Co jeśli ścieżka c nie jest znacząca, ale ścieżki a i b są? Pośredni efekt w mediacji


12

W klasycznym modelu mediacji mamy ścieżki pokazane na poniższym schemacie

,

w którym pierwszym krokiem badania pośredniczącego działania M między X i Y jest to, że X jest znacząco skorelowany z Y (jak pokazano w panelu A na rysunku).

Jednak wpadłem do sytuacji, w której ścieżki A i ścieżka b są silnie istotna, ale nie Path C . W porównaniu do ścieżki c ścieżka c 'nie jest znacząca, ale współczynnik jest obniżony.

Czy w tym przypadku nadal warto mówić o związku między X, Y i M ?? Jeśli tak, jaki jest najlepszy sposób rozwiązania tego związku w dokumencie? Czy możemy twierdzić, że X ma pośredni wpływ, ale nie bezpośredni wpływ na Y?

n1=124,n2)=49,n3)=166


1
Dodaj znak efektów i wielkości. Jeśli masz niską N i po prostu nie masz znaczącego efektu c, ale mimo to jest to umiarkowana liczba, oznacza to coś innego niż jeśli c jest bardzo bliskie 0.
Jan

Odpowiedzi:


31

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:

  1. Sprawdź, czy X i Y są istotnie powiązane ( ścieżka c ); jeśli nie są, zatrzymaj analizę; Jeśli są...
  2. Sprawdzono, X i M są związane istotnie (The path); jeśli nie są, zatrzymaj analizę; Jeśli są...
  3. Sprawdź, czy M i Y są istotnie powiązane po kontrolowaniu X ( ścieżka b ); jeśli nie są, zatrzymaj analizę; Jeśli są...
  4. 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:

  1. 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.
  2. 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).
  3. 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.


Dzięki! To było bardzo pomocne! Miałem kilka modeli, w których górne wiązanie CI jest tak bliskie 0, na przykład CI pokazane w moim wyniku to [-155, 0,0031]. Czy to oznacza, że ​​nadal muszę odrzucić hipotezę zerową? Do analizy wykorzystałem PROCES i ładowanie systemu.
fishbean

Nie odrzuciłbyś wartości zerowej; 0 mieści się w przedziale od -1549 do .0031, więc nie można dojść do wniosku, że ścieżka ab jest większa od zera.
jsakaluk

2
+6, to jest odpowiedź, o której chcielibyśmy więcej w CV. Mam nadzieję, że zdobycie tylko 1 głosu pozytywnego nie zniechęci cię do zapewnienia więcej w przyszłości. Być może nagroda może pomóc w zdobyciu tego wątku, na który zasługuje.
Gung - Przywróć Monikę

Przepraszam, że to nie przyniosło więcej pozytywnych opinii, @jsakaluk. To świetna odpowiedź; Mam nadzieję, że nadal je zapewnisz.
gung - Przywróć Monikę

Bez obaw @ gung. Doceniam wsparcie. Cofnąłem się od CV po zainwestowaniu dużej ilości czasu w poprzednie pytanie, które ostatecznie zostało wysoko ocenione, ale po to, aby bardzo szybko uzyskało CW (trochę bummer), więc to doświadczenie było miłą zachętą.
jsakaluk

0

Okej, myślę, że mogłem znaleźć dobrą odpowiedź. Przejrzałem seminarium internetowe Davida Kenny'ego, które przedstawia tę sprawę jako niespójną mediację . Powodem, dla którego ścieżka c nie różni się znacząco od 0, jest to, że iloczyn aib ma znak inny niż c '. W podanym przez Kenny'ego stres prowadzi do obniżenia nastroju (c 'jest ujemny); podczas gdy ćwiczenia jako mediator między stresem a nastrojem są dodatnio skorelowane z obydwoma (ab jest dodatnia). Ponieważ c = c '+ ab, gdy wartości bezwzględne c' i ab są bliskie, c może być bliskie 0.

Kenny zauważa w webinarium, że współczesny pogląd uważa, że ​​testowanie c i c 'nie jest absolutnie niezbędne; efekt mediacji jest wyświetlany głównie przez ab.


Czy dla potomności mógłbyś użyć jednego zestawu nazw zmiennych na diagramie i tekście? Obecnie masz „IV”, „X” i „Stres”, które oznaczają to samo i tak dalej.
rolando2

0

Zgadzam się z odpowiedzią jsakaluka i chciałbym dodać więcej istotnych informacji.

Metoda testowania mediacji Barona i Kenny'ego (1986) była szeroko stosowana, ale istnieje wiele prac omawiających poważne ograniczenia tego podejścia, które obejmują:

1) Nie testowanie bezpośrednio znaczenia efektu pośredniego

2) Niska moc statystyczna

3) Niemożność dostosowania modeli z niespójną mediacją

* Uwaga: omówienie zawiera Memon, Cheah, Ramayah, Ting i Chuah (2018).

Biorąc pod uwagę te ograniczenia, Zhao, Lynch i Chen (2010) opracowali nową typologię mediacji. Od października 2019 r. Ma ponad 5000 cytowań, więc zyskuje coraz większą popularność.

Jako krótkie podsumowanie oraz przykład trzech przyczynowych modeli przyczynowych, istnieją typy mediacji.

  1. Mediacja uzupełniająca: zarówno efekt pośredniczy (axb), jak i bezpośredni (c) istnieją i wskazują w tym samym kierunku.

  2. Mediacja konkurencyjna: zarówno efekt pośredniczy (axb), jak i bezpośredni (c) istnieją i wskazują w przeciwnych kierunkach.

  3. Mediacja tylko pośrednia: istnieje efekt mediowany (axb), ale nie występuje efekt bezpośredni (c).

Ponadto zaproponowano dwa typy niemediacyjne:

  1. Brak pośrednictwa tylko bezpośredniego: istnieje efekt bezpośredni (c), ale nie występuje efekt pośredni.

  2. Brak mediacji bez efektu: Bezpośredni efekt Nether (c), ani pośredni efekt.

Zatem przypadek PO zostałby sklasyfikowany jako mediacja pośrednia, ponieważ istnieje efekt mediowany, ale efekt bezpośredni (c ') jest nieistotny.

Bibliografia

Memon, MA, Cheah, J., Ramayah, T., Ting, H., i Chuah, F. (2018). Problemy i rekomendacje dotyczące analizy mediacji. Journal of Applied Structural Modeling, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG i Chen, Q. (2010). Ponowne rozważenie Barona i Kenny'ego: mity i prawdy dotyczące analizy mediacji. Journal of Consumer Research, 37 (2), 197-206.

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.