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:
- Проверьте, действительно ли X и Y связаны ( путь c ); если нет, остановите анализ; если они...
- Тест ли Х и М значительно связаны ( путь); если нет, остановите анализ; если они...
- Проверьте, значимо ли связаны М и Y после контроля Х ( путь b ); если нет, остановите анализ; если они...
- Сравнит прямой эффект X (в с» 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:
- 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.
- 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).
- 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.