Kausale Annahmen für (Regressions) Modelle;
Mediation & Pfadmodelle

Methoden II: Methoden der empirischen Kommunikations- und Medienforschung

Marko Bachl

Freie Universität Berlin

26. 05. 2025

Update zur Klausur

  • In diesem Jahr noch keine eigene Ausführung von R oder RStudio während der Klausur.

  • Aber Screenshots von Code und Output → Lesen, Verstehen, Interpretieren, Kritisieren

  • Ab sofort auch gerenderte Lösung direkt in Blackboard verfügbar (Minimalanforderung: Diese Lesen und inhaltlich Nachvollziehen).

  • Wenn Sie Interesse an Anwendungskompetenz haben, sollten Sie die Übungsaufgaben trotzdem selbst ausführen.

Fragen zur Übung?

Agenda

  1. Kausale Annahmen für (Regressions) Modelle
  2. Mediation & Pfadmodelle
  3. Ausblick (optional): Messmodelle in Strukturgleichungsmodellen
  4. Übungen

Lernziele

  • Lernziel der Vorlesungssitzung: Ergebnisse einer multiplen Regression und einer mit einem Strukturgleichungsmodell geschätzten Mediationsanalyse vor dem Hintergrund kausaler Annahmen lesen, verstehen, formulieren, kritisieren können
  • Lernziel der Übungsaufgabe: R-Code zur Mediationsanalyse mit Strukturgleichungsmodellen in {lavaan} nachvollziehen, ausführen und bearbeiten können

Korrelation ≠\neq Kausalität - oder doch?

xkcd

Minimale Annahmen für kausale Effekte

  • Zusammenhang: Es besteht nach angemessener Modellierung ein Zusammenhang zwischen uV und aV

  • Zeitliche Reihenfolge: uV liegt zeitlich vor aV

  • Keine plausiblen alternativen Erklärungen: alle und nur die relevanten Drittvariablen wurden gemessen und im Modell berücksichtigt

Randomisiertes Treatment im Experiment

  • Zusammenhang: z.B. Regressionskoeffizient des Indikators für Experimentalgruppe vs. Kontrollgruppe

  • Zeitliche Reihenfolge: Erst Treatment, dann aV

  • Keine plausiblen alternativen Erklärungen: uV ist durch Design mit keinen anderen gemessenen oder nicht gemessenen Variablen korreliert; keine alternativen Erklärungen möglich

Nicht experimentelle Designs (?)

  • Zusammenhang: z.B. Koeffizient der uV aus multipler Regression

  • Zeitliche Reihenfolge: Längsschnitt oder Theorie

  • Keine plausiblen alternativen Erklärungen: Messen und Berücksichtigen aller wichtigen und richtigen Variablen im Regressionsmodell

  • Identifikation kausaler Effekte basiert größtenteils auf (nicht direkt testbaren) Annahmen → Theorie!

Arten von Variablen in kausalen Modellen

  • Variablen, für die wir uns interessieren
    • uV: unabhängige Variable, von der ein kausaler Effekt ausgeht
    • aV: abhängige Variable, die von uV beeinflusst wird
  • Drittvariablen (für deren Effekte wir uns erst einmal nicht interessieren, deren Effekte aber die Identifikation des Effekts von Interesse stören können)
    • Confounder
    • Collider
    • Mediator

Confounder

  • uV: unabhängige Variable, von der Effekt ausgeht
  • aV: abhängige Variable, die von uV beeinflusst wird
  • Confounder: Variable, die uV und aV beeinflusst.
  • Kausale Effekte des Confounder führen zu Zusammenhang zwischen uV und aV (“Scheinkorrelation”)
  • Kontrolle des Confounder nötig, um beobachteten Zusammenhang zu entfernen
  • Typisches Problem: Unbekannte oder nicht gemessene Confounder (“omitted variable bias”)

Wahres kausales Modell

G Confounder Confounder uV uV Confounder->uV aV aV Confounder->aV

Folgen bei falscher Spezifikation

G Confounder Confounder uV uV aV aV uV->aV

Confounder – Beispiel

Wahres kausales Modell

G Confounder Interesse an Mode und Fitness uV Social-Media-Nutzung Confounder->uV aV Idealisierte Körperbildwahrnehmung Confounder->aV

