Чи є медіа-аналітичні по суті причинні?

Мені цікаво протестувати просту модель посередництва з одним ІV, одним DV та одним посередником. Непрямий ефект є вагомим, як це перевірено макросом Проповідника та Хейса SPSS, який дозволяє припустити, що посередник служить для статистичного опосередкування відносин.

Читаючи про медіацію, я читав такі речі, як "Зверніть увагу, що медіа-модель є причинною моделлю". - Девід Кенні . Я, безумовно, можу оцінити використання моделей посередництва як причинних моделей, і, справді, якщо модель є теоретично обґрунтованою, я можу вважати це дуже корисним.

У моїй моделі, однак, посередник (риса, яка вважається діатезом для тривожних розладів) не викликається незалежною змінною (симптоми тривожного розладу). Скоріше, медіаторні та незалежні змінні пов'язані між собою, і я вважаю, що асоціація між незалежною змінною та залежною змінною може бути пояснена значною мірою дисперсією між IV-медіатором-DV. По суті, я намагаюся продемонструвати, що попередні повідомлення про зв'язок IV-DV можуть бути пояснені спорідненим посередником, який не викликається IV.

Медіація корисна в цьому випадку, оскільки вона пояснює, як відносини IV-DV можуть бути статистично пояснені співвідношенням IV-Mediator-DV. Моя проблема - це питання про причину. Чи може огляд повернутися і сказати нам, що медіація не є підходящою, оскільки IV насправді не викликає посередника (про що я б ніколи не сперечався в першу чергу)?

Це має сенс? Будь-які відгуки з цього питання були б вдячні!

Редагувати : Я маю на увазі те, що X корелює з Y не тому, що він викликає Y, а тому, що Z викликає Y (частково) і тому, що X і Z сильно корелюються. Трохи заплутано, але це все. Причинно-наслідкові зв’язки в цьому випадку насправді не підлягають сумніву, і цей рукопис не стільки стосується причинного зв'язку. Я просто прагну продемонструвати, що дисперсія між X і Y може бути пояснена дисперсією між Z і Y. Отже, в основному, що X опосередковано співвідноситься з Y через Z ("посередник" в даному випадку).

A. «Посередництво» концептуально означає причинно-наслідковий зв’язок (як свідчить цитата Кенні). Моделі шляху, які розглядають змінну як медіатора, означають, таким чином, довести, що деяке лікування впливає на змінну результату через її вплив на медіатора, відмінність яких у свою чергу призводить до зміни результату. Але моделювати щось як "посередника" не означає, що воно є насправдіпосередник - це питання причинного зв'язку. Ваша публікація та коментар у відповідь на Макрос передбачають, що ви маєте на увазі аналіз шляху, в якому змінна моделюється як посередник, але не розглядається як "причинний"; Я не зовсім бачу, чому, хоча. Ви вважаєте, що відносини є хибними - що існує якась третя змінна, яка викликає і "незалежну змінну", і "посередника"? І можливо, що і "незалежна змінна", і "медіатор" у вашому аналізі насправді є посередниками впливу 3-ї змінної на змінну результату? Якщо так, то рецензент (або будь-яка продумана людина) захоче знати, що таке 3-я змінна та які докази у вас є, що вона відповідає за помилкові стосунки між тим, що насправді є посередниками.

Б. Щоб продовжити посаду Макроса, це горезвісна гущавина, заросла догматикою та схоластикою. Але ось деякі основні моменти:

1. Деякі люди думають, що ви можете «довести» медіацію лише в тому випадку, якщо експериментально маніпулювати посередником, а також впливом, який гіпотезується для дії причинного ефекту. Відповідно, якщо ви зробили експеримент, який маніпулював лише причинним впливом і зауважив, що його вплив на змінну результатів відображається змінами в посереднику, вони б так "ні! Не досить добре!" Однак, по суті, вони не вважають, що методи спостереження ніколи не підтримують причинно-наслідкові умовиводи та неманіпульовані посередники в експериментах.

2. Інші люди, які не виключають причинних висновків із спостережних досліджень поза рукою, все ж вважають, що якщо використовувати дійсно дійсно дуже складні статистичні методи (включаючи, але не обмежуючись ними, моделі структурних рівнянь, які порівнюють матрицю коваріації для позиціонованого посередницького зв’язку з тими для різних альтернатив), ви можете ефективно заглушити критиків, про яких я щойно згадував. В основному це Baron & Kenny, але на стероїдах. Емпірично кажучи, вони не замовкли їх; логічно, я не бачу, як вони могли.

3. Інші, особливо, Юдея Перл, стверджують, що обґрунтованість причинних висновків або в експериментальних, або в спостережних дослідженнях ніколи не може бути доведена в статистиці; міцність висновку в обґрунтованості конструкції. Статистика лише підтверджує, чи впливає на причинно-наслідковий висновок або залежить від нього.

Деякі читання (усі вони хороші, а не догматичні чи схоластичні):

• Зелений, DP, Ha, SE та Баллок, JG Досить вже про експерименти "Чорного ящика": Вивчення медіації складніше, ніж припускають більшість науковців. Щорічники Американської академії політичних та суспільних наук 628, 200-208 (2010).

• Собель, М.Є. Ідентифікація причинно-наслідкових параметрів у рандомізованих дослідженнях з посередницькими змінними. Журнал статистики освіти та поведінки 33, 230-251 (2008) .

• Перл, Дж. Вступ до причинного умовиводу. Міжнародний журнал біостатистики 6, стаття 7 (2010) .

