Wie unterscheide ich Mediator und Moderator?

Der Mediator erklärt als vermittelnder Schritt, wie die UV auf die AV wirkt. Der Moderator zeigt dagegen, unter welchen Bedingungen der Effekt stärker, schwächer oder anders gerichtet ist. Praktisch betrachtet liegt der Mediator im erklärenden Weg zwischen UV und AV, während der Moderator als separate Variable den Zusammenhang verändert.

Wie viele Variablen darf ich haben?

Die mögliche Anzahl hängt von der Stichprobengröße ab. Als Faustregel gelten 10–20 Personen pro Variable im Modell. Bei n = 100 wären das höchstens 5–10 Variablen. Wird das Modell umfangreicher, kann Overfitting entstehen.

Was ist eine Confound-Variable?

Eine Confound-Variable ist eine Drittvariable, die sowohl mit der UV als auch mit der AV korreliert und dadurch einen Zusammenhang vortäuschen kann. Wenn Sportstunden mit Lernerfolg korrelieren, beides aber möglicherweise von Selbstdisziplin abhängt, ist die Selbstdisziplin die Confound-Variable.

Brauche ich für jede Hypothese eine eigene Variable?

Für jede Hypothese brauchst du mindestens eine UV und eine AV. Um die angenommene Wirkung prüfen zu können, müssen beide Variablen eindeutig definiert und nachvollziehbar messbar gemacht werden. Wie das gelingt, erläutert der Beitrag zur Operationalisierung.

Wo beschreibe ich die Variablen in der Arbeit?

Die Beschreibung gehört in den Methodik-Teil, meist in den Abschnitt „Variablen und Operationalisierung". Dort führst du jede Variable mit ihrer theoretischen Definition, der konkreten Messung durch Items oder Skala und ggf. der Quelle der verwendeten Skala auf.

Mediatorvariable: Wie entsteht ein Effekt?

Eine Mediatorvariable beschreibt den vermittelnden Mechanismus zwischen UV und AV. Sie beantwortet die Frage, wie eine Wirkung zustande kommt. Im Beispiel führt die Plattform-Nutzung zu mehr Übungsgelegenheiten, die wiederum den Lernerfolg erhöhen. Die Übungsgelegenheiten bilden deshalb die Mediatorvariable. Anders als ein Moderator kennzeichnet der Mediator einen erklärenden Zwischenschritt.

Abhängige & unabhängige Variable im Vergleich

Variablen in der quantitativen Forschung

Lesezeit ca. 3 Min. · zuletzt aktualisiert: 26. April 2026 · alle Methoden

Bei einer quantitativen Forschungsfrage muss man festlegen, welche Variablen untersucht werden und in welcher Beziehung sie im Modell stehen. Die abhängige Variable ist die zu erklärende oder vorherzusagende Zielgröße, die unabhängige Variable eine mögliche erklärende oder vorhersagende Einflussgröße. Diese Einordnung strukturiert Hypothese, Datenmessung und Auswertung. In dieser Übersicht „Abhängige und unabhängige Variable: Definition“ werden beide Konzepte geklärt, Zusatzvariablen eingeordnet und Beispiele gezeigt.

Abhängige Variable (AV) erkennen

Als abhängige Variable (kurz AV) bezeichnest du die messbare Zielgröße deines Projekts. Du willst deren Schwankungen mittels weiterer Faktoren begründen. Stelle dir dazu folgende Überlegung: Was genau möchtest du beobachten oder vorhersagen? Innerhalb eines Experiments markiert die AV jenen Zustand, den du nach Eingriffen an der Einflussgröße prüfst. Somit positioniert sie sich auf der Ergebnissebene der Forschungsfrage.

Die unabhängige Variable (UV) bestimmen

Die unabhängige Variable, kurz UV, ist die untersuchte Einflussgröße und liefert die mögliche Erklärung für Unterschiede in der AV. Frage dich hier: Welche Größe soll das Ergebnis beeinflussen oder vorhersagen? Im Experiment wird die UV aktiv manipuliert. Bei einer Befragung wird sie dagegen lediglich gemessen. Ihre Rolle im Modell bleibt dennoch die einer erklärenden Variable.

Abhängige & unabhängige Variable im Vergleich im Überblick.

Beispiel: UV und AV

Forschungsfrage: Die Frage „Welchen Einfluss hat die abendliche Bildschirmzeit auf die Schlafqualität von Studierenden?" zeigt durch das Wort „Einfluss“, welche Richtung der vermutete Zusammenhang hat.

