Ergebnisse aus PROCESS präsentieren

[jlaufweg91]

Hallo zusammen,

ich stecke aktuell ziemlich in der Klemme mit der Präsentation meiner Ergebnisse meiner moderierten Mediation in meiner Masterthesis. Ich habe diese mit PROCESS v3 von Hayes in SPSS gerechnet (Model 59, hier der Link zu den Modellen: https://www.researchgate.net/profile/Lu ... plates.pdf).

Hierbei habe ich 5 X Variablen (Big Five Inventory mit 5 Subskalen) und zwei Moderatoren (alo_vt und ftf_vt), sowie eine Outcome Variable (WEIMS). Nach Hayes habe ich das Model 5 mal gerechnet, jeweils mit einer der Subskalen als X und den verbleibenden 4 als Covariate.

Ich habe als Beispiel den Code für eines dieser 5 Modelle (X = Extraversion) am Ende des Posts kopiert. Diesen Output habe ich weitere 4 mal, jeweils mit einer anderen Subskala als X.

Meine Frage bezieht sich jetzt nicht auf die Interpretation der Ergebnisse, die verstehe ich. Allerdings stecke ich aktuell damit fest, wie ich diese Ergebnisse präsentieren kann und welche ich präsentieren soll. Gibt es eine Möglichkeit die Ergebnisse der Mediation und Moderation aller Variablen der 5 Modelle zusammenfassend in einer Tabelle darzustellen?

Ich beiße mir mittlerweile seit zwei Tagen die Zähne daran aus die Ergebnisse in einer anständigen Form zu präsentieren, aber komme einfach nicht zu einer zufriedenstellenden Lösung.

Ich wäre super dankbar über jede Hilfe!

Code: Alles auswählen

**************** PROCESS Procedure for SPSS Version 3.00 ***************** 
 
          Written by Andrew F. Hayes, Ph.D.       www.afhayes.com 
    Documentation available in Hayes (2018). www.guilford.com/p/hayes3 
 
************************************************************************** 
Model  : 59 
    Y  : WEIMS 
    X  : bfi_e 
   M1  : alo_vt 
   M2  : ftf_vt 
    W  : perccom 
 
Covariates: 
 bfi_c    bfi_n    bfi_o    bfi_a 
 
Sample 
Size:  172 
 
************************************************************************** 
OUTCOME VARIABLE: 
 alo_vt 
 
Model Summary 
          R       R-sq        MSE          F        df1        df2          p 
      ,2740      ,0751     1,5548     1,9020     7,0000   164,0000      ,0723 
 
Model 
              coeff         se          t          p       LLCI       ULCI 
constant     1,2682      ,9922     1,2782      ,2030     -,6909     3,2273 
bfi_e         ,2159      ,1395     1,5477      ,1236     -,0595      ,4913 
perccom       ,0026      ,0037      ,7097      ,4789     -,0047      ,0099 
Int_1        -,0021      ,0045     -,4517      ,6521     -,0110      ,0069 
bfi_c        -,1043      ,1622     -,6428      ,5213     -,4246      ,2160 
bfi_n        -,3338      ,1536    -2,1723      ,0313     -,6371     -,0304 
bfi_o         ,1068      ,1721      ,6205      ,5358     -,2330      ,4466 
bfi_a        -,0807      ,1847     -,4367      ,6629     -,4454      ,2840 
 
Product terms key: 
 Int_1    :        bfi_e    x        perccom 
 
Covariance matrix of regression parameter estimates: 
           constant      bfi_e    perccom      Int_1      bfi_c      bfi_n      bfi_o      bfi_a 
constant      ,9844     -,0020      ,0002     -,0004     -,0669     -,0735     -,0635     -,0771 
bfi_e        -,0020      ,0195      ,0001      ,0000      ,0010      ,0095     -,0067     -,0014 
perccom       ,0002      ,0001      ,0000      ,0000      ,0000      ,0000      ,0000      ,0000 
Int_1        -,0004      ,0000      ,0000      ,0000      ,0000      ,0001      ,0000      ,0001 
bfi_c        -,0669      ,0010      ,0000      ,0000      ,0263      ,0046     -,0016     -,0111 
bfi_n        -,0735      ,0095      ,0000      ,0001      ,0046      ,0236     -,0059      ,0026 
bfi_o        -,0635     -,0067      ,0000      ,0000     -,0016     -,0059      ,0296     -,0046 
bfi_a        -,0771     -,0014      ,0000      ,0001     -,0111      ,0026     -,0046      ,0341 
 
