Что если путь с не имеет значения, а пути а и б имеют значение? Косвенный эффект при посредничестве


12

В классической модели посредничества у нас есть пути, показанные на диаграмме ниже

,

на котором первый шаг тестирования посреднического эффекта М между X и Y заключается в том, что X значительно коррелирует с Y (как показано на панели A на рисунке).

Тем не менее, я столкнулся с ситуацией, когда путь a и путь b имеют большое значение, но не путь c . По сравнению с путем c, путь c 'не имеет значения, но коэффициент уменьшается.

В этом случае все еще полезно говорить об отношениях между X, Y и M ?? Если да, то как лучше всего рассмотреть эти отношения в газете? Можем ли мы утверждать, что X оказывает косвенное влияние, но не оказывает прямого влияния на Y ??

Я тестирую ту же модель пути с тремя образцами, .n1=124,n2=49,n3=166


1
Пожалуйста, добавьте знак эффектов и величины. Если у вас низкий N и вы не имеете значительного влияния c, но, тем не менее, это умеренное число, это означает что-то другое, чем если бы c было очень близко к 0.
Джон

Ответы:


31

Ваш подход к тестированию медиации, по-видимому, соответствует «подходу причинных шагов», описанному в статье о классических методах Baron & Kenny (1986). Такой подход к посредничеству влечет за собой следующие шаги:

  1. Проверьте, действительно ли X и Y связаны ( путь c ); если нет, остановите анализ; если они...
  2. Тест ли Х и М значительно связаны ( путь); если нет, остановите анализ; если они...
  3. Проверьте, значимо ли связаны М и Y после контроля Х ( путь b ); если нет, остановите анализ; если они...
  4. Сравнит прямой эффект Xс» пути - прогнозированием Y из X после контроля М ) к общему эффекту от X (далее с путем со стадии 1). Если с» ближе к нулю , чем с , и недостоверное, исследование делает вывод , что M полностью опосредует связь между X и Y . Но если с ' все еще значимо, исследователь приходит к выводу, что М является лишь «частичным» посредником влияния Х наY .

Я подчеркиваю разницу между прямыми ( c ' ) и суммарными эффектами ( c ), потому что, хотя вы написали ...

Можем ли мы утверждать, что X оказывает косвенное влияние, но не оказывает прямого влияния на Y ??

Я думаю , что вы на самом деле обеспокоены является законность утверждая , что X имеет косвенное, но не общее влияние на Y .

Краткий ответ

Да, законно сделать вывод, что М опосредует связь между X и Y, даже если общий эффект ( с ) не значителен. Подход причинно-следственных связей, хотя и был исторически популярным, был широко заменен методами тестирования на посредничество, которые являются более статистически мощными, делают меньше допущений в отношении данных и являются более логически связными. У Хейса (2013) есть удивительно доступное и подробное объяснение многих ограничений подхода причинных шагов в его книге.

Проверьте другие более строгие подходы, включая методы начальной загрузки (MacKinnon et al., 2004) и Монте-Карло (Preacher & Selig, 2012). Оба метода оценивают доверительный интервал самого косвенного эффекта ( путь ab ) - как они отличаются между методами - и затем вы проверяете доверительный интервал, чтобы увидеть, является ли 0 вероятным значением. Они оба довольно легко реализуются в ваших собственных исследованиях, независимо от того, какое программное обеспечение для статистического анализа вы используете.

Более длинный ответ

Да, законно сделать вывод, что М опосредует связь между X и Y, даже если общий эффект ( с ) не значителен. На самом деле, среди статистиков существует относительно большой консенсус в отношении того, что общий эффект ( c ) не следует использовать в качестве «привратника» для тестов медиации (например, Hayes, 2009; Shrout & Bolger, 2002) по нескольким причинам:

