Multiple lineare Regression II

Methoden II: Methoden der empirischen Kommunikations- und Medienforschung

Marko Bachl

Freie Universität Berlin

19. 05. 2025

Fragen zur Übung?

Update: Klausurtermine

Termine und Fristen

Hauptprüfung: 21.07.2025 um 9:00 Uhr (Ort: E-Examinations Center 1)
Nachprüfung: 22.09.2025 um 9:00 Uhr (Ort: E-Examinations Center 1)
Anmeldung zur Hauptprüfung: 16. Juni 2025

WICHTIG: Für die Klausur müssen Sie sich separat anmelden. Dazu finden Sie in Blackboard eine Umfrage. Nur mit dieser Anmeldung können Sie an der Klausur teilnehmen. Die Anmeldung für die Veranstaltung in Campus Management reicht dafür nicht aus.

Agenda

Zusammenfassung: Annahmen und ihre Überprüfung
Transformation von Variablen im Regressionsmodell
Interaktion und Moderation
Übungen

Lernziele

Lernziel der Vorlesungssitzung: Ergebnisse einer multiplen Regression mit transformierten Variablen und Interaktionstermen lesen, verstehen, formulieren, kritisieren können
Lernziel der Übungsaufgabe: R-Code zur multiplen Regression mit transformierten Variablen und Interaktionstermen nachvollziehen, ausführen und bearbeiten können

Daten der heutigen Sitzung I

(Van Erkel, 2020; Van Erkel & Van Aelst, 2021)

Zusammenfassung: Annahmen und ihre Überprüfung

Annahmen und ihre Überprüfung

Statistische Annahmen

Linearität und Additivität der Zusammenhänge
Normalverteilung und Homoskedastizität der Residuen
Unabhängigkeit der Residuen
keine einflussreichen Ausreißer
keine Multikollinearität

Kausalannahmen

korrekt spezifiziertes Modell; keine fehlenden oder überflüssigen Variablen
Besprechen wir in Sitzung 6: Pfadmodelle & Mediation

Model 4 aus Van Erkel & Van Aelst (2021)

Überprüfung der stat. Modellannahmen

Zahlreiche diagnostische Tools zum Prüfen der Verletzung der Modellannahmen
Statistische Verteilungstests (z.B. KS-Test auf Normalverteilung der Residuen): in der Regel nicht empfehlenswert, da zu sensitiv
Graphische Tests (meist Plots der Residuen): Besser geeignet, um qualitativen Eindruck von Modellverletzungen zu erhalten. Erfordern aber einige Erfahrung.
Empfehlung: Praktische Umsetzung in R mit dem Paket {performance}: Anleitung hier: Checking model assumption - linear models
Beispiel-Ausgaben in Präsentation zu Sitzung 4 ab hier. Beispiel-Code in Übung 04_mame.R.
Überprüfung der statistischen Modellannahmen ist nicht Gegenstand der Klausur.

Verletzung der stat. Modellannahmen

Keine Panik! Einige Modellannahmen sind praktisch immer verletzt (z.B. Normalverteilung der Residuen)
Viele Annahmen beziehen sich auf die Residuen, nicht auf $X$ oder $Y$
Wichtig ist, einschätzen zu können, welche Konsequenzen eine Verletzung der Modellannahme haben kann
- verzerrte Schätzer (zu hoch, zu niedrig)
- falsche Standardfehler ( $\alpha$ - und $\beta$ -Fehler)

Vorsichtig formulieren, Robustheit der Ergebnisse prüfen
Bei stärkeren Verletzungen Korrekturen möglich (robuste Schätzer, robuste Standardfehler; nicht in dieser Vorlesung)

Problematischer sind Verletzungen der kausalen Annahmen (→ Sitzung 6)

Fragen?