Folgen bei falscher Spezifikation

G Confounder Interesse an Mode und Fitness uV Social-Media-Nutzung aV Idealisierte Körperbildwahrnehmung uV->aV

Collider

  • uV: unabhängige Variable, von der Effekt ausgeht
  • aV: abhängige Variable, die von uV beeinflusst wird
  • Collider: Variable, die von uV und aV beeinflusst wird.
  • Kontrolle des Collider nicht erlaubt
  • Typisches Problem: Kontrolle (oder andere Berücksichtigung) von Collider führt zu beobachtetem Zusammenhang zwischen kausal unabhängigen uV und aV (“collider bias”)

Wahres kausales Modell

G Collider Collider uV uV uV->Collider aV aV aV->Collider

Folgen bei falscher Spezifikation

G Collider Collider uV uV Collider->uV aV aV Collider->aV uV->aV

Collider – Beispiel

Wahres kausales Modell

G Collider Interesse an Mode und Fitness uV Social-Media-Nutzung uV->Collider aV Idealisierte Körperbildwahrnehmung aV->Collider

Folgen bei falscher Spezifikation

G Collider Interesse an Mode und Fitness uV Social-Media-Nutzung Collider->uV aV Idealisierte Körperbildwahrnehmung Collider->aV uV->aV

Mediator

  • uV: unabhängige Variable, von der Effekt ausgeht
  • aV: abhängige Variable, die von uV beeinflusst wird
  • Mediator: Variable, die von uV beeinflusst wird und dann wiederum aV beeinflusst.
  • Kontrolle des Mediator nicht erlaubt, wenn wir gesamten kausalen Effekt von uV auf aV schätzen wollen.
  • Analyse mit Mediator manchmal gewünscht, wenn wir den Prozess uV → Mediator → aV untersuchen wollen (“indirekter Effekt”)
  • Typisches Problem: Kontrolle von Mediator unterschätzt den kausalen Effekt von uV und aV

Interessanter kausaler Effekt

G uV uV aV aV uV->aV

Folgen bei unpassender Spezifikation

G Mediator Mediator aV aV Mediator->aV uV uV uV->Mediator uV->aV

Mediator – Beispiel

Interessanter kausaler Effekt

G uV Social-Media-Nutzung aV Idealisierte Körperbildwahrnehmung uV->aV

Folgen bei unpassender Spezifikation

G Mediator Interesse an Mode und Fitness aV Idealisierte Körperbildwahrnehmung Mediator->aV uV Social-Media-Nutzung uV->Mediator uV->aV

Zusammenfassung

Wahrer kausaler Prozess Zusammenhang zwischen uV und uV ohne Kontrolle Zusammenhang zwischen uV und aV bei Kontrolle der mittleren Variable
aV ← Confounder → uV Nicht-kausaler Zusammenhang Kein Zusammenhang
aV → Collider ← uV Kein Zusammenhang Nicht-kausaler Zusammenhang
uV → Mediator → aV Kausaler Zusammenhang Kein (oder geringerer) Zusammenhang

Zwischenfazit

  • Die Spezifikation eines passenden Modells zur Identifikation eines kausalen Effekts erfordert starke, häufig vor allem theoretisch zu begründende Annahmen.
  • Falsche Spezifikation des kausalen Modells führt zu inhaltlich falschen Schlüssen. Ergebnisse eines Regressionsmodells beruhen auf der Annahme, dass das zugrunde liegendes Modell richtig abgebildet wurde.
  • Überspezifizierte “große” Regressionsmodelle mit möglichst vielen Kontrollvariablen (“um ganz sicher zu gehen habe ich alles denkbare kontrolliert”; a.k.a. “kitchen sink regression”, “causal salad”) ohne Nachdenken über kausale Annahmen
    • → Gefahr von Collider- und Mediator-Variablen im Modell
    • → “overadjustment bias”
  • Unterspezifizierte “sparsame” Regressionsmodelle mit nur wenigen Kontrollvariablen (“aber ich wollte es doch einfach und übersichtlich halten”) und ohne Identifikation durch Studiendesign
    • → Gefahr von fehlenden Confounder-Variablen im Modell
    • → “omitted variable bias”

Zwischenfazit

xkcd

Fragen?

