Beide Begriffe stehen im selben Kapitel jedes Methodenbuchs, beide werden mit demselben Werkzeug gerechnet, und beide werden in Abschlussarbeiten regelmäßig vertauscht. Die Unterscheidung ist trotzdem einfach, wenn du sie über die Forschungsfrage triffst statt über die Statistik: Mediation beantwortet „wie“ und „warum“, Moderation beantwortet „für wen“ und „unter welchen Bedingungen“. Alles Weitere folgt daraus.
Der Vergleich auf einen Blick
| Kriterium | Mediation | Moderation |
|---|---|---|
| Deine Frage lautet | Über welchen Mechanismus wirkt X auf Y? | Für wen oder wann ist der Zusammenhang stärker? |
| Rolle der dritten Variablen | Zwischenglied in der Kette X → M → Y | Verändert die Stärke oder Richtung von X → Y |
| Zeitliche Lage | Liegt zwischen X und Y | Liegt logisch vor oder neben X, wird nicht von X beeinflusst |
| Typische Variablen | Motivation, Vertrauen, wahrgenommener Nutzen | Geschlecht, Fachrichtung, Erfahrung, Unternehmensgröße |
| Kern der Auswertung | Indirekter Effekt (a × b) mit Bootstrap-Konfidenzintervall | Interaktionsterm X × M plus einfache Steigungen |
| Was du berichtest | Totaler, direkter und indirekter Effekt | Zuwachs an R², Koeffizient des Produktterms, Steigungen je Gruppe |
| Anforderung an das Design | Hoch — braucht eigentlich zeitliche Ordnung | Moderat — auch im Querschnitt vertretbar |
| Anforderung an die Fallzahl | Moderat | Hoch — Interaktionen sind schwer nachzuweisen |
Der Test, mit dem du in dreißig Sekunden entscheidest
Stelle dir eine einzige Frage zu deiner dritten Variablen M: Kann X den Wert von M verändern?
- Ja — dann kommt nur Mediation in Frage. Ein Weiterbildungsangebot (X) kann das wahrgenommene Kompetenzerleben (M) erhöhen, und dieses wiederum die Bindung ans Unternehmen (Y).
- Nein — dann ist es Moderation. Ein Weiterbildungsangebot verändert nicht das Geschlecht oder die Betriebszugehörigkeitsdauer der Teilnehmenden. Diese Merkmale können aber bestimmen, wie stark das Angebot wirkt.
Der Test funktioniert deshalb so zuverlässig, weil er nichts über Statistik voraussetzt, sondern nur über die inhaltliche Logik deines Modells. Formuliere die Erwartung anschließend als eigene Hypothese; die Anleitung zum Aufstellen von Hypothesen zeigt, wie eine Mediations- und eine Moderationshypothese sprachlich aussehen.
Mediation: was du rechnest und was daran überholt ist
Drei Effekte gehören in den Ergebnisteil: der totale Effekt von X auf Y ohne M im Modell, der direkte Effekt von X auf Y bei kontrolliertem M und der indirekte Effekt, also das Produkt aus dem Pfad X→M (a) und dem Pfad M→Y (b).
Der klassische Zugang stammt von Baron und Kenny (Journal of Personality and Social Psychology 51, 1986, S. 1173–1182) und arbeitet in aufeinander aufbauenden Schritten, bei denen zunächst ein signifikanter totaler Effekt vorliegen muss. Genau dieser Einstieg gilt heute als überholt. Zhao, Lynch und Chen (Journal of Consumer Research 37, 2010, S. 197–206) zeigen, dass die einzige wirklich notwendige Bedingung ein signifikanter indirekter Effekt ist: Ein totaler Effekt kann nahe null liegen, weil zwei gegenläufige Wege einander aufheben — und trotzdem existiert eine echte Vermittlung.
Für die Absicherung des indirekten Effekts hat sich das Bootstrapping durchgesetzt, wie es Preacher und Hayes (Behavior Research Methods 40, 2008, S. 879–891) beschrieben haben. Der Grund ist technisch, aber wichtig: Die Stichprobenverteilung eines Produkts zweier Koeffizienten ist schief, weshalb der ältere Sobel-Test, der Normalverteilung unterstellt, zu konservativ ausfällt. Berichtet wird deshalb kein p-Wert, sondern ein Konfidenzintervall aus typischerweise 5.000 Bootstrap-Stichproben — schließt es die Null nicht ein, gilt der indirekte Effekt als abgesichert.
Praktisch rechnest du das mit dem PROCESS-Makro von Andrew F. Hayes (Modell 4 für die einfache Mediation), mit dem Modul medmod in jamovi oder mit lavaan in R. Der Vergleich der Statistikprogramme ordnet ein, welcher Weg zu deiner Ausstattung passt.
