Meistens gibt es vom AStA einen Härtefallfond, der für solche Zwecke gedacht ist. Da muss man einen Antrag stellen, Belege für die nicht-Zahlungsfähigkeit einreichen und hoffen, einen positiven Bescheid und somit das Geld zu bekommen.

Die zweite Möglichkeit wäre, wenn du BAföG-berechtigt bist, einen Darlehen aufzunehmen.

Die dritte Möglichkeit wäre einen KFW-Studienkredit aufzunehmen.

Ich würde die Reihen, die ich aufgelistet habe so abarbeiten, weil die Darlehens Zinsen erheben und somit dein Studium verteuern.

Damit ist gemeint, dass du deine Variablen so umkodierst, dass höhere Werte eine höhere Befürwortung/Bedrohung darstellen sollen. Ausgehend von deinem Beispiel, könnte der Wert "1" für Ablehnung stehen und "10" für Befürwortung.

In Stata kannst du das mit dem Befehl "recode" machen. Die Labels definierst du mit dem Befehl "label define" und überträgst diese mittels des "label values"-Befehls auf die entsprechende(n) Variable(n). Am besten führst du diese 3 Schritte für jede Variable einzeln durch.

Gerne kannst du mir ne PN schreiben, wenn es vertiefter in die Sache geht.

Viel Erfolg!

Ich denke das Problem liegt bei den Altersgruppen und den Ländern. Beide haben für Excel keine gescheite Nummerierung, sodass Altersgruppen und Ländern auf der Y-Achse nicht darstellbar ist. In deinem verlinkten Bild hat jedes Land sein eigenes Durchschnittsalter, sodass es beide (Land und Durchschnittsalter) auf der gleichen Höhe sein können.

In deinem Fall müssen entweder die Altersgruppen oder die Länder als Legende aufgeführt werden, wobei letzteres die elegantere Wahl wäre.

Die Kovarianz gibt nur den monotonen (linearen) Zusammenhang beider Variablen wieder. Auch wenn Cov=0, heißt das nicht, dass beide Variablen (stochastisch) voneinander unabhängig sind. Es kann ja sein, dass ein anderer Beziehungszusammenhang (quadratisch, logarithmisch, kubisch, ...) vorliegt, der von der Kovarianz nicht erfasst wird.

Wie in vielen meiner Antworten, hängt der statistische Test von den zu überprüfenden Hypothesen ab. Wenn du vermutest, dass die Beziehung zwischen X und Y durch einen Moderator Z verändert wird, dann musst du das auch so testen. Ob der direkte Einfluss von X auf Y jetzt nicht signifikant ist, spielt erstmal keine Rolle.

Um dir den negativen Interaktionskoeffizienten etwas deutlicher vor Augen zu führen, nehme ich an, dass X generell einen positiven Einfluss auf Y ausübt, der jedoch nicht signifikant ist. Durch Hinzunahme der Moderatorvariable Z, entsteht ein signifikanter negativer Interaktionsterm (XZ -> Y = negativ (mit p<0.05)). Das bedeutet, dass die Moderatorvariable Z mit jedem weiteren Anstieg um eine Einheit die Beziehung zwischen X und Y um so und so viel Einheiten verringert. Achte aber darauf, dass die Haupteffekte (X -> Y) nur noch konditionale Effekte sind und ihre Werte sich durch den Interaktionsterm verändern (können).

Am besten, du machst dir den Interaktionseffekt anhand eines Graphen deutlich. Hier ist eine Website mit einer vorgefertigten Excel-Datei, die dir einen solchen Graphen aussgibt, in der du nur noch deine Ergebnisse eintragen musst. http://www.jeremydawson.co.uk/slopes.htm (Nutze dabei die 2-way_linear_interactions.xls Datei).

Generell: Durch Einfügung weiterer Variablen und Interaktionsterme, vergrößerst du dein Modell und es kann generell mehr Varianz erklärt werden, wenn auch manchmal nur marginal. Daher interpretiere das R² hierbei nicht allzusehr. Besser: Du schaust dir die Werte des Informationskriteriums (AIC, BIC oder andere Koeffizienten) an und führst einen Chi²-Test zwischen beiden Modellen (das eine ohne und das andere mit Interaktionsterm) durch und schaust, ob das Interaktionsmodell signifikant besser ist.

Eine gute Literatur über Moderation (aber auch Mediation) liefert das Buch von Andrew Hayes: https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030. In der Regel wird aber Aiken & West (1991) zitiert: https://psycnet.apa.org/record/1991-97932-000.