Twoje podejście do testowania mediacji wydaje się być zgodne z „podejściem do kroków przyczynowych” opisanym w klasycznym dokumencie metodologicznym autorstwa Barona i Kenny'ego (1986). Takie podejście do mediacji obejmuje następujące kroki:
- Sprawdź, czy X i Y są istotnie powiązane ( ścieżka c ); jeśli nie są, zatrzymaj analizę; Jeśli są...
- Sprawdzono, X i M są związane istotnie (The path); jeśli nie są, zatrzymaj analizę; Jeśli są...
- Sprawdź, czy M i Y są istotnie powiązane po kontrolowaniu X ( ścieżka b ); jeśli nie są, zatrzymaj analizę; Jeśli są...
- Porównaj bezpośredniego wpływu na X (w C” Path - przewidywania Y z X po uwzględnieniu M ) do całkowitego wpływu do X (w C ścieżka z Etapu 1). Jeśli c” jest bliżej zera niż c , i nieistotne, badania stwierdzono, że M całkowicie pośredniczy związek między X i Y . Ale jeśli c ' jest nadal znaczące, badacz dochodzi do wniosku, że M jest tylko „częściowym” mediatorem wpływu X naY .
Podkreślam różnicę między efektami bezpośrednimi ( c ' ) a całkowitymi ( c ), ponieważ chociaż napisałeś ...
Czy możemy twierdzić, że X ma pośredni wpływ, ale nie bezpośredni wpływ na Y?
Myślę, że to, czego faktycznie zaniepokojony jest zasadność twierdząc, że X ma pośredni, ale nie jest to całkowity wpływ na Y .
Krótka odpowiedź
Tak, uzasadnione jest stwierdzenie, że M pośredniczy w powiązaniu między X i Y, nawet jeśli całkowity efekt ( c ) nie jest znaczący. Podejście oparte na krokach przyczynowych, choć historycznie popularne, zostało szeroko zastąpione metodami testowania mediacji, które mają większą moc statystyczną, mniejszą liczbę założeń dotyczących danych i są bardziej logicznie spójne. Hayes (2013) ma w swojej książce wspaniale dostępne i dokładne wyjaśnienie wielu ograniczeń podejścia przyczynowego.
Sprawdź inne bardziej rygorystyczne podejścia, w tym metody ładowania początkowego (MacKinnon i in., 2004) oraz metody Monte Carlo (Preacher i Selig, 2012). Obie metody szacują przedział ufności samego efektu pośredniego ( ścieżka ab ) - w jaki sposób różnią się one między metodami - a następnie badamy przedział ufności, aby zobaczyć, czy 0 jest prawdopodobną wartością. Oba są dość łatwe do wdrożenia we własnych badaniach, niezależnie od używanego oprogramowania do analizy statystycznej.
Dłuższa odpowiedź
Tak, uzasadnione jest stwierdzenie, że M pośredniczy w powiązaniu między X i Y, nawet jeśli całkowity efekt ( c ) nie jest znaczący. W rzeczywistości istnieje stosunkowo duży konsensus wśród statystyk, że całkowitego efektu ( c ) nie należy wykorzystywać jako „strażnika” do testów mediacji (np. Hayes, 2009; Shrout i Bolger, 2002) z kilku powodów:
- Podejście oparte na krokach przyczynowych próbuje statystycznie ocenić obecność mediacji bez faktycznej bezpośredniej oceny efektu pośredniego ( ścieżka ab , lub c-c ', jeśli wolisz). Wydaje się to nielogiczne, zwłaszcza biorąc pod uwagę, że istnieje wiele łatwych sposobów bezpośredniego oszacowania / przetestowania efektu pośredniego.
- Podejście oparte na krokach przyczynowych jest uzależnione od wielu testów istotności. Czasami testy istotności działają tak, jak powinny, ale można je wykoleić, gdy założenia testów wnioskowania nie są spełnione i / lub gdy testy wnioskowania nie są wystarczające (myślę, że do tego właśnie doszedł John w swoim komentarzu do twojego pytania). Tak więc mediacja może naprawdę mieć miejsce w danym modelu, ale całkowity efekt ( c ) może być nieistotny po prostu dlatego, że wielkość próby jest niewielka lub założenia do testu całkowitego efektu nie zostały spełnione. A ponieważ podejście do kroków przyczynowych zależy od wyniku dwóch innych testów istotności, sprawia, że kroki przyczynowe są jednym z najmniej skutecznych testów mediacji (Preacher i Selig, 2008).