Mediation & Pfadmodelle

Mediation & Pfadmodelle

  • Mediator: Variable, die von uV beeinflusst wird und dann wiederum aV beeinflusst

  • Die Mediationsanalyse interessiert sich für diesen kausalen Prozess. Sie will erklären, wie oder warum eine uV einen Effekt auf die aV hat.

  • Dazu wird der indirekten Effekt einer uV über den Mediator auf die aV geschätzt.

  • Eine Mediationsanalyse ist immer eine kausale Analyse. Das statistische Schätzen von Mediationsmodellen und indirekten Effekten geht immer davon aus, dass das kausale Modelle korrekt identifiziert ist.

  • Es gibt keine nicht kausale Mediation. Statistisch betrachtet sind Mediator- und Confounder-Variablen austauschbar (MacKinnon et al., 2000)

Daten der heutigen Sitzung

(Kubin et al., 2025)

Daten der heutigen Sitzung

(Kubin et al., 2025)

(Kubin et al., 2025)

Daten der heutigen Sitzung

  • Condition: Fact (0), Experience (1)
  • Harm: 3 Items, z.B. “causes harm”
  • Lie: 3 Items, z.B. “is a lie”
  • Censor: 4 Items, z.B. “censor her”
  • Behave: 1 Item, “willing to report to Twitter”
  • Alle Range 1-7
Condition Harm Lie Censor Behave
Fact 3.33 5.33 1.00 4
Fact 6.00 5.00 1.00 3
Fact 7.00 7.00 7.00 7
Experience 4.67 3.67 3.25 3
Experience 4.33 4.00 7.00 7
Experience 3.67 5.33 2.00 2

Stichprobe

Variable Fact (n=198) Experience (n=199) Total (n=397)
Mean Age (SD) 42.66 (13.73) 43.75 (13.46) 43.20 (13.59)
Gender [female], % 48.5 47.0 47.7
Mean Harm (SD) 4.84 (1.60) 4.02 (1.73) 4.43 (1.71)
Mean Lie (SD) 4.99 (1.40) 3.44 (1.47) 4.22 (1.63)
Mean Censor (SD) 2.98 (1.72) 2.27 (1.36) 2.62 (1.59)
Mean Behave (SD) 3.22 (1.94) 2.19 (1.45) 2.70 (1.79)

Gesamtes Modell

(Kubin et al., 2025)

Vereinfachtes Modell als erstes Beispiel

Drei Regressionsmodelle: I

lm(Censor ~ Condition, data = d)
Effekt des Treatments auf Censorship
Parameter Coefficient 95% CI t(395) p
(Intercept) 2.98 (2.76, 3.19) 26.99 < .001
Condition (Experience) -0.71 (-1.02, -0.40) -4.56 < .001

Drei Regressionsmodelle: II

lm(Harm ~ Condition, data = d)
Effekt des Treatments auf Harmful
Parameter Coefficient 95% CI t(395) p
(Intercept) 4.84 (4.60, 5.07) 40.85 < .001
Condition (Experience) -0.81 (-1.14, -0.49) -4.87 < .001

Drei Regressionsmodelle: III

lm(Censor ~ Condition + Harm, data = d)
Effekt des Treatments auf Censorship
Parameter Coefficient 95% CI t(394) p
(Intercept) 1.47 (1.00, 1.94) 6.17 < .001
Condition (Experience) -0.46 (-0.75, -0.16) -3.02 0.003
Harm 0.31 (0.23, 0.40) 7.06 < .001

Indirekte, direkte und totale Effekte

  • Totaler Effekt des Treatments auf Censorship: c=−0.71c = -0.71
  • Effekt des Treatments auf Harmful: a=−0.81a = -0.81
  • Effekt von Harmful auf Censorship bei Kontrolle des Treatments: b=0.31b = 0.31
  • Direkter Effekt des Treatments bei Kontrolle von Harmful: c′=−0.46c' = -0.46
  • Indirekter Effekt des Treatments über Harmful: a×b=−0.25a \times b = -0.25
  • Totaler Effekt = Indirekter Effekt + Direkter Effekt: c=ab+c′=−0.25+−0.46=−0.71c = ab + c' = -0.25 + -0.46 = -0.71

Fragen?

