Czy analizy mediacyjne są z natury przyczynowe?


19

Jestem zainteresowany przetestowaniem prostego modelu mediacji z jednym IV, jednym DV i jednym mediatorem. Efekt pośredni jest znaczący, co przetestowało makro SPSS Preacher i Hayes, co sugeruje, że mediator służy do statystycznego pośredniczenia w związku.

Czytając o mediacji, przeczytałem takie rzeczy, jak: „Zauważ, że model mediacyjny jest modelem przyczynowym”. - David Kenny . Z pewnością mogę docenić wykorzystanie modeli mediacyjnych jako modeli przyczynowych i rzeczywiście, jeśli model jest teoretycznie zdrowy, uważam to za bardzo przydatne.

Jednak w moim modelu mediator (cecha uważana za skazę na zaburzenia lękowe) nie jest wywoływany przez zmienną niezależną (objawy zaburzenia lękowego). Raczej mediator i zmienne niezależne są ze sobą powiązane i uważam, że związek między zmienną niezależną a zmienną zależną można wyjaśnić w dużej mierze przez wariancję między IV-mediatorem-DV. Zasadniczo próbuję wykazać, że wcześniejsze doniesienia o związku IV-DV można wyjaśnić powiązanym mediatorem, który nie jest spowodowany przez IV.

Mediacja jest przydatna w tym przypadku, ponieważ wyjaśnia, w jaki sposób relację IV-DV można statystycznie wyjaśnić relacją IV-Mediator-DV. Moim problemem jest kwestia związku przyczynowego. Czy recenzja może wrócić i powiedzieć nam, że mediacja jest nieodpowiednia, ponieważ IV w rzeczywistości nie powoduje mediatora (czego nigdy bym się nie spierał)?

Czy to ma sens? Wszelkie uwagi w tej sprawie będą bardzo mile widziane!

Edycja : Mam na myśli to, że X jest skorelowany z Y nie dlatego, że powoduje Y, ale ponieważ Z powoduje Y (częściowo) i ponieważ X i Z są wysoce skorelowane. Trochę mylące, ale o to chodzi. Relacje przyczynowe w tym przypadku tak naprawdę nie są kwestionowane, a niniejszy rękopis nie dotyczy tak bardzo związku przyczynowego. Po prostu staram się wykazać, że wariancja między X i Y może być wyjaśniona przez wariancję między Z i Y. Zasadniczo więc X jest skorelowany pośrednio z Y do Z (w tym przypadku „mediatorem”).

Odpowiedzi:


15

A. „Mediacja” koncepcyjnie oznacza związek przyczynowy (jak wskazuje cytat Kenny'ego). Modele ścieżki, które traktują zmienną jako mediator, oznaczają zatem przekazanie, że pewne leczenie wpływa na zmienną wyniku poprzez jej wpływ na mediatora, wariancja, w której z kolei powoduje zmianę wyniku. Ale modelowanie czegoś jako „mediatora” nie oznacza, że ​​tak naprawdę jestmediator - to jest przyczynowość. Twój post i komentarz w odpowiedzi na Makro sugerują, że masz na myśli analizę ścieżki, w której zmienna jest modelowana jako mediator, ale nie jest postrzegana jako „przyczynowość”; Jednak nie do końca rozumiem dlaczego. Czy uważasz, że związek jest fałszywy - że istnieje jakaś trzecia zmienna, która powoduje zarówno „zmienną niezależną”, jak i „mediatora”? A może zarówno „zmienna niezależna”, jak i „mediator” w Twojej analizie są w rzeczywistości mediatorami wpływu trzeciej zmiennej na zmienną wynikową? Jeśli tak, to recenzent (lub jakakolwiek rozważna osoba) będzie chciał dowiedzieć się, czym jest 3. zmienna i jakie masz dowody, że jest ona odpowiedzialna za fałszywe relacje między tymi, którzy faktycznie są mediatorami.

