Bagaimana jika jalur c tidak signifikan, tetapi jalur a dan b adalah? Efek tidak langsung dalam mediasi


12

Dalam model mediasi klasik, kami memiliki jalur yang ditunjukkan pada diagram di bawah ini

,

di mana langkah pertama menguji efek mediasi M antara X dan Y adalah bahwa X secara signifikan berkorelasi dengan Y (seperti yang ditunjukkan pada panel A pada gambar).

Namun, saya bertemu dengan situasi di mana Path dan jalan b yang sangat signifikan, namun tidak jalan C . Dibandingkan dengan Path c, Path c 'tidak signifikan, tetapi koefisiennya menurun.

Dalam hal ini, apakah masih berharga untuk berbicara tentang hubungan antara X, Y, dan M? Jika demikian, apa cara terbaik untuk mengatasi hubungan ini dalam sebuah makalah? Bisakah kita mengklaim bahwa X memiliki efek tidak langsung tetapi tidak berpengaruh langsung pada Y ??

Saya menguji model jalur yang sama dengan tiga sampel, .n1=124,n2=49,n3=166


1
Silakan tambahkan tanda efek dan besarnya. Jika Anda mendapat N rendah dan tidak memiliki efek signifikan dari c tetapi angka moderat itu berarti sesuatu yang berbeda daripada jika c sangat dekat dengan 0.
John

Jawaban:


31

Pendekatan Anda untuk menguji mediasi tampaknya sesuai dengan "pendekatan langkah sebab akibat" yang dijelaskan dalam makalah metode klasik oleh Baron & Kenny (1986). Pendekatan mediasi ini mencakup langkah-langkah berikut:

  1. Uji apakah X dan Y terkait secara signifikan ( jalur c ); jika tidak, hentikan analisis; jika mereka adalah...
  2. Menguji apakah X dan M secara signifikan terkait ( a path); jika tidak, hentikan analisis; jika mereka adalah...
  3. Uji apakah M dan Y terkait secara signifikan setelah mengendalikan X ( jalur b ); jika tidak, hentikan analisis; jika mereka adalah...
  4. Bandingkan langsung efek dari X (yang c' jalan - memprediksi Y dari X setelah mengendalikan M ) dengan total efek dari X (yang c jalur dari Langkah 1). Jika c' lebih dekat ke nol dari c , dan non-signifikan, penelitian ini menyimpulkan bahwa M -benar memediasi hubungan antara X dan Y . Tetapi jika c ' masih signifikan, peneliti menyimpulkan bahwa M hanya mediator "parsial" dari pengaruh X terhadapY .

Saya menekankan perbedaan antara efek langsung ( c ' ) dan total ( c ) karena meskipun Anda menulis ...

Bisakah kita mengklaim bahwa X memiliki efek tidak langsung tetapi tidak berpengaruh langsung pada Y ??

Saya pikir apa yang sebenarnya Anda khawatir tentang adalah legitimasi mengklaim bahwa X memiliki tidak langsung, tapi tidak keseluruhan berpengaruh pada Y .

Jawaban Singkat

Ya, itu sah untuk menyimpulkan bahwa M memediasi hubungan antara X dan Y bahkan jika efek total ( c ) tidak signifikan. Pendekatan langkah-langkah kausal, meskipun secara historis populer, telah banyak digantikan oleh metode pengujian untuk mediasi yang lebih kuat secara statistik, membuat lebih sedikit asumsi data, dan lebih logis secara logis koheren. Hayes (2013) memiliki penjelasan luar biasa yang dapat diakses dan menyeluruh tentang banyak keterbatasan pendekatan langkah-langkah kausal dalam bukunya.

Lihat pendekatan lain yang lebih ketat, termasuk metode bootstrap (MacKinnon et al., 2004) dan Monte Carlo (Preacher & Selig, 2012). Kedua metode memperkirakan interval kepercayaan dari efek tidak langsung itu sendiri ( jalur ab ) - bagaimana mereka melakukannya berbeda antara metode - dan kemudian Anda memeriksa interval kepercayaan untuk melihat apakah 0 adalah nilai yang masuk akal. Keduanya sangat mudah diimplementasikan dalam penelitian Anda sendiri, terlepas dari perangkat lunak analisis statistik yang Anda gunakan.

Jawaban yang Lebih Panjang

Ya, itu sah untuk menyimpulkan bahwa M memediasi hubungan antara X dan Y bahkan jika efek total ( c ) tidak signifikan. Bahkan, ada konsensus yang relatif besar di antara ahli statistik bahwa efek total ( c ) tidak boleh digunakan sebagai 'penjaga gerbang' untuk tes mediasi (misalnya, Hayes, 2009; Shrout & Bolger, 2002) karena beberapa alasan:

  1. Pendekatan langkah-langkah sebab-akibat mencoba untuk secara statistik mengevaluasi keberadaan mediasi tanpa pernah benar-benar secara langsung mengevaluasi efek tidak langsung ( jalur ab , atau c-c ' jika Anda mau). Ini tampaknya tidak logis, terutama mengingat ada banyak cara mudah untuk memperkirakan / menguji efek tidak langsung secara langsung.
  2. Pendekatan langkah-langkah kausal bergantung pada tes signifikansi berganda. Kadang-kadang tes signifikansi berfungsi sebagaimana mestinya, tetapi mereka dapat tergelincir ketika asumsi tes inferensial tidak terpenuhi, dan / atau ketika tes inferensial kurang bertenaga (saya pikir inilah yang didapat John dalam komentarnya tentang pertanyaan Anda). Dengan demikian, mediasi dapat benar-benar terjadi dalam model yang diberikan, tetapi efek total ( c ) bisa tidak signifikan hanya karena ukuran sampel kecil, atau asumsi untuk pengujian efek total belum terpenuhi. Dan karena pendekatan langkah-langkah kausal bergantung pada hasil dari dua tes signifikansi lainnya, itu membuat langkah-langkah pendekatan kausal salah satu tes mediasi yang paling kuat (Preacher & Selig, 2008).
  3. Efek total ( c ) dipahami sebagai jumlah dari efek langsung ( c ' ) dan semua efek tidak langsung ( ab (1) , ab (2) ...). Berpura-pura pengaruh X pada Y sepenuhnya dimediasi (yaitu, c ' adalah 0) oleh dua variabel, M1 dan M2 . Tetapi lebih lanjut berpura-pura bahwa efek tidak langsung X pada Y sampai M1 adalah positif, sedangkan efek tidak langsung melalui M2 adalah negatif, dan dua efek tidak langsung sebanding besarnya. Menjumlahkan dua efek tidak langsung ini akan memberi Anda efek total ( c) nol, namun, jika Anda mengadopsi pendekatan langkah-langkah kausal, Anda tidak hanya akan melewatkan satu mediasi "nyata", tetapi dua.

Alternatif yang saya sarankan untuk pendekatan langkah-langkah kausal untuk pengujian mediasi termasuk metode bootstrap (MacKinnon et al., 2004) dan Monte Carlo (Preacher & Selig, 2012). Metode Bootstrapping melibatkan pengambilan sejumlah besar sampel acak dangkal dengan penggantian (misalnya, 5000) dengan ukuran sampel yang sama dari data Anda sendiri, memperkirakan efek tidak langsung ( abjalur) dalam setiap sampel, memesan estimasi tersebut dari terendah ke tertinggi, dan kemudian menentukan interval kepercayaan untuk efek tidak langsung yang di-boot dalam beberapa kisaran persentil (mis. 2.5 dan 97.5 untuk interval kepercayaan 95%). Makro bootstrap untuk efek tidak langsung tersedia untuk perangkat lunak analisis statistik seperti SPSS dan SAS, paket tersedia untuk R, dan program lain (misalnya, Mplus) memiliki kemampuan bootstrap yang sudah ada di dalamnya.

Metode Monte Carlo adalah alternatif yang bagus ketika Anda tidak memiliki data asli, atau dalam kasus ketika bootstrap tidak memungkinkan. Yang Anda butuhkan hanyalah estimasi parameter untuk jalur a dan b , varian masing-masing jalur, dan kovarian antara dua jalur (sering, tetapi tidak selalu 0). Dengan nilai statistik ini, Anda kemudian dapat mensimulasikan distribusi besar-besaran nilai ab (mis., 20.000) , dan seperti pendekatan bootstrap, pesan dari terendah ke tertinggi dan tentukan interval kepercayaan. Meskipun Anda dapat memprogram kalkulator mediasi Monte Carlo Anda sendiri, Kris Preacher memiliki kalkulator bagus yang tersedia secara bebas untuk digunakan di situs webnya (lihat Preacher & Selig, 2012, untuk makalah yang menyertai)

Untuk kedua pendekatan, Anda akan memeriksa interval kepercayaan untuk melihat apakah itu berisi nilai 0; jika tidak, Anda dapat menyimpulkan bahwa Anda memiliki pengaruh tidak langsung yang signifikan.

Referensi

Baron, RM, & Kenny, DA (1986). Perbedaan variabel mediator-mediator dalam penelitian psikologi sosial: Pertimbangan konseptual, strategis, dan statistik. Jurnal Kepribadian dan Psikologi Sosial , 51 , 1173-1182.

Hayes, AF (2013). Pengantar mediasi, moderasi, dan analisis proses bersyarat: Pendekatan berbasis regresi. New York, NY: Guilford.

Hayes, AF (2009). Beyond Baron dan Kenny: Analisis mediasi statistik di milenium baru. Monografi Komunikasi , 76 408-420.

MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Batas kepercayaan untuk efek tidak langsung: Distribusi produk dan metode resampling. Penelitian Perilaku Multivariat , 39 , 99-128.

Pengkhotbah, KJ, & Selig, JP (2012). Keuntungan dari interval kepercayaan Monte Carlo untuk efek tidak langsung. Metode dan Ukuran Komunikasi , 6 , 77-98.