Gesamtes Modell

(Kubin et al., 2025)

Vier Regressionsmodelle: I

lm(Censor ~ Condition, data = d)
Effekt des Treatments auf Censorship
Parameter Coefficient 95% CI t(395) p
(Intercept) 2.98 (2.76, 3.19) 26.99 < .001
Condition (Experience) -0.71 (-1.02, -0.40) -4.56 < .001

Vier Regressionsmodelle: II

lm(Harm ~ Condition, data = d)
Effekt des Treatments auf Harmful
Parameter Coefficient 95% CI t(395) p
(Intercept) 4.84 (4.60, 5.07) 40.85 < .001
Condition (Experience) -0.81 (-1.14, -0.49) -4.87 < .001

Vier Regressionsmodelle: III

lm(Lie ~ Condition, data = d)
Effekt des Treatments auf False
Parameter Coefficient 95% CI t(395) p
(Intercept) 4.99 (4.79, 5.19) 48.86 < .001
Condition (Experience) -1.55 (-1.83, -1.27) -10.75 < .001

Vier Regressionsmodelle: IV

lm(Censor ~ Condition + Harm + Lie, data = d)
Effekt des Treatments und der Mediatoren auf Censorship
Parameter Coefficient 95% CI t(393) p
(Intercept) 0.87 (0.31, 1.44) 3.05 0.002
Condition (Experience) -0.20 (-0.53, 0.12) -1.23 0.218
Harm 0.21 (0.11, 0.31) 4.11 < .001
Lie 0.22 (0.10, 0.33) 3.61 < .001

Indirekte, direkte und totale Effekte

  • Totaler Effekt: c=−0.71c = -0.71; direkter Effekt: c′=−0.20c' = -0.20
  • Indirekter Effekt über Harmful: a1×b1=−0.81×0.21=−0.17a_1 \times b_1 = -0.81 \times 0.21 = -0.17
  • Indirekter Effekt über False: a2×b2=−1.55×0.22=−0.34a_2 \times b_2 = -1.55 \times 0.22 = -0.34

Indirekte, direkte und totale Effekte

  • Der negative Effekt der Begründung mit einer persönlichen Erfahrung im Vergleich zur Begründung mit wissenschaftlichen Fakten auf die Zustimmung zu einer Zensur der Aussage wird durch die Einschätzung der Gefährlichkeit und der Falschheit vermittelt. Die Schilderung einer persönlichen Erfahrung wird als weniger gefährlich und weniger falsch eingeschätzt, was wiederum zu einer verringerten Zustimmung zur Zensur der Aussage führt.

  • Aber sind diese indirekten Effekte statistisch signifikant?

Schätzen und Inferenzstatistik

Schätzen

  • Option 1: Mehrere Regressionsmodelle und spezielle Testverfahren
  • Option 2: Ein Strukturgleichungsmodell

Inferenzstatistik

  • In 2010er Jahren sehr aktives Forschungsfeld; wir steigen in diesem Rahmen nicht tiefer in die Debatten ein. Für Interessierte: Hayes & Scharkow (2013)
  • Heute stärkerer Fokus auf Annahmen für Identifikation kausaler Effekte

Strukturgleichungsmodelle

  • Englisch Structural Equation Models (daher Abkürzung SEM gebräuchlich)
  • Schätzung von mehreren Gleichungen in einem Modell
  • Schätzung meist mit Maximum-Likelihood-Verfahren und deren Varianten
  • Wesentliche Vorteile gegenüber mehreren Regressionsmodellen:
    • Einfach zu spezifizieren und trotzdem sehr flexibel
    • Statistische Tests für selbst definierte Paramenter, z.B. indirekte Effekte
    • Messmodelle: Latente Variablen aus Indikatoren schätzen

Strukturgleichungsmodelle

  • Hier nur konzeptionelle und praktische Einführung zur Mediationsanalyse
  • Einstieg in die Vertiefung (nicht klausurrelevant):

Ein Pfadmodell

modell <- "
# Modelle
# Mediator 1: Harm
Harm ~ a1 * Condition
# Mediator 2: False
Lie ~ a2 * Condition 
# aV: Endorsement of Censorship
Censor ~ c_ * Condition + b1 * Harm + b2 * Lie
# Kovarianz zwischen Mediatoren
Harm ~~ Lie