- Całkowity efekt ( c ) jest rozumiany jako suma efektu bezpośredniego ( c ' ) i wszystkich efektów pośrednich ( ab (1) , ab (2) ...). Udawaj, że wpływ X na Y jest w pełni mediowany (tj. C ' wynosi 0) przez dwie zmienne, M1 i M2 . Ale dalej udawaj, że pośredni wpływ X na Y do M1 jest dodatni, podczas gdy pośredni efekt przez M2 jest ujemny, a dwa pośrednie efekty są porównywalne pod względem wielkości. Zsumowanie tych dwóch efektów pośrednich dałoby całkowity efekt ( c) równej zero, a jednak, jeśli zastosujesz podejście przyczynowe, nie przeoczysz jednej „prawdziwej” mediacji, ale dwóch.
Alternatywami, które zaleciłbym podejście przyczynowe do testowania mediacji, są metody ładowania początkowego (MacKinnon i in., 2004) oraz Monte Carlo (Preacher i Selig, 2012). Metoda ładowania początkowego polega na pobieraniu powierzchownie dużej liczby losowych próbek z zastąpieniem (np. 5000) o tej samej wielkości próbki z własnych danych, szacując efekt pośredni ( abścieżka) w każdej próbce, uporządkując te szacunki od najniższej do najwyższej, a następnie zdefiniuj przedział ufności dla efektu pośredniego ładowania początkowego jako w pewnym zakresie percentyli (np. 2,5 i 97,5 dla 95% przedziału ufności). Makra ładowania początkowego dla efektów pośrednich są dostępne dla oprogramowania do analizy statystycznej, takiej jak SPSS i SAS, dostępne są pakiety dla R, a inne programy (np. Mplus) mają już wbudowane funkcje ładowania początkowego.
Metoda Monte Carlo jest dobrą alternatywą, gdy nie masz oryginalnych danych lub w przypadkach, gdy ładowanie nie jest możliwe. Potrzebujesz tylko oszacowań parametrów dla ścieżek a i b , wariancji każdej ścieżki oraz kowariancji między dwiema ścieżkami (często, ale nie zawsze 0). Dzięki tym wartościom statystycznym możesz następnie symulować powierzchownie duży rozkład (np. 20 000) wartości ab , i podobnie jak w przypadku ładowania początkowego, uporządkuj je od najniższej do najwyższej i zdefiniuj przedział ufności. Chociaż mógłbyś zaprogramować swój własny kalkulator mediacyjny Monte Carlo, Kris Preacher ma fajny, który jest swobodnie dostępny na jego stronie internetowej (patrz artykuł Preacher i Selig, 2012)
W przypadku obu podejść sprawdziłbyś przedział ufności, aby sprawdzić, czy zawiera on wartość 0; jeśli nie, możesz dojść do wniosku, że masz pośredni wpływ na znaczenie.
Bibliografia
Baron, RM i Kenny, DA (1986). Rozróżnienie zmiennej moderator-mediator w społecznych badaniach psychologicznych: względy koncepcyjne, strategiczne i statystyczne. Journal of Personality and Social Psychology , 51 , 1173-1182.
Hayes, AF (2013). Wprowadzenie do mediacji, moderacji i analizy warunkowej: podejście oparte na regresji. Nowy Jork, Nowy Jork: Guilford.
Hayes, AF (2009). Beyond Baron and Kenny: Statystyczna analiza mediacji w nowym tysiącleciu. Monografie komunikacyjne , 76 408–420.
MacKinnon, DP, Lockwood, CM i Williams, J. (2004). Granice ufności dla efektu pośredniego: Dystrybucja produktu i metody ponownego próbkowania. Multivariate Behavioural Research , 39 , 99-128.
Preacher, KJ i Selig, JP (2012). Zalety przedziałów ufności Monte Carlo dla efektów pośrednich. Metody i środki komunikacji , 6 , 77–98.
Shrout, PE i Bolger, N. (2002). Mediacja w badaniach eksperymentalnych i nieeksperymentalnych: nowe procedury i zalecenia. Metody psychologiczne , 7 , 422–445.