В статистике, А посредничество модель стремится идентифицировать и объяснить механизм или процесс, который лежит в основе наблюдаемого соотношения между независимым переменным и зависимой переменным с помощью включения третьего гипотетических переменного, известного как переменный медиатора (также опосредующего переменная, переменной посредника, или промежуточная переменная). Вместо прямой причинной связи между независимой переменной и зависимой переменной модель посредничества предлагает, чтобы независимая переменная влияла на (ненаблюдаемую) переменную-посредник, которая, в свою очередь, влияет на зависимую переменную. Таким образом, переменная-посредник служит для выяснения характера взаимосвязи между независимыми и зависимыми переменными.
Анализ посредничества используется для понимания известной взаимосвязи путем изучения лежащего в основе механизма или процесса, посредством которого одна переменная влияет на другую переменную через переменную-посредник. В частности, анализ посредничества может способствовать лучшему пониманию взаимосвязи между независимой переменной и зависимой переменной, когда эти переменные не имеют очевидной прямой связи.
Барон и Кенни (1986) выдвинули несколько требований, которые должны быть выполнены, чтобы сформировать настоящие посреднические отношения. Они описаны ниже на реальном примере. См. Диаграмму выше для визуального представления общих опосредующих отношений, которые необходимо объяснить. Примечание: Хейс (2009) раскритиковал подход Барона и Кенни к шагам посредничества, и по состоянию на 2019 год Дэвид А. Кенни на своем веб-сайте заявил, что посредничество может существовать в отсутствие «значительного» общего эффекта, и поэтому шаг 1 ниже может быть неприменим. нужный. Эту ситуацию иногда называют «непоследовательным посредничеством». В более поздних публикациях Хейса также ставились под сомнение концепции полной или частичной медиации и предлагалось отказаться от этих терминов, наряду с описанным ниже классическим подходом к этапам медиации.
Шаг 1:
Шаг 2:
Шаг 3:
Пример
Следующий пример, взятый из Howell (2009), объясняет каждый шаг требований Барона и Кенни для дальнейшего понимания того, как характеризуется эффект посредничества. Шаг 1 и шаг 2 используют простой регрессионный анализ, тогда как шаг 3 использует множественный регрессионный анализ.
Шаг 1:
Шаг 2:
Шаг 3:
Такие выводы могут привести к выводу, что ваши чувства компетентности и самоуважения опосредуют связь между тем, как вы были воспитаны, и тем, насколько уверенно вы относитесь к воспитанию собственных детей.
Примечание: если шаг 1 не дает значимого результата, у вас все еще есть основания для перехода к шагу 2. Иногда действительно существует значимая взаимосвязь между независимыми и зависимыми переменными, но из-за небольшого размера выборки или других посторонних факторов не могло быть. быть достаточно мощным, чтобы предсказать эффект, который действительно существует.
На диаграмме, показанной выше, косвенный эффект является произведением коэффициентов пути «A» и «B». Прямое влияние - коэффициент «С '». Прямой эффект измеряет степень изменения зависимой переменной, когда независимая переменная увеличивается на одну единицу, а переменная-посредник остается неизменной. Напротив, косвенный эффект измеряет степень изменения зависимой переменной, когда независимая переменная остается фиксированной, а переменная-посредник изменяется на величину, которую она изменила бы, если бы независимая переменная увеличилась на одну единицу.
Косвенный эффект в простой модели посредничества: косвенный эффект определяет степень, в которой переменная X влияет на переменную Y через посредника.В линейных системах общий эффект равен сумме прямого и косвенного ( C '+ AB в модели выше). В нелинейных моделях общий эффект обычно не равен сумме прямого и косвенного эффектов, а равен их модифицированной комбинации.
Переменная-посредник может учитывать все или некоторые наблюдаемые отношения между двумя переменными.
