Soziale Identität im Organisationalen Kontext Methoden I

Projektarbeit M.Sc. im SS 2011

Soziale Identität im Organisationalen Kontext

Methoden I


Blödsinn erzählt?

Orthogonal = keine Korrelationen zwischen den Faktoren angenommen = Varimax!

Oblique = Korrelation zw. Faktoren sind erlaubt = Oblimin!


Mediation und Moderation

Mediator vs. Moderator

Moderator

- Effekt ist abhängig von a- Die Beziehung zwischen zwei Variablen verändertsich in Abhängigkeit von a

Mediator

- A ist (teilweise) für den Einfluss von x auf Y verantwortlich – vermittelt den Effekt.


Folie 5

Moderation/Mediation as methodological concepts


Moderation –

M verändert die Beziehung von X und Y

X Y

M


Moderation

X Y

M

Moderators can

• increase

• decrease

• cancel out

• reverse

the effect of X on Y

Moderators can be

• continuous

• categorical


Folie 8

Moderation -

Moderatoren sind immer UV‘s Moderation nur dann, wenn signifikante Interaktion


Wann rechne ich was?

Independent variable

categorical continuous

Moderator

categoricalANOVAFall 1

RegressionFall2

continuousRegression

Fall 3Regression

Fall 4


Folie 10

Fall 2

Bsp: Geschlecht als Moderator Man kann die beiden Korrelationen miteinander vergleichen oder besser: Regression!

Wenn als Interaktionsterm in die Regression:WICHTIG:

Standardisierung der kontinuierlichen Variablen und kategoriale Variable mit 0 und 1.Dummy Kodierung wenn mehr als 2 Stufen!Alle drei Prädiktoren in die Regression: Haupteffekte und Interaktion. Nur wenn Interaktion = signifikant = Moderation.


Fall 3


Folie 12

Fall 3

Meistens: linearer Zusammenhang Produktterm UV × Moderator in Regression eingeben

Eher selten: Quadratisch

Am einfachsten: dichotomisieren des Moderators – ANOVA möglich

Kubisch (or a step distribution) Am einfachsten: dichotomisieren des Moderators –

ANOVA möglich


Fall 4

Linear wie in Fall 3 Quadratic wie in Fall 3 cubic wie in Fall 2

(dichotomize and compare regressions)


Regressionen auflösen: Simple Slopes

Man möchte die Interaktion auflösen (Analogie: Einfache Vgl. bei der ANOVA) -> rein theoretisch kann man das ‚von Hand‘ berechnen, indem man je 1 SD addiert zu / subtrahiert von der UV; je einen neuen Interaktionsterm berechnen und die Regressionen laufen lassen – dazu gibt es aber inzwischen einfache Programme…

X Y

M

c/c‘

a b

independent

variable

dependentvariable

Mediator

YX

Ma

X Yc

Step 1: Is there an effect that can be mediated?

The IV correlates with the DV. A regression XY tests path c.

But: Mediation vs. indirect effect

Step 2. Is there an impact of the IV on the mediator?

The IV correlates with the mediator. A regression XM tests path a.

X Y

M

c‘

b

Step 3. Is the mediator related to the DV, beyond a simple correlation?

The mediator correlates with the DV when we control for the IV. A regression X & MY tests path b & c’.

Step 4: How strong is the mediation?

Sometimes the term complete mediation is used, if c’ does not differ significantly from zero and the term partial mediation is used, if c’ differs significantly from zero.

Step 5: Is the indirect path significant?

If the conditions in Step 2 and 3 are fulfilled, this provides rough evidence for an indirect effect. A direct test is the Sobel-test which tests, whether a*b differs from zero.

X Yc

YX

Ma

X Y

M

c‘

b

1

2

3+4 5: Sobel

Folie 21

Sobel-Test im Netz

http://www.unc.edu/~preacher/sobel/sobel.htm


Probleme der Baron & Kenny + Sobel Methoden Baron & Kenny method: niedrige Test-Power Signifikante X Y Beziehung nicht notwendig Kann nicht mit multiplen Mediatoren umgehen Sobel Test = auch niedrig in power, da a*b nicht

normalverteilt nur in sehr großen Samples


Die Lösung: Bootstrapping

Baron Münchhausen Für kleine Samples geeignet (N ≥ 20 or 25) Behandelt Sample as ‚Population‘ Resampling (e.g., N = 1000) Berechnet die indirekten Pfade (a*b) Konstruiert eine Verteilungswahrscheinlichkeit Berechnet die Konfdenzintervalle


Bootstrapping

SPSS macro at http://www.comm.ohio-state.edu/ahayes/sobel.htm ( Nicole)

EQS + SPSS ( Shrout & Bolger, 2002) AMOS (bias correction) Generalization to multiple mediators

(http://www.comm.ohio-state.edu/ahayes/ SPSS%20programs/indirect.htm)


Outlook on next session


Folie 26

Moderierte Mediation

Es gibt eine Mediationsbeziehung, die in Abhängigkeit von einem Moderator (z.B. Geschlecht) variiert

Folie 27

Mediierte Moderation

Es gibt einen etablierten Moderationseffekt, der sich also in einer Interaktion zeigt.