B. Aby rozszerzyć stanowisko Makra, jest to notorycznie zarośnięty zarośnięty dogmatem i scholastycyzmem. Ale oto kilka najważniejszych rzeczy:

  1. Niektóre osoby uważają, że można „udowodnić” mediację tylko wtedy, gdy eksperymentalnie manipulujesz mediatorem, a także hipotetyczny wpływ wywierania wpływu przyczynowego. W związku z tym, jeśli wykonałeś eksperyment, w którym manipulowano tylko wpływem przyczynowym i zaobserwowałeś, że jego wpływ na zmienną wynikową odzwierciedla się w zmianach w mediatorze, to „nie! Nie wystarczy!” Zasadniczo jednak po prostu nie sądzą, aby metody obserwacyjne kiedykolwiek wspierały wnioskowanie przyczynowe, a niezanipulowane mediatory w eksperymentach są dla nich szczególnym przypadkiem.

  2. Inni ludzie, którzy nie wykluczają wyciągnięcia wniosków przyczynowych z badań obserwacyjnych, uważają jednak, że jeśli zastosuje się naprawdę bardzo skomplikowane metody statystyczne (w tym między innymi modele równań strukturalnych, które porównują macierz kowariancji dla przypuszczalnej relacji mediacyjnej z tymi dla różnych alternatyw), możesz skutecznie uciszyć krytyków, o których właśnie wspomniałem. Zasadniczo jest to Baron i Kenny, ale na sterydach. Empirycznie nie uciszyli ich; logicznie nie widzę, jak mogliby.

  3. Jeszcze inni, w szczególności Judea Pearl, twierdzą, że słuszności wnioskowania przyczynowego w badaniach eksperymentalnych lub obserwacyjnych nigdy nie można udowodnić za pomocą statystyk; siła wnioskowania wynika z ważności projektu. Statystyki potwierdzają jedynie wpływ, jaki wnioskowanie przyczynowe bierze pod uwagę lub zależy.

Niektóre lektury (z których wszystkie są dobre, nie dogmatyczne ani scholastyczne):

Wreszcie, choć nie mniej ważna, część fajnej wymiany między Gelmanem i Pearlem na temat wnioskowania przyczynowego, w której mediacja była w centrum uwagi: http://andrewgelman.com/2007/07/identification/


Dziękuję za odpowiedź. Spróbuję opracować moją metodę. Literatura wykazała, że ​​X odnosi się do Y, Z odnosi się do Y, a X odnosi się do Z. Nikt wcześniej nie rozważał możliwości, że X odnosi się do Y ze względu na jego związek z Z. Wykonując analizę mediacji, miałem nadzieję wykazać, że związek między X i Y można wyjaśnić związkiem między X i Z. Zasadniczo ta wariancja dzielona między X i Y wynika z nakładającej się wariancji między X i Z (i Y). Teoretycznie chciałbym zasugerować, że Z (zamiast X) należy brać pod uwagę w modelach teoretycznych.
Behacad

Nadal nie jestem do końca pewien, co rozumiesz przez „możliwość, że X jest związany z Y ze względu na jego związek z Z ”. Czy mówisz, że związek między X i Y jest fałszywy? Czy Z powoduje oba? Lub alternatywnie, że X jest mediatorem wpływu Z na Y? Inni mogą się nie zgadzać - możemy wejść w zarośla - ale myślę, że właśnie tutaj wkracza Pearl. Analiza mediacji nie może powiedzieć, która z nich jest prawdziwa: X -> Z -> Y; Z -> X, Z -> Y; lub Z -> X -> Y. Wszystkie mogłyby „pasować”; wnioskowanie przyczynowe zależy tutaj od założeń zewnętrznych dla modelu statystycznego.
dmk38,

Mam na myśli to, że X jest skorelowany z Y nie dlatego, że powoduje Y, ale ponieważ Z powoduje Y, a ponieważ X i Z są silnie skorelowane. Trochę mylące, ale o to chodzi. Relacje przyczynowe w tym przypadku tak naprawdę nie są kwestionowane. Po prostu staram się wykazać, że wariancję między X i Y można wytłumaczyć wariancją między Z i Y. Zasadniczo więc, że X jest skorelowany pośrednio z Y do Z. Być może cały mój problem nazywa to „mediacją”, podczas gdy powinienem odnosić się do to zjawisko jako mylące. Być może McKinnon, Krull i Lockwood (2000) pomogą.
Behacad

