei mediierter Moderation soll ein Interaktionseffekt über einen Mechanismus erklärt werden. Beschreibe die angenommenen Pfade immer ausdrücklich.
Pauschale Mindestfallzahlen gibt es nicht. Entscheidend sind Effektgrößen, Parameterzahl, Messgenauigkeit, Schätzverfahren und gewünschte Teststärke. Indirekte Effekte und Interaktionen sind oft klein und schwer präzise zu schätzen. Bei komplexen Modellen lohnt sich eine simulationsbasierte Fallzahlplanung.
Voraussetzungen im Check
| Thema | Worauf du achten solltest |
|---|---|
| Linearität | Bei deutlich nichtlinearen Zusammenhängen passt ein lineares Modell nicht |
| Unabhängigkeit | Bei Clustern oder Messwiederholung eher Mehrebenenmodelle |
| Heteroskedastizität | Robuste Standardfehler können helfen |
| Multikollinearität | Zentrierung hilft bei der Deutung, löst nicht alles |
| Fehlende Werte | Multiple Imputation oder likelihoodbasierte Verfahren statt pauschalem Ausschluss |
Querschnittsdaten: Was du sagen darfst
Hast du alle Variablen zu einem Zeitpunkt erhoben, kannst du einen indirekten Effekt berechnen. Dass X über M auf Y wirkt, belegt er aber nicht. Auch die umgekehrte Richtung oder eine unbeobachtete Drittvariable passen zu denselben Daten. Schreib deshalb lieber von einem statistischen indirekten Zusammenhang im spezifizierten Modell. Selbst eine Randomisierung löst nicht automatisch alle Probleme bei der kausalen Deutung des Mediators.
Die sieben typischen Fehler im Überblick
- Verwechslung: Mediation und Moderation beantworten verschiedene Fragen. Wer sie vertauscht, baut das falsche Modell.
- Nur Einzelpfade prüfen: Teste den indirekten Effekt selbst.
- Kausale Überinterpretation: Signifikanz ist kein Beweis eines Mechanismus.
- p-Werte vergleichen: Gruppenunterschiede brauchen einen Interaktionstest.
- Haupteffekte isoliert deuten: Mit Interaktion gelten sie nur bedingt.
- Unnötige Dichotomisierung: Modelliere kontinuierlich, wenn nichts dagegen spricht.
- Annahmen und Fallzahl ignorieren: Auch ein sauber geschätztes Modell kann unpassend sein.
Ein Beispiel zum Schluss
Stell dir eine Studie zu Stress und Wohlbefinden vor, mit Schlafqualität und sozialer Unterstützung. Vermutest du, dass Stress über schlechteren Schlaf das Wohlbefinden mindert, brauchst du ein Mediationsmodell. Vermutest du, dass Unterstützung den Stress-Effekt abschwächt, schätzt du eine Moderation mit Interaktionsterm. Fragst du, ob der Weg über den Schlaf je nach Unterstützung variiert, brauchst du eine moderierte Mediation. Dieselben Variablen, drei verschiedene Fragen, drei verschiedene Modelle.
Fazit
Mediation erklärt, über welchen Weg ein Zusammenhang läuft. Moderation zeigt, unter welchen Bedingungen er sich verändert. Beides funktioniert nur, wenn Theorie, Design und Statistik zusammenpassen. Prüfe vor jeder Analyse, welche Frage du wirklich beantworten willst, und formuliere bei Querschnittsdaten vorsichtig. Nimm dir heute deine letzte Auswertung vor und kontrolliere: Hast du den indirekten Effekt oder den Interaktionsterm direkt getestet?
Reicht es, wenn a-Pfad und b-Pfad signifikant sind?
Nein. Entscheidend ist die Inferenz über den indirekten Effekt a × b selbst, zum Beispiel mit einem geeigneten Bootstrap-Konfidenzintervall.
Darf ich bei Querschnittsdaten von kausaler Mediation sprechen?
In der Regel nicht. Sprich von einem statistischen indirekten Effekt im spezifizierten Modell, solange Design und Annahmen keine kausale Deutung stützen.
Muss ich einen kontinuierlichen Moderator in Gruppen einteilen?
Nein. Die Dichotomisierung kostet Information und Teststärke. Modelliere den Moderator besser in seiner kontinuierlichen Form.
Wie viele Personen brauche ich für eine Mediation oder Moderation?
Eine pauschale Zahl gibt es nicht. Der Umfang hängt von Effektgrößen, Modellkomplexität, Messgenauigkeit und gewünschter Teststärke ab. Bei komplexen Modellen hilft eine Simulation.