Mediationsanalyse

Mediationsanalyse ist ein statistischer Ansatz zur Untersuchung der Mechanismen, durch die ein unabhängiger Variable X einen abhängigen Variable Y beeinflusst. Kernziel ist es, den Gesamteffekt von X auf Y in einen indirekten Effekt über einen Mediator M und einen direkten Effekt, der nicht über M verläuft, zu zerlegen. In der kausalinferenzorientierten Auslegung wird oft von durchschnittlichen kausalen Effekten ausgegangen: dem durchschnittlichen indirekten Effekt (ACME), dem durchschnittlichen direkten Effekt (ADE) und dem Gesamteffekt (TE), wobei TE = ACME + ADE.

Typischer Aufbau ist die Schätzung zweier Modelle: ein Modell für den Mediator M in Abhängigkeit von X und Kovariaten C (M = α0 + α1X + α2C + εM) und ein Modell für den Ausgang Y in Abhängigkeit von X, M und Kovariaten C (Y = β0 + τ′X + β1M + β2C + εY). Hier steht α1 für den Einfluss von X auf M, β1 für den Einfluss von M auf Y unter Kontrolle von X, und τ′ für den direkte Effekt von X auf Y.

Die Schätzung erfolgt meist regressionsbasiert, häufig mit Bootstrap-Konfidenzintervallen oder in semantischen Strukturen wie Strukturgleichungsmodellen. Wichtige Annahmen betreffen die Kausalidentität: keine unbeobachteten Störfaktoren, die X-M oder M-Y-Kausalpfade beeinflussen, sowie korrekte zeitliche Abfolge und Modellierung. Auch Mediator-Interaktionen mit X oder komplexe Strukturen (z. B. mehrere Mediatoren, seriale Mediation, moderierte Mediation) erfordern spezialisierte Modelle.

Anwendungen finden sich in Psychologie, Epidemiologie, Sozialwissenschaften und Wirtschaft, wo man Mechanismen hinter Effekten verstehen möchte. Typische Software-Tools sind R-Pakete wie mediation oder lavaan, sowie PROCESS (SPSS/SAS/R).