Välitys tilastoissa

Tilastoissa mediaatiomalli pyrkii tunnistamaan ja selittämään riippumattoman muuttujan ja riippuvan muuttujan välisen havaitun suhteen taustalla olevaa mekanismia sisällyttämällä siihen kolmannen hypoteettisen muuttujan, joka tunnetaan välittäjämuuttujana tai välimuuttujana. Välitysmallissa oletetaan riippumattoman muuttujan ja riippuvan muuttujan välisen suoran syy -yhteyden sijaan , että riippumaton muuttuja vaikuttaa havaitsemattomaan välittäjämuuttujaan, joka puolestaan vaikuttaa riippuvaiseen muuttujaan. Siten välittäjämuuttuja selventää riippumattomien ja riippuvaisten muuttujien välisen suhteen luonnetta [1] .

Välitysanalyysi on tarpeen tunnetun suhteen ymmärtämiseksi tutkimalla taustalla olevaa mekanismia, jolla yksi muuttuja vaikuttaa toiseen muuttujaan välittäjämuuttujan kautta.

Suorat ja epäsuorat vaikutukset

Suora vaikutus mittaa kuinka paljon riippuva muuttuja muuttuu, kun riippumatonta muuttujaa kasvatetaan yhdellä ja välittäjämuuttuja pysyy muuttumattomana. Sitä vastoin epäsuora vaikutus mittaa sitä, kuinka paljon riippuva muuttuja muuttuu, kun riippumaton muuttuja pysyy kiinteänä, ja välittäjämuuttuja muuttuu sen verran, kuin se muuttuisi, jos riippumatonta muuttujaa lisättäisiin yhdellä arvolla [2] . Epäsuora vaikutus kuvaa sitä, missä määrin muuttuja X vaikuttaa muuttujaan Y välittäjän kautta. Kaaviossa epäsuora vaikutus on kertoimien ja . Suora vaikutus on kerroin . Lineaarisissa järjestelmissä kokonaisvaikutus on yhtä suuri kuin suorien ja epäsuorien summa ( kaaviossa). Epälineaarisissa malleissa kokonaisvaikutus ei yleensä ole yhtä suuri kuin suorien ja epäsuorien vaikutusten summa, vaan se on näiden kahden vaikutuksen modifioitu yhdistelmä [3] . $A$ $B$ $C'$ $C'+AB$

Täysi ja osittainen sovittelu

Välittäjämuuttuja voi joko täysin tai osittain selittää havaitun suhteen kahden muuttujan välillä.

Täysi mediaatiossa välittäjämuuttujan sisällyttäminen pienentää riippumattoman ja riippuvan muuttujan välisen suhteen ( kaaviossa) nollaan. $C$

Osittaisessa sovittelussa välittäjämuuttuja selittää osan, mutta ei kaikkea, riippumattoman ja riippuvan muuttujan välisestä suhteesta. Osittaiseen sovitteluun ei liity ainoastaan merkittävä suhde välittäjän ja riippuvaisen muuttujan välillä, vaan myös jonkinasteinen suora suhde riippumattoman ja riippuvan muuttujan välillä. Välityksen tyypin määrittämiseksi riippumattoman muuttujan varianssin pienenemisen on oltava merkittävä. Tässä tapauksessa Sobel-testiä [4] käytetään merkitsevyystason määrittämiseen .

Riippumattoman muuttujan vaikutus riippuvaan muuttujaan voi muuttua merkityksettömäksi, kun välittäjä otetaan käyttöön johtuen pienestä varianssin muutoksista . Siten on välttämätöntä osoittaa riippumattoman muuttujan selittämän varianssin merkittävä väheneminen ennen kuin vaaditaan täydellistä tai osittaista sovittelua. Tilastollisesti merkittäviä epäsuoria vaikutuksia on mahdollista saada ilman täydellistä vaikutusta, mikä selittyy useiden välireittien läsnäololla, jotka kumoavat toisensa ja tulevat havaittaviksi, kun yksi välittäjistä on kiinnitetty [2] . Tämä tarkoittaa, että termit "osittainen" ja "täysi" välitys on aina tulkittava suhteessa mallissa esiintyviin muuttujiin [5] . On syytä erottaa muuttujan kiinnittäminen ja säätäminen tai sen säätäminen regressiomallista riippuen. Nämä käsitteet ovat samat vain silloin, kun kaikki virhetermit, joita ei näy kaaviossa, ovat tilastollisesti korreloimattomia . Kun virheet korreloivat, on tehtävä säätöjä näiden korrelaatioiden neutraloimiseksi ennen kuin siirrytään välitysanalyysiin.