Transformation von Variablen im Regressionsmodell

Addieren & Subtrahieren einer Konstante: Ändert die Bedeutung der Konstante (Intercept) (Wert, wenn alle Prädiktoren gleich 0 sind)
Multiplizieren & Dividieren mit einer Konstante: Ändert die Skala der Regressionskoeffizienten
Nicht-lineare Transformationen eines Prädiktors (z.B. Quadrieren, Logarithmus): Ändert die funktionale Form der Beziehung
Multiplikation mehrerer Prädiktoren: Moderation & Interaktion

Addieren & Subtrahieren einer Konstante

Zentrieren von quasi-metrischen Prädiktoren um ihren Mittelwert

d <- d |> 
  mutate(Age_c = Age - mean(Age),
         Newspapers_c = scale(Newspapers, center = TRUE, scale = FALSE))

Addieren & Subtrahieren einer Konstante

Original
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	1.58	(1.24, 1.92)	9.05	< .001
Age	0.02	(0.01, 0.03)	6.88	< .001
Newspapers	0.21	(0.16, 0.25)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Zentriert
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	3.35	(3.24, 3.45)	62.45	< .001
Age c	0.02	(0.01, 0.03)	6.88	< .001
Newspapers c	0.21	(0.16, 0.25)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Multiplizieren & Dividieren mit einer Konst.

Skala verändern:
- Teilen des Alters durch 10 → Vergleich zu bzw. Veränderung um 10 Jahren
- Minimum = 0 bis Maximum = 1 → Vergleich der extremen Skalenpunkte

d <- d |> 
  mutate(Age_10 = Age / 10,
         Newspapers_Min_Max = (Newspapers - min(Newspapers)) / (max(Newspapers) - min(Newspapers)))

Multiplizieren & Dividieren mit einer Konst.

Original
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	1.58	(1.24, 1.92)	9.05	< .001
Age	0.02	(0.01, 0.03)	6.88	< .001
Newspapers	0.21	(0.16, 0.25)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Transformiert
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	1.79	(1.46, 2.12)	10.61	< .001
Age 10	0.20	(0.14, 0.25)	6.88	< .001
Newspapers Min Max	1.04	(0.81, 1.27)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Multiplizieren & Dividieren mit einer Konst.

Z-Standardisieren: Zentrieren aller quasi-metrischer Variablen um Mittelwert und Teilen durch eine Standardabweichung → Standardisierte Koeffizienten

d <- d |> 
  mutate(Age_z = (Age - mean(Age)) / sd(Age),
         Newspapers_z = scale(Newspapers, center = TRUE, scale = TRUE),
         Political_knowledge_z = scale(Political_knowledge, center = TRUE, scale = TRUE))

Multiplizieren & Dividieren mit einer Konst.

Original
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	1.58	(1.24, 1.92)	9.05	< .001
Age	0.02	(0.01, 0.03)	6.88	< .001
Newspapers	0.21	(0.16, 0.25)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Z-Standardisiert
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	0.22	(0.15, 0.30)	5.67	< .001
Age z	0.20	(0.14, 0.26)	6.88	< .001
Newspapers z	0.26	(0.20, 0.31)	8.89	< .001
Gender (female)	-0.47	(-0.58, -0.35)	-8.10	< .001

R2 (adj.)					0.21

Multiplizieren & Dividieren mit einer Konst.

Standardisierte Koeffizienten eines Modells mit z-standardisierten Variablen
Parameter	Coefficient	95% CI	t(989)	p	Std. Coef.	Std. Coef. 95% CI	Fit
(Intercept)	0.22	(0.15, 0.30)	5.67	< .001	0.22	(0.15, 0.30)
Age z	0.20	(0.14, 0.26)	6.88	< .001	0.20	(0.14, 0.26)
Newspapers z	0.26	(0.20, 0.31)	8.89	< .001	0.26	(0.20, 0.31)
Gender (female)	-0.47	(-0.58, -0.35)	-8.10	< .001	-0.47	(-0.58, -0.35)

R2 (adj.)							0.21

Die Funktion report_table() schätzt das Modell im Hintergrund mit standardisierten quasi-metrischen Variablen neu, um die standardisierten Koeffizienten zu erhalten.

Nicht-lineare Transformationen

z.B. Logarithmierung: Vergleich bzw. Veränderung in %

d <- d |> 
  mutate(Age_log = log(Age),
         Political_knowledge_log = log1p(Political_knowledge))

Nicht-lineare Transformationen

Original
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	1.58	(1.24, 1.92)	9.05	< .001
Age	0.02	(0.01, 0.03)	6.88	< .001
Newspapers	0.21	(0.16, 0.25)	8.89	< .001
Gender (female)	-0.64	(-0.79, -0.48)	-8.10	< .001

R2 (adj.)					0.21

Log-transformierte aV und Alter
Parameter	Coefficient	95% CI	t(989)	p	Fit
(Intercept)	-0.06	(-0.37, 0.26)	-0.35	0.724
Age log	0.31	(0.23, 0.39)	7.69	< .001
Newspapers	0.06	(0.05, 0.08)	8.57	< .001
Gender (female)	-0.16	(-0.21, -0.11)	-6.41	< .001

R2 (adj.)					0.20

log-log: Eine um 1% ältere Person beantwortet 0.31% mehr Fragen korrekt als eine um 1% jüngere Person (Oder ganz genau: liegt auf der Variable “Richtig beantwortete Fragen + 1” um 0.31% höher).