# Effekte
# Indirekte Effekte
indirect_harm := a1 * b1 
indirect_lie := a2 * b2 

# Direkter Effekt
direct := c_

# Totaler Effekt
total := direct + indirect_harm + indirect_lie
"

Mediation im Pfadmodell

Nicht standardisierte Koeffizienzen der einzelnen Pfade
Parameter Coefficient CI z p
Harm ~ Condition -0.81 (-1.14, -0.49) -4.88 < .001
Lie ~ Condition -1.55 (-1.83, -1.27) -10.77 < .001
Censor ~ Condition -0.20 (-0.52, 0.12) -1.24 0.215
Censor ~ Harm 0.21 (0.11, 0.31) 4.13 < .001
Censor ~ Lie 0.22 (0.10, 0.33) 3.62 < .001

Mediation im Pfadmodell

Nicht standardisierte Koeffizienzen der zusammengesetzen Effekte
Parameter Coefficient CI z p
indirect_harm := a1*b1 -0.17 (-0.28, -0.07) -3.16 0.002
indirect_lie := a2*b2 -0.33 (-0.53, -0.14) -3.44 < .001
direct := c_ -0.20 (-0.52, 0.12) -1.24 0.215
total := direct+indirect_harm+indirect_lie -0.71 (-1.02, -0.41) -4.57 < .001


  • Der negative Effekt der Begründung mit einer persönlichen Erfahrung im Vergleich zur Begründung mit wissenschaftlichen Fakten auf die Zustimmung zu einer Zensur der Aussage wird durch die Einschätzung der Gefährlichkeit und der Falschheit vermittelt. Die Schilderung einer persönlichen Erfahrung wird als weniger gefährlich und weniger falsch eingeschätzt, was wiederum zu einer verringerten Zustimmung zur Zensur der Aussage führt.

  • Die indirekten Effekte vermittelt über die Einschätzung der Gefährlichkeit (a1b1=−0.17a_1b_1 = -0.17, 95%-KI [−0.28,−0.07][-0.28, -0.07], z=3.16z = 3.16, p=.002p = .002) und der Falschheit (a2b2=−0.33a_2b_2 = -0.33, 95%-KI [−0.53,−0.14][-0.53, -0.14], z=3.44z = 3.44, p<.001p < .001) sind statistisch signifikant.

Kausale Identifikation des Modells?

  • Randomisierte Zuteilung des Treatments: Identifikation durch Design
  • Gemessene Mediatoren: Identifikation durch theoretische Annahme
    • Da keine Kontrollvariablen im Modell sind, gilt die starke Annahme, dass es keine Confounder zwischen den Mediatoren und der aV gibt.

Ausblick (nicht behandelt): Messmodelle in Strukturgleichungsmodellen

Messmodelle

  • In den Sozialwissenschaften interessieren wir uns häufig für latente Konstrukte, die wir nicht direkt beobachten können. Wir messen daher häufig mehrere manifeste Indikatoren, die gemeinsam das Konstrukt abdecken sollen.

  • Kausale Betrachtung: Wir gehen davon aus, dass das Konstrukt die Indikatoren beeinflusst.

  • Häufig werden die Indikatoren zu einem Index (Mittelwertindex, Summenindex) verrechnet, der dann als neue Variable im Datensatz vorkommt und in Modellen verwendet wird.

    • Nachteile: Alle Indikatoren gehen mit gleichem Gewicht in den Index ein. Messfehler werden nicht berücksichtigt.

  • Messmodelle im Rahmen von Strukturgleichungsmodellen modellieren den kausalen Prozess explizit

    • Vorteile: Messfehler und unterschiedliche Gewichte werden aus den Daten geschätzt; Ausführliche Diagnose der Qualität der Messung möglich

Messmodelle in {lavaan}

modell2 <- "
# Konstrukte
Harm =~ Harm_1 + Harm_2 + Harm_3
Lie =~ Lie_1 + Lie_2 + Lie_3
Censor =~ Censorship_1 + Censorship_2 + Censorship_3 + Censorship_4

# Korrelation zwischen Konstrukten
Harm ~~ Lie

# Modelle
# Mediator 1: Harm
Harm ~ a1 * Condition
# Mediator 2: False
Lie ~ a2 * Condition 
# aV: Endorsement of Censorship
Censor ~ c_ * Condition + b1 * Harm + b2 * Lie
# Effekte
# Indirekte Effekte
indirect_harm := a1 * b1 
indirect_lie := a2 * b2 