1
Jak sugerują McKinnon, Krull i Lockwood, mediacja i zamieszanie są statystycznie identyczne. Pod względem koncepcyjnym różnią się. „W przeciwieństwie do hipotezy mediacyjnej, pomieszanie niekoniecznie oznacza związek przyczynowy między zmiennymi. W rzeczywistości przynajmniej jedna definicja efektu pomieszania wymaga, aby trzecia zmienna nie była zmienną„ pośrednią ”...” - dionysus.psych .wisc.edu / Lit / Topics / Statistics / Mediation /… .
Behacad

„Pomieszacz” jest trzecią zmienną, która powoduje fałszywą korelację. Zatem w twoim przypadku Z jest dezorientatorem - jeśli powoduje zarówno X, jak i Y, a zatem pokonuje wnioskowanie X-> Y. Ale wydaje się, że chcesz powiedzieć, że „korelacja” między X i Z „wyjaśnia” związek między X i Y, a tym samym wyklucza X powoduje, że Y. Potrzebujesz więcej. Potrzebujesz wnioskowania przyczynowego na temat związku między Z i X, który wyklucza X-> Y. W przeciwnym razie korelacja ZX mogłaby być nadal zgodna z X-> YEg, X może pośredniczyć w wpływie Z na Y. Proste korelacje nie „wyjaśniają” tak bardzo, jak masz nadzieję.
dmk38,

13

Przyczynowość i mediacja

  • Model mediacji wysuwa teoretyczne twierdzenia o przyczynowości.
    • Model sugeruje, że IVprzyczyny DVi ten efekt jest całkowicie lub częściowo wyjaśniony przez łańcuch przyczynowy, w którym IVprzyczyny, MEDIATORktóre z kolei powodują DV.
  • Wsparcie modelu mediacyjnego nie dowodzi proponowanej ścieżki przyczynowej.
    • Statystyczne testy mediacji zazwyczaj opierają się na badaniach obserwacyjnych. Zakres alternatywnych interpretacji przyczynowych jest duży (np. Zmienne trzecie, alternatywne kierunki, wzajemność itp.)
    • Zazwyczaj nie przekonują mnie argumenty (jeśli w ogóle) przedstawione przez badaczy, którzy proponują twierdzenia przyczynowe implikowane w modelach mediacyjnych.
  • Wsparcie modelu mediacyjnego może dostarczyć dowodów uzupełniających inne źródła dowodów podczas budowania argumentu na rzecz roszczenia przyczynowego. Podsumowując, korelacja nie dowodzi związku przyczynowego, ale może dostarczyć dodatkowych dowodów.
  • Pomimo ograniczeń testów mediacji w badaniach obserwacyjnych (a) modele mediacji są dobre, aby skłonić badaczy do myślenia o ścieżkach przyczynowych, i (b) istnieją lepsze i gorsze sposoby pisania modeli mediacji, w których lepsze sposoby uznają niuanse w interpretacji i zapewnić dokładną teoretyczną dyskusję na temat dowodów zarówno dla proponowanej ścieżki przyczynowej, jak i alternatywnych ścieżek przyczynowych ( patrz ta strona wskazówek, które przygotowałem ).
  • @ dmk38 zapewnił doskonałe referencje i dodatkowe dyskusje.

Pokazanie, że zmienna wyjaśnia przewidywanie innej zmiennej

  • Na podstawie twojego opisu mediacja NIE wydaje się być zgodna z twoim pytaniem badawczym. Jako taki unikałbym używania w swoich analizach języka mediacji.
  • Jak rozumiem, twoje pytanie badawcze dotyczy tego, czy przewidywanie jednej zmiennej (pozwala to wywołać X1zamiast IV) na DVwyjaśnione jest przez drugą zmienną (pozwala to wywołać X2zamiast MEDIATOR). Możesz również wysuwać roszczenia przyczynowe, takie jak X2przyczyny, DVale X1jest ono tylko skorelowane X2i nie powoduje DV.
  • Istnieje kilka testów statystycznych, które mogą być odpowiednie do przetestowania tego pytania badawczego:
    • Porównaj zerowy rząd ( X1z DV) z korelacjamiX1 częściowo częściowymi ( częściowo X2z DV). Wyobrażam sobie, że interesującym elementem byłby stopień redukcji, a nie istotność statystyczna (chociaż oczywiście chcielibyście uzyskać pewne przedziały ufności dla tej redukcji).
    • Lub podobnie porównaj przyrostowy kwadrat R regresji hierarchicznej, w której dodajesz X2w bloku 1 i X1w bloku 2 z kwadratem R modelu z samym X1przewidywaniem DV.
    • Wyobrażam sobie, że mógłbyś również narysować diagram ścieżki, który byłby zgodny z twoimi założeniami przyczynowymi (np. Podwójne strzałki pomiędzy X1i X2pojedyncza strzałka pomiędzy X2a DV.

