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, .
mediation
path-model
fishbean
источник
источник
Ответы:
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:
Я подчеркиваю разницу между прямыми ( c ' ) и суммарными эффектами ( c ), потому что, хотя вы написали ...
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:
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.
источник
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.
источник
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.
Дополнительное посредничество: опосредованный эффект (axb) и прямой эффект (c) существуют и указывают в одном направлении.
Конкурентное посредничество: опосредованный эффект (axb) и прямой эффект (c) существуют и указывают в противоположных направлениях.
Непрямое посредничество: опосредованный эффект (axb) существует, но прямого эффекта нет (c).
Кроме того, были предложены два типа без посредничества:
Непосредственное прямое посредничество: прямой эффект (с) существует, но косвенного эффекта нет.
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.
источник