# Direkter Effekt
direct := c_

# Totaler Effekt
total := direct + indirect_harm + indirect_lie
"
modell2_fit <- sem(modell2, data = select(d, -Harm, -Lie, -Censor))

Grafische Darstellung mit Messmodellen

Ergebnisse: Messmodelle

Faktorladungen, standardisierte Koeffizienten
Parameter Coefficient CI z p
Harm =~ Harm_1 0.96 (0.94, 0.97) 142.74 < .001
Harm =~ Harm_2 0.96 (0.94, 0.97) 143.14 < .001
Harm =~ Harm_3 0.91 (0.89, 0.93) 88.13 < .001
Lie =~ Lie_1 0.96 (0.94, 0.97) 145.69 < .001
Lie =~ Lie_2 0.93 (0.92, 0.95) 112.88 < .001
Lie =~ Lie_3 0.93 (0.91, 0.94) 107.06 < .001
Censor =~ Censorship_1 0.92 (0.91, 0.94) 113.16 < .001
Censor =~ Censorship_2 0.97 (0.96, 0.97) 219.09 < .001
Censor =~ Censorship_3 0.96 (0.96, 0.97) 212.10 < .001
Censor =~ Censorship_4 0.95 (0.94, 0.97) 179.95 < .001

Ergebnisse: Pfadmodell

Pfadkoeffizienten und abgeleitete Koeffizienten, nicht standardisierte Koeffizienten
Parameter Coefficient CI z p Label
Harm ~ Condition -0.83 (-1.16, -0.50) -4.94 < .001 a1
Lie ~ Condition -1.57 (-1.86, -1.28) -10.69 < .001 a2
Censor ~ Condition -0.18 (-0.49, 0.14) -1.08 0.279 c_
Censor ~ Harm 0.23 (0.12, 0.33) 4.21 < .001 b1
Censor ~ Lie 0.20 (0.08, 0.32) 3.21 0.001 b2
indirect_harm := a1*b1 -0.19 (-0.30, -0.07) -3.21 0.001 indirect_harm
indirect_lie := a2*b2 -0.32 (-0.52, -0.12) -3.08 0.002 indirect_lie
direct := c_ -0.18 (-0.49, 0.14) -1.08 0.279 direct
total := direct+indirect_harm+indirect_lie -0.68 (-0.98, -0.38) -4.48 < .001 total

Ergebnisse: Modellpassung

Model Fit Indices
Parameter Fit
RMSEA 0.05
CFI 0.99
NFI 0.99
SRMR 0.02

The RMSEA (.05 < .05) suggest a satisfactory fit.

The CFI (.99 > .90) suggest a satisfactory fit.

The NFI (.99 > .90) suggest a satisfactory fit.

The SRMR (.02 < .08) suggest a satisfactory fit.

Fragen?

Fazit

  • Mediationsanalyse sieht leicht aus, ist aber schwer.

  • Mediationsmodelle sind in der Regel sehr leicht zu spezifizieren und lassen sich auf den ersten Blick intuitiv interpretieren. Allerdings sind sehr starke theoretische Annahmen nötig, um die kausalen Effekte zu identifizieren.

    • Das gilt auch dann, wenn das Treatment in einem Experimentaldesign randomisiert wird.
    • Mediationsanalysen auf Basis von reinen Querschnittsdesigns sollten grundsätzlich ignoriert werden.

  • Die statistisch geschätzten Effekte basieren auf der Annahme, dass das zugrunde liegende kausale Modell korrekt ist. Das statistische Modell kann diese Annahme nicht prüfen.

  • “Yes, but what’s the mechanism? (don’t expect an easy answer)” — Bullock et al. (2010)

  • “That’s a lot to process! Pitfalls of popular path models” — Rohrer et al. (2022)

Fragen?

Übungsaufgaben

Übungsaufgaben

  1. Ohne R! Interpretieren Sie die Regressionsmodelle in Van Erkel & Van Aelst (2021) vor dem Hintergrund der kausalen Annahmen. Welche Koeffizienten würden Sie in diesen Modellen interpretieren, welche nicht? Wie müsste ein Modell aussehen, in dem Sie einen kausalen Effekt von Politisches Interesse interpretieren würden? Wie eines zur Identifikation des kausalen Effekts von Bildung?