(+1), bardzo jasne i na temat.
NRH

Myślę, że to przybiłeś. Chociaż odpowiedź dmk38 jest świetna pod względem teoretycznym na temat leżącego u podstaw problemu, oto przykłady. Chciałbym również zastosować korelację częściową lub regresję hierarchiczną, aby pokazać, że musi istnieć trzecia zmienna powodująca efekt. Język mediacji jest w tym kontekście całkowicie mylący, ponieważ jest z natury przyczynowy.
Henrik

Dziękuję bardzo, to jest pomocne. Relacje „przyczynowe” są dość skomplikowane, biorąc pod uwagę naturę konstruktów, które badam (np. Dwa rodzaje cech, które wpływają na siebie w ciągu życia), co jeszcze bardziej zamacza wodę. Dzięki jeszcze raz!
Behacad

0

Uważam, że te zmienne, o których mówisz, powinny być uważane za zmienne „kontrolne”, jeśli IV nie powoduje ich lub moderatorzy, jeśli oczekujesz efektu interakcji. Wypróbuj to na papierze i przećwicz kilka razy w głowie lub narysuj hipotezę.


0

Być może lepszy język, a przynajmniej znacznie mniej mylący, to fałszywa korelacja. Typowym tego przykładem jest to, że spożycie lodów koreluje z utonięciem. Dlatego ktoś może pomyśleć, że spożywanie lodów powoduje utonięcie. Korelacja pozorna występuje, gdy trzecia zmienna „moderująca” jest faktycznie przyczynowa w stosunku do pierwszych dwóch. W naszym przykładzie przyjrzeliśmy się sprzedaży lodów i utonięciu w czasie i zapomnieliśmy o sezonowych efektach łagodzonych przez temperaturę, i, oczywiście, zjada się więcej lodów, gdy są gorące, i więcej ludzi tonie, ponieważ więcej szuka ulgi od ciepła przez pływanie i jedzenie lodów. Kilka zabawnych przykładów .

Pytanie sprowadza się zatem do tego, do czego można by użyć fałszywej korelacji? I okazuje się, że są używane, ponieważ ludzie nie testują swoich teorii. Na przykład czynność nerek jest często „znormalizowana” do szacowanej powierzchni ciała, co szacuje się na podstawie wzoru masy i wzrostu.

Teraz powierzchnia ciała nie powoduje powstawania moczu, a we wzorze masy i wzrostu ciężar jest spowodowany przez prawo Kleibera, a wysokość faktycznie sprawia, że ​​formuła jest mniej przewidywalna .


0

Natrafiłem na ten post w swoich własnych badaniach dotyczących wnioskowania przyczynowego w kontekście genomiki. Próba rozpoznania związku przyczynowego w tej dziedzinie często wynika z zabawy tym, jak kod genetyczny osoby można uznać za zrandomizowany (ze względu na to, jak powstają komórki płciowe i ostatecznie łączą się w pary). Łącząc to ze znanymi mutacjami związanymi zarówno z „mediatorem”, jak i ostateczną odpowiedzią, można uzasadnić przyczynowo-skutkowy wpływ mediatora na tę odpowiedź, pod pewnymi definicjami przyczynowości (co z pewnością może wywołać tutaj długą debatę).

W przypadku, gdy używasz modelu mediacji i nie twierdzisz związku przyczynowego, nie mogłem wymyślić, dlaczego recenzent się kłócił. Chociaż prawdopodobnie będziesz musiał wykluczyć, czy obserwowany efekt mediacji jest zakłócany przez trzecią zmienną.

Jeśli interesuje Cię przyczynowość, możesz przyjrzeć się metodom z epidemiologii, takim jak randomizacja Mendeliana lub „ test wnioskowania przyczynowego ”. Lub zacznij od analizy zmiennych instrumentalnych .

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.