Conducting Mediation Analysis in Marketing Research

Carsten L. Demming; Steffen Jahn; Yasemin Boztug

doi:10.15358/0344-1369-2017-3-76

Diese Webseite verwendet Cookies

Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unsere Website zu analysieren. Außerdem geben wir Informationen zu Ihrer Verwendung unserer Website an unsere Partner für soziale Medien, Werbung und Analysen weiter. Unsere Partner führen diese Informationen möglicherweise mit weiteren Daten zusammen, die Sie ihnen bereitgestellt haben oder die sie im Rahmen Ihrer Nutzung der Dienste gesammelt haben.

Mit der Zustimmung zur Verwendung der Services Google Analytics 4 stimmen Sie auch dem sogenannten Consent Mode zu. Dabei übermitteln wir den Status Ihrer Zustimmung an Google. Darin sind keine zusätzlichen personenbezogenen Daten enthalten. Google benötigt diese Daten, um die gesetzlichen Voraussetzungen aus dem Digital Markets Act zu erfüllen.

Details zeigen

Details

Notwendige Cookies helfen dabei, eine Webseite nutzbar zu machen, indem sie Grundfunktionen wie Seitennavigation und Zugriff auf sichere Bereiche der Webseite ermöglichen. Die Webseite kann ohne diese Cookies nicht richtig funktionieren.
- Cookiebot
  1
  Erfahren Sie mehr über diesen Anbieter
  CookieConsentSpeichert den Zustimmungsstatus des Benutzers für Cookies auf der aktuellen Domäne.
  Maximale Speicherdauer: 1 JahrTyp: HTTP-Cookie
- www.beck-elibrary.de
  2
  pdfjs.historyUm PDFs anzuzeigen, verwenden wir den PDF-Viewer pdf.js, der temporäre Informationen zu den betrachteten Dokumenten speichert. Diese Speicherung ist notwendig, um die Funktionalität der PDF-Anzeige sicherzustellen und kann nicht deaktiviert werden.
  Maximale Speicherdauer: BeständigTyp: HTML Local Storage
  PHPSESSIDBehält die Zustände des Benutzers bei allen Seitenanfragen bei.
  Maximale Speicherdauer: SitzungTyp: HTTP-Cookie
Präferenz-Cookies ermöglichen einer Webseite sich an Informationen zu erinnern, die die Art beeinflussen, wie sich eine Webseite verhält oder aussieht, wie z. B. Ihre bevorzugte Sprache oder die Region in der Sie sich befinden.
Statistik-Cookies helfen Webseiten-Besitzern zu verstehen, wie Besucher mit Webseiten interagieren, indem Informationen anonym gesammelt und gemeldet werden.
- Google
  2
  Erfahren Sie mehr über diesen Anbieter
  Ein Teil der Daten, die dieser Anbieter gesammelt hat, dient der Personalisierung und der Messung der Werbewirksamkeit.
  _gaRegistriert eine eindeutige ID, die verwendet wird, um statistische Daten dazu, wie der Besucher die Website nutzt, zu generieren.
  Maximale Speicherdauer: 2 JahreTyp: HTTP-Cookie
  _ga_#Sammelt Daten dazu, wie oft ein Benutzer eine Website besucht hat, sowie Daten für den ersten und letzten Besuch. Von Google Analytics verwendet.
  Maximale Speicherdauer: 2 JahreTyp: HTTP-Cookie
- VG Wort
  1
  Erfahren Sie mehr über diesen Anbieter
  srpLegt eine eindeutige ID für die Sitzung fest. Dadurch kann die Webseite Daten über Besucherverhalten für statistische Zwecke erhalten.
  Maximale Speicherdauer: SitzungTyp: HTTP-Cookie
Marketing-Cookies werden verwendet, um Besuchern auf Webseiten zu folgen. Die Absicht ist, Anzeigen zu zeigen, die relevant und ansprechend für den einzelnen Benutzer sind und daher wertvoller für Publisher und werbetreibende Drittparteien sind.
- Google
  2
  Erfahren Sie mehr über diesen Anbieter
  Ein Teil der Daten, die dieser Anbieter gesammelt hat, dient der Personalisierung und der Messung der Werbewirksamkeit.
  rc::aDieser Cookie wird verwendet, um zwischen Menschen und Bots zu unterscheiden. Dies ist vorteilhaft für die Website, um gültige Berichte über die Nutzung Ihrer Website zu erstellen.
  Maximale Speicherdauer: BeständigTyp: HTML Local Storage
  rc::cDieser Cookie wird verwendet, um zwischen Menschen und Bots zu unterscheiden.
  Maximale Speicherdauer: SitzungTyp: HTML Local Storage
Nicht klassifizierte Cookies sind Cookies, die wir gerade versuchen zu klassifizieren, zusammen mit Anbietern von individuellen Cookies.