  1. Подход причинно-следственных связей пытается статистически оценить наличие медиации, даже не оценивая косвенный эффект непосредственно ( путь ab или c-c ', если вы предпочитаете). Это кажется нелогичным, особенно если учесть, что существует множество простых способов непосредственно оценить / проверить косвенный эффект.
  2. Подход причинно-следственных связей зависит от множества критериев значимости. Иногда тесты значимости работают так, как они должны, но они могут быть сорваны, когда предположения относительно выводных тестов не соблюдаются и / или когда выводные тесты оказываются недостаточными (я думаю, что именно это Джон и получил в своем комментарии к вашему вопросу). Таким образом, посредничество в действительности может происходить в данной модели, но общий эффект ( с ) может быть незначительным просто потому, что размер выборки невелик, или предположения для проверки общего эффекта не были выполнены. А поскольку подход причинных шагов зависит от результатов двух других тестов значимости, он делает подход причинных шагов одним из наименее мощных тестов медиации (Preacher & Selig, 2008).
  3. Общий эффект ( c ) понимается как сумма прямого эффекта ( c ' ) и всех косвенных эффектов ( ab (1) , ab (2) ...). Представьте, что влияние X на Y полностью опосредовано (т. Е. C ' равно 0) двумя переменными, M1 и M2 . Но далее притворяются, что косвенное влияние X на Y через M1 является положительным, тогда как косвенное влияние через M2 является отрицательным, и эти два косвенных эффекта сравнимы по величине. Суммирование этих двух косвенных эффектов даст вам полный эффект ( с) нуля, и все же, если бы вы приняли подход причинных шагов, вы бы пропустили не только одно «реальное» посредничество, но и два.

Альтернативы, которые я бы порекомендовал подходу причинных шагов при тестировании медиации, включают методы начальной загрузки (MacKinnon et al., 2004) и Монте-Карло (Preacher & Selig, 2012). Метод начальной загрузки включает взятие поверхностно большого числа случайных выборок с заменой (например, 5000) того же размера выборки из ваших собственных данных, оценивая косвенный эффект ( абпуть) в каждой выборке, упорядочивая эти оценки от низшего к высшему, а затем определяя доверительный интервал для косвенного эффекта начальной загрузки, как в пределах некоторого диапазона процентилей (например, 2,5-й и 97,5-й для 95-процентного доверительного интервала). Макросы начальной загрузки для косвенных эффектов доступны для программного обеспечения статистического анализа, такого как SPSS и SAS, пакеты доступны для R, а другие программы (например, Mplus) уже имеют встроенные возможности начальной загрузки.

Метод Монте-Карло является хорошей альтернативой, когда у вас нет исходных данных или в тех случаях, когда начальная загрузка невозможна. Все, что вам нужно, это оценки параметров для путей a и b , дисперсия каждого пути и ковариация между двумя путями (часто, но не всегда 0). С помощью этих статистических значений вы можете затем смоделировать поверхностно большое распределение (например, 20 000) значений ab и, подобно подходу начальной загрузки, упорядочить их от самого низкого до самого высокого и определить доверительный интервал. Несмотря на то, что вы можете запрограммировать свой собственный калькулятор посредничества в Монте-Карло, у Криса Прайчера есть хороший, который можно свободно использовать на его веб-сайте (см. «Проповедник и Селиг», 2012).

Для обоих подходов вы должны проверить доверительный интервал, чтобы увидеть, содержит ли он значение 0; если нет, вы можете сделать вывод, что у вас есть значительный косвенный эффект.

Ссылки

Барон Р.М. и Кенни Д.А. (1986). Различие переменных модератор-медиатор в социально-психологическом исследовании: концептуальные, стратегические и статистические соображения. Журнал личности и социальной психологии , 51 , 1173-1182.

Хейс А.Ф. (2013). Введение в медиацию, модерацию и анализ условных процессов: регрессивный подход. Нью-Йорк, Нью-Йорк: Гилфорд.

Хейс А.Ф. (2009). За пределами Барона и Кенни: статистический анализ медиации в новом тысячелетии. Монографии связи , 76 408-420.

MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Пределы достоверности для косвенного эффекта: Распределение продукта и методы повторной выборки. Многомерное поведенческое исследование , 39 , 99-128.

Проповедник, KJ & Selig, JP (2012). Преимущества доверительных интервалов Монте-Карло для косвенных эффектов. Методы и меры коммуникации , 6 , 77-98.

Shrout, PE & Bolger, N. (2002). Медиация в экспериментальных и неэкспериментальных исследованиях: новые процедуры и рекомендации. Психологические методы , 7 , 422-445.


