Acest post intenționează să introducă elementele de bază ale analizei medierii și nu explică detaliile statistice. Pentru detalii, vă rugăm să consultați articolele de la sfârșitul acestui post.
Ce este medierea?
Să presupunem că studiile anterioare au sugerat că gradele mai mari prezic fericirea mai mare: x (gradele) y (fericirea). (Acest exemplu de cercetare este alcătuit în scopuri ilustrative. Vă rugăm să nu o considerați o declarație științifică.)
cred că, totuși, notele nu sunt adevăratul motiv pentru care fericirea crește. Presupun că notele bune sporesc stima de sine și apoi stima de sine ridicată sporește fericirea cuiva: X (note) XTX (stima de sine) XTX (fericire).
acesta este un caz tipic de analiză a medierii. Stima de sine este un mediator care explică mecanismul de bază al relației dintre grade (IV) și fericire (DV).
cum se analizează efectele medierii?
înainte de a începe, vă rugăm să rețineți că, ca orice altă analiză de regresie, analiza medierii nu implică relații cauzale decât dacă se bazează pe un design experimental.
pentru a analiza medierea:
1. Urmați Baron & pașii lui Kenny
2. Utilizați fie testul Sobel, fie bootstrapping pentru testarea semnificației.
următoarele prezintă pașii de bază pentru analiza medierii sugerate de Baron& Kenny (1986). O analiză de mediere este compusă din trei seturi de regresie: X Y, X X Y, X X X X X Y, X + M X X Y. Acest post va arăta exemple folosind R, dar puteți utiliza orice software statistic. Sunt doar trei analize de regresie!
# Download data online. This is a simulated dataset for this post.myData <- read.csv('http://static.lib.virginia.edu/statlab/materials/data/mediationData.csv')
Pasul 1.
$$Y = b_{0} + b_{1}X + E$$
este \(b_{1}\) semnificativ? Vrem ca X să afecteze Y. Dacă nu există nicio relație între X și Y, nu există nimic de mediat.deși acest lucru este ceea ce Baron și Kenny au sugerat inițial, acest pas este controversat. Chiar dacă nu găsim o asociere semnificativă între X și Y, am putea trece la pasul următor dacă avem un fundal teoretic bun despre relația lor. A se vedea Shrout & Bolger (2002) pentru detalii.
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!
Pasul 2.
$$m = b_{0} + b_{2}X + E$$
este \(b_{2}\) semnificativ? Vrem ca X să afecteze M. Dacă X și M nu au nicio relație, M este doar o a treia variabilă care poate fi sau nu asociată cu Y. o mediere are sens numai dacă X afectează 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!
Pasul 3.
$$Y = b_{0} + b_{4}X + b_{3}M + E$$
este \(b_{4}\) nesemnificativ sau mai mic decât înainte? Vrem ca M să afecteze Y, dar X să nu mai afecteze Y (sau X să afecteze în continuare Y, dar într-o magnitudine mai mică). Dacă există un efect de mediere, efectul lui X asupra lui Y va dispărea (sau cel puțin va slăbi) atunci când M este inclus în regresie. Efectul lui X asupra lui Y trece prin 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
dacă efectul X asupra Y dispare complet, M mediază complet între X și Y (mediere completă). Dacă efectul lui X asupra lui Y există încă, dar într-o magnitudine mai mică, M mediază parțial între X și Y (mediere parțială). Exemplul arată o mediere completă, dar o mediere completă se întâmplă rar în practică.
odată ce găsim aceste relații, vrem să vedem dacă acest efect de mediere este semnificativ statistic (diferit de zero sau nu). Pentru a face acest lucru, există două abordări principale: testul Sobel (Sobel, 1982) și bootstrapping (predicator & Hayes, 2004). În R, puteți utiliza sobel() în ‘multilevel’ pachet pentru testul Sobel și mediate() în ‘mediation’ pachet pentru bootstrapping. Deoarece bootstrapping este recomandat în ultimii ani (deși testul Sobel a fost utilizat pe scară largă înainte), voi arăta doar metoda bootstrapping în acest exemplu.
mediate() ia două obiecte model ca intrare (X X-X M și X + M-X-X) și trebuie să specificăm care variabilă este un IV (tratament) și un mediator (mediator). Pentru bootstrapping, setați boot = TRUE și sims la cel puțin 500. După rularea acestuia, căutați ACME (efecte medii de mediere cauzală) în rezultate și vedeți dacă este diferit de zero. Pentru detalii despre mediate(), vă rugăm să consultați 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
rețineți că efectul Total din rezumat (0.3961) este \(b_{1}\) în prima etapă: un efect total al lui X asupra lui Y (fără M). Efectul direct(ADE, 0.0396) este \(b_{4}\) în a treia etapă: un efect direct al lui X asupra lui Y după luarea în considerare a efectului de mediere (indirect) al lui M. În cele din urmă, efectul de mediere (ACME) este efectul total minus efectul direct (\(b_{1} – b_{4}\), sau 0.3961 - 0.0396 = 0.3565), care este egal cu un produs al unui coeficient de X în a doua etapă și un coeficient de M în ultima etapă (\(b_{2} \ori b_{3}\), sau 0.56102 * 0.6355 = 0.3565). Scopul analizei medierii este de a obține acest efect indirect și de a vedea dacă este semnificativ statistic.
apropo, nu trebuie să urmăm toți cei trei pași așa cum au sugerat baronul și Kenny. Am putea pur și simplu să rulăm două regresii (X 0xtx și X + Xxtx) și să testăm semnificația acesteia folosind cele două modele. Cu toate acestea, pașii sugerați vă ajută să înțelegeți cum funcționează!
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)
analiza medierii nu se limitează la regresia liniară; putem folosi regresia logistică sau regresia polinomială și multe altele. De asemenea, putem adăuga mai multe variabile și relații, de exemplu, mediere moderată sau moderare mediată. Cu toate acestea, dacă modelul dvs. este foarte complex și nu poate fi exprimat ca un set mic de regresii, vă recomandăm să luați în considerare modelarea ecuațiilor structurale.
pentru a rezuma, iată o diagramă pentru analiza medierii!
Pentru mai multe informații:
- Baron, R. M.,& Kenny, D. A. (1986). Distincția variabilă moderator-mediator în cercetarea psihologică socială: considerații conceptuale, strategice și statistice. Jurnalul de personalitate și Psihologie Socială, 5, 1173-1182.
- Shrout, P. E.,& Bolger, N. (2002). Medierea în studii experimentale și nonexperimentale: noi proceduri și recomandări. Metode Psihologice, 7, 422-445.
- Tingley, D., Yamamoto, T., Hirose, K., Keele, L., & Imai, K. (2014). Mediere: pachetul R pentru analiza medierii cauzale.
pentru întrebări sau clarificări cu privire la acest articol, contactați UVA Library StatLab: [email protected]
vizualizați întreaga colecție de articole UVA Library StatLab.
Bommae Kim
consultanță Statistică asociat
Universitatea din Virginia Biblioteca
18 aprilie 2016 (publicat)
12 iulie 2016 (greșeli de tipar în diagramă corectate)