Cosa succede se il percorso c non è significativo, ma i percorsi a e b lo sono? Effetto indiretto nella mediazione

In un modello di mediazione classico, abbiamo i percorsi mostrati nel diagramma seguente

,

in cui il primo passo per testare l'effetto di mediazione di M tra X e Y è che X è significativamente correlato con Y (come mostrato nel pannello A nella figura).

Tuttavia, mi sono imbattuto in una situazione in cui il percorso di un e percorso B sono fortemente significativi, ma non il percorso C . Rispetto al percorso c, il percorso c 'non è significativo, ma il coefficiente viene ridotto.

In questo caso, è ancora utile parlare della relazione tra X, Y e M ?? In tal caso, qual è il modo migliore per affrontare questa relazione in un documento? Possiamo affermare che X ha un effetto indiretto ma non un effetto diretto su Y ??

Sto testando lo stesso modello di percorso con tre campioni, .$n_1 = 124, n_2 = 49, n_3 = 166$

Il tuo approccio al test della mediazione sembra essere conforme al "metodo dei passaggi causali" descritto nel documento sui metodi classici di Baron & Kenny (1986). Questo approccio alla mediazione prevede i seguenti passaggi:

1. Verifica se X e Y sono associati in modo significativo (il percorso c ); in caso contrario, interrompere l'analisi; se sono...
2. Verificare se X e M sono significativamente associati (il un percorso); in caso contrario, interrompere l'analisi; se sono...
3. Verifica se M e Y sono associati in modo significativo dopo aver controllato per X (il percorso b ); in caso contrario, interrompere l'analisi; se sono...
4. Confronta il diretto dell'effetto di X (il percorso c ' - prevedere Y da X dopo aver controllato per M ) con l' effetto totale di X (il percorso c dal passaggio 1). Se c' è più vicino allo zero di c , e non significativo, la ricerca conclude che M media completamente l'associazione tra X e Y . Ma se c ' è ancora significativo, il ricercatore conclude che M è solo un mediatore "parziale" dell'influenza di X suY .

Sottolineo la differenza tra effetti diretti ( c ' ) e effetti totali ( c ) perché sebbene tu abbia scritto ...

Possiamo affermare che X ha un effetto indiretto ma non un effetto diretto su Y ??

Penso che quello che si sta effettivamente preoccupati è la legittimità sostenendo che X ha una indiretta, ma non una totale effetto sulla Y .

La risposta breve

Sì, è legittimo concludere che M media l'associazione tra X e Y anche se l'effetto totale ( c ) non è significativo. L'approccio dei passaggi causali, sebbene storicamente popolare, è stato ampiamente sostituito da metodi di test per la mediazione che sono più statisticamente potenti, fanno meno ipotesi sui dati e sono logicamente più coerenti. Hayes (2013) ha una spiegazione meravigliosamente accessibile e completa delle molte limitazioni dell'approccio dei passi causali nel suo libro.

Scopri altri approcci più rigorosi, tra cui i metodi di bootstrap (MacKinnon et al., 2004) e Monte Carlo (Preacher & Selig, 2012). Entrambi i metodi stimano un intervallo di confidenza dell'effetto indiretto stesso (il percorso ab ) - il modo in cui differiscono tra i metodi - e quindi si esamina l'intervallo di confidenza per vedere se 0 è un valore plausibile. Sono entrambi abbastanza facili da implementare nella tua ricerca, indipendentemente dal software di analisi statistica che usi.

