Was ist, wenn Pfad c nicht signifikant ist, Pfade a und b jedoch? Indirekte Wirkung bei der Mediation

In einem klassischen Mediationsmodell sind die Pfade in der folgenden Abbildung dargestellt

,

in dem der erste Schritt des Testens der Vermittlungswirkung von M zwischen X und Y darin besteht, dass X signifikant mit Y korreliert (wie in Tafel A in der Figur gezeigt).

Allerdings stieß ich in einer Situation , wo Pfad ein und Pfad b stark von Bedeutung sind, aber nicht den Weg C . Im Vergleich zu Pfad c ist Pfad c 'nicht signifikant, aber der Koeffizient wird verringert.

Ist es in diesem Fall immer noch wertvoll, über die Beziehung zwischen X, Y und M zu sprechen? Wenn ja, wie lässt sich diese Beziehung am besten in einem Papier ansprechen? Können wir behaupten, dass X eine indirekte Wirkung hat, aber keine direkte Wirkung auf Y?

Ich teste das gleiche Pfadmodell mit drei Stichproben, .$n_1 = 124, n_2 = 49, n_3 = 166$

Ihr Ansatz zum Testen der Mediation scheint dem "Ansatz der kausalen Schritte" zu entsprechen, der im klassischen Methodenpapier von Baron & Kenny (1986) beschrieben ist. Dieser Mediationsansatz umfasst die folgenden Schritte:

1. Testen Sie, ob X und Y signifikant assoziiert sind (der c- Pfad); Wenn dies nicht der Fall ist, beenden Sie die Analyse. wenn sie sind...
2. Testen Sie, ob X und M signifikant assoziiert sind (der a- Pfad); Wenn dies nicht der Fall ist, beenden Sie die Analyse. wenn sie sind...
3. Testen Sie, ob M und Y nach der Kontrolle von X (dem b- Pfad) signifikant assoziiert sind . Wenn dies nicht der Fall ist, beenden Sie die Analyse. wenn sie sind...
4. Vergleichen Sie die direkte Wirkung von X (der c'- Pfad - Vorhersage von Y aus X nach Steuerung von M ) mit der Gesamtwirkung von X (der c- Pfad aus Schritt 1). Wenn c ' näher an Null als c liegt und nicht signifikant ist, kommt die Untersuchung zu dem Schluss, dass M die Assoziation zwischen X und Y vollständig vermittelt . Wenn c ' jedoch immer noch signifikant ist, kommt der Forscher zu dem Schluss, dass M nur ein "partieller" Mediator des Einflusses von X auf istY .

Ich betone den Unterschied zwischen direkten ( c ' ) und Gesamteffekten ( c ), denn obwohl Sie geschrieben haben ...

Können wir behaupten, dass X eine indirekte Wirkung hat, aber keine direkte Wirkung auf Y?

Ich denke, was Sie tatsächlich besorgt ist, ist die Rechtmäßigkeit zu behaupten, dass X eine indirekte, aber keine vollständige Auswirkung auf Y hat .

Die kurze Antwort

Ja, es ist legitim zu schließen, dass M die Assoziation zwischen X und Y vermittelt, auch wenn der Gesamteffekt ( c ) nicht signifikant ist. Der Ansatz der kausalen Schritte ist zwar historisch populär, wurde jedoch weitgehend durch Methoden zum Testen auf Mediation ersetzt, die statistisch leistungsfähiger sind, weniger Annahmen über die Daten treffen und logisch kohärenter sind. Hayes (2013) hat in seinem Buch eine wunderbar zugängliche und gründliche Erklärung der vielen Einschränkungen des Ansatzes der kausalen Schritte.

Schauen Sie sich andere strengere Ansätze an, einschließlich der Bootstrapping- (MacKinnon et al., 2004) und Monte Carlo- (Preacher & Selig, 2012) Methoden. Beide Methoden schätzen ein Konfidenzintervall des indirekten Effekts selbst (den ab- Pfad) - wie sie sich zwischen den Methoden unterscheiden - und dann untersuchen Sie das Konfidenzintervall, um festzustellen, ob 0 ein plausibler Wert ist. Beide sind ziemlich einfach in Ihre eigene Forschung zu implementieren, unabhängig davon, welche statistische Analysesoftware Sie verwenden.

