Direkt zum Inhalt
XLSTAT wird Mitglied der Lumivero Familie. Mehr erfahren.

PLS-Pfadmodellierung in Excel: Moderatoren

Dieses Tutorium zeigt Ihnen, wie Sie Moderatoreffekte im Kontext eines Partial Least Squares-Pfadmodells (PLS-PM) in XLSTAT untersuchen.

Moderatoreffekte beim PLS Path Modeling

In diesem Tutorium präsentieren wir eine Anwendung der Untersuchung von Moderatoreffekten. Wenn Sie mit PLS Path Modeling nicht vertraut sind, lesen Sie bitte im Tutorium „Erstellen und Ausführen eines einfachen PLSPM-Projekts“ nach. Weitere detaillierte Erklärungen finden Sie in der Hilfe von XLSTAT.
Mit XLSTAT können Sie Moderatoreffekte innerhalb eines PLS-Modells analysieren.
Zwei wichtige Ansätze werden verwendet, um die Moderatoreffekte in einem PLS Path Modeling zu identifizieren und zu messen: - Der direkte Ansatz, der in XLSTAT-PLSPM automatisch ist.

  • Der 2-Stufen-Ansatz, der einen 2-Stufen-Prozess in XLSTAT-PLSPM erfordert.

Moderatoreffekte sind beim PLS Path Modeling sehr wichtig. „Allgemein gesagt kann ein Moderator eine qualitative Variable (z. B: Geschlecht, Rasse, Klasse) oder eine quantitative Variable (z. B. Anerkennungsniveau) sein, die die Richtung und/oder Stärke der Beziehung zwischen einer unabhängigen Variablen oder einer Vorhersagevariablen und einer abhängigen oder Kriteriumvariablen beeinflusst.“ (Baron/Kenny 1986 S. 1174)
Der Effekt einer Moderatorvariablen auf die Beziehung zwischen zwei Variablen wird als „Moderatoreffekt“ oder „Interaktionseffekt“ bezeichnet. Im Fall einer qualitativen Moderatorvariablen kann der Gruppenvergleichsansatz (siehe Tutorium zum Gruppenvergleich mit XLSTAT-PLSPM) verwendet werden. Wenn die Moderatorvariable quantitativ ist, wird eine latente Interaktionsvariable verwendet.
Angenommen A, B und C sind drei latente Variablen, und wir möchten den Moderatoreffekt von B auf die Beziehung zwischen A und C verstehen. Wir haben das folgende Modell:

model moderating effect

Die latenten Variablen sind A, B, C und A*B, was der Interaktionsgröße entspricht. Sie dient dazu, die Stärke des Moderatoreffekts zu verstehen.
Es gibt zwei Methoden zum Erstellen der latenten Interaktionsvariablen:

  • Der Produkt-Indikator-Ansatz:
    * Basierend auf Kenny/Judd (1984) and Chin/Marcolin/ Newsted (1996, 2003).
    * Modus A (Pfeile nach außen) muss verwendet werden.
    * Vorgehensweise:
    * Jeder dieser g Indikatoren der exogenen Variablen wird elementweise mit jedem der h Indikatoren der Moderatorvariablen multipliziert, was in g*h Produktindikatoren resultiert.
    * Diese Produktindikatoren dienen als Indikatoren der Interaktionsgröße.

  • Der 2-Stufen-Ansatz:
    * Chin/Marcolin/ Newsted (2003, Online-Anhang).
    * Durchführbar für jeden Modus (Modus A, Modus B, Modus MIMIC, Modus PLS, Modus HKA).
    * Vorgehensweise:
    * Führen Sie das Haupt-Effekt-Modell aus.
    * Extrahieren Sie die Scores der latenten Variablen.
    * Verwenden Sie diese Scores der latenten Variablen als Indikatoren der exogenen und endogenen Variablen.
    * Das elementweise Produkt der Scores der latenten Variablen der exogenen Variablen und der Moderatorvariablen dient als Indikator der Interaktionsgröße.

Diese beiden Ansätze können in XLSTAT-PLSPM verwendet werden. Wir werden die Anwendung jedes Ansatzes ausführlich beschreiben.

Datensatz für die Untersuchung von Moderatoreffekten

Wir verwenden einen Teil der Daten, die im allgemeinen Tutorium zur Verwendung von XLSTAT-PLSPM verwendet werden. Sie basieren auf dem ECSI-Modell mit einer Stichprobe von 250 Beobachtungen. Die neue Datei kann hier heruntergeladen werden. Beachten Sie, dass dieses Tutorium nur für Benutzer von Excel 2007 und Excel 2010 zur Verfügung steht.
Wir möchten den Moderatoreffekt des Images eines Mobiltelefonanbieters auf die Beziehung zwischen Zufriedenheit und Loyalität der Kunden untersuchen.