Unabhängige Variable (UV): Die Bildschirmzeit am Abend ist die erklärende Größe. Erfasst werden kann sie z. B. als Minuten zwischen 21 Uhr und dem Einschlafen.

Abhängige Variable (AV): Das zu untersuchende Resultat bildet die Schlafqualität. Eine mögliche Messgröße ist der Score im Pittsburgh Sleep Quality Index.

Moderatorvariable: Wie verändert sich der Effekt?

Eine Moderatorvariable verändert die Stärke oder die Richtung des Zusammenhangs zwischen UV und AV. Sie beantwortet damit die Frage, unter welchen Bedingungen ein Effekt unterschiedlich ausfällt. So kann Vorwissen den Effekt der Plattform-Nutzung auf den Lernerfolg moderieren: Bei Studierenden mit hohem Vorwissen zeigt sich ein anderer Effekt als bei Anfängern. Der Moderator beschreibt also eine Bedingung des Zusammenhangs.

Funktion der Mediatorvariable: Durch welchen Prozess entsteht der Effekt?

Eine Mediatorvariable steht im Modell für einen angenommenen vermittelnden Mechanismus zwischen UV und AV. Sie beschreibt, über welchen Zwischenschritt ein Zusammenhang erklärt werden soll. Im Beispiel könnten zusätzliche Übungsgelegenheiten den Zusammenhang zwischen Plattform-Nutzung und Lernerfolg vermitteln. Dann wären diese Gelegenheiten die Mediatorvariable. Im Unterschied zum Moderator steht der Mediator für einen Erklärungsschritt im angenommenen Wirkungsweg.

Kontrollvariablen im Forschungsmodell

Kontrollvariablen werden zusätzlich in das Modell aufgenommen, um mögliche Störeinflüsse zu berücksichtigen. Dazu zählen häufig Alter, Geschlecht, Vorwissen und sozioökonomischer Status. Werden relevante Hintergrundfaktoren berücksichtigt, lässt sich der geschätzte Zusammenhang klarer von diesen Einflüssen abgrenzen. Kontrollvariablen sind somit weder die zentrale Ursache noch das eigentliche Ergebnis der Forschungsfrage.

Skalenniveaus richtig zuordnen

Nominal: Kategorien ohne feste Ordnung, z. B. der jeweilige Studiengang.
Ordinal: Die Kategorien besitzen eine Reihenfolge, ihre Abstände sind jedoch nicht gleich, z. B. bei Schulnoten.
Intervall: Gleiche Differenzen zwischen Werten, aber keinen wahren Nullpunkt, z. B. Temperaturen in Celsius.
Verhältnis: Die Werte weisen konstante Abstände auf und besitzen einen echten Nullpunkt, z. B. das genaue Alter in Jahren.

Das Skalenniveau beschreibt, welche Informationen die Messwerte enthalten. Es ist ein wichtiges Kriterium für die Wahl statistischer Verfahren; zusätzlich sind unter anderem Forschungsdesign, Verteilung der Daten und Fragestellung relevant. Die Zuordnung sollte deshalb bereits bei der Operationalisierung jeder Variable feststehen. Weitere Hinweise zur anschließenden Prüfung findest du im Beitrag Hypothesentest.

Häufige Fehler bei der Variablenzuordnung

UV und AV geraten durcheinander, da die Orientierung an der Forschungsfrage nicht erfolgt.
Mediator und Moderator werden fälschlich vertauscht, obwohl sie grundlegend unterschiedliche Funktionen erfüllen.
Wichtige Kontrollvariablen werden nicht berücksichtigt, obwohl Hintergrundfaktoren den Zusammenhang beeinflussen können.
Bei der Wahl des statistischen Tests wird das zugrunde liegende Skalenniveau außer Acht gelassen.

Für eine konsistente Darstellung sollten Forschungsfrage, Hypothese und Variablenbeschreibung dieselbe Wirkungsrichtung erkennen lassen. Ein kurzer Satz wie „Die UV beeinflusst die AV“ hilft bei der Kontrolle. Diese Seite bietet damit „Abhängige & unabhängige Variable im Vergleich“ als praktische Orientierung. Weitere typische Stolperfallen behandelt unser Beitrag zu häufigen Fehlern in Bachelorarbeit und Masterarbeit. Im professionellen Lektorat wird die Konsistenz der Variablenbeschreibung geprüft.