Test(s) of highest order unconditional interaction(s): 
       R2-chng          F        df1        df2          p 
X*W      ,0012      ,2040     1,0000   164,0000      ,6521 
 
************************************************************************** 
OUTCOME VARIABLE: 
 ftf_vt 
 
Model Summary 
          R       R-sq        MSE          F        df1        df2          p 
      ,3611      ,1304     1,2310     3,5129     7,0000   164,0000      ,0015 
 
Model 
              coeff         se          t          p       LLCI       ULCI 
constant      ,5676      ,8828      ,6429      ,5212    -1,1756     2,3108 
bfi_e        -,1164      ,1241     -,9375      ,3499     -,3614      ,1287 
perccom       ,0063      ,0033     1,9263      ,0558     -,0002      ,0128 
Int_1        -,0024      ,0040     -,5844      ,5597     -,0104      ,0056 
bfi_c         ,3921      ,1443     2,7163      ,0073      ,1071      ,6771 
bfi_n        -,3846      ,1367    -2,8129      ,0055     -,6545     -,1146 
bfi_o         ,0257      ,1531      ,1676      ,8671     -,2767      ,3281 
bfi_a        -,2868      ,1643    -1,7450      ,0829     -,6113      ,0377 
 
Product terms key: 
 Int_1    :        bfi_e    x        perccom 
 
Covariance matrix of regression parameter estimates: 
           constant      bfi_e    perccom      Int_1      bfi_c      bfi_n      bfi_o      bfi_a 
constant      ,7794     -,0016      ,0002     -,0003     -,0530     -,0582     -,0503     -,0610 
bfi_e        -,0016      ,0154      ,0001      ,0000      ,0008      ,0075     -,0053     -,0011 
perccom       ,0002      ,0001      ,0000      ,0000      ,0000      ,0000      ,0000      ,0000 
Int_1        -,0003      ,0000      ,0000      ,0000      ,0000      ,0001      ,0000      ,0000 
bfi_c        -,0530      ,0008      ,0000      ,0000      ,0208      ,0037     -,0012     -,0088 
bfi_n        -,0582      ,0075      ,0000      ,0001      ,0037      ,0187     -,0047      ,0021 
bfi_o        -,0503     -,0053      ,0000      ,0000     -,0012     -,0047      ,0235     -,0036 
bfi_a        -,0610     -,0011      ,0000      ,0000     -,0088      ,0021     -,0036      ,0270 
 
Test(s) of highest order unconditional interaction(s): 
       R2-chng          F        df1        df2          p 
X*W      ,0018      ,3415     1,0000   164,0000      ,5597 
 
************************************************************************** 
OUTCOME VARIABLE: 
 WEIMS 
 
Model Summary 
          R       R-sq        MSE          F        df1        df2          p 
      ,5342      ,2854   420,7095     5,8087    11,0000   160,0000      ,0000 
 
Model 
              coeff         se          t          p       LLCI       ULCI 
constant   -76,8197    16,4691    -4,6645      ,0000  -109,3446   -44,2947 
bfi_e        5,0179     2,3355     2,1486      ,0332      ,4056     9,6303 
alo_vt       3,2351     1,4298     2,2627      ,0250      ,4115     6,0587 
ftf_vt      -1,2641     1,6886     -,7486      ,4552    -4,5989     2,0707 
perccom       ,0276      ,0617      ,4474      ,6552     -,0943      ,1495 
Int_1        -,0552      ,0794     -,6952      ,4879     -,2120      ,1016 
Int_2         ,0165      ,0565      ,2921      ,7706     -,0952      ,1282 
Int_3        -,0326      ,0679     -,4811      ,6311     -,1667      ,1014 
bfi_c        2,5470     2,7621      ,9221      ,3579    -2,9079     8,0020 
bfi_n        1,7054     2,6008      ,6557      ,5130    -3,4310     6,8418 
bfi_o        8,2483     2,8433     2,9009      ,0042     2,6330    13,8635 
bfi_a       12,3085     3,0989     3,9719      ,0001     6,1885    18,4285 
 
Product terms key: 
 Int_1    :        bfi_e    x        perccom 
 Int_2    :        alo_vt   x        perccom 
 Int_3    :        ftf_vt   x        perccom 
 