Die Cookie-Erklärung wurde das letzte Mal am 5/8/25 von Cookiebot aktualisiert

[#IABV2_TITLE#]

[#IABV2_BODY_INTRO#]

[#IABV2_BODY_LEGITIMATE_INTEREST_INTRO#]

[#IABV2_BODY_PREFERENCE_INTRO#]

[#IABV2_BODY_PURPOSES_INTRO#]

[#IABV2_BODY_PURPOSES#]

[#IABV2_BODY_FEATURES_INTRO#]

[#IABV2_BODY_FEATURES#]

[#IABV2_BODY_PARTNERS_INTRO#]

[#IABV2_BODY_PARTNERS#]

Über Cookies

Cookies sind kleine Textdateien, die von Webseiten verwendet werden, um die Benutzererfahrung effizienter zu gestalten.

Laut Gesetz können wir Cookies auf Ihrem Gerät speichern, wenn diese für den Betrieb dieser Seite unbedingt notwendig sind. Für alle anderen Cookie-Typen benötigen wir Ihre Erlaubnis.

Diese Seite verwendet unterschiedliche Cookie-Typen. Einige Cookies werden von Drittparteien platziert, die auf unseren Seiten erscheinen.

Sie können Ihre Einwilligung jederzeit von der Cookie-Erklärung auf unserer Website ändern oder widerrufen.

Erfahren Sie in unserer Datenschutzrichtlinie mehr darüber, wer wir sind, wie Sie uns kontaktieren können und wie wir personenbezogene Daten verarbeiten.

Bitte geben Sie Ihre Einwilligungs-ID und das Datum an, wenn Sie uns bezüglich Ihrer Einwilligung kontaktieren.

Meine persönlichen Daten nicht verkaufen oder weitergeben

Inhalt
- Kapitel Ausklappen | EinklappenAutorenSeiten
- 1–2 Titelei/Inhaltsverzeichnis 1–2
- 2–3 Editorial Bernhard Swoboda Bernhard Swoboda 2–3
- 4–98 Research Articles 4–98
  - 4–16 On Comparing Results from CB-SEM and PLS-SEM: Five Perspectives and Five Recommendations Edward E. Rigdon, Marko Sarstedt, Christian M. Ringle Edward E. Rigdon, Marko Sarstedt, Christian M. Ringle 4–16
  - 17–31 Functional Flexibility, Latent Heterogeneity and Endogeneity in Aggregate Market Response Models Harald Hruschka Harald Hruschka 17–31
  - 32–49 Multinomial Logit Models in Marketing - From Fundamentals to State-of-the-Art Ossama Elshiewy, Daniel Guhl, Yasemin Boztug Ossama Elshiewy, Daniel Guhl, Yasemin Boztug 32–49
  - 50–75 Multilevel Structural Equation Modelling in Marketing and Management Research Johannes Hirschmann, Bernhard Swoboda Johannes Hirschmann, Bernhard Swoboda 50–75
  - 76–98 Conducting Mediation Analysis in Marketing Research Carsten L. Demming, Steffen Jahn, Yasemin Boztug Carsten L. Demming, Steffen Jahn, Yasemin Boztug 76–98
Durchsuchen Sie das Werk
Geben Sie ein Keyword in die Suchleiste ein
CC-BY Vollzugriff

Marketing ZFP , Seite 76 - 98

Conducting Mediation Analysis in Marketing Research

Autoren

Carsten L. Demming Steffen Jahn Yasemin Boztug

DOI
- doi.org/10.15358/0344-1369-2017-3-76
- ISSN print: 0344-1369
- ISSN online: 0344-1369
Zusammenfassung

