E se o caminho c não for significativo, mas os caminhos aeb forem? Efeito indireto na mediação


12

Em um modelo de mediação clássico, temos os caminhos mostrados no diagrama abaixo

,

em que a primeira etapa de testar o efeito mediador de M entre X e Y é que X está significativamente correlacionado com Y (como mostrado no painel A da figura).

No entanto, eu esbarrei em uma situação onde Path um e Path b são fortemente significativa, mas não Path C . Comparado ao Caminho c, o Caminho c 'não é significativo, mas o coeficiente é diminuído.

Nesse caso, ainda é valioso falar sobre o relacionamento entre X, Y e M ?? Em caso afirmativo, qual é a melhor maneira de abordar esse relacionamento em um artigo? Podemos afirmar que X tem um efeito indireto, mas não um efeito direto em Y ??

Estou testando o mesmo modelo de caminho com três amostras, .n1=124,n2=49,n3=166


11
Por favor, adicione o sinal dos efeitos e magnitude. Se você tem um baixo N e simplesmente não têm um efeito significativo de c, mas é, no entanto, um número moderado significa algo diferente do que se c é muito mais perto de 0.
John

Respostas:


31

Sua abordagem para testar a mediação parece estar em conformidade com a "abordagem por etapas causais" descrita no artigo sobre métodos clássicos de Baron e Kenny (1986). Essa abordagem de mediação envolve as seguintes etapas:

  1. Teste se X e Y estão associados significativamente (o caminho c ); se não estiverem, pare a análise; Se eles são...
  2. Teste se X e M são significativamente associado (a um caminho); se não estiverem, pare a análise; Se eles são...
  3. Teste se M e Y estão associados significativamente após o controle de X (o caminho b ); se não estiverem, pare a análise; Se eles são...
  4. Compare o efeito direto de X (o caminho c ' que prevê Y de X após controlar M ) com o efeito total de X (o caminho c da Etapa 1). Se c' é mais próximo de zero do que C , e não-significativa, a pesquisa conclui que M medeia completamente a associação entre X e Y . Mas se c ' ainda é significativo, o pesquisador conclui que M é apenas um mediador "parcial" da influência de X sobreY .

Enfatizo a diferença entre efeitos diretos ( c ' ) e totais ( c ) porque, embora você tenha escrito ...

Podemos afirmar que X tem um efeito indireto, mas não um efeito direto em Y ??

Eu acho que você está realmente preocupado com a legitimidade de afirmar que X tem uma indireta, mas não um total de efeito sobre Y .

A resposta curta

Sim, é legítimo concluir que M medeia a associação entre X e Y, mesmo que o efeito total ( c ) não seja significativo. A abordagem das etapas causais, embora historicamente popular, foi amplamente substituída por métodos de teste para mediação mais estatisticamente poderosos, fazem menos suposições dos dados e são logicamente mais coerentes. Hayes (2013) tem uma explicação maravilhosamente acessível e completa das muitas limitações da abordagem por etapas causais em seu livro.

Confira outras abordagens mais rigorosas, incluindo os métodos de inicialização (MacKinnon et al., 2004) e Monte Carlo (Preacher & Selig, 2012). Ambos os métodos estimam um intervalo de confiança do próprio efeito indireto (o caminho ab ) - como eles diferem entre os métodos - e você examina o intervalo de confiança para ver se 0 é um valor plausível. Ambos são muito fáceis de implementar em sua própria pesquisa, independentemente de qual software de análise estatística você usa.

A resposta mais longa

Sim, é legítimo concluir que M medeia a associação entre X e Y, mesmo que o efeito total ( c ) não seja significativo. De fato, existe um consenso relativamente grande entre os estatísticos de que o efeito total ( c ) não deve ser usado como um 'gatekeeper' para testes de mediação (por exemplo, Hayes, 2009; Shrout & Bolger, 2002) por alguns motivos:

  1. A abordagem das etapas causais tenta avaliar estatisticamente a presença da mediação sem nunca avaliar diretamente o efeito indireto (o caminho ab , ou c-c ', se você preferir). Isso parece ilógico, especialmente porque existem inúmeras maneiras fáceis de estimar / testar diretamente o efeito indireto.
  2. A abordagem de etapas causais depende de múltiplos testes de significância. Às vezes, os testes de significância funcionam como deveriam, mas podem ser descarrilados quando as suposições dos testes inferenciais não são cumpridas e / ou quando os testes inferenciais são insuficientes (acho que é isso que John estava obtendo no comentário à sua pergunta). Assim, a mediação pode realmente estar acontecendo em um determinado modelo, mas o efeito total ( c ) pode não ser significativo, simplesmente porque o tamanho da amostra é pequeno ou as suposições para o teste do efeito total não foram atendidas. E como a abordagem por etapas causais depende do resultado de dois outros testes de significância, faz com que as etapas causais se aproximem de um dos testes de mediação menos poderosos (Preacher & Selig, 2008).
  3. O efeito total ( c ) é entendido como a soma do efeito direto ( c ' ) e todos os efeitos indiretos ( ab (1) , ab (2) ...). Finja que a influência de X em Y é totalmente mediada (ou seja, c ' é 0) por duas variáveis, M1 e M2 . Mas finja ainda que o efeito indireto de X em Y a M1 é positivo, enquanto o efeito indireto em M2 é negativo e os dois efeitos indiretos são comparáveis ​​em magnitude. A soma desses dois efeitos indiretos forneceria um efeito total ( c) de zero e, no entanto, se você adotasse a abordagem de etapas causais, perderia não apenas uma mediação "real", mas duas.

As alternativas que eu recomendaria à abordagem de etapas causais para testar a mediação incluem os métodos de inicialização (MacKinnon et al., 2004) e Monte Carlo (Preacher & Selig, 2012). O método Bootstrapping envolve coletar um número superficialmente grande de amostras aleatórias com a substituição (por exemplo, 5000) do mesmo tamanho de amostra de seus próprios dados, estimando o efeito indireto (o abcaminho) em cada amostra, ordenando essas estimativas do menor para o maior e, em seguida, defina um intervalo de confiança para o efeito indireto de inicialização, como dentro de algum intervalo de percentis (por exemplo, 2,5º e 97,5º para um intervalo de confiança de 95%). Macros de inicialização para efeitos indiretos estão disponíveis para software de análise estatística como SPSS e SAS, pacotes estão disponíveis para R e outros programas (por exemplo, Mplus) possuem recursos de inicialização já integrados.

O método Monte Carlo é uma boa alternativa quando você não possui os dados originais ou nos casos em que a inicialização não é possível. Tudo que você precisa são as estimativas de parâmetros para os um e b caminhos, variância de cada caminho, e a covariância entre os dois caminhos (muitas vezes, mas nem sempre 0). Com esses valores estatísticos, você pode simular uma distribuição superficialmente grande (por exemplo, 20.000) de valores ab e, como a abordagem de bootstrapping, ordená-los do menor para o maior e definir um intervalo de confiança. Embora você possa programar sua própria calculadora de mediação de Monte Carlo, Kris Preacher tem uma boa disponível gratuitamente para uso em seu site (consulte Preacher & Selig, 2012, para acompanhar o artigo)

Para ambas as abordagens, você examinaria o intervalo de confiança para ver se ele contém um valor 0; caso contrário, você pode concluir que possui um efeito indireto significativo.

Referências

Baron, RM & Kenny, DA (1986). A distinção da variável moderador-mediador na pesquisa em psicologia social: considerações conceituais, estratégicas e estatísticas. Journal of Personality and Social Psychology , 51 , 1173-1182.

Hayes, AF (2013). Introdução à mediação, moderação e análise de processos condicionais: uma abordagem baseada em regressão. Nova York, NY: Guilford.

Hayes, AF (2009). Além de Baron e Kenny: análise estatística da mediação no novo milênio. Monografias de Comunicação , 76 408-420.

MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Limites de confiança para o efeito indireto: distribuição do produto e métodos de reamostragem. Pesquisa Comportamental Multivariada , 39 , 99-128.

Pregador, KJ e Selig, JP (2012). Vantagens dos intervalos de confiança de Monte Carlo para efeitos indiretos. Métodos e medidas de comunicação , 6 , 77-98.

Shrout, PE, & Bolger, N. (2002). Mediação em estudos experimentais e não experimentais: novos procedimentos e recomendações. Psychological Methods , 7 , 422-445.