Спасибо! Это было очень полезно! У меня было несколько моделей, в которых верхняя связь CI так близка к 0, например, CI, показанный в моем результате, - [-.1549, .0031]. Значит ли это, что мне все еще нужно отвергнуть нулевую гипотезу? Я использовал ПРОЦЕСС и начальную загрузку для своего анализа.
рыбные бобы

Вы не смогли бы отклонить ноль; 0 находится в диапазоне от -.1549 до .0031, поэтому нельзя сделать вывод, что путь ab больше нуля.
jsakaluk

2
+6, это тот ответ, который мы хотели бы получить больше в резюме. Я надеюсь, что получение только 1 upvote не отговорит вас от предоставления большего в будущем. Возможно, щедрость может помочь привлечь к этой теме то внимание, которого она заслуживает.
gung - Восстановить Монику

Извините, это не принесло больше голосов, @jsakaluk. Это отличный ответ; Я надеюсь, что вы будете продолжать предоставлять их.
gung - Восстановить Монику

Не беспокойся @ Gung. Я ценю поддержку. Я сделал шаг назад от CV после того, как потратил много времени на предыдущий вопрос, за который в итоге проголосовали, только чтобы он очень быстро получил CW (немного облом), так что этот опыт был хорошим стимулом.
jsakaluk

0

Ладно, думаю, я мог бы найти хороший ответ. Я посмотрел на вебинар Дэвида Кенни, который представляет это дело как непоследовательное посредничество . Причина, по которой путь c существенно не отличается от 0, состоит в том, что произведение a и b имеет знак, отличный от знака c '. В примере, который приводит Кенни, стресс приводит к снижению настроения (с 'отрицательно); в то время как упражнения как посредник между стрессом и настроением положительно коррелируют с обоими (ab положительно). Поскольку c = c '+ ab, когда абсолютные значения c' и ab близки, c может быть близко к 0.

Кенни отмечает в вебинаре, что современный взгляд считает тестирование c и c 'не совсем необходимым; эффект посредничества в основном отображается через аб.


Ради потомков, не могли бы вы использовать один набор имен переменных на диаграмме и в тексте? В настоящее время у вас есть «IV», «X» и «Stress», обозначающие одно и то же, и так далее.
rolando2

0

Я согласен с ответом Жакалука и хотел бы добавить более актуальную информацию.

Барон и Кенни (1986) метод тестирования медиации широко применялся, но есть много работ, обсуждающих серьезные ограничения этого подхода, которые широко включают в себя:

1) Непосредственное тестирование значимости косвенного эффекта

2) Низкая статистическая мощность

3) Неспособность приспособить модели с непоследовательным посредничеством

* Примечание: см. Memon, Cheah, Ramayah, Ting и Chuah (2018) для обзора.

Учитывая эти ограничения, Чжао, Линч и Чен (2010) разработали новую типологию медиации. По состоянию на октябрь 2019 года, он имеет более 5000 ссылок, поэтому он набирает большую популярность.

В качестве краткого резюме и на примере причинно-следственной модели с тремя переменными, существует три типа медиации.

  1. Дополнительное посредничество: опосредованный эффект (axb) и прямой эффект (c) существуют и указывают в одном направлении.

  2. Конкурентное посредничество: опосредованный эффект (axb) и прямой эффект (c) существуют и указывают в противоположных направлениях.

  3. Непрямое посредничество: опосредованный эффект (axb) существует, но прямого эффекта нет (c).

Кроме того, были предложены два типа без посредничества:

  1. Непосредственное прямое посредничество: прямой эффект (с) существует, но косвенного эффекта нет.

  2. Без посредничества без эффекта: прямого эффекта (с) нет, косвенного эффекта не существует.

Таким образом, случай OP был бы классифицирован как косвенное только посредничество, поскольку опосредованный эффект существует, но прямой эффект (c ') несущественен.

Ссылки

Memon, MA, Cheah, J., Ramayah, T., Ting, H. & Chuah, F. (2018). Анализ и рекомендации по медиации. Журнал прикладного моделирования структурных уравнений, 2 (1), 1-9.

Чжао, X., Линч-младший, JG и Чен, Q. (2010). Пересматривая Барона и Кенни: мифы и правда об анализе медиации. Журнал Consumer Research, 37 (2), 197-206.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.