Moderation: der Interaktionsterm und was danach kommt
Moderation prüfst du, indem du in die Regression neben X und M zusätzlich deren Produkt X × M aufnimmst. Wird der Koeffizient dieses Produktterms signifikant, hängt der Zusammenhang zwischen X und Y von M ab.
Drei Dinge werden dabei regelmäßig falsch gemacht:
- Zentrieren, aber richtig einordnen. Metrische Prädiktoren werden vor der Produktbildung am Mittelwert zentriert. Das reduziert die Kollinearität zwischen Haupteffekten und Produktterm und macht die Haupteffekte sinnvoll interpretierbar — es verändert aber weder den Koeffizienten des Interaktionsterms noch dessen Signifikanz. Wer Zentrierung als Rettung eines nicht signifikanten Interaktionsterms einsetzt, missversteht sie.
- Beim Produktterm aufhören. Ein signifikanter Interaktionsterm sagt nur, dass die Steigung variiert, nicht wie. Erst die einfachen Steigungen — der Zusammenhang X→Y getrennt für niedrige, mittlere und hohe Ausprägungen von M, üblicherweise bei Mittelwert minus/plus einer Standardabweichung — machen daraus eine Aussage. Bei metrischen Moderatoren liefert die Johnson-Neyman-Technik zusätzlich den Bereich von M, in dem der Effekt überhaupt signifikant wird.
- Die Fallzahl unterschätzen. Interaktionseffekte sind typischerweise deutlich kleiner als Haupteffekte und brauchen dadurch erheblich größere Stichproben, um nachweisbar zu sein. Ein nicht signifikanter Interaktionsterm bei N = 90 ist meist eine Aussage über deine Stichprobe, nicht über die Welt. Wie du das im Text ehrlich einordnest, steht im Beitrag zu den Effektstärken in der Abschlussarbeit.
Der Vorbehalt, der in beide Diskussionsteile gehört
Mediation ist eine Kausalbehauptung: X wirkt auf M, M wirkt auf Y. Ein Fragebogen, der alles zum selben Zeitpunkt erhebt, kann diese Reihenfolge nicht belegen — statistisch lässt sich dasselbe Modell mit vertauschten Rollen von M und Y oft genauso gut anpassen. Bei Querschnittsdaten schreibst du deshalb „die Ergebnisse sind mit einer Vermittlung über M vereinbar“ und nicht „M vermittelt den Effekt“. Sauberer ist ein Design, das X, M und Y zeitlich staffelt; die Optionen dafür stehen im Beitrag zu den Stichprobenverfahren und der zugehörigen Designplanung.
Moderation ist in dieser Hinsicht anspruchsloser: Dass ein Zusammenhang in zwei Gruppen unterschiedlich stark ausfällt, ist eine Beobachtung und keine Kausalaussage. Deshalb ist sie im Querschnitt gut vertretbar.
Was in den Methodenteil gehört — und warum die Reihenfolge zählt
Beide Modelle haben eine gemeinsame Schwachstelle: Sie lassen sich nachträglich an die Daten anpassen. Aus einem nicht signifikanten Haupteffekt wird schnell die Suche nach irgendeiner Variablen, die als Moderator „funktioniert“, und aus einer Korrelation zwischen drei Variablen lässt sich fast immer eine Mediationskette basteln. Beides produziert Befunde, die sich in keiner zweiten Stichprobe wiederfinden.
Der Methodenteil schützt dich davor, wenn er vier Angaben enthält, und zwar in dieser Reihenfolge:
- Die theoretische Begründung für die Rolle der dritten Variablen — warum M ein Mechanismus beziehungsweise eine Randbedingung sein sollte, mit Literatur belegt und vor der Auswertung formuliert.
- Das Modell mit benannten Pfaden. Üblich sind a für X→M, b für M→Y, c für den totalen und c′ für den direkten Effekt. Mit diesen Bezeichnungen wird deine Tabelle ohne weitere Erklärung lesbar.
- Das Verfahren samt Einstellungen — welche Software, welches Modell (bei PROCESS die Modellnummer), wie viele Bootstrap-Stichproben, welche Art von Konfidenzintervall, bei Moderation ob und wie zentriert wurde.
- Die Kontrollvariablen und der Umgang mit fehlenden Werten. Beides verändert N und damit alle Koeffizienten; ein Ergebnisteil, dessen N von der Stichprobenbeschreibung abweicht, wirft sofort Fragen auf.
Wenn du diese vier Punkte vorher aufschreibst, ist die anschließende Analyse eine Prüfung und keine Suche — und genau diesen Unterschied fragt jede Verteidigung ab.