  2. Reproduzieren Sie das Strukturgleichungsmodel aus der Vorlesung. Interpretieren Sie die Ergebnisse und vergleichen Sie Ihre Interpretation mit Kubin et al. (2025).

  3. Modifizieren Sie die Mediationsanalyse mit einem Strukturgleichungsmodell. Ersetzen Sie die abhängige Variable durch das Melden des Tweets (Behave) aus der Vorlesung. Schätzen Sie das Strukturgleichungsmodell. Interpretieren Sie die Ergebnisse in einigen Sätzen. Vergleichen Sie Ihre Interpretation mit Kubin et al. (2025).

  • Stellen Sie Ihre Fragen (egal ob technisch oder statistisch) im Blackboard-Forum.

Übungsaufgaben: Technische Anleitung

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

  1. Laden Sie die Dateien 06_mame.R und Kubin_etal_2025.xlsx aus Blackboard herunter. Speichern Sie die Datei 06_mame.R in Ihren Arbeitsordner für die Vorlesung (in denselben Ordner, in dem die .R-Dateien aus den letzten Übungen liegen). Speichern Sie Kubin_etal_2025.xlsx in den Unterordner Daten (in denselben Ordner, in dem Vanerkel_Vanaelst_2021.dta liegt.)
  2. Öffnen Sie das Projekt uebung.Rproj.
  3. Öffnen Sie innerhalb des Projekts die Datei 06_mame.R.

Übungsaufgaben: Technische Anleitung

[Beschreibung für WebR]

  1. Laden Sie die Dateien 06_mame.R und Kubin_etal_2025.xlsx aus Blackboard herunter.
  2. Laden Sie die Dateien 06_mame.R und Kubin_etal_2025.xlsx in den Ordner home/web_user hoch.
  3. Öffnen Sie die Datei 06_mame.R.
  4. Ändern Sie den Befehl zum Laden der Datei: Löschen Sie daten/.

Übungsaufgaben: Technische Anleitung

[Beschreibung für Posit.Cloud]

  1. Laden Sie die Dateien 06_mame.R und Kubin_etal_2025.xlsx aus Blackboard herunter.
  2. Öffnen Sie das RStudio-Projekt, das Sie zur ersten Übung erstellt haben, in Posit-Cloud.
  3. Laden Sie die Datei 06_mame.R in den Ordner uebung hoch. Laden Sie die Datei Kubin_etal_2025.xlsx in den Unterordner daten hoch.
  4. Öffnen Sie das Projekt uebung.Rproj und innerhalb des Projekts die Datei 06_mame.R.
  5. Ändern Sie den Befehl zum Laden der Datei: Fügen Sie uebung/ vor daten/ ein.

Fragen?

Nächste Woche

Mehrebenenmodelle

Danke — bis zur nächsten Sitzung.

Marko Bachl

Literatur

Arzheimer, K. (2016). Strukturgleichungsmodelle: Eine anwendungsorientierte Einführung. Springer Fachmedien. https://doi.org/10.1007/978-3-658-09609-0
Bullock, J. G., Green, D. P., & Ha, S. E. (2010). Yes, but what’s the mechanism? (don’t expect an easy answer). Journal of Personality and Social Psychology, 98(4), 550–558. https://doi.org/bw5pxx
Hayes, A. F., & Scharkow, M. (2013). The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: Does method really matter? Psychological Science, 24(10), 1918–1927. https://doi.org/bbhr
Keele, L., Stevenson, R. T., & Elwert, F. (2020). The causal interpretation of estimated associations in regression models. Political Science Research and Methods, 8(1), 1–13. https://doi.org/gf5sjg
Kubin, E., Sikorski, C. von, & Gray, K. (2025). Political censorship feels acceptable when ideas seem harmful and false. Political Psychology, 46(2), 279–299. https://doi.org/g9fgdz
MacKinnon, D. P., Krull, J. L., & Lockwood, C. M. (2000). Equivalence of the mediation, confounding and suppression effect. Prevention Science, 1(4), 173–181. https://doi.org/cmd8b5
Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629
Rohrer, J. M., Hünermund, P., Arslan, R. C., & Elson, M. (2022). That’s a lot to process! Pitfalls of popular path models. Advances in Methods and Practices in Psychological Science, 5(2), 25152459221095827. https://doi.org/gqw5jr
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