CONSULTING.de
PERSONALintern.de
Digitale Transformation Digitale Transformation und Kundenerlebnis: Ein Blick auf verschiedene Branchen
veröffentlicht am
Moderatoreffekt
[engl.: moderator effect]
Definition
Ein Moderatoreffekt liegt vor, wenn der Zusammenhang zwischen zwei Variablen durch eine dritte, von diesen unabhängige Variable (Moderatorvariable, kurz: Moderator) beeinflusst wird.
Da die Sozialwissenschaften und damit auch die Marktforschung Ursache-Wirkungs-Zusammenhänge betrachten, geht es in der Regel um den Zusammenhang zwischen einer unabhängigen Variable (bzw. Prädiktor) und einer abhängigen Variable (bzw. Kriterium). Dabei ist die Moderatorvariable eine dritte unabhängige Variable, die diesen Zusammenhang verstärkt oder abschwächt.
Beispiel: Der Zusammenhang zwischen Einkommen und Lebenszufriedenheit wird durch das Alter moderiert. In der mittleren Altersgruppe ist er stärker als in der jüngeren und der älteren (vgl. George, Okun & Landerman, 1985).
Moderatorvariable versus Mediatorvariable bzw. intervenierende Variable
Von der Moderatorvariable ist die Mediatorvariable (bzw. intervenierende Variable) zu unterscheiden, die den Zusammenhang zwischen unabhängiger und abhängiger Variable vermittelt, d. h. das theoretische bzw. psychologische Bindeglied darstellt. Während ein Moderator eine unabhängige Variable ist (die nicht durch die anderen beiden Variablen beeinflusst wird), steht der Mediator in einer Wirkungskette, indem er durch die unabhängige Variable beeinflusst wird und seinerseits wiederum die abhängige Variable beeinflusst.
Abb. Moderator- und Mediatorvariable (Bild: marktforschung.de)
Beispiel Mediatorvariable:
Die Intensität der Markenexposition (unabhängige Variable) steigert die Markensympathie (abhängige Variable) – so genannter Mere Exposure Effect. Dies kann damit erklärt werden, dass mit zunehmendem Markenkontakt die Vertrautheit bzw. Familiarität der Marke steigt, die ihrerseits wiederum die Sympathie steigen lässt. Die Familiarität vermittelt somit den Zusammenhang, sie ist das psychologische Bindeglied zwischen der Ursache Markenexposition und der Wirkung Markensympathie.
Beispiel Moderatorvariable:
Der Zusammenhang zwischen Markenexposition und Markensympathie ist grundsätzlich relativ niedrig, der Zusammenhang zwischen Markenexposition und Markenkauf noch deutlich niedriger. Die Stärke des Zusammenhangs hängt unter anderem davon ab, inwieweit das psychologische Markenversprechen zur Motiv- und Bedürfnisstruktur der Zielgruppe passt. Je stärker eine Marke die Zielgruppenbedürfnisse anspricht, desto höher ist der Zusammenhang zwischen Exposition mit der Marke und Markensympathie sowie Markenkauf.
Bestimmung von Moderatorvariablen
Ob ein Moderatoreffekt vorliegt, lässt sich statistisch testen über Interaktionseffekte in einer Varianzanalyse oder Regressionsanalyse (multiple Regression, Pfadanalyse). Dabei wird die potenzielle Moderatorvariable als weitere unabhängige Variable behandelt und geprüft, welchen Effekt die Interaktion der unabhängigen Variablen auf die abhängige Variable hat. Dafür müssen natürlich im Vorfeld die relevanten Moderatorvariablen mit erhoben worden sein.
Welche Variablen mit welcher Funktion (unabhängige, abhängige, Moderator- oder Mediatorvariable) erhoben und getestet werden, entscheidet sich im Vorfeld auf Basis der zugrundeliegenden theoretischen Modelle, Forschungshypothesen und der Plausibilität. Statistisch geprüft werden sollten nur Zusammenhänge, zu denen plausible Hypothesen (ggf. abgeleitet aus einer Theorie) formuliert werden können.
Plausbilitätskontrolle
Umgekehrt müssen neue Ergebnisse immer einer Plausibilitätskontrolle unterzogen werden, insbesondere dann, wenn sie überraschend sind. Es ist zu prüfen, ob die gefundenen Zusammenhänge nach dem verfügbaren Datenmaterial, Theorie- und Weltwissen plausibel sind oder ob es dafür eine bessere Erklärung gibt – oder auch gar keine vernünftige (so dass es sich um ein zufälliges Ergebnis oder ein Methodenartefakt handelt, das nicht berichtet werden sollte).
Wie wichtig die Prüfung auf Plausibilität ist, zeigt das folgende prototypische Beispiel einer Scheinkausalität bzw. Scheinkorrelation (vgl. z.B. Matthews, 2000): Die Anzahl der Storchenpaare korreliert im europäischen Raum mit der menschlichen Geburtenrate. Nun gibt es keinen plausiblen Grund, geschweige denn eine schlüssige Theorie, daraus zu folgern, dass Störche Babys bringen. Viel plausibler ist, dass Storchen- und menschliche Geburtenrate von einer dritten Variable abhängig sind, nämlich dem Grad der Industrialisierung bzw. dem Anteil ländlicher Fläche. Und tatsächlich sinken sowohl Storchen- und Geburtenrate mit steigender Industrialisierung.
Literatur:
George, L.K., Akun, M.A. & Landerman, R. (1985): Age as a Moderator of the Determinants of Life Satisfaction. In: Research on Aging 7(2), pp. 209-233, https://www.researchgate.net/publication/19101581_Age_as_a_Moderator_of_the_Determinants_of_Life_Satisfaction
Matthews, R. (2000): Storks deliver babies (p= 0.008). In: Teaching Statistics. 22(2), 2000, pp. 36–38, doi:10.1111/1467-9639.00013.