Sobel testi

Sobel-testi suoritetaan sen määrittämiseksi, vähenikö riippumattoman ja riippuvan muuttujan välinen suhde merkittävästi välittäjämuuttujan sisällyttämisen jälkeen. Toisin sanoen tämä testi arvioi, onko sovittelun vaikutus merkittävä [4] .

Sobel-testi on tarkempi kuin Baronin ja Kennyn [6] askeleet - toinen menetelmä sovittelun merkityksen määrittämiseen, mutta ensimmäisellä on alhainen tilastollinen teho . Tämä tarkoittaa, että tarvitaan suuria näytteitä merkittävien vaikutusten havaitsemiseksi. Tämä johtuu siitä, että Sobel-testin taustalla oleva oletus on oletus normaalista. Koska Sobel-testi arvioi näytteen normaalijakauman mukaan , pienet otoskoot ja otosjakauman vinous voivat olla ongelmallisia. Siksi tätä testiä varten ehdotettiin nyrkkisääntöä, joka koostuu siitä, että pienen vaikutuksen havaitsemiseksi vaaditaan 1000 otoskoko, keskisuuren vaikutuksen havaitsemiseksi - 100:sta, suuren vaikutuksen havaitsemiseksi - 50:stä [ 7] .

Bootstrap-menetelmä

Bootstrap-menetelmällä on joitain etuja Sobel-testiin verrattuna, pääasiassa tehon lisäys. Se on ei -parametrinen . Näin ollen bootstrap-menetelmä ei riko normaaliusoletusta, ja siksi sitä suositellaan pienille otoksille. Bootstrap sisältää useita havaintojen satunnaisotoksia ja tietojen korvaamista halutun tilaston laskemiseksi jokaisessa uudelleennäytteenotossa. Satojen tai tuhansien bootstrap-uudelleenotosten laskelmat tarjoavat likimääräisen arvion tutkittavien tilastojen otantajakaumasta . SPSS :ssä on erityinen makro bootstrapin käyttöön [8] . Tämä menetelmä tarjoaa pisteestimaatit ja luottamusvälit , joilla voidaan arvioida sovittelun vaikutuksen merkitystä. Pisteestimaatit näyttävät keskiarvon yli bootstrapped näytteiden lukumäärän, ja jos nolla ei ole tuloksena saatujen luottamusvälien välissä, on turvallista päätellä, että välitysvaikutus on merkittävä.

Sovittelun lähestymistavat

Bootstrapista on tulossa suosituin mediaatiotestausmenetelmä, koska se ei vaadi normaalisuushypoteesia ja sitä voidaan käyttää tehokkaasti pienemmillä otoskooilla (N < 25) [9] . Sovittelu määritellään kuitenkin edelleen useimmiten Baronin ja Kennyn logiikkaa tai Sobel-testiä käyttäen. On yhä vaikeampaa julkaista pelkästään Baronin ja Kennyn menetelmään perustuvia mediaatiotestejä tai jakautumisoletuksia tekeviä testejä, kuten Sobel-testiä. Siksi on tärkeää ottaa huomioon syöttötiedot menetelmää valittaessa.

Välittäjän kokeellisessa säätelyssä käytetään syy-seuraus-kaaviota. Se tarkoittaa, että tutkija hallitsee kolmatta muuttujaa, joka voi olla tämän suhteen taustalla oleva mekanismi.

Mediation mittausmalli tarkoittaa sitä, että mahdollinen välimuuttuja mitataan ja sitten sovittelun määrittämiseen käytetään tilastollista analyysiä . Tämä lähestymistapa ei muuta välittäjän arvoa [10] .

Muut muuttujat

Confounder

Kietoutuessa kilpailevat muuttujat ( confounders ) ovat vaihtoehtoisia mahdollisia välittäjiä tai riippuvaisen muuttujan mittaamaton syy. Lisämuuttuja voi sekoittaa riippumattomien ja riippuvaisten muuttujien välisen suhteen. Mahdolliset hämmentävät muuttujat voivat vaikuttaa sekä riippumattomaan että riippuvaiseen muuttujaan. Ne sisältävät yhteisiä mittausvirheiden lähteitä sekä muita tekijöitä, jotka ovat yhteisiä sekä riippumattomille että riippumattomille muuttujille .