Einrichten der Moderatoreffekte beim PLS Path Modeling

Zuerst müssen Sie zur Expertenanzeige wechseln. Im Menü XLSTAT-PLSPM klicken Sie auf die Option XLSTAT-PLSPM.

plspmrebus1.gif

Dieses Dialogfenster erscheint:

plspmrebus2.gif

Wählen Sie die Expertenanzeige aus und speichern Sie Ihre Einstellungen. Wie im allgemeinen Tutorium erstellen wir mithilfe des Tabellenblatts PLSPMGraph und der Symbolleiste „Pfadmodellierung“ ein spezielles Modell, das nur Image, Zufriedenheit und Loyalität umfasst.

simple model plspm

Sobald das Modell gezeichnet wurde, stehen zwei Ansätze zur Untersuchung der Moderatoreffekte zur Verfügung.

Der Produkt-Indikator-Ansatz

Dieser Ansatz kann automatisch in XLSTAT-PLSPM angewendet werden. Zuerst fügen Sie eine latente Variable zum Modell hinzu und klicken Sie auf den Button der Symbolleiste, um die latente Variable zu definieren. Das folgende Dialogfenster erscheint.

Dialog box manifest variables plspm

Anstatt Daten auszuwählen, klicken Sie auf den Button Interaktion. Eine neue Registerkarte ist im Dialogfenster erreichbar. In der Registerkarte Interaktion wählen Sie die beiden exogenen Variablen aus, d. h. Image und Zufriedenheit. Wir wählen das Standardisieren der Manifestvariablen.

dialog box manifest variables interaction

Dann klicken Sie auf den Button „OK“. Eine neue latente Variable erscheint im Diagramm mit 6 Manifestvariablen, welche die Produkte der mit Zufriedenheit und Image verbundenen Manifestvariablen sind.

model interaction variable plspm

Sie können jetzt auf den Button Start der Berechnungen in der XLSTAT-PLSPM-Symbolleiste klicken, die sich auf dem PLSPMGraph-Tabellenblatt befindet. Das Dialogfenster Start der Berechnungen erscheint. In diesem Tutorium wählen wir in der Registerkarte Allgemein Standardisieren für die Manifestvariablen.

dialog box general run

In der Registerkarte Optionen verwenden wir das Zentroid-Schema mit OLS-Regression ohne Bootstrap. In der Registerkarte Ausgabe wählen wir für die Scores der latenten Variablen Standardisiert.

dialog box run outputs

Nachdem Sie auf den Button „OK“ geklickt haben, beginnt die Berechnung.

Die Ergebnisse werden auf dem PLSPM-Tabellenblatt der Arbeitsmappe angezeigt und sind im Diagramm zu sehen.

Das wichtigste Ergebnis finden Sie in der Pfadkoeffizienten-Tabelle.

results: path coefficients moderating

Wir sehen, dass Image und Zufriedenheit eine positive Auswirkung auf die Loyalität haben und dass die Interaktionsgröße einen signifikant negativen Effekt hat. Das bedeutet, dass der Moderatoreffekt des Images auf die Beziehung zwischen Zufriedenheit und Loyalität signifikant ist.

Der 2-Stufen-Ansatz

Wenn Sie bereits den Produkt-Indikator-Ansatz angewendet haben, löschen Sie zuerst die latente Interaktionsvariable und starten Sie XLSTAT-PLSPM mithilfe des Buttons Ausführen der Symbolleiste, die sich im Tabellenblatt PLSPMGraph befindet.

Das Dialogfenster Start der Berechnungen erscheint. In der Registerkarte Allgemein wählen wir Standardisieren für die Manifestvariablen.

dialog box general run

In der Registerkarte Optionen verwenden wir das Zentroid-Schema mit OLS-Regression und ohne Bootstrap. In der Registerkarte Ausgabe wählen wir für die Scores der latenten Variablen Standardisiert.

dialog box run outputs

Nachdem Sie auf den Button „OK“ geklickt haben, beginnt die Berechnung.

Die Ergebnisse werden auf dem PLSPM1-Tabellenblatt der Arbeitsmappe angezeigt und sind im Diagramm zu sehen.

Wir interessieren uns nur für Scores latenter Variablen für das einfache Modell. Im Tabellenblatt PLSPM1 berechnen wird das Produkt der latenten Variablen Zufriedenheit und Image mithilfe von Excel-Formeln neben der Tabelle mit den Scores der latenten Variablen.

latent variables two stage moderating

Dann ändern wir die Definition der latenten Variable und ersetzen die Manifestvariablen durch die Scores der latenten Variablen, die im Tabellenblatt PLSPM1 ausgewählt werden können. Wir fügen eine latente Variable mit nur einer Manifestvariablen als neue Spalte hinzu. Das neue Modell hat die folgende Form:

model two stage moderating plspm

Sie können jetzt das Modell mit denselben Parametern wie zuvor ausführen und die Ergebnisse untersuchen. Die Pfadkoeffizienten sind die wichtigsten Ergebnisse.

path coefficients moderating two stage

Wir sehen, dass Image und Zufriedenheit eine positive Auswirkung auf die Loyalität haben und dass die Interaktionsgröße keinen signifikant negativen Effekt hat. Das bedeutet, dass der Moderatoreffekt des Images auf die Beziehung zwischen Zufriedenheit und Loyalität nicht signifikant ist.

War dieser Artikel nützlich?

  • Ja
  • Nein