Die Empfehlung
Für die meisten Bachelor- und Masterarbeiten ist die Moderation die bessere Wahl. Sie beantwortet eine praxisnahe Frage, sie verlangt keine zeitliche Staffelung der Erhebung, sie lässt sich in jeder Standardsoftware mit einer zusätzlichen Variablen rechnen, und ihre Interpretation ist gegen den Kausalitätsvorwurf immun. Der einzige echte Preis ist die Fallzahl.
Zur Mediation greifst du, wenn deine Forschungsfrage ausdrücklich nach dem Mechanismus fragt und dein Design die zeitliche Ordnung wenigstens plausibel macht — etwa bei einer Intervention mit Vorher-Nachher-Messung oder bei Sekundärdaten mit mehreren Erhebungszeitpunkten. Rechne dann den indirekten Effekt mit Bootstrapping und lass die alte Vierschrittprüfung weg.
Beides zusammen — moderierte Mediation — ist in einer Abschlussarbeit nur selten sinnvoll. Sie multipliziert den Fallzahlbedarf und den Erklärungsaufwand, und sie lässt sich in wenigen Seiten kaum überzeugend darstellen. Wenn deine Betreuung nicht ausdrücklich darauf besteht, wähle eines von beidem und mache es gründlich.
Häufige Fragen
Kann dieselbe Variable Mediator und Moderator sein?
In verschiedenen Modellen ja, im selben Modell nein. Entscheidend ist, ob X sie beeinflussen kann. Berufserfahrung kann Moderator einer Trainingswirkung sein; in einer Längsschnittstudie über mehrere Jahre könnte dieselbe Variable in einem anderen Modell als Mediator auftreten. Innerhalb einer Analyse musst du dich festlegen und die Wahl begründen.
Was ist eine partielle Mediation?
Der Begriff bezeichnet den Fall, dass nach Aufnahme von M ein signifikanter direkter Effekt bestehen bleibt. Zhao und Kollegen kritisieren die Bezeichnung, weil sie einen Vollständigkeitsgrad suggeriert, den die Daten nicht hergeben — ein „partieller“ Befund heißt oft nur, dass ein weiterer, nicht gemessener Mechanismus existiert. Berichte deshalb lieber die drei Effekte mit ihren Intervallen und verzichte auf das Etikett.
Brauche ich für Moderation zwingend eine Regression?
Nein. Wenn Moderator und unabhängige Variable beide kategorial sind und die abhängige metrisch ist, ist die zweifaktorielle Varianzanalyse mit Interaktionsterm derselbe Gedanke in anderer Verpackung. Bei metrischen Prädiktoren ist die Regression jedoch der direktere und informativere Weg.
Wie viele Teilnehmende brauche ich?
Eine belastbare Zahl liefert nur eine Poweranalyse für den erwarteten Interaktions- beziehungsweise indirekten Effekt. Als grobe Orientierung: Eine einfache Mediation ist ab etwa 150 Fällen sinnvoll auswertbar, eine Moderation mit metrischem Moderator eher ab 200 — und beide Zahlen steigen deutlich, wenn du kleine Effekte erwartest. Wenn du bereits Daten hast und die Stichprobe kleiner ausgefallen ist, hilft der Beitrag dazu, was bei nicht signifikanten Ergebnissen zu tun ist.
Wie berichte ich das im Text?
Bei Mediation: totaler, direkter und indirekter Effekt mit unstandardisierten Koeffizienten und dem Bootstrap-Konfidenzintervall des indirekten Effekts, dazu die Zahl der Bootstrap-Stichproben. Bei Moderation: Zuwachs an R² durch den Produktterm, dessen Koeffizient mit p-Wert, und anschließend die einfachen Steigungen. Ein Pfaddiagramm mit eingetragenen Koeffizienten ist in beiden Fällen die verständlichste Darstellung — die Regeln für Abbildungen im Ergebnisteil stehen im Beitrag zur Interpretation von Regressionsergebnissen.
Und wenn meine abhängige Variable binär ist?
Dann läuft beides über die logistische Regression statt über die lineare. Die Logik bleibt identisch, aber die Effekte werden als Odds Ratios ausgegeben, und der indirekte Effekt ist deutlich schwieriger zu interpretieren, weil er über zwei unterschiedliche Skalen läuft.
Vom Modell zum Kapitel
Ob Mediation oder Moderation: Der aufwendige Teil ist nicht die Rechnung, sondern die durchgehende Argumentation von der Theorie über die Hypothese bis zur Diskussion des Befundes. Mit Tesify strukturierst du deine Abschlussarbeit so, dass Modell, Hypothesen und Ergebnisteil über alle Kapitel hinweg zusammenpassen.