Le analisi di mediazione sono intrinsecamente causali?

Sono interessato a testare un semplice modello di mediazione con un IV, un DV e un mediatore. L'effetto indiretto è significativo come testato dalla macro SPSS di Preacher e Hayes, il che suggerisce che il mediatore serve a mediare statisticamente la relazione.

Durante la lettura della mediazione ho letto cose come "Nota che un modello di mediazione è un modello causale". - David Kenny . Posso certamente apprezzare l'uso dei modelli di mediazione come modelli causali e in effetti, se un modello è teoricamente valido, posso vederlo come molto utile.

Nel mio modello, tuttavia, il mediatore (una caratteristica considerata una diatesi per i disturbi d'ansia) non è causato dalla variabile indipendente (sintomi di un disturbo d'ansia). Piuttosto, il mediatore e le variabili indipendenti sono correlati e credo che l'associazione tra la variabile indipendente e la variabile dipendente possa essere spiegata in gran parte dalla varianza tra il IV-mediatore-DV. In sostanza, sto cercando di dimostrare che le precedenti relazioni sulla relazione IV-DV possono essere spiegate da un mediatore correlato che non è causato dalla IV.

La mediazione è utile in questo caso perché spiega come la relazione IV-DV possa essere statisticamente spiegata dalla relazione IV-Mediatore-DV. Il mio problema è la questione della causalità. Una recensione potrebbe tornare e dirci che la mediazione non è appropriata perché il IV in realtà non causa il mediatore (cosa che non avrei mai discusso in primo luogo)?

ha senso? Qualsiasi feedback su questo argomento sarebbe molto apprezzato!

Modifica : intendo dire che X è correlato con Y non perché causa Y, ma perché Z causa Y (parzialmente) e perché X e Z sono altamente correlati. Un po 'confuso, ma è tutto. Le relazioni causali in questo caso non sono realmente in discussione e questo manoscritto non parla tanto della causalità. Cerco semplicemente di dimostrare che la varianza tra X e Y può essere spiegata dalla varianza tra Z e Y. Quindi, in sostanza, X è correlato indirettamente da Y a Z (il "mediatore" in questo caso).

A. "Mediazione" significa concettualmente causalità (come indica la citazione di Kenny). I modelli di percorso che trattano una variabile come mediatore significano quindi trasmettere che un certo trattamento sta influenzando una variabile di risultato attraverso il suo effetto sul mediatore, varianza in cui a sua volta causa la variazione del risultato. Ma modellare qualcosa come un "mediatore" non significa che lo sia davveroun mediatore: questa è la questione causale. Il tuo post e commento in risposta a Macro suggerisce che hai in mente un'analisi del percorso in cui una variabile è modellata come mediatore ma non è vista come "causale"; Non capisco bene perché, però. Stai ipotizzando che la relazione sia falsa - che ci sia qualche terza variabile che sta causando sia la "variabile indipendente" che il "mediatore"? E forse sia la "variabile indipendente" che il "mediatore" nella tua analisi sono in effetti mediatori dell'influenza della terza variabile sulla variabile di risultato? Se è così, allora un revisore (o qualsiasi persona riflessiva) vorrà sapere qual è la terza variabile e quali prove hai che è responsabile delle relazioni spurie tra quelli che sono in realtà mediatori.

B. Per estendere il post di Macro, questo è un noto boschetto, ricoperto di dogma e scolasticismo. Ma ecco alcuni punti salienti:

1. Alcune persone pensano che puoi "provare" la mediazione solo se manipoli sperimentalmente il mediatore e l'influenza che si ipotizza eserciti l'effetto causale. Di conseguenza, se avessi fatto un esperimento che manipolasse solo l'influenza causale e osservassi che il suo impatto sulla variabile del risultato era rispecchiato dai cambiamenti nel mediatore, avrebbero "no! Non abbastanza!" Fondamentalmente, tuttavia, non pensano che i metodi osservazionali supportino mai inferenze causali e mediatori non manipolati negli esperimenti sono solo un caso speciale per loro.

2. Altre persone, che non escludono le inferenze causali dagli studi osservazionali, ritengono tuttavia che se si utilizzano metodi statistici davvero molto complicati (inclusi ma non limitati a modelli di equazioni strutturali che confrontano la matrice di covarianza per la relazione mediata posta con quelli per varie alternative), puoi effettivamente mettere a tacere i critici che ho appena citato. Fondamentalmente questo è Baron & Kenny, ma con steroidi. Empiricamente parlando, non li hanno messi a tacere; logicamente, non vedo come possano.

3. Altri ancora, in particolare la Giudea Perla, affermano che la solidità delle inferenze causali in studi sperimentali o osservazionali non può mai essere dimostrata con statistiche; la forza dell'inferenza eredita dalla validità del design. Le statistiche confermano solo l'effetto che l'inferenza causale contempla o dipende.

Alcune letture (tutte buone, non dogmatiche o scolastiche):

• Green, DP, Ha, SE & Bullock, JG Abbastanza già sugli esperimenti della "scatola nera": studiare la mediazione è più difficile di quanto la maggior parte degli studiosi supponga. Le ANNALS dell'American Academy of Political and Social Science 628, 200-208 (2010).

• Sobel, ME Identificazione dei parametri causali negli studi randomizzati con variabili di mediazione. Journal of Educational and Behavioral Statistics 33, 230-251 (2008) .

• Pearl, J. Un'introduzione all'inferenza causale. The International Journal of Biostatistics 6, Article 7 (2010) .