La risposta più lunga

Sì, è legittimo concludere che M media l'associazione tra X e Y anche se l'effetto totale ( c ) non è significativo. In effetti, esiste un consenso relativamente ampio tra gli statistici sul fatto che l'effetto totale ( c ) non dovrebbe essere usato come "gatekeeper" per i test di mediazione (ad esempio, Hayes, 2009; Shrout & Bolger, 2002) per alcuni motivi:

1. L'approccio dei passaggi causali tenta di valutare statisticamente la presenza della mediazione senza mai effettivamente valutare direttamente l'effetto indiretto (il percorso ab , o c-c ' se si preferisce). Questo sembra illogico, soprattutto dato che ci sono molti semplici modi per stimare / testare direttamente l'effetto indiretto.
2. L'approccio dei passaggi causali è subordinato a test di significatività multipla. A volte i test di significatività funzionano come dovrebbero, ma possono essere deragliati quando non vengono soddisfatte le ipotesi di test inferenziali e / o quando i test inferenziali sono sottodimensionati (penso che questo sia ciò a cui John stava arrivando nel suo commento alla tua domanda). Pertanto, la mediazione potrebbe realmente avvenire in un dato modello, ma l'effetto totale ( c ) potrebbe non essere significativo semplicemente perché la dimensione del campione è piccola o non sono state soddisfatte le ipotesi per il test dell'effetto totale. E poiché l'approccio dei passaggi causali dipende dall'esito di altri due test di significatività, rende i passaggi causali uno dei test di mediazione meno potenti (Preacher & Selig, 2008).
3. L'effetto totale ( c ) è inteso come la somma dell'effetto diretto ( c ' ) e di tutti gli effetti indiretti ( ab (1) , ab (2) ...). Fai finta che l'influenza di X su Y sia completamente mediata (ovvero, c ' è 0) da due variabili, M1 e M2 . Ma fingiamo inoltre che l'effetto indiretto di X su Y attraverso M1 sia positivo, mentre l'effetto indiretto attraverso M2 è negativo e che i due effetti indiretti sono comparabili in grandezza. Sommare questi due effetti indiretti ti darebbe un effetto totale ( c) di zero, e tuttavia, se adottassi l'approccio dei passi causali, non ti perderei solo una mediazione "reale", ma due.

Le alternative che consiglierei all'approccio dei passaggi causali al test della mediazione includono i metodi di bootstrap (MacKinnon et al., 2004) e Monte Carlo (Preacher & Selig, 2012). Il metodo Bootstrapping prevede il prelievo di un numero superficialmente elevato di campioni casuali con sostituzione (ad es. 5000) della stessa dimensione del campione dai propri dati, stimando l'effetto indiretto (l' abpercorso) in ciascun campione, ordinando tali stime dal più basso al più alto, quindi definire un intervallo di confidenza per l'effetto indiretto bootstrap come all'interno di un intervallo di percentili (ad esempio, 2,5 ° e 97,5 ° per un intervallo di confidenza del 95%). Le macro di bootstrap per effetti indiretti sono disponibili per i software di analisi statistica come SPSS e SAS, i pacchetti sono disponibili per R e altri programmi (ad es. Mplus) dispongono già di funzionalità di bootstrap.

Il metodo Monte Carlo è una buona alternativa quando non si hanno i dati originali o nei casi in cui il bootstrap non è possibile. Tutto ciò che serve sono le stime dei parametri per i percorsi a e b , la varianza di ciascun percorso e la covarianza tra i due percorsi (spesso, ma non sempre 0). Con questi valori statistici, è quindi possibile simulare una distribuzione superficialmente grande (ad es. 20.000) di valori ab e, come l'approccio del bootstrap, ordinarli dal più basso al più alto e definire un intervallo di confidenza. Sebbene tu possa programmare il tuo calcolatore di mediazione Monte Carlo, Kris Preacher ne ha uno bello che è liberamente disponibile per l'uso sul suo sito Web (vedi Preacher & Selig, 2012, per il documento di accompagnamento)

Per entrambi gli approcci, esamineresti l'intervallo di confidenza per vedere se contiene un valore di 0; in caso contrario, potresti concludere di avere un effetto indiretto significativo.

Riferimenti

Baron, RM e Kenny, DA (1986). La distinzione variabile moderatore-mediatore nella ricerca psicologica sociale: considerazioni concettuali, strategiche e statistiche. Journal of Personality and Social Psychology , 51 , 1173-1182.