І останнє, але не в останню чергу, частина крутого обміну між Gelman & Pearl щодо причинного висновку, в якому посередництво займало центральне місце: http://andrewgelman.com/2007/07/identification/

Причинність та посередництво

• Модель посередництва висуває теоретичні твердження щодо причинності.
  • Модель пропонує, що IVпричини DVі що цей ефект повністю або частково пояснюються ланцюжком причинності, внаслідок чого IVпричини, MEDIATORщо, в свою чергу, викликає DV.
• Підтримка медіа-моделі не підтверджує запропонований причинний шлях.
  • Статистичні тести медіації, як правило, грунтуються на спостережних дослідженнях. Діапазон альтернативних причинних інтерпретацій великий (наприклад, треті змінні, альтернативні напрямки, взаємність тощо)
  • Мене зазвичай не переконують аргументи (якщо такі є), представлені дослідниками, які пропонують причинно-наслідкові претензії, що містяться в моделях посередництва.
• Підтримка медіамоделі може надавати докази для доповнення інших джерел доказів при формуванні аргументу причинного позову. Підсумовуючи це, кореляція не доводить причинно-наслідкового зв’язку, але вона може надати додаткових доказів.
• Незважаючи на обмеженість тестів на медіацію в спостережних дослідженнях, (a) моделі медіації хороші для того, щоб дослідники задумалися про причинно-наслідкові шляхи, і (b) існують кращі та гірші способи написання медіаційних моделей, де кращі способи визнають нюанси інтерпретації та забезпечити ретельне теоретичне обговорення доказів як для запропонованого причинного шляху, так і для альтернативних причинних шляхів ( див. цю сторінку порад, які я підготував ).
• @ dmk38 надав чудові посилання та додаткові дискусії.

Показано, що змінна пояснює передбачення іншої змінної

• Виходячи з Вашого опису, посередництво НЕ здається узгодженим з Вашим дослідницьким питанням. Як такий, я б уникав використовувати мову посередництва у своїх аналізах.
• Як я розумію, ваше дослідницьке запитання стосується того, чи пояснення однієї змінної (дозволяє називати її X1замість IV) на the DV, пояснюється другою змінною (дозволяє називати її X2замість MEDIATOR). Ви також можете пред'являти причинно-наслідкові претензії, як X2причини, DVале X1це лише співвідноситься X2і не викликає DV.
• Існує кілька статистичних тестів, які можуть бути придатними для тестування цього дослідницького питання:
  • Порівняйте нульовий порядок ( X1з DV) з напівчастинковими кореляціями ( X1часткою X2з DV). Я думаю, що цікавим елементом буде ступінь зниження та не стільки статистична значимість (хоча, звичайно, ви хочете отримати певні інтервали довіри щодо цього зменшення).
  • Або аналогічно, порівняйте інкрементальний R-квадрат ієрархічної регресії, де ви додаєте X2в блоці 1 і X1в блоці 2, з R-квадратом моделі з просто X1прогнозуванням DV.
  • Я думаю, ви могли також намалювати схему контуру, яка співпадає з вашими причинними припущеннями (наприклад, двосхилими стрілками між X1та X2та одноголовою стрілкою між X2та DV.

Я вважаю, що ті змінні, про які ви говорите, слід, можливо, вважати змінними "керування", якщо IV не викликає їх або модераторів, якщо ви очікуєте ефекту взаємодії. Спробуйте це на папері і кілька разів опрацюйте це у своєму розумі або намалюйте гіпотезовані ефекти.

Можливо, краща мова, або, принаймні, набагато менш заплутана - хибна кореляція. Типовим прикладом цього є те, що споживання морозива корелює з утопленням. Тому хтось може подумати, споживання морозива викликає утоплення. Помилкова кореляція виникає, коли третя "модеруюча" змінна насправді є причинною щодо перших двох. У нашому прикладі ми подивилися на продажі морозива та утоплення вчасно, та забули про сезонні ефекти, помірні від температури, і, напевно, більше морозива їдять, коли жарко, і більше людей тоне, бо більше шукає допомоги від спеки, купаючись і ївши морозиво. Деякі жартівливі приклади .

Тоді питання зводиться до того, для чого можна використовувати помилкову кореляцію? І, виявляється, їх використовують, тому що люди не перевіряють свої теорії. Наприклад, функція нирок часто «нормалізується» до оціночної поверхні тіла, як це оцінюється за формулою ваги та росту.

Тепер площа поверхні тіла не спричиняє утворення сечі, а у формулі ваги та зросту вага є причиною за законом Клейбера, а висота насправді робить формулу менш прогнозованою .

Я натрапив на цю посаду в своєму власному дослідженні, що стосується причинного висновку в контексті геноміки. Спроба виявити причинність у цій галузі часто випливає з того, щоб грати з тим, як генетичний код людини можна вважати рандомізованим (через те, як формуються статеві клітини і в кінцевому підсумку з’єднуються). Поєднуючи це з відомими мутаціями, пов'язаними як з "медіатором", так і з кінцевою відповіддю, можна викликати причинний вплив медіатора на цю відповідь за певних визначень причинності (що, я впевнений, може викликати тут тривалу дискусію).

У випадку, коли ви використовуєте модель посередництва і не заявляєте причинності, я не міг подумати, чому рецензент міркуватиме. Хоча вам, ймовірно, доведеться виключити, чи спостерігається ефект посередництва, який ви бентежите третьою змінною.

Якщо ви явно зацікавлені в причинності, ви, можливо, захочете вивчити такі методи епідеміології, як Менделівська рандомізація або " Тест на причинний висновок ". Або почніть з інструментального змінного аналізу .