Covariance matrix of regression parameter estimates: 
           constant      bfi_e     alo_vt     ftf_vt    perccom      Int_1      Int_2      Int_3      bfi_c      bfi_n      bfi_o 
constant   271,2320      ,0559    -2,3573      ,2154      ,0692     -,1377      ,0778     -,0693   -18,1018   -20,7759   -17,1255 
bfi_e         ,0559     5,4545     -,5678      ,5109      ,0218     -,0098      ,0077     -,0043      ,0181     2,5594    -1,7965 
alo_vt      -2,3573     -,5678     2,0442     -,9507      ,0005      ,0081     -,0144      ,0079      ,5555      ,3383     -,1474 
ftf_vt        ,2154      ,5109     -,9507     2,8513     -,0170      ,0057      ,0071     -,0396     -,9733      ,6940      ,0939 
perccom       ,0692      ,0218      ,0005     -,0170      ,0038     -,0002      ,0000      ,0004     -,0061      ,0048     -,0091 
Int_1        -,1377     -,0098      ,0081      ,0057     -,0002      ,0063     -,0014      ,0001     -,0081      ,0303      ,0116 
Int_2         ,0778      ,0077     -,0144      ,0071      ,0000     -,0014      ,0032     -,0015      ,0006     -,0062     -,0097 
Int_3        -,0693     -,0043      ,0079     -,0396      ,0004      ,0001     -,0015      ,0046     -,0110     -,0025     -,0045 
bfi_c      -18,1018      ,0181      ,5555     -,9733     -,0061     -,0081      ,0006     -,0110     7,6295     1,0373     -,4303 
bfi_n      -20,7759     2,5594      ,3383      ,6940      ,0048      ,0303     -,0062     -,0025     1,0373     6,7643    -1,6149 
bfi_o      -17,1255    -1,7965     -,1474      ,0939     -,0091      ,0116     -,0097     -,0045     -,4303    -1,6149     8,0844 
bfi_a      -21,5083     -,2929     -,0574      ,3820     -,0080      ,0163     -,0075      ,0299    -3,3334      ,9070    -1,2876 
 
Test(s) of highest order unconditional interaction(s): 
        R2-chng          F        df1        df2          p 
X*W       ,0022      ,4834     1,0000   160,0000      ,4879 
M1*W      ,0004      ,0853     1,0000   160,0000      ,7706 
M2*W      ,0010      ,2314     1,0000   160,0000      ,6311 
 
****************** DIRECT AND INDIRECT EFFECTS OF X ON Y ***************** 
 
Conditional direct effect(s) of X on Y: 
    perccom     Effect         se          t          p       LLCI       ULCI 
   -33,1395     6,8472     3,6095     1,8970      ,0596     -,2813    13,9756 
     6,8605     4,6393     2,3699     1,9576      ,0520     -,0411     9,3196 
    26,8605     3,5353     3,0781     1,1485      ,2525    -2,5436     9,6142 
 
Conditional indirect effects of X on Y: 
 
INDIRECT EFFECT: 
 bfi_e       ->    alo_vt      ->    WEIMS 
 
    perccom     Effect     BootSE   BootLLCI   BootULCI 
   -33,1395      ,7632      ,9945     -,6867     3,2447 
     6,8605      ,6756      ,6592     -,4651     2,1719 
    26,8605      ,5911      ,9843    -1,3994     2,7233 
--- 
 
INDIRECT EFFECT: 
 bfi_e       ->    ftf_vt      ->    WEIMS 
 
    perccom     Effect     BootSE   BootLLCI   BootULCI 
   -33,1395      ,0069      ,5005     -,7777     1,3485 
     6,8605      ,1973      ,4121     -,2967     1,3375 
    26,8605      ,3852      ,8041     -,5527     2,6097 
--- 
 
*********************** ANALYSIS NOTES AND ERRORS ************************ 
 
Level of confidence for all confidence intervals in output: 
  95,0000 
 
Number of bootstrap samples for percentile bootstrap confidence intervals: 
  10000 
 
W values in conditional tables are the 16th, 50th, and 84th percentiles. 
 
NOTE: The following variables were mean centered prior to analysis: 
          perccom  bfi_e    alo_vt   ftf_vt 
 
------ END MATRIX -----

[dutchie]

hallo laufweg

Nur zum Verständnis: du hast zwei Mediatoren, einen Moderator und vier Covariaten (ansich 5), das 5 mal,weil
jeder von den Kovariaten mal x sein darf. Wodurch sind die Kovariaten ausgezeichnet? dadurch, das die interaktion mit dem
Moderator fehlt, die Mediation aber stattfindet?