Fragen?

Interaktion und Moderation

Daten der heutigen Sitzung II

(Vögele & Bachl, 2017)

Was ist ein moderierter Effekt?

Interaktion und Moderation

Statistisch: Regressionskoeffizient eines Prädiktors ändert sich in Abhängigkeit der Werte eines anderen Prädiktors (Abschwächung der Additivitätsannahme)

Begriffe: Interaktion und Moderation werden meist synonym verwendet (so auch hier).
Begriffliche Traditionen:
- Interaktion zwischen Faktoren in einem mehrfaktoriellen Experimentaldesign
- Moderation des Effekts eines Prädiktors durch einen (gemessenen) Moderator

Manchmal Bedeutungsunterschiede:
- Interaktionseffekt: Alle beteiligten Faktoren haben bereits für sich einen kausalen Effekt, bei gemeinsamen Auftreten ändert sich dieser Effekt.
- Effect modifier: Ein Moderator selbst hat keinen kausalen Effekt, er verändert lediglich den kausalen Effekt eines anderen Prädiktors.

Prinzipiell könnten beliebig viele Variablen in einem Modell miteinander interagieren. Wir beschränken uns aber auf die zweifache Interaktion.

Einordnung in aktuelle Debatten

Soziale Realität ist komplex, uniforme Medienwirkungen unrealistisch → Theorien und Modelle zur Effektheterogenität en vogue.
- Resonance model of political campaign effects (Iyengar & Simon, 2000)
- Differential susceptibility to media effects model (Valkenburg & Peter, 2013), Person-specific media effects (Valkenburg et al., 2021)

Aber Theorien und Modelle sollen die Realität vereinfacht abbilden und möglichst allgemeingültig sein.
- Fuck nuance (Healy, 2017)
- A simple future for media effects research (Dienlin et al., 2025)

und die theoretisch fundierte empirische Untersuchung und Modellierung von Heterogenität ist nicht so einfach
- Review Top PolSci Journals: “the execution of these models is often flawed and inferential errors are common” (Brambor et al., 2006)
- Precise answers to vague questions (Rohrer & Arslan, 2021)

Regressionsgleichung für Moderation

Wir beginnen mit einer einfachen Regressionsgleichung mit zwei Prädiktoren, $X$ und $Z$

$Y = b_0 + b_1X + b_2Z + \epsilon$

Nun gehen wir davon aus, dass der $b_1$ , Effekt von $X$ auf $Y$ eine Funktion von $Z$ ist

$Y = b_0 + f(Z)X + b_2Z + \epsilon$

Die Funktion $f(Z)$ sei definiert als lineare Funktion $f(Z) = b_1 + b_3Z$

$Y = b_0 + (b_1 + b_3Z)X + b_2Z + \epsilon$

Durch Ausmultiplizieren erhalten wir einen Interaktionsterm $XZ$ , der einfach das Produkt von $X$ und $Z$ ist

$Y = b_0 + b_1X + b_2Z + b_3XZ + \epsilon$

Was bedeuten die Koeffizienten?

Regressionsgleichung $Y = b_0 + b_1X + b_2Z + b_3XZ + \epsilon$
$b_0$ (Intercept) ist der erwartete Wert von $Y$ , wenn $X = 0$ und $Z = 0$
$b_1$ ist der (konditionale) Effekt von $X$ , wenn $Z = 0$
$b_2$ ist der (konditionale) Effekt von $Z$ , wenn $X = 0$
$b_3$ ist der eigentliche Interaktionseffekt, d.h. die Differenz in $b_1$ , wenn $Z$ sich um eine Einheit ändert

Interpretation konditionaler Effekte

Häufig nur Interpretation der statistischen Signifikanz von $b_3$ — das ist theoretisch unbefriedigend!
Auch die substanziellen Effekte berichten und interpretieren, z.B. durch
- Interpretation von Richtung und Betrag von $b_3$
- Schätzung der konditionalen Regressionskoeffizienten für (typische) Werte von $Z$
- Visualisierung der Modellvorhersagen für $Y$ für (typische) Werte von $Z$

Wichtig: Bei Regressionsmodellen mit Interaktionseffekten $XZ$ sind die Koeffizienten von $X$ und $Z$ nicht mehr unabhängig voneinander interpretierbar, d.h. die Koeffizienten sind nicht mehr unkonditional für alle Fälle $n$ gültig!