The term mediation analysis encapsulates methodological approaches for determining whether a causal effect of a predictor on an outcome variable can be explained by another variable. This explanatory variable is called a mediator. Mediation analysis is therefore particularly relevant for those interested in grasping the underlying mechanism of a focal effect. This paper reviews the purpose and aims of mediation analysis, common approaches of conducting mediation analysis, and how mediation analysis can enrich research findings. We especially address the widespread uncertainty of researchers and practitioners in the marketing field in deciding which method to implement to explore a proposed mediation mechanism and how to conduct the analysis. The review contributes to extant literature by connecting theoretical and practical knowledge in order to help in applying mediation analysis. Furthermore, the second part of the paper is organized as a tutorial in order to make the state-of-the-art methodology applicable to the reader. Here, we illustrate how to specify, interpret, and report results using PROCESS, a commonly used macro developed specifically for mediation analysis with SPSS and SAS. In the first part of the paper we introduce two basic elements of mediation processes: the indirect and the direct effect. The indirect effect indicates whether a proposed mediator can explain the relationship between a predictor variable and an outcome variable. Therefore, estimating the indirect effect is essential for establishing mediation. The interpretation of the indirect effect depends on the model structure – for example the number of proposed mediators and their interconnection. Based on the indirect effect, we discuss four commonly used mediation model groups. Conversely, the direct effect reveals to what extent a proposed mediator can explain the relationship of a predictor variable and an outcome variable. Thus, the direct effect determines whether the mediator can fully explain the relationship (full mediation) or only partially explain it (partial mediation). We refer to this broad distinction as mediation types. Determining the mediation type can guide further theory building, as it may indicate a second mediator that has been omitted in the analysis thus far. In the methodology section of the paper, we review three different regression-based approaches for inferring mediation: the Baron-and-Kenny approach, the Sobel test, and bootstrapping. The Baron-and-Kenny approach relies on estimating each relationship of a mediation model separately and then inferring mediation if all relationships are significant. The Sobel test is a parametric test of the indirect effect. While common, both approaches are widely criticized because of their questionable assumptions. In contrast to these traditional approaches, bootstrapping is a non-parametric approach that provides an accurate test of the indirect effect and is based on data resampling. The significance of an indirect effect is then inferred from a confidence interval of its bootstrap distribution. As bootstrapping is the state-of-the-art methodology in mediation analysis, we limit our focus to this approach for the subsequent tutorial. After the theoretical discussion, the tutorial illustrates in detail how to specify different model groups with the easy-to-apply macro PROCESS. In this section we work with an example data set from the marketing field to illustrate the steps of the mediation analysis.

Abstract

The term mediation analysis encapsulates methodological approaches for determining whether a causal effect of a predictor on an outcome variable can be explained by another variable. This explanatory variable is called a mediator. Mediation analysis is therefore particularly relevant for those interested in grasping the underlying mechanism of a focal effect. This paper reviews the purpose and aims of mediation analysis, common approaches of conducting mediation analysis, and how mediation analysis can enrich research findings. We especially address the widespread uncertainty of researchers and practitioners in the marketing field in deciding which method to implement to explore a proposed mediation mechanism and how to conduct the analysis. The review contributes to extant literature by connecting theoretical and practical knowledge in order to help in applying mediation analysis. Furthermore, the second part of the paper is organized as a tutorial in order to make the state-of-the-art methodology applicable to the reader. Here, we illustrate how to specify, interpret, and report results using PROCESS, a commonly used macro developed specifically for mediation analysis with SPSS and SAS. In the first part of the paper we introduce two basic elements of mediation processes: the indirect and the direct effect. The indirect effect indicates whether a proposed mediator can explain the relationship between a predictor variable and an outcome variable. Therefore, estimating the indirect effect is essential for establishing mediation. The interpretation of the indirect effect depends on the model structure – for example the number of proposed mediators and their interconnection. Based on the indirect effect, we discuss four commonly used mediation model groups. Conversely, the direct effect reveals to what extent a proposed mediator can explain the relationship of a predictor variable and an outcome variable. Thus, the direct effect determines whether the mediator can fully explain the relationship (full mediation) or only partially explain it (partial mediation). We refer to this broad distinction as mediation types. Determining the mediation type can guide further theory building, as it may indicate a second mediator that has been omitted in the analysis thus far. In the methodology section of the paper, we review three different regression-based approaches for inferring mediation: the Baron-and-Kenny approach, the Sobel test, and bootstrapping. The Baron-and-Kenny approach relies on estimating each relationship of a mediation model separately and then inferring mediation if all relationships are significant. The Sobel test is a parametric test of the indirect effect. While common, both approaches are widely criticized because of their questionable assumptions. In contrast to these traditional approaches, bootstrapping is a non-parametric approach that provides an accurate test of the indirect effect and is based on data resampling. The significance of an indirect effect is then inferred from a confidence interval of its bootstrap distribution. As bootstrapping is the state-of-the-art methodology in mediation analysis, we limit our focus to this approach for the subsequent tutorial. After the theoretical discussion, the tutorial illustrates in detail how to specify different model groups with the easy-to-apply macro PROCESS. In this section we work with an example data set from the marketing field to illustrate the steps of the mediation analysis.
Teilen