Die längere Antwort

Ja, es ist legitim zu schließen, dass M die Assoziation zwischen X und Y vermittelt, auch wenn der Gesamteffekt ( c ) nicht signifikant ist. Tatsächlich besteht unter Statistikern ein relativ großer Konsens darüber, dass der Gesamteffekt ( c ) aus mehreren Gründen nicht als „Gatekeeper“ für Mediationstests verwendet werden sollte (z. B. Hayes, 2009; Shrout & Bolger, 2002):

1. Der Ansatz der kausalen Schritte versucht, das Vorhandensein von Mediation statistisch zu bewerten, ohne jemals den indirekten Effekt direkt zu bewerten (den ab- Pfad oder c-c ', wenn Sie dies bevorzugen). Dies erscheint unlogisch, insbesondere angesichts der Tatsache, dass es zahlreiche einfache Möglichkeiten gibt, den indirekten Effekt direkt abzuschätzen / zu testen.
2. Der Ansatz der kausalen Schritte hängt von mehreren Signifikanztests ab. Manchmal funktionieren Signifikanztests so, wie sie sollten, aber sie können entgleist sein, wenn die Annahmen von Inferenztests nicht erfüllt sind und / oder wenn Inferenztests nicht ausreichend sind (ich denke, das hat John in seinem Kommentar zu Ihrer Frage angesprochen). Somit könnte eine Mediation in einem bestimmten Modell tatsächlich stattfinden, aber der Gesamteffekt ( c ) könnte einfach deshalb nicht signifikant sein, weil die Stichprobengröße klein ist oder Annahmen für den Test des Gesamteffekts nicht erfüllt wurden. Und da der Ansatz der kausalen Schritte vom Ergebnis zweier weiterer Signifikanztests abhängt, ist der Ansatz der kausalen Schritte einer der am wenigsten wirksamen Mediationstests (Preacher & Selig, 2008).
3. Der Gesamteffekt ( c ) wird als die Summe des direkten Effekts ( c ' ) und aller indirekten Effekte ( ab (1) , ab (2) ...) verstanden. Stellen Sie sich vor, der Einfluss von X auf Y wird vollständig durch zwei Variablen, M1 und M2, vermittelt (dh c ' ist 0) . Stellen Sie sich jedoch weiter vor, dass der indirekte Effekt von X auf Y durch M1 positiv ist, während der indirekte Effekt durch M2 negativ ist und die beiden indirekten Effekte in ihrer Größe vergleichbar sind. Wenn Sie diese beiden indirekten Effekte summieren, erhalten Sie einen Gesamteffekt ( c) von Null, und dennoch würden Sie, wenn Sie den Ansatz der kausalen Schritte anwenden, nicht nur eine "echte" Vermittlung verpassen, sondern zwei.

Zu den Alternativen, die ich zum Ansatz der kausalen Schritte zum Testen der Mediation empfehlen würde, gehören die Bootstrapping- (MacKinnon et al., 2004) und Monte Carlo- (Preacher & Selig, 2012) Methoden. Bei der Bootstrapping-Methode wird eine oberflächlich große Anzahl von Zufallsstichproben mit Ersatz (z. B. 5000) derselben Stichprobengröße aus Ihren eigenen Daten entnommen und der indirekte Effekt ( ab) geschätztPfad) in jeder Stichprobe, wobei diese Schätzungen vom niedrigsten zum höchsten Wert geordnet werden, und dann ein Konfidenzintervall für den indirekten Bootstrap-Effekt innerhalb eines bestimmten Bereichs von Perzentilen definiert (z. B. 2,5 und 97,5 für ein 95% -Konfidenzintervall). Bootstrapping-Makros für indirekte Effekte sind für statistische Analysesoftware wie SPSS und SAS verfügbar, Pakete sind für R verfügbar und andere Programme (z. B. Mplus) verfügen bereits über integrierte Bootstrapping-Funktionen.

Die Monte-Carlo-Methode ist eine gute Alternative, wenn Sie nicht über die Originaldaten verfügen oder wenn kein Bootstrapping möglich ist. Sie benötigen lediglich die Parameterschätzungen für die Pfade a und b , die Varianz jedes Pfades und die Kovarianz zwischen den beiden Pfaden (häufig, aber nicht immer 0). Mit diesen statistischen Werten können Sie dann eine oberflächlich große Verteilung (z. B. 20.000) von ab- Werten simulieren und wie beim Bootstrapping-Ansatz vom niedrigsten zum höchsten Wert ordnen und ein Konfidenzintervall definieren. Obwohl Sie Ihren eigenen Monte-Carlo-Mediationsrechner programmieren könnten, hat Kris Preacher einen schönen , der auf seiner Website frei verfügbar ist (siehe Preacher & Selig, 2012, Begleitpapier).

Für beide Ansätze würden Sie das Konfidenzintervall untersuchen, um festzustellen, ob es den Wert 0 enthält. Wenn nicht, können Sie daraus schließen, dass Sie eine indirekte Bedeutung haben.