Kokeellisissa tutkimuksissa kiinnitetään erityistä huomiota säätelyn tai kiinnittymisen näkökohtiin, jotka voivat selittää tutkimuksen vaikutuksia. Mikä tahansa näistä ongelmista voi johtaa vääriin assosiaatioihin riippumattomien ja riippuvaisten muuttujien välillä. Hämmentävän muuttujan huomiotta jättäminen voi vääristää empiirisiä arvioita riippumattoman muuttujan kausaalisesta vaikutuksesta.

Vaimennin

Vaimentimen muuttuja lisää toisen regressioyhtälöön sisältyvän muuttujan ennustevoimaa. Tukahduttamista voi tapahtua, kun yksi syymuuttuja liittyy kohdemuuttujaan kahden erillisen välittäjämuuttujan kautta ja kun toinen niistä on positiivinen ja toinen negatiivinen. Tässä tapauksessa kukin välittäjämuuttuja vaimentaa tai piilottaa toisen välittäjämuuttujan kautta tapahtuvan vaikutuksen. Esimerkiksi korkeammat älykkyyspisteet ( ennustusmuuttuja ) voivat johtaa virheiden havaitsemisen lisääntymiseen (välittäjämuuttuja ), mikä puolestaan voi johtaa kokoonpanolinjavirheiden vähenemiseen (kohdemuuttuja ); samaan aikaan älykkyys voi myös lisätä tylsyyttä ( ), mikä puolestaan voi johtaa virheiden lisääntymiseen ( ). $A$ $B$ $X$ $C$ $X$

Siten toisella kausaalisuuden polulla älykkyys vähentää virheitä ja toisaalta lisää niitä. Kun yksikään välittäjistä ei ole mukana analyysissä, älykkyydellä näyttää olevan vain vähän tai ei ollenkaan vaikutusta virheisiin. Kuitenkin, kun tylsyyttä säädellään, älykkyys vähentää virheitä, ja kun virheiden havaitseminen on säädelty, äly lisää virheitä. Jos älykkyyttä voitaisiin lisätä pitäen vain tylsyys vakiona, virheet vähenivät; jos älykkyyttä voitaisiin lisätä pitämällä vain virheiden havaitseminen vakiona, virheet lisääntyisivät.

Yleensä vaimentimien tai sekoittavien muuttujien jättäminen pois johtaa joko vaikutuksen ali- tai yliarviointiin , mikä keinotekoisesti joko pienentää tai lisää näiden kahden muuttujan välistä suhdetta. $A$ $X$

Moderaattori

Moderaattorit ovat muuttujia, jotka voivat vahvistaa tai heikentää kahden muuttujan välistä suhdetta. Tällaiset muuttujat karakterisoivat edelleen regression vuorovaikutuksia vaikuttamalla ja/tai välisen suhteen suuntaan ja/tai vahvuuteen . Moderoitua suhdetta voidaan pitää vuorovaikutuksena. Tämä tapahtuu, kun muuttujien välinen suhde riippuu tasosta . $X$ $Y$ $A$ $B$ $C$

Moderoitu sovittelu

Välitys ja maltillisuus voivat esiintyä tilastollisissa malleissa rinnakkain .

Mediation moderaatiossa vaikutus välittäjään ja/tai osavaikutus riippuvaan muuttujaan riippuu puolestaan toisen muuttujan, moderaattorin, arvosta. Pohjimmiltaan moderoidussa mediaatiossa ensin todetaan mediaatio ja sitten tarkastellaan sitä, että medioinnin vaikutusta moderoidaan, kuvaamalla riippumattoman muuttujan ja riippuvan muuttujan välistä suhdetta, toisen muuttujan eri tasoja [11] . $A$ $B$

Valvotun sovittelun mallit

Valvottua sovittelua varten on viisi mahdollista mallia, jotka näkyvät alla olevissa kaavioissa:

Ensimmäisessä mallissa riippumaton muuttuja säätelee myös välittäjän ja riippuvan muuttujan välistä suhdetta.
Toinen malli sisältää uuden muuttujan, joka säätelee riippumattoman muuttujan ja välittäjän välistä suhdetta (polku ). $A$
Kolmas malli sisältää uuden moderaattorimuuttujan, joka säätelee välittäjän ja riippuvaisen muuttujan välistä suhdetta (polku ). $B$
Neljännessä mallissa yksi moderoiva muuttuja vaikuttaa sekä riippumattoman muuttujan ja välittäjän väliseen suhteeseen (path ) että välittäjän ja riippuvaisen muuttujan väliseen suhteeseen (path ). $A$ $B$
Viides malli sisältää kaksi uutta moderaattorimuuttujaa, joista toinen moderoi polun ja toinen polun [12] . $A$ $B$

Muistiinpanot

↑ MacKinnon, D.P. (2008). Johdatus tilastolliseen välitysanalyysiin . New York: Erlbaum.
↑ 12 Robins , JM ; Greenland, S. (1992). "Tunnistavuus ja vaihdettavuus suoriin ja epäsuoreihin vaikutuksiin" Arkistoitu 3. maaliskuuta 2021 Wayback Machinessa . epidemiologia . 3 (2): 143–55.
↑ Pearl, J. (2001). "Suorat ja epäsuorat vaikutukset" Arkistoitu 9. lokakuuta 2014 Wayback Machinessa . Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann , 411–420.
↑ 1 2 Sobel, ME (1982). "Epäsuorien vaikutusten asymptoottiset luottamusvälit rakenneyhtälömalleissa" . Sosiologinen metodologia . 13 :290–312.
↑ Jay S Kaufman, Richard F MacLehose, Sol Kaufman. Lisäkritiikki analyyttiselle strategialle, jossa sovitetaan kovariaatteja biologisen välityksen tunnistamiseksi // Epidemiologiset näkökulmat ja innovaatiot : EP+I. - 2004-10-08. - T. 1 . - S. 4 . — ISSN 1742-5573 . - doi : 10.1186/1742-5573-1-4 . Arkistoitu alkuperäisestä 23. toukokuuta 2022.
↑ Baron, RM ja Kenny, DA (1986) "Moderaattorin ja välittäjän muuttujan ero sosiaalipsykologisessa tutkimuksessa - käsitteelliset, strategiset ja tilastolliset näkökohdat", Journal of Personality and Social Psychology , Voi. 51(6), s. 1173–1182.
↑ David P. MacKinnon, Chondra M. Lockwood, Jeanne M. Hoffman, Stephen G. West, Virgil Sheets. Välityksen ja muiden väliin tulevien muuttuvien vaikutusten testausmenetelmien vertailu // Psykologiset menetelmät. - 2002-3. - T. 7 , no. 1 . - S. 83 . — ISSN 1082-989X . Arkistoitu alkuperäisestä 16. joulukuuta 2020.
↑ Andrew F. Hayes, Ph.D. (englanniksi) . Andrew F. Hayes, Ph.D. . Haettu 25. helmikuuta 2021. Arkistoitu alkuperäisestä 14. tammikuuta 2016.
↑ Välitysmallien testaus SPSS:ssä ja SAS:ssa . web.archive.org (18. toukokuuta 2012). Haettu: 25. helmikuuta 2021. (määrätön)
↑ Spencer, SJ; Zanna, kansanedustaja; Fong, GT (2005). "Syy-ketjun luominen: Miksi kokeet ovat usein tehokkaampia kuin mediaatioanalyysit psykologisten prosessien tutkimisessa" Arkistoitu 27. syyskuuta 2020 Wayback Machinessa (PDF). Journal of Personality and Social Psychology . 89 (6): 845–51.
↑ Preacher, K.J., Rucker, D.D. & Hayes, A.F. (2007). Moderoitujen sovitteluhypoteesien arviointi: Strategiat, menetelmät ja reseptit. Multivariate Behavioral Research, 42, 185–227.
↑ Dominique Muller, Charles M. Judd, Vincent Y. Yzerbyt. Kun maltillisuutta välitetään ja sovittelua moderoidaan // Journal of Personality and Social Psychology. - 2005-12. - T. 89 , no. 6 . — S. 852–863 . — ISSN 0022-3514 . - doi : 10.1037/0022-3514.89.6.852 . Arkistoitu 25. toukokuuta 2021.