Wichtig: Damit die konditionalen Koeffizienten überhaupt interpretierbar sind, muss der Wert 0 für alle an der Interaktion beteiligten Variablen interpretierbar sein (siehe Transformationen)!

Fragen?

Daten der heutigen Sitzung II

(Vögele & Bachl, 2017)

Daten der heutigen Sitzung II

schwab: Experimentalbedingung Dialekt; Hochdeutsch (0), schwäbisch (1)
atol: Attitude toward language; hier Einstellung zum Schwäbischen, Index aus stillos – stilvoll; missverständlich – eindeutig; unangenehm – angenehm; abgehackt – flüssig; hässlich – schön (Moderator, 1-5)
gesamt: Gesamtbewertung des Politikers (Outcome-Variable, 1-5)

schwab	gender	atol	gesamt
Hochdeutsch	männlich	2.4	4
Hochdeutsch	männlich	3.6	4
Hochdeutsch	weiblich	2.6	4
Schwäbisch	weiblich	2.0	5
Schwäbisch	weiblich	3.8	4
Schwäbisch	weiblich	1.8	2

Stichprobe

Variable	Hochdeutsch (n=146)	Schwäbisch (n=177)	Total (n=323)
gender [männlich], %	44.5	43.5	44.0
Mean age (SD)	39.34 (18.53)	40.16 (19.10)	39.79 (18.82)
Mean atol (SD)	3.33 (0.77)	3.29 (0.79)	3.31 (0.78)
Mean gesamt (SD)	3.84 (0.79)	3.59 (0.90)	3.71 (0.86)

Dichotomer Moderator (hier: Gender)

Effekt des Dialekts (Kontrolle: Gender)

m1 <- lm(gesamt ~ schwab + gender, data = d2)

Parameter	Coefficient	95% CI	t(320)	p	Fit
(Intercept)	3.99	(3.83, 4.15)	49.21	< .001
schwab (Schwäbisch)	-0.25	(-0.44, -0.07)	-2.69	0.007
gender (männlich)	-0.33	(-0.52, -0.15)	-3.53	< .001

R2 (adj.)					0.05

Effekt des Dialekts (Kontrolle: Gender)

Moderation des Dialekt-Effekts durch Gender

In R werden Interaktionsterme direkt in die Modellformel für lm() geschrieben: y ~ x * z

m2 <- lm(gesamt ~ schwab * gender, data = d2)

Parameter	Coefficient	95% CI	t(319)	p	Fit
(Intercept)	3.98	(3.79, 4.16)	42.58	< .001
schwab (Schwäbisch)	-0.23	(-0.47, 0.02)	-1.79	0.074
gender (männlich)	-0.30	(-0.57, -0.02)	-2.13	0.034
schwab (Schwäbisch) × gender (männlich)	-0.06	(-0.43, 0.31)	-0.33	0.743

R2 (adj.)					0.05

$b_0$ (Intercept): Mittelwert für Frauen mit Hochdeutsch-Stimulus
$b_1$ (schwab (Schwäbisch)): Dialekt-Effekt für Frauen
$b_2$ (gender (männlich)): Unterschied zwischen Frauen (Referenz) und Männern nach Hochdeutsch-Stimulus
$b_3$ (schwab (Schwäbisch) × gender (männlich)): Unterschied des Dialekt-Effekts für Männer und Frauen

Moderation des Dialekt-Effekts durch Gender

Ohne Moderation
Parameter	Coefficient	t(320)	p
(Intercept)	3.99	49.21	< .001
schwab (Schwäbisch)	-0.25	-2.69	0.007
gender (männlich)	-0.33	-3.53	< .001

Mit Moderation
Parameter	Coefficient	t(319)	p
(Intercept)	3.98	42.58	< .001
schwab (Schwäbisch)	-0.23	-1.79	0.074
gender (männlich)	-0.30	-2.13	0.034
schwab (Schwäbisch) × gender (männlich)	-0.06	-0.33	0.743

Koeffizienten haben andere Bedeutungen!