Ultimo ma non meno importante, parte di un interessante scambio tra Gelman & Pearl sull'inferenza causale in cui la mediazione era al centro dell'attenzione: http://andrewgelman.com/2007/07/identification/

Causalità e mediazione

• Un modello di mediazione fa affermazioni teoriche sulla causalità.
  • Il modello propone che le IVcause DVe che questo effetto sia completamente o parzialmente spiegato da una catena di causalità in base alla quale le IVcause le MEDIATORche a loro volta causano la DV.
• Il supporto per un modello di mediazione non dimostra il percorso causale proposto.
  • I test statistici di mediazione si basano in genere su studi osservazionali. La gamma di interpretazioni causali alternative è ampia (ad es. Terze variabili, direzioni alternative, reciprocità, ecc.)
  • In genere non sono convinto dagli argomenti (se presenti) presentati dai ricercatori che propongono affermazioni causali implicite nei modelli di mediazione.
• Il supporto per un modello di mediazione può fornire prove a integrazione di altre fonti di prova quando si sviluppa un argomento per un'affermazione causale. In sintesi, la correlazione non dimostra la causalità, ma può fornire prove supplementari.
• Nonostante i limiti dei test di mediazione negli studi osservazionali, (a) i modelli di mediazione sono utili per indurre i ricercatori a pensare ai percorsi causali e (b) ci sono modi migliori e peggiori per scrivere modelli di mediazione, dove modi migliori riconoscono le sfumature dell'interpretazione e fornire una discussione teorica approfondita delle prove sia per il percorso causale proposto sia per i percorsi causali alternativi ( vedere questa pagina di suggerimenti che ho preparato ).
• @ dmk38 ha fornito alcuni riferimenti eccellenti e discussioni aggiuntive.

Mostrando che una variabile spiega la previsione di un'altra variabile

• Sulla base della tua descrizione, la mediazione NON sembra essere in linea con la tua domanda di ricerca. In quanto tale, eviterei di usare il linguaggio della mediazione nelle tue analisi.
• A quanto ho capito, la tua domanda di ricerca si preoccupa se la previsione di una variabile (chiamiamola X1invece di IV) su DVè spiegata da una seconda variabile (chiamiamola X2invece di MEDIATOR). Potresti anche fare affermazioni causali come X2cause DVma X1è solo correlato X2e non causa DV.
• Esistono diversi test statistici che potrebbero essere adatti per testare questa domanda di ricerca:
  • Confronta l'ordine zero ( X1con DV) con le correlazioni semi-parziali ( X1parziale X2con DV). Immagino che l'elemento interessante sarebbe il grado di riduzione e non tanto il significato statistico (anche se ovviamente vorrai ottenere degli intervalli di confidenza su tale riduzione).
  • O allo stesso modo, confrontare il R-quadrato incrementale di una regressione gerarchica in cui si aggiunge X2nel blocco 1 e X1nel blocco 2 con il quadrato R di un modello con solo la X1previsione DV.
  • Immagino che potresti anche tracciare un diagramma del percorso allineato con i tuoi presupposti causali (ad esempio, frecce a doppia testa tra X1e X2e una freccia a testa singola tra X2e DV.

Credo che quelle variabili di cui stai parlando, dovrebbero forse essere considerate variabili di "controllo" se il IV non le causa o i moderatori se ti aspetti un effetto di interazione. Provalo sulla carta e lavoralo nella tua mente un paio di volte o disegna gli effetti ipotizzati.

Forse un linguaggio migliore, o almeno molto meno confuso, è una correlazione spuria. Un esempio tipico di ciò è che il consumo di gelato è correlato all'annegamento. Pertanto, qualcuno potrebbe pensare, il consumo di gelato provoca annegamento. La correlazione spuria si verifica quando una terza variabile "moderatrice" è in realtà causale rispetto alle prime due. Nel nostro esempio, abbiamo esaminato le vendite e l'annegamento dei gelati nel tempo, dimenticandoci degli effetti stagionali moderati dalla temperatura e, di sicuro, si mangia più gelato quando fa caldo e più persone affogano, perché più cercano sollievo dal caldo nuotando e mangiando il gelato. Alcuni esempi umoristici .

La domanda, quindi, si riduce a cosa si potrebbe usare una correlazione spuria? E, a quanto pare, sono usati perché le persone non mettono alla prova le loro teorie. Ad esempio, la funzione renale viene spesso "normalizzata" sulla superficie corporea stimata, stimata da una formula di peso e altezza.

Ora, la superficie corporea non provoca la formazione di urina e, nella formula del peso e dell'altezza, il peso è causale secondo la legge di Kleiber e l' altezza rende la formula meno predittiva .

Mi sono imbattuto in questo post nella mia ricerca relativa all'inferenza causale nel contesto della genomica. Il tentativo di discernere la causalità in questo dominio deriva spesso dal giocare con il modo in cui il codice genetico di una persona può essere pensato come randomizzato (a causa del modo in cui le cellule sessuali si formano e alla fine si accoppiano). Associandolo a mutazioni note associate sia a un "mediatore" che a una risposta ultima, si può ragionare un effetto causale di un mediatore su quella risposta in base a determinate definizioni di causalità (che sono sicuro che potrebbe innescare un lungo dibattito qui).

Nel caso in cui usi un modello di mediazione e non rivendichi la causalità, non riuscivo a pensare al motivo per cui il recensore avrebbe discusso. Anche se probabilmente dovresti escludere se l'effetto di mediazione che hai osservato sia confuso dalla terza variabile.

Se sei interessato alla causalità esplicitamente, potresti voler esaminare metodi dell'epidemiologia come la randomizzazione mendeliana o il " Test dell'inferenza causale ". Oppure inizia con l' analisi delle variabili strumentali .