Advertisement

Vorsicht (!) bei Regressionsanalysen mit Interaktionsvariablen

Die Skalierung der unabhängigen Variablen kann die Höhe, Richtung und Signifikanz der Regressionskoeffizienten bestimmen
  • Jochen MayerlEmail author
  • Dieter Urban
Berichte und Diskussionen
  • 62 Downloads

Zusammenfassung

Der Beitrag thematisiert einige methodische Fallstricke bei der Schätzung und Interpretation von linearen Regressionsmodellen mit Interaktionseffekten. Es wird gezeigt, dass bei der Interpretation von Haupteffekten in Interaktionsmodellen immer dann höchste Vorsicht geboten ist, wenn eine der an der Interaktion beteiligten Variablen keinen empirisch gültigen Nullwert aufweist. Auch wird gezeigt, welchen Einfluss die Entscheidung der Variablenskalierung auf die Schätzergebnisse haben kann und welche Interpretationsprobleme dabei auftreten können.

Schlüsselwörter

Lineare Regression Interaktion Interaktionseffekte Haupteffekte Multiplikativ 

Be Cautious When Estimating Regression Models with Interaction Variables

The Scaling of Independent Variables May Determine the Size, Direction, and Significance of Regression Coefficients

Abstract

This article discusses several pitfalls involved with the estimation and interpretation of linear regression models with interaction effects. It shows that one should be cautious in interpreting main effects in interaction models whenever any of the variables involved in the interaction cannot meaningfully take on the value of zero. The article also shows how the scaling of variables can impact the estimated results and the types of interpretation problems that can thereby arise.

Keywords

Linear regression Interaction Interaction effect Main effect Multiplicative 

Notes

Danksagung

Wir danken den Gutachtern für hilfreiche Kommentare zu einer früheren Version dieses Beitrags.

Literatur

  1. Aiken, Leona S., und Stephen G. West. 1991. Multiple regression: Testing and interpreting interactions. London: Sage.Google Scholar
  2. Brambor, Thomas, William R. Clark und Matt Golder. 2006. Understanding interaction models: Improving empirical analysis. Political Analysis 14:63–82.CrossRefGoogle Scholar
  3. Cohen, J., Patricia, Stephen G. West und Leona S. Aiken. 2003. Applied multiple regression/correlation analysis for the behavioral sciences (3rd edition). Hillsdale: Erlbaum.Google Scholar
  4. Dalal, Dev K., und Michael J. Zickar. 2012. Some common myths about centering predictor variables in moderated multiple regression and polynomial regression. Organisational Research Methods 15:339–362.CrossRefGoogle Scholar
  5. Disatnik, D., und L. Sivan. 2014. The multicollinearity illusion in moderated regression analysis. Marketing Letters, 11.12.2014.Google Scholar
  6. Echambadi, Raj, und James D. Hess. 2007. Mean-centering does not alleviate collinearity problems in moderated multiple regression models. Marketing Science 26:438–445.CrossRefGoogle Scholar
  7. Friedrich, Robert J. 1982. In defense of multiplicative terms in multiple regression equations. American Journal of Political Science 26:797–833.CrossRefGoogle Scholar
  8. Hayes, Andrew F. 2013. Introduction to mediation, moderation, and conditional process analysis. A regression-based approach. New York: Guilford.Google Scholar
  9. Jaccard, James, und Robert Turrisi. 2003. Interaction effects in multiple regression (2nd edition). Newbury Park: Sage.CrossRefGoogle Scholar
  10. Kromrey, Jeffrey D., und Lynn Foster-Johnson. 1998. Mean centering in moderated multiple regression: Much ado about nothing. Educational and Psychological Measurement 58:42–67.CrossRefGoogle Scholar
  11. Mayerl, Jochen. 2009. Kognitive Grundlagen sozialen Verhaltens. Einstellungen, Framing und Rationalität. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  12. Mayerl, Jochen, und Dieter Urban. 2008. Antwortreaktionszeiten in Survey-Analysen. Messung, Auswertung und Anwendungen. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  13. Mayerl, Jochen, und Dieter Urban. 2019. Der Mythos von der „gefährlichen“ Multikollinearität bei der Schätzung von Interaktionseffekten. In Grundlagen – Methoden – Anwendungen in den Sozialwissenschaften. Festschrift zu Ehren von Steffen M. Kühnel. Wiesbaden: Springer VS. In Druck. Google Scholar
  14. Nisic, Natascha. 2010. Mitgegangen – mitgefangen. Die Folgen von Haushaltsumzügen für die Einkommenssituation von Frauen in Partnerschaften. Kölner Zeitschrift für Soziologie und Sozialpsychologie 62:515–549.CrossRefGoogle Scholar
  15. Sauer, Carsten, Peter Valet und Stefan Liebig. 2016. Welche Lohnungleichheiten sind gerecht? Arbeitsmarktbezogene Ursachen von Lohnungleichheiten und die wahrgenommene (Un-)Gerechtigkeit des eigenen Erwerbseinkommens. Kölner Zeitschrift für Soziologie und Sozialpsychologie 68:619–645.CrossRefGoogle Scholar
  16. Schneider, Thorsten, und Julia Dohrmann. 2015. Religion und Bildungserfolg in Westdeutschland unter besonderer Berücksichtigung von Diasporaeffekten. Kölner Zeitschrift für Soziologie und Sozialpsychologie 67:293–320.CrossRefGoogle Scholar
  17. Schunk, Reinhard. 2016. Reich und schön? Eine Untersuchung zur ungleichen Verteilung physischer Attraktivität. Kölner Zeitschrift für Soziologie und Sozialpsychologie 68:113–137.CrossRefGoogle Scholar
  18. Urban, Dieter, und Jochen Mayerl. 2018. Angewandte Regressionsanalyse: Theorie, Technik und Praxis (5. Auflage). Wiesbaden: Springer VS.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Fakultät für Human- und SozialwissenschaftenTechnische Universität ChemnitzChemnitzDeutschland
  2. 2.Institut für SozialwissenschaftenUniversität StuttgartStuttgartDeutschland

Personalised recommendations