Moderation des Dialekt-Effekts durch Gender

Parameter	Coefficient	95% CI	t(319)	p	Fit
(Intercept)	3.98	(3.79, 4.16)	42.58	< .001
schwab (Schwäbisch)	-0.23	(-0.47, 0.02)	-1.79	0.074
gender (männlich)	-0.30	(-0.57, -0.02)	-2.13	0.034
schwab (Schwäbisch) × gender (männlich)	-0.06	(-0.43, 0.31)	-0.33	0.743

R2 (adj.)					0.05

Der negative Effekt des schwäbischen Dialekts im Vergleich zu einem hochdeutschen gesprochenen Interview fällt in der Stichprobe für Männer um 0.06 Skalenpunkte stärker aus als für Frauen. Diese Differenz zwischen den Effekten für Männer und Frauen ist allerdings nicht statistisch signifikant: $b = -0.06$ , $t(319) = 0.33$ , $p = .743$ ).

Zwischenfazit

Moderationsanalysen mit dichotomen Moderatoren sind technisch leicht durchführbar, erfordern aber eine neue Interpretation
Die Interpretation der statistischen Signifikanz der Interaktionsterme ist einfach, die substanzielle Interpretation schwieriger
Durch Hinzunahme des Interaktionsterms quantifizieren die Koeffizienten der beteiligten Prädiktoren konditionale Effekte in der Referenzgruppe (!)

Fragen?

Quasi-metrischer Moderator

Quasi-metrischer Moderator (hier: AtoL)

Anstelle eines dichotomen Moderators kann auch ein metrischer Moderator berücksichtigt werden
Idee: Effekt verändert sich als (lineare) Funktion des Moderators

Beispiel: Voreinstellung gegenüber dem schwäbischen Dialekt (atol).
Hypothese: Je positiver die Einstellung zum schwäbischen Dialekt bei einer Versuchsperson, desto positiver (bzw. weniger negativ) ist der Effekt des Dialekts.

Effekt des Dialekts (Kontrolle: AtoL)

m3 <- lm(gesamt ~ schwab + atol, data = d2)

Parameter	Coefficient	95% CI	t(320)	p	Fit
(Intercept)	3.41	(2.99, 3.83)	15.93	< .001
schwab (Schwäbisch)	-0.24	(-0.43, -0.06)	-2.56	0.011
atol	0.13	(9.47e-03, 0.25)	2.12	0.034

R2 (adj.)					0.03

Effekt des Dialekts (Kontrolle: AtoL)

Moderation des Dialekt-Effekts durch AtoL

m4 <- lm(gesamt ~ schwab * atol, data = d2)

Parameter	Coefficient	95% CI	t(319)	p	Fit
(Intercept)	4.06	(3.45, 4.66)	13.11	< .001
schwab (Schwäbisch)	-1.39	(-2.20, -0.58)	-3.37	< .001
atol	-0.06	(-0.24, 0.11)	-0.71	0.481
schwab (Schwäbisch) × atol	0.34	(0.11, 0.58)	2.85	0.005

R2 (adj.)					0.05

$b_0$ (Intercept): Mittelwert für Personen mit AtoL = 0 und Hochdeutsch-Stimulus
$b_1$ (schwab (Schwäbisch)): Dialekt-Effekt für Personen mit AtoL = 0
$b_2$ (atol): Unterschied zwischen Personen mit 1 Punkt Unterschied auf AtoL-Skala nach Hochdeutsch-Stimulus
$b_3$ (schwab (Schwäbisch) × atol): Unterschied des Dialekt-Effekts zwischen Personen mit 1 Punkt Unterschied auf AtoL-Skala
Personen mit AtoL = 0 — Außerhalb der gültigen Werte der Skala

Moderation des Dialekt-Effekts durch AtoL

d2 <- d2 |> mutate(atol_c = atol - mean(atol))
m4_c <- lm(gesamt ~ schwab * atol_c, data = d2)

