Що робити, якщо шлях c не є значущим, але шляхи a і b є? Непрямий ефект при посередництві

У класичній моделі посередництва маємо контури, показані на схемі нижче

,

в якій першим етапом тестування опосередковуючого ефекту M між X і Y є те, що X значно корелює з Y (як показано на панелі A на малюнку).

Тим НЕ менше, я зіткнувся з ситуацією , коли Шлях а й шляхом б сильно істотні, але не шлях C . У порівнянні з Шляхом c, Шлях c 'не є значущим, але коефіцієнт зменшується.

У цьому випадку, чи все ж цінно говорити про взаємозв'язок між X, Y та M ?? Якщо так, то який найкращий спосіб вирішити ці відносини у статті? Чи можемо ми стверджувати, що X має опосередкований вплив, але не має прямого впливу на Y ??

Я тестую ту саму модель шляху з трьома зразками, .$n_1 = 124, n_2 = 49, n_3 = 166$

Ваш підхід до тестування медіації, як видається, відповідає "підходу причинно-наслідкових кроків", описаному в статті класичних методів Baron & Kenny (1986). Такий підхід до медіації тягне за собою наступні кроки:

1. Перевірте, чи суттєво пов'язані X і Y ( шлях c ); якщо їх немає, припиніть аналіз; якщо вони ...
2. Тест чи Х і М значно пов'язані ( шлях); якщо їх немає, припиніть аналіз; якщо вони ...
3. Перевірте, чи M та Y суттєво пов'язані після контролю для X ( b- шлях); якщо їх немає, припиніть аналіз; якщо вони ...
4. Порівняємо прямий ефект X (в с » шляху - прогнозуванням Y з X після контролю М ) до загального ефекту від X (далі з шляхом зі стадії 1). Якщо з " ближче до нуля , ніж з , і недостовірне, дослідження робить висновок , що M повністю опосередковує зв'язок між X і Y . Але якщо c ' все-таки є значущим, дослідник робить висновок, що M є лише "частковим" посередником впливу X наY .

Я підкреслюю різницю між прямими ( с ' ) та сумарними ефектами ( с ), оскільки хоч ви писали ...

Чи можемо ми стверджувати, що X має опосередкований вплив, але не має прямого впливу на Y ??

Я думаю , що ви на самому справі стурбовані є законність стверджуючи , що X має непряме, але не загальне вплив на Y .

Короткий відповідь

Так, справедливо зробити висновок, що M опосередковує зв'язок між X і Y, навіть якщо сумарний ефект ( c ) не суттєвий. Підхід до причинно-наслідкових кроків, хоча і є історично популярним, широко замінився на методи тестування на медіацію, які є статистично потужнішими, роблять менше припущень щодо даних та є більш логічно узгодженими. Hayes (2013) у своїй книзі має чудово доступне та ґрунтовне пояснення багатьох обмежень підходу причинно-наслідкових кроків.

Ознайомтеся з іншими більш жорсткими підходами, включаючи методи завантаження (MacKinnon et al., 2004) та Монте-Карло (Preacher & Selig, 2012). Обидва методи оцінюють довірчий інтервал самого непрямого ефекту ( шлях ab ) - наскільки вони роблять це різниться між методами - і тоді ви вивчаєте довірчий інтервал, щоб побачити, чи 0 є правдоподібним значенням. Вони обидва досить легко реалізувати у власних дослідженнях, незалежно від того, яке програмне забезпечення для статистичного аналізу ви використовуєте.

Більш довгий відповідь

Так, справедливо зробити висновок, що М опосередковує асоціацію між X та Y навіть якщо сумарний ефект ( c ) не суттєвий. Насправді, серед статистиків існує відносно велика думка, що загальний ефект ( с ) не повинен використовуватися як «воротар» для тестів на посередництво (наприклад, Hayes, 2009; Shrout & Bolger, 2002) з кількох причин:

1. Підхід до причинно-наслідкових кроків намагається статистично оцінити наявність медіації, не маючи фактичної прямої оцінки непрямого ефекту ( шлях ab , або c-c ', якщо вам зручніше). Це здається нелогічним, особливо зважаючи на те, що існує чимало простих способів безпосередньо оцінити / перевірити непрямий ефект.
2. Підхід до причинно-наслідкових кроків залежить від тестів на багатозначність. Іноді тести на значущість працюють як слід, але вони можуть бути зірвані, коли припущення щодо інфекційних випробувань не виконуються та / або коли недостатній рівень тестів на зараження (я думаю, що це Джон отримав у своєму коментарі до вашого питання). Таким чином, посередництво може бути реально відбувається у даній моделі, але загальний ефект ( с ) може бути незначним просто тому, що розмір вибірки невеликий, або припущення для тесту на загальний ефект не виконані. А оскільки підхід причинно-наслідкових кроків залежить від результатів двох інших тестів на значимість, він робить підхід до причинних кроків одним із найменш потужних тестів посередництва (Preacher & Selig, 2008).
3. Загальний ефект ( с ) розуміється як сума прямого ефекту ( с ' ) і всіх непрямих ефектів ( ab (1) , ab (2) ...). Прикиньте, що вплив X на Y повністю опосередковується (тобто, c ' дорівнює 0) двома змінними, М1 і М2 . Але далі робимо вигляд, що непрямий вплив X на Y через M1 є позитивним, тоді як непрямий вплив через M2 - негативний, а два непрямі ефекти порівнянні за величиною. Підсумовування цих двох непрямих ефектів дасть тотальний ефект ( c) нуля, і все ж, якби ви прийняли підхід до причинно-наслідкових кроків, ви пропустили б не одне "справжнє" посередництво, а два.

