Maybaygiare.org

Blog Network

University of Virginia Library Research Data Services + Věd

Tento příspěvek má v úmyslu zavést základy mediace, analýzy a vysvětluje statistické údaje. Podrobnosti naleznete v článcích na konci tohoto příspěvku.

Co je mediace?

řekněme, že předchozí studie naznačují, že vyšší stupně předpovídají vyšší štěstí: X (Stupně) → Y (štěstí). (Tento příklad výzkumu je vytvořen pro ilustrační účely. Prosím, nepovažujte to za vědecké prohlášení.)

mediation_ex1

myslím si však, že známky nejsou skutečným důvodem, proč se štěstí zvyšuje. Domnívám se, že dobré známky zvyšují sebevědomí a pak vysoká sebeúcta zvyšuje štěstí: X (Stupně) → M (sebeúcta) → Y (štěstí).

mediation_ex2

Toto je typický případ mediační analýzy. Sebeúcta je prostředník, který vysvětluje základní mechanismus vztahu mezi známkami (IV) a štěstím (DV).

Jak analyzovat mediační efekty?

než začneme, mějte na paměti, že jako každá jiná regresní analýza, mediační analýza neznamená kauzální vztahy, pokud není založena na experimentálním návrhu.

analyzovat mediaci:
1. Follow Baron & Kennyho kroky
2. Použijte buď test Sobel nebo bootstrapping pro testování významnosti.

následující ukazuje základní kroky pro mediační analýzu navržené Baronem & Kenny (1986). Mediační analýza se skládá ze tří sad regrese: X → Y, X → M A X + M → Y. tento příspěvek ukáže příklady pomocí R, ale můžete použít jakýkoli statistický software. Jsou to jen tři regresní analýzy!

# Download data online. This is a simulated dataset for this post.myData <- read.csv('http://static.lib.virginia.edu/statlab/materials/data/mediationData.csv')

Krok 1.
mediation_step1

$$Y = b_{0} + b_{1}X + e$$

Je \(b_{1}\) významné? Chceme, aby X ovlivnilo y. pokud neexistuje vztah mezi X a Y, není co zprostředkovat.

ačkoli to Baron a Kenny původně navrhli, tento krok je kontroverzní. I když nenajdeme významnou souvislost mezi X a Y, mohli bychom přejít k dalšímu kroku, pokud máme dobré teoretické zázemí o jejich vztahu. Viz Shrout & Bolger (2002) pro podrobnosti.

model.0 <- lm(Y ~ X, myData)summary(model.0)# Coefficients:# Estimate Std. Error t value Pr(>|t|) # (Intercept) 2.8572 0.6932 4.122 7.88e-05 ***# X 0.3961 0.1112 3.564 0.000567 ***### b1 = 0.3961, p < .001 # significant!

Krok 2.
mediation_step2

$$M = b_{0} + b_{2}X + e$$

Je \(b_{2}\) významné? Chceme, aby X vliv na M. Pokud X a M nemají žádný vztah, M je třetí proměnnou, která může nebo nemusí být spojena s Y. mediace dává smysl, jen když X má vliv M.

model.M <- lm(M ~ X, myData)summary(model.M)# Coefficients:# Estimate Std. Error t value Pr(>|t|) # (Intercept) 1.49952 0.58920 2.545 0.0125 * # X 0.56102 0.09448 5.938 4.39e-08 ***### b2 = 0.5610, p < .001 # significant!

Krok 3.
mediation_step3

$$Y = b_{0} + b_{4}X + b_{3}M + e$$

Je \(b_{4}\) non-závažné nebo menší než dříve? Chceme M vliv Y, ale X se již vliv na Y (nebo X ještě ovlivnit Y ale v menší velikosti). Pokud existuje mediační efekt, účinek X na Y zmizí (nebo alespoň oslabí), když je M zahrnuto do regrese. Účinek X na Y prochází m.

model.Y <- lm(Y ~ X + M, myData)summary(model.Y)# Coefficients:# Estimate Std. Error t value Pr(>|t|) # (Intercept) 1.9043 0.6055 3.145 0.0022 ** # X 0.0396 0.1096 0.361 0.7187 # M 0.6355 0.1005 6.321 7.92e-09 ***### b4 = 0.0396, p = 0.719 # the effect of X on Y disappeared!### b3 = 0.6355, p < 0.001

Pokud vliv X na Y zcela zmizí, M plně zprostředkovává mezi X a Y (plné mediace). Pokud účinek X na Y stále existuje, ale v menší velikosti, M částečně zprostředkovává mezi X a Y (částečné zprostředkování). Příklad ukazuje úplnou mediaci, přesto k úplné mediaci v praxi dochází jen zřídka.