Полное посредничество
Максимальное свидетельство посредничества, также называемое полным посредничеством, будет иметь место, если включение переменной посредничества приведет к снижению отношения между независимой переменной и зависимой переменной (см. Путь c на диаграмме выше) до нуля.
Полная модель посредничестваЧастичное посредничество
Модель частичного посредничества включает прямой эффектЧастичное посредничество утверждает, что посредническая переменная учитывает некоторые, но не все отношения между независимой переменной и зависимой переменной. Частичное посредничество подразумевает, что существует не только значимая связь между посредником и зависимой переменной, но также некоторая прямая связь между независимой и зависимой переменной.
Чтобы установить полное или частичное посредничество, уменьшение дисперсии, объясняемое независимой переменной, должно быть значительным, что определяется одним из нескольких тестов, например, тестом Собеля. Влияние независимой переменной на зависимую переменную может стать несущественным, когда посредник вводится просто потому, что объясняется тривиальная величина дисперсии (т. Е. Не истинное посредничество). Таким образом, перед утверждением полного или частичного посредничества необходимо продемонстрировать значительное сокращение дисперсии, объясняемой независимой переменной. Возможны статистически значимые косвенные эффекты при отсутствии общего эффекта. Это можно объяснить наличием нескольких путей-посредников, которые нейтрализуют друг друга и становятся заметными, когда контролируется один из нейтрализующих посредников. Это означает, что термины «частичное» и «полное» посредничество всегда следует интерпретировать относительно набора переменных, присутствующих в модели. Во всех случаях операцию «фиксации переменной» следует отличать от операции «управления переменной», которая неправильно использовалась в литературе. Первый означает физическое исправление, в то время как последний означает создание условий, корректировку или добавление к регрессионной модели. Эти два понятия совпадают только тогда, когда все члены ошибок (не показанные на диаграмме) статистически некоррелированы. Когда ошибки коррелированы, необходимо внести корректировки, чтобы нейтрализовать эти корреляции, прежде чем приступать к анализу посредничества (см. Байесовские сети ).
Как упоминалось выше, тест Собела выполняется, чтобы определить, значительно ли уменьшилась связь между независимой переменной и зависимой переменной после включения переменной-посредника. Другими словами, этот тест оценивает, является ли эффект посредничества значительным. Он исследует отношения между независимой переменной и зависимой переменной по сравнению с отношениями между независимой переменной и зависимой переменной, включая фактор посредничества.
Тест Собела более точен, чем шаги Барона и Кенни, описанные выше; однако он имеет низкую статистическую мощность. Таким образом, требуются большие размеры выборки, чтобы иметь достаточную мощность для обнаружения значительных эффектов. Это потому, что ключевым предположением теста Собеля является предположение о нормальности. Поскольку тест Собела оценивает данную выборку по нормальному распределению, небольшие размеры выборки и асимметрия распределения выборки могут быть проблематичными (см. Раздел Нормальное распределение для более подробной информации). Таким образом, эмпирическое правило, предложенное MacKinnon et al. (2002), состоит в том, что размер выборки 1000 требуется для обнаружения небольшого эффекта, размер выборки 100 достаточен для обнаружения среднего эффекта, а размер выборки составляет 50 требуется для обнаружения большого эффекта.
Метод начальной загрузки дает некоторые преимущества тесту Собеля, в первую очередь увеличение мощности. Метод начальной загрузки Проповедника и Хейса - это непараметрический тест (см. Непараметрическую статистику для обсуждения непараметрических тестов и их возможностей). Таким образом, метод начальной загрузки не нарушает предположений о нормальности и поэтому рекомендуется для небольших размеров выборки. Начальная загрузка включает в себя многократную случайную выборку наблюдений с заменой из набора данных для вычисления желаемой статистики в каждой повторной выборке. Вычисление сотен или тысяч повторных выборок начальной загрузки обеспечивает приближение выборочного распределения интересующей статистики. Hayes предлагает макрос lt; http://www.afhayes.com/ gt;, который вычисляет начальную загрузку непосредственно в SPSS, компьютерной программе, используемой для статистического анализа. Этот метод обеспечивает точечные оценки и доверительные интервалы, с помощью которых можно оценить значимость или незначительность эффекта посредничества. Точечные оценки показывают среднее значение по количеству самонастраиваемых выборок, и если ноль не попадает между результирующими доверительными интервалами метода самонастройки, можно с уверенностью заключить, что существует значительный эффект посредничества, о котором следует сообщить.
