Я заинтересован в тестировании простой модели посредничества с одним IV, одним DV и одним посредником. Косвенный эффект является значительным, что было проверено макросом SPSS «Проповедник» и «Хейс», который предполагает, что посредник служит статистически посредником в отношениях.
Читая о медиации, я читал такие вещи, как «Обратите внимание, что медиативная модель является причинной моделью». - Дэвид Кенни . Я, безусловно, могу оценить использование посреднических моделей в качестве причинно-следственных связей, и, действительно, если модель теоретически обоснована, я считаю это очень полезным.
В моей модели, однако, медиатор (признак, который считается диатезом для тревожных расстройств) не вызван независимой переменной (симптомы тревожного расстройства). Скорее, медиатор и независимые переменные связаны между собой, и я полагаю, что связь между независимой переменной и зависимой переменной может быть в значительной степени объяснена дисперсией между IV-медиатором-DV. По сути, я пытаюсь продемонстрировать, что предыдущие сообщения об отношениях IV-DV могут быть объяснены связанным посредником, который не вызван IV.
Посредничество полезно в этом случае, потому что оно объясняет, как взаимосвязь IV-DV может быть статистически объяснена взаимосвязью IV-Mediator-DV. Моя проблема - это вопрос причинности. Может ли рецензия вернуться и сказать нам, что посредничество не подходит, потому что IV на самом деле не вызывает посредника (о чем я бы никогда не спорил в первую очередь)?
Имеет ли это смысл? Любая обратная связь по этому вопросу будет принята с благодарностью!
Редактировать : То, что я хочу сказать, это то, что X коррелирует с Y не потому, что оно вызывает Y, а потому, что Z вызывает Y (частично) и потому что X и Z сильно коррелированы. Немного смущает, но это все. Причинно-следственные связи в данном случае на самом деле не ставятся под сомнение, и эта рукопись не столько о причинно-следственной связи. Я просто пытаюсь продемонстрировать, что дисперсия между X и Y может быть объяснена дисперсией между Z и Y. Таким образом, в основном, что X напрямую связан с Y через Z (в данном случае «посредник»).
Причинность и Посредничество
IV
причиныDV
и что этот эффект полностью или частично объясняется цепочкой причинно-следственных связей, посредством которойIV
причины,MEDIATOR
которые в свою очередь вызываютDV
.Показано, что переменная объясняет предсказание другой переменной
X1
вместоIV
)DV
для второй переменной (давайте вызывать ееX2
вместоMEDIATOR
). Вы также можете предъявлять причинно-следственные связи, например,X2
причины,DV
ноX1
это только связаноX2
и не вызываетDV
.X1
сDV
) с получастичными корреляциями (вX1
частности,X2
сDV
). Я полагаю, что интересным элементом будет степень сокращения, а не столько статистическая значимость (хотя, конечно, вы хотели бы получить некоторые доверительные интервалы для этого сокращения).X2
в блок 1 иX1
в блоке 2, с R-квадратом модели с помощью толькоX1
прогнозированияDV
.X1
иX2
и одноголовая стрелка междуX2
иDV
.источник
Я считаю, что те переменные, о которых вы говорите, возможно, следует рассматривать как «контрольные» переменные, если IV не вызывает их, или модераторов, если вы ожидаете эффект взаимодействия. Попробуйте это на бумаге и продумайте это пару раз или нарисуйте предполагаемые эффекты.
источник
Возможно, лучший язык, или, по крайней мере, намного менее запутанный, является ложной корреляцией. Типичным примером этого является то, что потребление мороженого коррелирует с утоплением. Поэтому кто-то может подумать, что употребление мороженого вызывает утопление. Ложная корреляция возникает, когда третья «модерирующая» переменная фактически является причинной по отношению к первым двум. В нашем примере мы смотрели на продажи мороженого и тонули во времени, и забыли о сезонных эффектах, смягчаемых температурой, и, конечно же, больше мороженого едят, когда жарко, и больше людей тонут, потому что больше людей ищут облегчения от жары купаясь и кушая мороженое. Несколько юмористических примеров .
Таким образом, вопрос сводится к тому, для чего можно использовать ложную корреляцию? И, оказывается, они используются, потому что люди не проверяют свои теории. Например, функция почек часто "нормализуется" до расчетной поверхности тела, которая определяется по формуле веса и роста.
Теперь площадь поверхности тела не приводит к образованию мочи, и в формуле веса и роста вес определяется по закону Клейбера, а рост фактически делает формулу менее предсказательной .
источник
Я наткнулся на этот пост в своем собственном исследовании, касающемся причинно-следственного вывода в контексте геномики. Попытка определить причинность в этой области часто связана с игрой с тем, как генетический код человека можно считать рандомизированным (из-за того, как половые клетки формируются и в конечном итоге соединяются). Сопоставляя это с известными мутациями, связанными как с «медиатором», так и с конечным ответом, можно объяснить причинное влияние медиатора на этот ответ при определенных определениях причинности (которые, я уверен, могут вызвать здесь длительные дебаты).
В случае, когда вы используете модель посредничества и не претендуете на причинность, я не мог придумать, почему рецензент поспорит. Хотя вам, вероятно, придется исключить, является ли наблюдаемый вами эффект медиации третьей переменной.
Если вы явно заинтересованы в причинно-следственной связи, вы можете обратиться к методам эпидемиологии, таким как рандомизация по Менделю или « Тест причинно-следственной связи ». Или начните с анализа инструментальных переменных .
источник