Parameter	Coefficient	95% CI	t(319)	p	Fit
(Intercept)	3.84	(3.71, 3.98)	55.26	< .001
schwab (Schwäbisch)	-0.24	(-0.43, -0.06)	-2.61	0.010
atol c	-0.06	(-0.24, 0.11)	-0.71	0.481
schwab (Schwäbisch) × atol c	0.34	(0.11, 0.58)	2.85	0.005

R2 (adj.)					0.05

$b_0$ (Intercept): Mittelwert für Personen mit durchschnittlicher AtoL und Hochdeutsch-Stimulus
$b_1$ (schwab (Schwäbisch)): Dialekt-Effekt für Personen mit durchschnittlicher AtoL
$b_2$ (atol): Unterschied zwischen Personen mit 1 Punkt Unterschied auf AtoL-Skala nach Hochdeutsch-Stimulus
$b_3$ (schwab (Schwäbisch) × atol): Unterschied des Dialekt-Effekts zwischen Personen mit 1 Punkt Unterschied auf AtoL-Skala

Moderation des Dialekt-Effekts durch AtoL

Ohne Moderation
Parameter	Coefficient	t(320)	p
(Intercept)	3.41	15.93	< .001
schwab (Schwäbisch)	-0.24	-2.56	0.011
atol	0.13	2.12	0.034

Mit Moderation
Parameter	Coefficient	t(319)	p
(Intercept)	3.84	55.26	< .001
schwab (Schwäbisch)	-0.24	-2.61	0.010
atol c	-0.06	-0.71	0.481
schwab (Schwäbisch) × atol c	0.34	2.85	0.005

Koeffizienten haben andere Bedeutungen!

Moderation des Dialekt-Effekts durch AtoL

Parameter	Coefficient	95% CI	t(319)	p	Fit
(Intercept)	3.84	(3.71, 3.98)	55.26	< .001
schwab (Schwäbisch)	-0.24	(-0.43, -0.06)	-2.61	0.010
atol c	-0.06	(-0.24, 0.11)	-0.71	0.481
schwab (Schwäbisch) × atol c	0.34	(0.11, 0.58)	2.85	0.005

R2 (adj.)					0.05

Moderation des Dialekt-Effekts durch AtoL

Der negative Effekt des schwäbischen Dialekts auf die Bewertung des Politikers wird durch die Einstellung zum Schwäbischen moderiert. Für Personen, die das Schwäbische gut finden, besteht kaum ein Unterschied zwischen den Interview-Versionen. Je schlechter eine Person das Schwäbische allgemein bewertet, desto negativer fällt der Effekt des Dialekts aus. Mit jedem Punkt weniger auf der AtoL-Skala verstärkt sich der negative Effekt um 0.34 Punkte: $b = 0.34$ , $t(319) = 2.85$ , $p = .005$ .

Fragen?

Fazit

Lineare Modelle mit Moderation sind in der Regel sehr leicht zu spezifizieren, aber zumeist deutlich schwieriger substanziell zu interpretieren (außer Signifikanz des Interaktionseffekts)
Auch wenn die Regressionstabelle optisch sehr ähnlich aussieht, ändert sich Interpretation grundsätzlich; immer zusätzliche Visualisierungen des Modells betrachten.

Fragen?

Übungsaufgaben

Reproduzieren Sie die Analysen aus der Vorlesung.
Modifizieren Sie die Moderationsanalysen aus der Vorlesung. Weitere mögliche Moderatoren sind Alter (age) und politisches Interesse (polint). Weitere mögliche abhängige Variablen sind der wargenommene Klang der Stimme (klang), die Verständlichkeit des Sprechers (verst) und die Sympathie-Bewertung des Politikers (sym). Führen Sie zuerst notwendige Transformationen durch. Schätzen Sie dann das Regressionsmodell mit angepassten Variablen und erstellen Sie geeignete Grafiken. Interpretieren Sie die Ergebnisse in einigen Sätzen.

Bei Bedarf: Die Analysen zu den Annahmen des Regressionsmodells finden Sie in der Übung zur letzten Sitzung (04_mame.R).