Как указано выше, есть несколько различных вариантов, из которых можно выбрать для оценки модели посредничества.
Самостоятельная загрузка становится наиболее популярным методом тестирования посредничества, поскольку не требует соблюдения предположения о нормальности и потому, что его можно эффективно использовать с меньшими размерами выборки ( N lt;25). Однако посредничество по-прежнему чаще всего определяется с использованием логики Барона и Кенни или теста Собеля. Становится все труднее публиковать тесты посредничества, основанные исключительно на методе Барона и Кенни, или тесты, которые делают предположения о распределении, такие как тест Собела. Таким образом, при выборе теста важно учитывать ваши возможности.
В то время как концепция медиации, как она определяется в психологии, является теоретически привлекательной, методы, используемые для эмпирического изучения медиации, оспариваются статистиками и эпидемиологами и интерпретируются формально.
(1) Схема экспериментально-причинно-следственной цепочки
Схема экспериментально-причинно-следственной цепи используется, когда предложенным посредником экспериментально манипулируют. Такой дизайн подразумевает, что человек манипулирует некоторой контролируемой третьей переменной, которая, как они имеют основания полагать, может быть основным механизмом данной связи.
(2) Схема измерения посредничества
План измерения посредничества можно концептуализировать как статистический подход. Такой план подразумевает, что каждый измеряет предложенную промежуточную переменную, а затем использует статистический анализ для установления посредничества. Этот подход не предполагает манипулирования гипотетической опосредующей переменной, а включает только измерение.
Экспериментальные подходы к медиации нужно применять с осторожностью. Во-первых, важно иметь сильную теоретическую поддержку исследовательского исследования потенциальной опосредующей переменной. Критика подхода к посредничеству основывается на способности манипулировать и измерять посредническую переменную. Таким образом, необходимо иметь возможность манипулировать предложенным посредником приемлемым и этичным образом. Таким образом, нужно уметь измерять вмешивающийся процесс, не влияя на результат. Посредник также должен иметь возможность установить конструктивную обоснованность манипуляции. Одна из наиболее частых критических замечаний по поводу подхода измерения посредничества заключается в том, что это, в конечном счете, корреляционный дизайн. Следовательно, возможно, что какая-то другая третья переменная, независимая от предложенного посредника, может быть ответственна за предложенный эффект. Однако исследователи приложили немало усилий, чтобы предоставить доказательства этому пренебрежению. В частности, были выдвинуты следующие контраргументы:
(1) Временной приоритет. Например, если независимая переменная предшествует зависимой переменной во времени, это предоставит доказательства, предполагающие направленную и потенциально причинную связь между независимой переменной и зависимой переменной.
(2) Беспредметность и / или отсутствие смешения. Например, если кто-то идентифицирует другие третьи переменные и докажет, что они не изменяют отношения между независимой переменной и зависимой переменной, у него / нее будет более веский аргумент в пользу их посреднического эффекта. См. Другие 3-е переменные ниже.
Посредничество может быть чрезвычайно полезным и мощным статистическим тестом; однако его необходимо использовать правильно. Важно, чтобы меры, используемые для оценки посредника и зависимой переменной, были теоретически разными и чтобы независимая переменная и посредник не могли взаимодействовать. Если существует взаимодействие между независимой переменной и посредником, есть основания исследовать модерацию.