Warum macht du nicht ein modell daraus, schlimmer kanns nicht werden.

wie interagieren denn die zwei Mediatoren?

Vorschlag (spontan):
Die Diagramme zu malen hast du bestimmst schon probiert. mit AMOS z.B. Da die Modelle alle gleich sind, kannst du ein Referenzmodell
darstellen: so solltes es sein Das Modell in seiner ganzen komplexität...das sind die ganzen Pfeile (weiß nicht 37 Stück) die getestet werden...sieht tabelle XX usw plus Sig
in diese Big Modell beschriftest du die Pfadnahmen, aber bitte nicht mit ghdt_zet oder vetzez_uze, das sollte man schon verstehen...
und nennst die Variablen auch bein Namen

In die Diagrammen der 5 Modelle, als Ergebnis, malst du aber nur die sig Pfade ein, und lässt alles nicht sig weg, vorallem die Covariaten, x lässt du drin.
was dann weggefallen ist, kann man sich dann mit Bilck aufs referenzmodell klarmachen

Wenn ich den output richtig verstehe ist weder der direkte noch der indirekte effekt signifikant, oder?
und auch keine interaktion?

gruß
dutchie

[jlaufweg91]

Hi dutchie,

Deine Zusammenfassung passt. Bzgl. der Kovariate habe ich habe mich an die Angaben von Hayes (und meines Supervisors) gehalten, da die Skalen des BFI korrelieren habe ich daher immer mit einer Skala als X gerechnet und die anderen 4 als Kovariate reingenommen um für ihre Effekte zu kontrollieren.

Die zwei Moderatoren sind einmal die Preferenz alleine zu arbeiten oder in einem virtuellen Team und die Preferenz face-to-face oder in einem virtuellen Team zu arbeiten (r = .41).

Gemalt direkt habe ich die Modell nicht, habe auch kein AMOS und damit auch noch nicht gearbeitet. Allerdings habe ich das normale und statistische Modell von Hayes in meiner Arbeit, könnte das also entsprechend beschriften oder darauf verweisen - ist das was du meinst?

Der Vorschlag meines Profs war einfach alles nicht signifikante wegzulassen und zusammenfassend zu schreiben, das es nichts signifikantes gibt, bzw. die wenigen Pfade die Signifikanz zeigen zu erwähnen, allerhöchstens die nicht signifikanten Ergebnisse anzuhängen oder so.

Und ja, Interaktionen und damit meine Hypothesen zeigen zum Großteil keine Signifikanz ( ), allerdings muss ich da jetzt durch und das wenigstens anständig präsentieren.


LG

[dutchie]

hallo Laufweg oder lauf weg?

Sei doch froh, dass nichts sig. wird. Wie ist es mit Alpha justieren, das sig, das da ist ist doch nicht vorhergesagt, oder?
Das kann aber auch an der Art und Weise liegen wie du vorgehst, mit all diesen Covariaten.

Die Moderatoren sind Dummies, und korrelieren zu r = 0.41?

Dann mal das im Word, bei Hayes hast du eine Darstellung ohne Covariaten, also bei templates Model 59.
Malen damit dir klar wird was das für ein riesen Modell ist.
Mit allen Kästchen und Pfeilen, als Referenzmodell,
dann siehst du eventuell, daß viel Pfeile zum mediator hingehen aber nur einer weg?

Warum lässt man nichtsignifikante Variablen im Modell? Ist das gewollt?
Die Covariaten sind doch in jedem Modell, somit spielt ein und dieselbe Covariate 4x diese Rolle und wird auch 4x berechnet??

Dein Prof sagt doch, was ich auch sage: alles in den Anhang und detailiert nur besprechen was sig wird, mittels Diagramm.

gruß
dutchie

[dutchie]

hallo

mein bester entwurf sieht ungefähr so aus;

COVs
med1
mod

x---------------------->y

mod
med2
COVs

Absolut dämlich onhne links und Bilder das zu beschreiben:
Jetzt noch die ganzen Pfeile rein, der Clou du malst nur ein Kasten für alle COV dafür aber zweimal
ebenso nur ein Kasten für den Moderator den aber auch zweimal, weil beide je einmal auf zwei Mediatoren wirken.
Wenn du jetzt die Pfeile malst kreuzen sich keine Pfeile.
wenn du mir dein e-mail adresse per PN zukommen läßt mail ich dir ein schöneres Bild.

gruß
dutchie