PSY4101 Datenanalyse: Lineare Regression und Mediation in jamovi – Schritt-für-Schritt Anleitung (2026)

Einleitung: Datenanalyse in PSY4101 meistern

Die PSY4101 Assignment 2 verlangt von dir, komplexe datenanalytische Probleme mit jamovi zu lösen. In diesem Tutorial lernst du die Grundlagen der linearen Regression, Moderations- und Mediationsanalyse – genau wie im Assignment gefordert. Wir nutzen aktuelle Beispiele aus der KI-Forschung und E-Sports, um die Konzepte anschaulich zu machen.

1. Lineare Regression: Annahmen prüfen und interpretieren

In Problem 1A sollst du prüfen, ob Angst (anxiety) auch nach Kontrolle der Persönlichkeit (Big Five) ein signifikanter Prädiktor für Prüfungsleistungen ist. Zuerst führst du eine multiple Regression mit den fünf Persönlichkeitsfaktoren als Prädiktoren durch.

1.1 Annahme der linearen Unabhängigkeit (Multikollinearität)

Prüfe die VIF-Werte (Variance Inflation Factor). Ein VIF > 10 deutet auf ernsthafte Multikollinearität hin. In jamovi: Analyses → Regression → Linear Regression → Assumption Checks → Collinearity Statistics. Notiere die VIFs für jeden Prädiktor. Bei Werten unter 5 ist die Annahme nicht verletzt.

1.2 Normalitätsannahme der Residuen

Betrachte das Q-Q-Diagramm der standardisierten Residuen. Weichen die Punkte stark von der Diagonalen ab, ist die Normalität verletzt. Zusätzlich: Shapiro-Wilk-Test auf Residuen. Ist p > 0.05, ist die Annahme erfüllt. Bei Verletzung kann die Regression dennoch robust sein, wenn die Stichprobe groß genug ist (n=103 ist akzeptabel).

2. Regressionsgleichung und Koeffizienten

Nach dem Modell erhältst du die Koeffizienten. Die Gleichung lautet:

Exam_Score = b0 + b1*Openness + b2*Conscientiousness + b3*Extraversion + b4*Agreeableness + b5*Neuroticism

Runde alle Werte auf drei Dezimalstellen. Beispiel: Exam_Score = 45.123 + 2.345*Openness - 1.234*Conscientiousness + ...

3. Welcher Persönlichkeitsfaktor hat den kleinsten p-Wert?

Sortiere die p-Werte in der Ausgabe. Der Faktor mit dem kleinsten p-Wert ist der stärkste Prädiktor. Interpretiere den Koeffizienten: „Pro Einheit Anstieg in [Faktor] steigt/sinkt die Prüfungsleistung um [b] Punkte, unter Kontrolle der anderen Faktoren.“

4. Erklärte Varianz (R²) und Signifikanz des Modells

Das R² gibt an, wie viel Varianz der Prüfungsleistung durch die Persönlichkeit erklärt wird. Der F-Test prüft, ob das Modell signifikant ist. Berichte: „Das Modell erklärte R² = 0.234 (F(5,97) = 5.678, p < 0.001) der Varianz der Prüfungsleistung.“

5. Zusätzliche Varianzaufklärung durch Angst

Füge anxiety zum Modell hinzu. Prüfe die Änderung in R² (ΔR²) mit dem R²-Change-Test. In jamovi: Model Builder → Blöcke verwenden. Ist ΔR² signifikant (p < 0.05), erklärt Angst zusätzliche Varianz über die Persönlichkeit hinaus.

6. Semipartialkorrelation von Angst

Die Semipartialkorrelation (part correlation) gibt den einzigartigen Beitrag von Angst an. Erwarte, dass sie dem Quadratwurzel von ΔR² entspricht. In jamovi: Regression → Linear Regression → Additional Options → Part and Partial Correlations. Vergleiche den Wert mit deiner Erwartung.

7. Moderationsanalyse: Revision als Moderator

In Problem 1B i sollst du testen, ob die Revisionsdauer den Zusammenhang zwischen Angst und Prüfungsleistung abschwächt. Führe eine Moderationsanalyse mit jamovi durch: Analyses → Regression → Linear Regression → Model Builder. Füge die Interaktion anxiety * revision hinzu. Ist der Interaktionsterm signifikant, liegt eine Moderation vor.

7.1 Simple-Slope-Analyse

Für die Interpretation: Berechne die einfachen Steigungen von Angst bei niedriger, mittlerer und hoher Revisionsdauer (z.B. ±1 SD). In jamovi: Additional Options → Simple slopes. Stelle die Ergebnisse grafisch dar. Berichte: „Bei niedriger Revision (M-1SD) war der Effekt von Angst signifikant (b = -2.345, p = 0.012), bei hoher Revision (M+1SD) nicht mehr (b = -0.123, p = 0.654).“

8. Mediationsanalyse: Neurotizismus → Angst → Revisionsdauer

In Problem 1B ii ist anxiety der Mediator zwischen Neurotizismus und Revisionsdauer. Verwende jamovis Mediation-Modul: Analyses → Regression → Mediation. Setze Neuroticism als UV, anxiety als Mediator und revision als AV. Prüfe den indirekten Effekt (a*b) mit Bootstrapping.

8.1 Vollständige vs. partielle Mediation

Ist der direkte Effekt (c') nicht signifikant, liegt eine vollständige Mediation vor. Ist c' signifikant, ist die Mediation partiell. Ein konsistenter Mediator liegt vor, wenn a*b und c' das gleiche Vorzeichen haben (beide positiv oder negativ). Ein inkonsistenter Mediator (Suppression) liegt bei unterschiedlichen Vorzeichen vor.

9. jamovi Syntax exportieren

Vergiss nicht, für jede Analyse den jamovi Syntax zu exportieren: Klicke auf das Zahnrad-Symbol → Syntax mode aktivieren → dann Copy syntax. Füge die Syntax in deine Abgabe ein – das gibt Teilpunkte bei Fehlern.

10. Ergebnisbericht im „Result-Section“-Stil

Für Problem 1B schreibe einen kurzen Absatz mit Statistiken und einer Grafik. Beispiel: „Eine Moderationsanalyse mit jamovi ergab einen signifikanten Interaktionseffekt von Angst und Revisionsdauer auf die Prüfungsleistung (b = 0.456, SE = 0.123, t(99) = 3.707, p < 0.001). Simple-Slope-Analysen zeigten, dass der negative Effekt von Angst bei geringer Revisionsdauer (b = -2.345, p = 0.012) stärker war als bei hoher Revisionsdauer (b = -0.123, p = 0.654).“

11. Abschluss und KI-Erklärung

Vergiss nicht, die Erklärung zur Nutzung generativer KI am Ende deiner Abgabe einzufügen. Beispiel: „Ich habe ChatGPT verwendet, um Formulierungshilfen für die Ergebnisinterpretation zu erhalten. Die Analysen habe ich selbst in jamovi durchgeführt.“ Ohne diese Erklärung droht ein Punktabzug von 50%!

Mit dieser Anleitung bist du bestens gerüstet für die PSY4101 Datenanalyse-Aufgaben. Viel Erfolg!