(1) Смешение:
В экспериментальных исследованиях особое внимание уделяется аспектам экспериментальных манипуляций или условий, которые могут учитывать эффекты исследования, а не мотивирующим теоретическим факторам. Любая из этих проблем может привести к ложным отношениям между независимыми и зависимыми переменными при измерении. Игнорирование смешивающей переменной может привести к искажению эмпирических оценок причинного эффекта независимой переменной.
(2) Подавление:
В общем, пропуск подавителей или искажающих факторов приведет либо к недооценке, либо к переоценке влияния A на X, тем самым либо уменьшая, либо искусственно раздувая величину взаимосвязи между двумя переменными.
(3) Модераторы:
Посредничество и модерация могут сочетаться в статистических моделях. Возможно посредничество умеренного и умеренного посредничества.
Умеренное посредничество - это когда эффект лечения А на посредника и / или частичный эффект В на зависимую переменную, в свою очередь, зависит от уровней другой переменной (модератора). По сути, при модерированном посредничестве сначала устанавливается посредничество, а затем исследуется, регулируется ли эффект посредничества, который описывает взаимосвязь между независимой переменной и зависимой переменной, разными уровнями другой переменной (например, модератором). Это определение было дано Мюллером, Джаддом и Изербитом (2005) и Проповедником, Ракером и Хейсом (2007).
Существует пять возможных моделей модерируемого посредничества, как показано на диаграммах ниже.
Первый вариант: независимая переменная модерирует путь B. | Второй вариант: четвертая переменная модерирует путь A. | Третий вариант: четвертая переменная модерирует путь B. | Четвертый вариант: четвертый умеряет переменный как путь и B путь. | Пятый вариант: четвертая переменная модерирует путь A, а пятая переменная модерирует путь B. |
Опосредованная модерация - это вариант как модерации, так и посредничества. Здесь изначально происходит общая модерация и опосредовано прямое влияние переменной-модератора на результат. Основное различие между опосредованной модерацией и модерируемой медиацией заключается в том, что для первого существует начальная (общая) модерация, и этот эффект опосредован, а для последнего нет модерации, но влияние лечения на медиатора (путь A) модерируется. или влияние посредника на результат (путь B) смягчается.
Чтобы установить опосредованную модерацию, необходимо сначала установить модерацию, что означает, что направление и / или сила взаимосвязи между независимыми и зависимыми переменными (путь C) различаются в зависимости от уровня третьей переменной (переменной-модератора). Затем исследователи ищут наличие опосредованной модерации, когда у них есть теоретическая причина полагать, что существует четвертая переменная, которая действует как механизм или процесс, вызывающий связь между независимой переменной и модератором (путь A) или между модератором и модератором. зависимая переменная (путь C).
Пример
Ниже приводится опубликованный пример опосредованной модерации в психологических исследованиях. Участникам был представлен начальный стимул (прайм), который заставлял их думать о морали или заставлял думать о силе. Затем они участвовали в игре «Дилемма заключенного» (PDG), в которой участники делают вид, что они и их партнер в преступлении арестованы, и они должны решить, оставаться ли верными своему партнеру или конкурировать со своим партнером и сотрудничать с властями. Исследователи обнаружили, что на просоциальных индивидуумов влияет мораль и они могут быть первыми, в то время как на самих себя - нет. Таким образом, социальная ценностная ориентация (про себя против просоциальной) смягчала отношения между основным (независимая переменная: мораль против могущества) и поведением, выбранным в PDG (зависимая переменная: соревнование против сотрудничества).
Затем исследователи искали наличие опосредованного эффекта умеренности. Регрессионный анализ показал, что тип основного (мораль против могущества) опосредовал модерирующие отношения социальной ценностной ориентации участников на поведение PDG. Просоциальные участники, испытавшие прайм морали, ожидали, что их партнер будет сотрудничать с ними, поэтому они решили сотрудничать сами. Просоциальные участники, которые испытали на себе возможные проблемы, ожидали, что их партнер будет конкурировать с ними, что повысило их вероятность конкуренции со своим партнером и сотрудничества с властями. Напротив, участники с ориентацией на личные социальные ценности всегда действовали соревновательно.