Shrout, PE, & Bolger, N. (2002). Mediasi dalam studi eksperimental dan non-eksperimental: Prosedur dan rekomendasi baru. Metode Psikologis , 7 , 422-445.


Terima kasih! Itu sangat membantu! Saya punya beberapa model bahwa ikatan atas CI sangat dekat dengan 0, misalnya, CI yang ditunjukkan dalam hasil saya adalah [-15549, 0,0031]. Apakah itu berarti saya masih perlu menolak hipotesis nol? Saya menggunakan PROSES dan bootstrap untuk analisis saya.
fishbean

Anda akan gagal menolak nol; 0 jatuh di antara -.1549 dan 0,0031, jadi Anda tidak dapat menyimpulkan bahwa jalur ab lebih besar dari nol.
jsakaluk

2
+6, ini adalah jenis jawaban yang kami ingin lebih dari pada CV. Saya harap hanya mendapat 1 suara positif tidak akan membuat Anda enggan memberikan lebih banyak di masa depan. Mungkin karunia dapat membantu mendapatkan utas ini perhatian yang layak.
gung - Reinstate Monica

Maaf ini tidak membawa lebih banyak suara, @ jsakaluk. Ini jawaban yang bagus; Saya harap Anda akan terus menyediakannya.
gung - Reinstate Monica

Jangan khawatir @ gung. Saya menghargai dukungannya. Saya telah mengambil langkah mundur dari CV setelah menginvestasikan banyak waktu dalam pertanyaan sebelumnya yang akhirnya terpilih, hanya untuk membuatnya sangat cepat menjadi CW (sedikit mengecewakan), jadi pengalaman ini adalah dorongan yang bagus.
jsakaluk

0

Oke, saya pikir saya mungkin telah menemukan jawaban yang bagus. Saya melihat webinar David Kenny, yang memperkenalkan kasus ini sebagai mediasi yang tidak konsisten . Alasan mengapa jalur c tidak berbeda secara signifikan dari 0 adalah bahwa produk a dan b memiliki tanda yang berbeda dari c '. Dalam contoh yang diberikan Kenny, stres menyebabkan penurunan suasana hati (c 'negatif); sedangkan olahraga sebagai mediator antara stres dan suasana hati berkorelasi positif dengan keduanya (ab adalah positif). Karena c = c '+ ab, ketika nilai absolut dari c' dan ab dekat, c bisa mendekati 0.

Kenny mencatat dalam webinar bahwa pandangan kontemporer menganggap pengujian c dan c 'tidak terlalu penting; efek mediasi terutama ditampilkan melalui ab.


Demi keturunan, dapatkah Anda menggunakan satu set nama variabel dalam diagram dan teks Anda? Saat ini Anda memiliki "IV" dan "X" dan "Stres" yang semuanya menunjukkan hal yang sama, dan seterusnya.
rolando2

0

Saya setuju dengan jawaban jsakaluk , dan saya ingin menambahkan informasi yang lebih relevan.

Metode mediasi pengujian Baron dan Kenny's (1986) telah diterapkan secara luas, tetapi ada banyak makalah yang membahas keterbatasan parah dari pendekatan ini, yang secara luas mencakup:

1) Tidak secara langsung menguji signifikansi efek tidak langsung

2) Kekuatan statistik rendah

3) Ketidakmampuan untuk mengakomodasi model dengan mediasi yang tidak konsisten

* Catatan: lihat Memon, Cheah, Ramayah, Ting, dan Chuah (2018) untuk ikhtisar.

Mempertimbangkan keterbatasan ini, tipologi mediasi baru dikembangkan oleh Zhao, Lynch dan Chen (2010). Pada Oktober 2019, ia memiliki lebih dari 5.000 kutipan, sehingga semakin populer.

Sebagai ringkasan singkat, dan mengambil model kausal tiga variabel sebagai contoh, Anda tipe mediasi ada.

  1. Mediasi komplementer: Efek yang dimediasi (axb) dan efek langsung (c) keduanya ada dan menunjuk pada arah yang sama.

  2. Mediasi kompetitif: Efek yang dimediasi (axb) dan efek langsung (c) keduanya ada dan menunjukkan arah yang berlawanan.

  3. Mediasi tidak langsung saja: Efek mediasi (axb) ada, tetapi tidak ada efek langsung (c).

Selanjutnya, dua jenis non-mediasi diusulkan:

  1. Langsung-saja non-mediasi: Efek langsung (c) ada, tetapi tidak ada efek tidak langsung.

  2. Non-efek non-mediasi: Nether efek langsung (c), tidak ada efek tidak langsung.

Dengan demikian, kasus OP akan diklasifikasikan sebagai mediasi tidak langsung saja sebagai efek mediasi ada tetapi efek langsung (c ') tidak signifikan.

Referensi

Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Masalah dan Rekomendasi Analisis Mediasi. Jurnal Pemodelan Persamaan Struktural Terapan, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG, & Chen, Q. (2010). Mempertimbangkan kembali Baron dan Kenny: Mitos dan kebenaran tentang analisis mediasi. Jurnal Riset Konsumen, 37 (2), 197-206.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.