Альтернативи, які я б рекомендував підходити до причинно-наслідкових кроків до тестування медіації, включають методи завантаження (MacKinnon et al., 2004) та Монте-Карло (Preacher & Selig, 2012). Метод завантаження включає в себе повернення великої кількості випадкових вибірок із заміною (наприклад, 5000) одного розміру вибірки з власних даних, оцінюючи непрямий ефект ( abшлях) у кожному зразку, упорядковуючи ці оцінки від найнижчої до найвищої, а потім визначайте довірчий інтервал для завантаженого непрямого ефекту в межах деякого діапазону відсотків (наприклад, 2,5-го та 97,5-го для 95-відсоткового довірчого інтервалу). Макроси завантаження для непрямих ефектів доступні для програмного забезпечення статистичного аналізу, таких як SPSS і SAS, пакети доступні для R, а інші програми (наприклад, Mplus) вже мають вбудовані можливості завантаження.

Метод Монте-Карло - це приємна альтернатива, коли у вас немає оригінальних даних або у випадках, коли завантаження неможливо. Все, що вам потрібно, - це оцінка параметрів для a і b шляхів, дисперсія кожного контуру та коваріація між двома шляхами (часто, але не завжди 0). За допомогою цих статистичних значень ви зможете змоделювати поверхнево великий розподіл (наприклад, 20 000) значень ab , і, як і підхід до завантаження, упорядкувати їх від найнижчого до найвищого та визначити довірчий інтервал. Хоча ви могли запрограмувати свій власний калькулятор посередництва в Монте-Карло, у Крис Проповідника є приємний, який можна безкоштовно використовувати на його веб-сайті (див. Проповідник і Селіг, 2012, супровідний документ)

Для обох підходів слід вивчити довірчий інтервал, щоб побачити, чи містить він значення 0; якщо ні, то можна зробити висновок, що маєте непряме значення.

Список літератури

Baron, RM, & Kenny, DA (1986). Розрізнення змінних модераторів-посередників у соціально-психологічних дослідженнях: концептуальні, стратегічні та статистичні міркування. Журнал особистості та соціальної психології , 51 , 1173-1182.

Хейс, А.Ф. (2013). Вступ до аналізу посередництва, модерації та умовного аналізу: підхід, заснований на регресії.Нью-Йорк, Нью-Йорк: Гілфорд.

Хейс, А.Ф. (2009). Поза Бароном та Кенні: Аналіз статистичного посередництва у новому тисячолітті. Монографії спілкування , 76 408-420.

MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Межі довіри до непрямого ефекту: розповсюдження продукту та способи перекомпонування. Багатовимірне поведінкове дослідження , 39 , 99-128.

Проповідник, KJ, & Selig, JP (2012). Переваги довірчих інтервалів Монте-Карло для непрямих ефектів. Способи та заходи зв’язку , 6 , 77-98.

Shrout, PE, & Bolger, N. (2002). Посередництво в експериментальних та неекспериментальних дослідженнях: нові процедури та рекомендації. Психологічні методи , 7 , 422-445.

Гаразд, я думаю, що, можливо, я знайшов хорошу відповідь. Я поглянув на вебінар Девіда Кенні, який представляє цю справу як непослідовну медіацію . Причина, по якій шлях c не суттєво відрізняється від 0, полягає в тому, що добуток a і b має знак, відмінний від ознаки c '. На прикладі, який дає Кенні, стрес призводить до зниження настрою (с 'негативний); тоді як вправа як посередник між стресом і настроєм позитивно співвідноситься з обома (ab є позитивним). Оскільки c = c '+ ab, коли абсолютні значення c' і ab близькі, c може бути близьким до 0.

Кенні зазначає у вебінарі, що сучасний погляд вважає тестування c і c 'не зовсім важливим; ефект посередництва в основному проявляється через ab.

Я згоден з відповіддю jsakaluk , і я хотів би додати більш релевантну інформацію.

Метод випробування медіації Барона та Кенні (1986) широко застосовується, проте є багато робіт, що обговорюють суворі обмеження цього підходу, які, зокрема, включають:

1) Не перевіряючи безпосередньо значення непрямого ефекту

2) Низька статистична потужність

3) Неможливість розміщення моделей з непослідовним посередництвом

* Примітка: див. Огляд Memon, Cheah, Ramayah, Ting і Chuah (2018) для огляду.

Враховуючи ці обмеження, Чжао, Лінч та Чен (2010) розробили нову типологію медіації. Станом на жовтень 2019 року в ньому понад 5000 цитат, тож він набирає більшої популярності.

Як короткий підсумок, і беручи за приклад тривимірну причинно-наслідкову модель, існують ці типи медіації.

1. Додаткове посередництво: Опосередкований ефект (axb) і прямий ефект (c) існують і вказують в одному напрямку.

2. Конкурентне посередництво: Опосередкований ефект (axb) та прямий ефект (c) існують і вказують у протилежних напрямках.

3. Посереднє посередництво: опосередкований ефект (axb) існує, але прямого ефекту немає (c).

Далі запропоновано два типи немедіації:

1. Безпосереднє немедіація: Прямий ефект (c) існує, але непрямого ефекту немає.

2. Немедіація без ефекту: Ніякого прямого ефекту (с), ні непрямого ефекту не існує.

Таким чином, випадок ОП можна було б класифікувати як непряме посередництво, оскільки існує опосередкований ефект, але прямий ефект (с ') є несуттєвим.

Список літератури

Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Питання та рекомендації щодо аналізу медіації. Журнал прикладного моделювання структурного рівняння, 2 (1), 1-9.

Чжао, X., Лінч-молодший, Дж. Дж. І Чен, Q. (2010). Перегляд Барона та Кенні: міфи та істини щодо медіаційного аналізу. Журнал споживчих досліджень, 37 (2), 197-206.