Übungsaufgaben: Technische Anleitung

[Beschreibung für R und RStudio auf eigenem Computer oder Pool-Computer]

Laden Sie die Dateien 05_mame.R und Voegele_Bachl_2017.sav aus Blackboard herunter. Speichern Sie die Datei 05_mame.R in Ihren Arbeitsordner für die Vorlesung (in denselben Ordner, in dem die .R-Dateien aus den letzten Übungen liegen). Speichern Sie Voegele_Bachl_2017.sav in den Unterordner Daten (in denselben Ordner, in dem Vanerkel_Vanaelst_2021.dta liegt.)
Öffnen Sie das Projekt uebung.Rproj.
Öffnen Sie innerhalb des Projekts die Datei 05_mame.R.

Wenn etwas unklar ist (technisch oder statistisch): Stellen Sie Ihre Fragen im Blackboard-Forum.

Übungsaufgaben: Technische Anleitung

[Beschreibung für WebR]

Laden Sie die Dateien 05_mame.R und Voegele_Bachl_2017.sav aus Blackboard herunter.
Laden Sie die Dateien 05_mame.R, Vanerkel_Vanaelst_2021.dta (aus der ersten Übung) und Voegele_Bachl_2017.sav in den Ordner home/web_user hoch.
Öffnen Sie die Datei 05_mame.R.
Ändern Sie Zeilen 18 und 137: Löschen Sie daten/.

Wenn etwas unklar ist (technisch oder statistisch): Stellen Sie Ihre Fragen im Blackboard-Forum.

Übungsaufgaben: Technische Anleitung

[Beschreibung für Posit.Cloud]

Laden Sie die Dateien 05_mame.R und Voegele_Bachl_2017.sav aus Blackboard herunter.
Öffnen Sie das RStudio-Projekt, das Sie zur ersten Übung erstellt haben, in Posit-Cloud.
Laden Sie die Datei 5_mame.R in den Ordner uebung hoch. Laden Sie die Datei Voegele_Bachl_2017.sav in den Unterordner daten hoch.
Öffnen Sie das Projekt uebung.Rproj und innerhalb des Projekts die Datei 05_mame.R.
Ändern Sie Zeilen 18 und 137: Fügen Sie uebung/ vor daten/ ein.

Wenn etwas unklar ist (technisch oder statistisch): Stellen Sie Ihre Fragen im Blackboard-Forum.

Fragen?

Nächste Woche

Kausale Annahmen für (Regressions)Modelle; Pfadmodelle & Mediation

Danke — bis zur nächsten Sitzung.

Marko Bachl

marko.bachl@fu-berlin.de

Literatur

Brambor, T., Clark, W. R., & Golder, M. (2006). Understanding interaction models: Improving empirical analyses. Political Analysis, 14(1), 63–82. https://doi.org/bhkqgw

Dienlin, T., Sun, Y., & Coenen, L. (2025). A simple future for media effects research. OSF. https://doi.org/10.31219/osf.io/nkwyu_v1

Healy, K. (2017). Fuck nuance. Sociological Theory, 35(2), 118–127. https://doi.org/gbmscr

Iyengar, S., & Simon, A. F. (2000). New perspectives and evidence on political communication and campaign effects. Annual Review of Psychology, 51(1), 149–169. https://doi.org/c9fmgk

Rohrer, J. M., & Arslan, R. C. (2021). Precise answers to vague questions: Issues with interactions. Advances in Methods and Practices in Psychological Science, 4(2), 25152459211007368. https://doi.org/gk9zkd

Valkenburg, P., Beyens, I., Pouwels, J. L., Driel, I. I. van, & Keijsers, L. (2021). Social media use and adolescents’ self-esteem: Heading for a person-specific media effects paradigm. Journal of Communication, 71(1), 56–78. https://doi.org/g79d

Valkenburg, P., & Peter, J. (2013). The differential susceptibility to media effects model. Journal of Communication, 63(2), 221–243. https://doi.org/gdqc28

Van Erkel, P. F. A. (2020). „Replication data for “Why don’t we learn from social media?" (Version V2) [Dataset]. Harvard Dataverse. https://doi.org/10.7910/DVN/D0COF1

Van Erkel, P. F. A., & Van Aelst, P. (2021). Why don’t we learn from social media? Studying effects of and mechanisms behind social media news use on general surveillance political knowledge. Political Communication, 38(4), 407–425. https://doi.org/ghk94s

Vögele, C., & Bachl, M. (2017). Der Einfluss des Dialekts auf die Bewertung von Politikern. SCM Studies in Communication and Media, 6(2), 196–215. https://doi.org/ghhzhd