Muller, Judd и Yzerbyt (2005) описывают три фундаментальные модели, которые лежат в основе как умеренного посредничества, так и опосредованного посредничества. Mo представляет собой модераторную переменную (и), Me представляет медиаторную (ые) переменную (ы), а ε i представляет ошибку измерения каждого уравнения регрессии.
Шаг 1: Модерация взаимосвязи между независимой переменной (X) и зависимой переменной (Y), также называемая общим эффектом лечения (путь C на диаграмме).
Шаг 2: Модерация взаимосвязи между независимой переменной и посредником (путь A).
Шаг 3: Модерация отношений между независимыми и зависимыми переменными (путь A) и отношения между посредником и зависимой переменной (путь B).
Анализ посредничества количественно определяет степень, в которой переменная участвует в передаче изменения от причины к ее следствию. По сути, это причинное понятие, поэтому его нельзя определить в статистических терминах. Однако традиционно основная часть анализа посредничества проводилась в рамках линейной регрессии со статистической терминологией, скрывающей причинный характер вовлеченных отношений. Это привело к трудностям, предубеждениям и ограничениям, которые были устранены современными методами причинного анализа, основанными на причинных диаграммах и контрфактической логике.
Источник этих трудностей заключается в определении посредничества в терминах изменений, вызванных добавлением третьей переменной в уравнение регрессии. Такие статистические изменения являются эпифеноменами, которые иногда сопровождают опосредование, но в целом не отражают причинно-следственные связи, которые анализ медиации стремится определить количественно.
Основная предпосылка причинного подхода состоит в том, что не всегда уместно «контролировать» посредника M, когда мы стремимся оценить прямое влияние X на Y (см. Рисунок выше). Классическое обоснование «контроля» для M »состоит в том, что, если нам удастся предотвратить изменение M, то любые изменения, которые мы измеряем в Y, можно отнести исключительно к вариациям X, и мы вправе провозглашать наблюдаемый эффект как« прямой эффект ». из X на Y.»к сожалению,„контроль за М “физически не допустить M от изменений, а лишь сужает внимание аналитика на случаи равных M. значений Кроме того, язык теории вероятностей не имеет обозначения для выражения идеи из «предотвращения M от изменения» или «физически удерживая M постоянного». Единственная вероятность оператора предоставляет это «Conditioning», которая является то, что мы делаем, когда «контроль» для М, или добавить M как регрессор в уравнении для Y. Результат состоит в том, что вместо того, чтобы физически поддерживать M "постоянной (скажем, при M = m) и сравнивать Y для единиц при X = 1 'с единицами при X = 0, мы позволяем M варьироваться, но игнорируем все единицы, кроме тех, в которых M достигает значение M = m. Эти две операции принципиально разные и дают разные результаты, за исключением случая, когда переменные не пропущены.
Для иллюстрации предположим, что члены ошибок M и Y коррелированы. В таких условиях, структурный коэффициент B и (между М и Y, а также между Y и X) не может быть больше не оцениваются регрессия Y на X и M. Фактически, оба наклона регрессии могут быть отличными от нуля, даже когда C равно нулю. Это имеет два последствия. Во- первых, новые стратегии должны быть разработаны для оценки структурных коэффициентов А, В и С. Во-вторых, основные определения прямых и косвенных эффектов должны выходить за рамки регрессионного анализа и должны включать операцию, имитирующую «фиксацию M », а не «обусловливание M ».