Verweise

Baron, RM & Kenny, DA (1986). Die Unterscheidung zwischen Moderator und Mediator in der sozialpsychologischen Forschung: konzeptionelle, strategische und statistische Überlegungen. Zeitschrift für Persönlichkeits- und Sozialpsychologie , 51 , 1173-1182.

Hayes, AF (2013). Einführung in Mediation, Moderation und bedingte Prozessanalyse: Ein auf Regression basierender Ansatz. New York, NY: Guilford.

Hayes, AF (2009). Jenseits von Baron und Kenny: Statistische Mediationsanalyse im neuen Jahrtausend. Communication Monographs , 76 408-420.

MacKinnon, DP, Lockwood, CM & Williams, J. (2004). Vertrauensgrenzen für den indirekten Effekt: Verteilung des Produkts und Resampling-Methoden. Multivariate Behavioral Research , 39 , 99-128.

Preacher, KJ & Selig, JP (2012). Vorteile der Monte-Carlo-Konfidenzintervalle für indirekte Effekte. Communication Methods and Measures , 6 , 77-98.

Shrout, PE & Bolger, N. (2002). Mediation in experimentellen und nicht experimentellen Studien: Neue Verfahren und Empfehlungen. Psychological Methods , 7 , 422 & ndash; 445.

Okay, ich glaube, ich hätte eine gute Antwort gefunden. Ich habe mir das Webinar von David Kenny angesehen, in dem dieser Fall als inkonsistente Vermittlung vorgestellt wird . Der Grund, warum sich Pfad c nicht signifikant von 0 unterscheidet, ist, dass das Produkt von a und b ein anderes Vorzeichen als das von c 'hat. In einem Beispiel, das Kenny gibt, führt Stress zu einer Abnahme der Stimmung (c 'ist negativ); Während Bewegung als Vermittler zwischen Stress und Stimmung positiv mit beiden korreliert (ab ist positiv). Da c = c '+ ab ist, könnte c nahe 0 sein, wenn die absoluten Werte von c' und ab nahe sind.

Kenny stellt im Webinar fest, dass die zeitgenössische Sichtweise das Testen von c und c 'für nicht ganz wesentlich hält; Der Mediationseffekt wird hauptsächlich durch ab angezeigt.

Ich stimme der Antwort von jsakaluk zu und möchte weitere relevante Informationen hinzufügen.

Die Methode von Baron und Kenny (1986) zum Testen der Mediation wurde ausgiebig angewendet, aber es gibt viele Artikel , in denen schwerwiegende Einschränkungen dieses Ansatzes erörtert werden , darunter im Großen und Ganzen:

1) Die Bedeutung eines indirekten Effekts nicht direkt testen

2) Geringe statistische Leistung

3) Unfähigkeit, Modelle mit inkonsistenter Mediation aufzunehmen

* Hinweis: Eine Übersicht finden Sie unter Memon, Cheah, Ramayah, Ting und Chuah (2018).

In Anbetracht dieser Einschränkungen wurde von Zhao, Lynch und Chen (2010) eine neue Typologie der Mediation entwickelt. Ab Oktober 2019 hat es über 5.000 Zitate, so dass es immer beliebter wird.

Als kurze Zusammenfassung und am Beispiel eines Kausalmodells mit drei Variablen gibt es Arten von Mediation.

1. Komplementäre Mediation: Der vermittelte Effekt (axb) und der direkte Effekt (c) sind beide vorhanden und weisen in dieselbe Richtung.

2. Wettbewerbsvermittlung: Vermittelte Wirkung (axb) und direkte Wirkung (c) existieren und weisen in entgegengesetzte Richtungen.

3. Indirekte Mediation: Es liegt eine vermittelte Wirkung (axb) vor, jedoch keine direkte Wirkung (c).

Ferner wurden zwei Nicht-Mediationsarten vorgeschlagen:

1. Direkte Nichtvermittlung: Direkter Effekt (c) besteht, aber kein indirekter Effekt.

2. Nicht-Mediation ohne Wirkung: Es besteht weder eine direkte Wirkung (c) noch eine indirekte Wirkung.

Somit würde der Fall des OP als nur indirekte Mediation eingestuft, da ein vermittelter Effekt vorliegt, der direkte Effekt (c ') jedoch nicht signifikant ist.

Verweise

MA Memon, J. Cheah, T. Ramayah, H. Ting & F. Chuah (2018). Fragen und Empfehlungen zur Mediationsanalyse. Journal of Applied Structural Equation Modeling, 2 (1), 1-9.

Zhao, X., Lynch Jr., JG & Chen, Q. (2010). Überdenken von Baron und Kenny: Mythen und Wahrheiten über die Mediationsanalyse. Journal of Consumer Research, 37 (2), 197-206.