Wenn dieser Interaktionsterm mediiert auf die abhängige Variable wirkt, haben wir eine mediierte Moderation

JENA GRADUATE ACADEMY Dr. Friedrich Funke


SOBEL y=y1/x=x1/m=m1/boot=1000.

DIRECT AND TOTAL EFFECTS Coeff s.e. t Sig(two)b(YX) .6400 .0077 83.2843 .0000b(MX) .8000 .0060 133.3200 .0000b(YM.X) .8000 .0100 79.9880 .0000b(YX.M) .0000 .0100 .0000 1.0000

INDIRECT EFFECT AND SIGNIFICANCE USING NORMAL DISTRIBUTION Coeff s.e. LL 95 CI UL 95 CI Z Sig(two) Sobel .6400 .0093 .6217 .6583 68.5886 .0000

BOOTSTRAP RESULTS FOR INDIRECT EFFECT Mean s.e. LL 95 CI UL 95 CI LL 99 CI UL 99 CI Effect .6406 .0092 .6229 .6586 .6160 .6633

SAMPLE SIZE 10000

NUMBER OF BOOTSTRAP RESAMPLES 1000


INDIRECT y = y1/x = x1/m = m1 ...Dependent, Independent, and Proposed Mediator Variables:DV = Y1IV = X1MEDS = M1

IV to Mediators (a paths) Coeff se t pM1 .8000 .0060 133.3200 .0000

Direct Effects of Mediators on DV (b paths) Coeff se t pM1 .8000 .0100 79.9880 .0000

Total Effect of IV on DV (c path) Coeff se t pX1 .6400 .0077 83.2843 .0000

Direct Effect of IV on DV (c' path) Coeff se t pX1 .0000 .0100 .0000 1.0000

Model Summary for DV Model R-sq Adj R-sq F df1 df2 p .6400 .6399 8886.2222 2.0000 9997.0000 .0000


INDIRECT y = y1/x = x1/m = m1 ...

NORMAL THEORY TESTS FOR INDIRECT EFFECTS

Indirect Effects of IV on DV through Proposed Mediators (ab paths) Effect se Z pTOTAL .6400 .0093 68.5960 .0000M1 .6400 .0093 68.5960 .0000

BOOTSTRAP RESULTS FOR INDIRECT EFFECTS

Indirect Effects of IV on DV through Proposed Mediators (ab paths) Data Boot Bias SETOTAL .6400 .6404 .0004 .0095M1 .6400 .6404 .0004 .0095


INDIRECT y = y1/x = x1/m = m1 ...

Bias Corrected and Accelerated Confidence Intervals Lower UpperTOTAL .6211 .6604M1 .6211 .6604

Bias Corrected Confidence Intervals Lower UpperTOTAL .6211 .6604M1 .6211 .6604

Percentile Confidence Intervals Lower UpperTOTAL .6214 .6604M1 .6214 .6604

Level of Confidence for Confidence Intervals: 95

Number of Bootstrap Resamples: 1000


Mediation:

David Kennys Website: http://users.rcn.com/dakenny/mediate.htm Interactive Mediation Test: http://www.unc.edu/~preacher/sobel/sobel.htm

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic and statistical considerations. Journal of Personality and Social Psychology, 51, 1173-1182.

Kenny, D. A., Kashy, D. A., & Bolger, N. (1998). Data analysis in social psychology. In D. Gilbert, S. Fiske, & G. Lindzey (Eds.), The handbook of social psychology (Vol. 1, 4th ed., pp. 233-265). Boston, MA: McGraw-Hill.

Moderation mit kontinuierlichen Variablen:

Interactive Simple Slopes: http://www.unc.edu/~preacher/lcamlm/index.html

Aiken, L. S. & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Thousand Oaks: Sage Publications.

Judd, C. M. (2000). Everyday data analysis in social psychology: Comparisons of linear models. In H.T.Reis & C. M. Judd (Eds.), Handbook of research methods in social and personality psychology (pp. 370-392). Cambridge University Press.

Soziale Identität im Organisationalen Kontext Methoden I

Documents

Transcript of Soziale Identität im Organisationalen Kontext Methoden I