Такой оператор, обозначенный do ( M = m), был определен в Pearl (1994), и он действует, удаляя уравнение M и заменяя его константой m. Например, если базовая модель посредничества состоит из уравнений:
то после применения оператора do ( M = m) модель становится:
и после применения оператора do ( X = x) модель становится:
где функции f и g, а также распределения погрешностей ε 1 и ε 3 остаются неизменными. Если мы далее переименуем переменные M и Y, полученные в результате do ( X = x), в M ( x) и Y ( x), соответственно, мы получим то, что стало известно как «потенциальные результаты» или «структурные контрфакты». Эти новые переменные обеспечивают удобные обозначения для определения прямых и косвенных эффектов. В частности, для перехода от X = 0 к X = 1 были определены четыре типа эффектов:
(а) Общий эффект -
(б) Контролируемое прямое воздействие -
(c) Естественное прямое воздействие -
(d) Естественное косвенное воздействие
Где E [] означает ожидание, принятое за ошибочные члены.
Эти эффекты имеют следующие интерпретации:
Управляемая версия косвенного эффекта не существует, потому что нет способа отключить прямой эффект, зафиксировав переменную на константе.
Согласно этим определениям общий эффект можно разложить на сумму
где NIE r обозначает обратный переход от X = 1 к X = 0; он становится аддитивным в линейных системах, где обращение переходов влечет за собой изменение знака.
Сила этих определений заключается в их общности; они применимы к моделям с произвольными нелинейными взаимодействиями, произвольными зависимостями между возмущениями и как непрерывными, так и категориальными переменными.
В линейном анализе все эффекты определяются суммой произведений структурных коэффициентов, что дает
Следовательно, все эффекты поддаются оценке всякий раз, когда модель идентифицирована. В нелинейных системах необходимы более строгие условия для оценки прямых и косвенных эффектов. Например, если смешение отсутствует (т. Е. Ε 1, ε 2 и ε 3 взаимно независимы), можно вывести следующие формулы:
Последние два уравнения называются формулами посредничества и стали объектом оценки во многих исследованиях посредничества. Они дают выражения, не зависящие от распределения, для прямых и косвенных эффектов и демонстрируют, что, несмотря на произвольную природу распределений ошибок и функций f, g и h, опосредованные эффекты, тем не менее, могут быть оценены на основе данных с использованием регрессии. Анализ модерируемого посредничества и посредников-модераторов относится к частным случаям анализа каузального посредничества, а формулы посредничества определяют, как различные коэффициенты взаимодействия вносят вклад в необходимые и достаточные компоненты посредничества.
Модель последовательного посредничества с двумя переменными-посредниками.Предположим, что модель имеет вид
где параметр квантифицирует степень, в которой М модифицирует влияние X на Y. Даже когда все параметры оцениваются на основе данных, все еще не очевидно, какие комбинации параметров измеряют прямое и косвенное влияние X на Y, или, что более практично, как оценить долю общего эффекта, которая объясняется посредничеством и часть этого причитается посредничеству. В линейном анализе первая фракция улавливается продуктом, вторая - разностью, и эти две величины совпадают. Однако при наличии взаимодействия каждая фракция требует отдельного анализа в соответствии с формулой посредничества, которая дает:
Таким образом, доля выходного ответа, для которой было бы достаточно посредничества, равна
в то время как фракция, для которой посредничество было бы необходимым есть
Эти фракции включают неочевидные комбинации параметров модели и могут быть построены механически с помощью формулы посредничества. Важно отметить, что из-за взаимодействия прямой эффект может поддерживаться даже тогда, когда параметр обращается в ноль, и, более того, общий эффект может сохраняться даже тогда, когда исчезают как прямые, так и косвенные эффекты. Это показывает, что оценка параметров по отдельности мало что говорит нам об эффекте посредничества, и, в более общем плане, посредничество и модерация взаимосвязаны и не могут быть оценены по отдельности.
По состоянию на 19 июня 2014 года эта статья полностью или частично взята из книги « Причинный анализ в теории и практике». Владелец авторских прав лицензировал контент таким образом, чтобы разрешить повторное использование в соответствии с CC BY-SA 3.0 и GFDL. Все соответствующие условия должны быть соблюдены.