Hayes, AF (2013). Introduzione alla mediazione, moderazione e analisi del processo condizionale: un approccio basato sulla regressione. New York, NY: Guilford.

Hayes, AF (2009). Beyond Baron e Kenny: analisi statistica della mediazione nel nuovo millennio. Monografie di comunicazione , 76 408-420.

MacKinnon, DP, Lockwood, CM e Williams, J. (2004). Limiti di confidenza per l'effetto indiretto: distribuzione del prodotto e metodi di ricampionamento. Ricerca comportamentale multivariata , 39 , 99-128.

Preacher, KJ e Selig, JP (2012). Vantaggi degli intervalli di confidenza Monte Carlo per effetti indiretti. Metodi e misure di comunicazione , 6 , 77-98.

Shrout, PE, & Bolger, N. (2002). Mediazione in studi sperimentali e non sperimentali: nuove procedure e raccomandazioni. Metodi psicologici , 7 , 422-445.

Ok, penso di aver trovato una buona risposta. Ho dato un'occhiata al webinar di David Kenny, che introduce questo caso come mediazione incoerente . Il motivo per cui il percorso c non è significativamente diverso da 0 è che il prodotto di aeb ha un segno diverso da quello di c '. In un esempio di Kenny, lo stress porta a una diminuzione dell'umore (c 'è negativo); mentre l'esercizio come mediatore tra stress e umore è correlato positivamente ad entrambi (ab è positivo). Poiché c = c '+ ab, quando i valori assoluti di c' e ab sono vicini, c potrebbe essere vicino a 0.

Kenny nota nel webinar che la visione contemporanea considera il test di c e c 'non del tutto essenziale; l'effetto di mediazione viene visualizzato principalmente tramite ab.

Sono d'accordo con la risposta del jsakaluk e vorrei aggiungere informazioni più pertinenti.

Il metodo di Baron e Kenny (1986) per testare la mediazione è stato ampiamente applicato, ma ci sono molti articoli che discutono di gravi limiti di questo approccio, che includono in generale:

1) Non testare direttamente la significatività di un effetto indiretto

2) Basso potere statistico

3) Incapacità di accogliere modelli con mediazione incoerente

* Nota: vedi Memon, Cheah, Ramayah, Ting e Chuah (2018) per una panoramica.

Considerando queste limitazioni, una nuova tipologia di mediazione è stata sviluppata da Zhao, Lynch e Chen (2010). A partire da ottobre 2019, ha oltre 5.000 citazioni, quindi sta guadagnando una maggiore popolarità.

Come breve sintesi e prendendo come esempio un modello causale a tre variabili, esistono tipi di mediazione.

1. Mediazione complementare: l'effetto mediato (axb) e l'effetto diretto (c) esistono entrambi e puntano nella stessa direzione.

2. Mediazione competitiva: l'effetto mediato (axb) e l'effetto diretto (c) esistono entrambi e puntano in direzioni opposte.

3. Mediazione indiretta: esiste un effetto mediato (axb), ma nessun effetto diretto (c).

Inoltre, sono stati proposti due tipi di non mediazione:

1. Non-mediazione solo diretta: esiste l'effetto diretto (c), ma nessun effetto indiretto.

2. Non mediazione senza effetto: esiste un effetto diretto verso il basso (c), né un effetto indiretto.

Pertanto, il caso del PO verrebbe classificato come mediazione indiretta in quanto esiste un effetto mediato ma l'effetto diretto (c ') non è significativo.

Riferimenti

Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Problemi e raccomandazioni relativi all'analisi della mediazione. Journal of Applied Structural Equation Modeling, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG e Chen, Q. (2010). Riconsiderando Baron e Kenny: miti e verità sull'analisi della mediazione. Journal of Consumer Research, 37 (2), 197-206.