Obrigado! Foi muito útil! Eu tinha vários modelos que a ligação superior do IC é tão próxima de 0, por exemplo, o IC mostrado no meu resultado é [-.1549, .0031]. Isso significa que ainda preciso rejeitar a hipótese nula? Eu usei PROCESS e bootstrapping para minha análise.
fishbean 11/12/2015

Você falharia em rejeitar o nulo; 0 cai entre -.1549 e .0031, portanto, você não pode concluir que o caminho ab é maior que zero.
jsakaluk

2
+6, este é o tipo de resposta que mais gostaríamos no CV. Espero que apenas 1 voto positivo não o desanime de fornecer mais no futuro. Talvez uma recompensa possa ajudar a obter essa discussão com a atenção que merece.
gung - Restabelece Monica

Lamento, isso não trouxe mais votos positivos, @jsakaluk. Esta é uma ótima resposta; Espero que você continue a fornecê-los.
gung - Restabelece Monica

Não se preocupe @gung. Agradeço o apoio. Eu havia recuado um pouco depois de investir muito tempo em uma pergunta anterior que acabou sendo altamente votada, apenas para que a CW rapidamente se tornasse um pouco chata, então essa experiência foi um bom incentivador.
jsakaluk

0

Ok, acho que encontrei uma boa resposta. Dei uma olhada no webinar de David Kenny, que apresenta esse caso como mediação inconsistente . A razão pela qual o caminho c não é significativamente diferente de 0 é que o produto de aeb tem um sinal diferente do de c '. Em um exemplo que Kenny dá, o estresse leva a uma diminuição do humor (c 'é negativo); enquanto o exercício como mediador entre estresse e humor está positivamente correlacionado a ambos (ab é positivo). Como c = c '+ ab, quando os valores absolutos de c' e ab estão próximos, c pode estar próximo de 0.

Kenny observa no webinar que a visão contemporânea considera o teste de c e c 'não muito essencial; o efeito de mediação é exibido principalmente por meio de ab.


Por uma questão de posteridade, você poderia usar um único conjunto de nomes de variáveis ​​em seu diagrama e texto? Atualmente você tem "IV" e "X" e "Stress", todos denotando a mesma coisa, e assim por diante.
Roland2

0

Concordo com a resposta do jsakaluk e gostaria de adicionar informações mais relevantes.

O método de Baron e Kenny (1986) para testar a mediação tem sido extensivamente aplicado, mas há muitos trabalhos discutindo limitações severas dessa abordagem, que incluem:

1) Não testar diretamente a importância de um efeito indireto

2) Baixo poder estatístico

3) Incapacidade de acomodar modelos com mediação inconsistente

* Nota: consulte Memon, Cheah, Ramayah, Ting e Chuah (2018) para obter uma visão geral.

Considerando essas limitações, uma nova tipologia de mediação foi desenvolvida por Zhao, Lynch e Chen (2010). Em outubro de 2019, ele tem mais de 5.000 citações, por isso está ganhando maior popularidade.

Como um breve resumo, e tomando um modelo causal de três variáveis ​​como exemplo, existem tipos de mediação.

  1. Mediação complementar: efeito mediado (axb) e efeito direto (c) existem e apontam na mesma direção.

  2. Mediação competitiva: efeito mediado (axb) e efeito direto (c) existem e apontam em direções opostas.

  3. Mediação indireta apenas: existe efeito mediado (axb), mas nenhum efeito direto (c).

Além disso, foram propostos dois tipos de não mediação:

  1. Não mediação direta apenas: Efeito direto (c) existe, mas nenhum efeito indireto.

  2. Não-mediação sem efeito: Efeito direto inferior (c), não existe efeito indireto.

Assim, o caso do OP seria classificado como mediação indireta apenas, pois existe efeito mediado, mas o efeito direto (c ') não é significativo.

Referências

Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Questões e Recomendações de Análise de Mediação. Jornal de Modelagem de Equações Estruturais Aplicadas, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG e Chen, Q. (2010). Reconsiderando Baron e Kenny: Mitos e verdades sobre a análise da mediação. Journal of Consumer Research, 37 (2), 197-206.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.