Interaktionseffekte: Wenn ein Zusammenhang von einer Gruppe abhängt

1. Nach unterschiedlichen Zusammenhängen fragen

Ein Gruppenunterschied ist noch kein Interaktionseffekt. Zwei Gruppen können bei gleicher Steigung auf unterschiedlichem Niveau liegen. Eine Interaktionsfrage lautet dagegen, ob der Zusammenhang zwischen einem Prädiktor und dem Ergebnis je nach Gruppe unterschiedlich ausfällt. Im erfundenen Lernbeispiel betrachten wir den Zusammenhang zwischen Lernzeit und einem Übungsscore in zwei Gruppen. Es handelt sich nicht um reale Studierendendaten und nicht um den Nachweis eines Trainingseffekts. Die Frage ist zunächst rein modellbezogen: Braucht die Beschreibung unterschiedliche Steigungen oder reichen zwei parallele Linien?

Der Kurs STAT 501 der Pennsylvania State University unterscheidet additive Modelle von Modellen mit Interaktionstermen. Leite die Entscheidung für dein eigenes Projekt aus einer fachlichen Frage ab, bevor du wahllos Produktterme ausprobierst. Schreibe zunächst eine erwartete Bedingung in Alltagssprache auf. Welche Gruppe könnte unter welchen Umständen einen anderen Zusammenhang zeigen, und warum? Notiere daneben, welche Variablen du tatsächlich gemessen hast. Eine theoretische Moderation lässt sich nicht mit einer beliebigen verfügbaren Gruppeneinteilung austauschen. Die statistische Form muss zur untersuchten Behauptung passen.

Weiterführend: Pennsylvania State University, STAT 501: Categorical Predictors and Interaction Effects

2. Kodierung und bedingte Koeffizienten sichtbar machen

Für unser eigenes Rechenbeispiel lautet das vorgegebene Modell: vorhergesagter Score = 10 + 2x + 3g + 1xg. Dabei ist x die Lernzeit in Stunden und g eine Gruppenkennung mit den Werten 0 oder 1. Die Zahlen sind nur zur Erklärung gewählt; sie wurden nicht aus einer Studie geschätzt. Für g = 0 ergibt sich 10 + 2x. Für g = 1 erhältst du 13 + 3x. Die zweite Gruppe hat in diesem Beispiel also eine um eine Scoreeinheit pro Stunde größere Steigung.

Die 3 vor g beschreibt dagegen den Gruppenunterschied bei x = 0. Bei x = 2 lauten die Vorhersagen 14 und 19; der Gruppenunterschied beträgt dort 5 und nicht 3. Diese eigene Rechnung zeigt, warum eine pauschale Aussage Gruppe 1 liegt immer drei Punkte höher falsch wäre. Prüfe jede Modellinterpretation durch Einsetzen nachvollziehbarer Werte. Liegt x = 0 außerhalb des beobachteten Bereichs, ist der betreffende Vergleich möglicherweise fachlich wenig sinnvoll. Eine begründete Zentrierung kann den Referenzwert verschieben, ändert aber nicht automatisch die vorhandene Datengrundlage.

3. Das vollständige Modell und seine Unsicherheit auswerten

UCLA OARC erläutert, wie Interaktionen durch bedingte Effekte und geeignete Darstellungen aufgeschlüsselt werden. Ein einzelner Koeffizient ohne Referenzwerte ist daher keine vollständige Interpretation. Prüfe das gesamte Modell, die verwendete Kodierung und die Unsicherheit der relevanten Schätzungen. In üblichen hierarchischen Interaktionsmodellen bleiben die zugehörigen Haupteffektterme enthalten. Entferne sie nicht allein deshalb, weil ihre einzelnen Tests unauffällig sind. Begründe Abweichungen fachlich. Bei kategorialen Variablen mit mehr als zwei Ausprägungen entstehen zudem mehrere kodierungsabhängige Terme, deren gemeinsame Prüfung besondere Aufmerksamkeit verlangt.

Zeichne für dein eigenes Projekt vorhergesagte Verläufe über einen sinnvollen gemeinsamen Wertebereich. Zeige die tatsächliche Datenabdeckung, damit eine scheinbar eindrucksvolle Linienkreuzung außerhalb des beobachteten Bereichs nicht als Befund gelesen wird. Kontrolliere Modellannahmen und auffällige Einzelfälle mit passenden Diagnoseverfahren. Unterschiedliche Steigungen können in kleinen oder unausgewogenen Gruppen sehr unsicher geschätzt sein. Ein Interaktionsterm in Beobachtungsdaten beweist außerdem weder einen kausalen Mechanismus noch den Erfolg einer Maßnahme. Formuliere daher, welche Zusammenhänge unter den Modellbedingungen beschrieben werden, statt eine unbelegte Ursache zu behaupten.

Weiterführend: UCLA OARC: Decomposing, Probing, and Plotting Interactions in R

4. Ergebnis und Frage gemeinsam berichten

Erstelle vor dem Schreiben ein eigenes Interpretationsblatt mit Variablennamen, Einheiten, Referenzgruppe, Referenzwert und verwendeter Modellform. Ergänze zwei konkret berechnete Vorhersagen als Plausibilitätsprobe. Kennzeichne, welche Zahlen aus einer tatsächlichen Analyse stammen und welche nur zur Veranschaulichung gewählt wurden. Beschreibe anschließend den bedingten Zusammenhang in Worten. Bei einem unsicheren Ergebnis darf die Grafik keine stärkere Gewissheit vermitteln als die Schätzung. Eine plausible fachliche Erklärung gehört in die Diskussion und muss als Erklärungsvorschlag erkennbar bleiben, solange sie nicht durch das Design selbst geprüft wurde.

Das Tool Statistischen Test finden kann bei der Einordnung von Fragestellung, Variablen und Design unterstützen. Bereite die Ergebnisvariable, die Gruppenstruktur und deinen vermuteten bedingten Zusammenhang vor. Prüfe eine Empfehlung anhand von Methodenliteratur und führe die eigentliche Schätzung in geeigneter Statistiksoftware nachvollziehbar durch. Das Tool ist kein Ersatz für Modellanpassung und Diagnostik. Dein fertiger Bericht sollte die Interaktionsfrage beantworten und zugleich offenlegen, für welche Werte, Gruppen und Modellannahmen die Aussage gilt. Nur so wird aus einem technischen Produktterm ein verständlicher und begrenzter wissenschaftlicher Befund.