jakmile najdeme tyto vztahy, chceme zjistit, zda je tento mediační efekt statisticky významný (odlišný od nuly nebo ne). K tomu existují dva hlavní přístupy: na Sobel test (Sobel, 1982) a bootstrapping (Kazatel & Hayes, 2004). V R, můžete použít sobel()‘multilevel’ balíček pro Sobel test a mediate()‘mediation’ balíček pro bootstrapping. Vzhledem k tomu, bootstrapping se důrazně doporučuje v posledních letech (ačkoli Sobel test byl široce používán dříve), ukážu pouze metodu bootstrapping v tomto příkladu.

mediate() trvá dva objekty modelu jako vstupní (X → M a X + M → Y) a musíme určit, které proměnné je IV (léčba) a prostředníka (mediátora). Pro bootstrapping nastavte boot = TRUE a sims na alespoň 500. Po jeho spuštění vyhledejte ve výsledcích ACME (průměrné kauzální mediační efekty) a zjistěte, zda se liší od nuly. Podrobnosti o mediate() naleznete v Tingley, Yamamoto, Hirose, Keele, & Imai (2014).

library(mediation)results <- mediate(model.M, model.Y, treat='X', mediator='M', boot=TRUE, sims=500)summary(results)# Estimate 95% CI Lower 95% CI Upper p-value# ACME 0.3565 0.2155 0.5291 0.00# ADE 0.0396 -0.1761 0.2598 0.66# Total Effect 0.3961 0.1563 0.5794 0.00# Prop. Mediated 0.9000 0.5254 1.8820 0.00### ACME = 0.3565, 95% CI # significant!### ACME stands for Average Causal Mediation Effects### ADE stands for Average Direct Effects### Total Effect is a sum of a mediation (indirect) effect and a direct effect

Všimněte si, že Celkový Efekt v souhrnu (0.3961) je \(b_{1}\) v prvním kroku: celkem vliv X na Y (bez M). Přímý účinek (ADE, 0.0396) je \(b_{4}\) ve třetím kroku: přímý vliv X na Y po zohlednění zprostředkování (nepřímý) vliv M. Konečně, mediační efekt (ACME) je celkový efekt mínus přímý účinek (\(b_{1} – b_{4}\), nebo 0.3961 - 0.0396 = 0.3565), které se rovná součin koeficientu X ve druhém kroku a koeficient M v posledním kroku (\(b_{2} \times b_{3}\), nebo 0.56102 * 0.6355 = 0.3565). Cílem mediační analýzy je získat tento nepřímý efekt a zjistit, zda je statisticky významný.

mimochodem, nemusíme dodržovat všechny tři kroky, jak navrhli Baron a Kenny. Mohli bychom jednoduše spustit dvě regrese (X → M A X + M → Y) a otestovat jejich význam pomocí dvou modelů. Navrhované kroky vám však pomohou pochopit, jak to funguje!

model.M <- lm(M ~ X, myData)model.Y <- lm(Y ~ X + M, myData)results <- mediate(model.M, model.Y, treat='X', mediator='M', boot=TRUE, sims=100)summary(results)

Mediační analýza není omezena na lineární regresi, můžeme použít logistickou regresi nebo polynomické regrese a další. Také můžeme přidat další proměnné a vztahy, například moderované zprostředkování nebo zprostředkované moderování. Pokud je však váš model velmi složitý a nelze jej vyjádřit jako malou množinu regresí, můžete místo toho zvážit modelování strukturních rovnic.

abychom to shrnuli, zde je vývojový diagram pro analýzu mediace!

mediation_flowchart

Pro více informací:

  • Baron, R. M., & Kenny, D. A. (1986). Variabilní rozlišení moderátora a mediátora v sociálně psychologickém výzkumu: koncepční, strategický, a statistické úvahy. Žurnál osobnosti a sociální psychologie, 5, 1173-1182.
  • Shrout, P. E., & Bolger, N. (2002). Mediace v experimentálních a neexperimentálních studiích: nové postupy a doporučení. Psychologické Metody, 7, 422-445.
  • Tingley, D., Yamamoto, T., Hirose, k., Keele, L., & Imai, k. (2014). Mediace: R balíček pro analýzu kauzální mediace.

v případě dotazů, nebo upřesnění týkající se tohoto článku, kontaktujte UVA Knihovna StatLab: [email protected]

Prohlédnout celou kolekci UVA Knihovna StatLab články.

Bommae Kim
Statistické Konzultace Spojit
University of Virginia Library
18. dubna 2016 (zveřejněno)
12. července 2016 (překlepy v diagramu opravené)

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna.