Bagaimana Anda membangun mediasi lengkap versus parsial dalam model mediasi sederhana?

Saya baru saja menerima pertanyaan ini dari seorang siswa:

Dalam model mediasi sederhana, jika saya menemukan efek tidak langsung (ab) menjadi signifikan dan efek langsung (c ') menjadi kecil dan tidak signifikan, apakah itu berarti saya memiliki mediasi penuh atau mediasi parsial?

Definisi

Saya akan menggunakan notasi umum untuk mediasi sederhana, seperti yang ditunjukkan di sini . Dengan asumsi ada efek positif untuk dimediasi (yaitu, ) dan setiap argumen kausal yang mendasarinya terpenuhi maka$a, b, c, c'$$c > 0$

• Mediasi parsial terjadi ketika .$0 < c' < c$
• Mediasi lengkap terjadi ketika .$c' = 0$

Minat teoritis menyangkut parameter yang mendasari daripada perkiraan sampel dari parameter ini.

Menguji mediasi parsial

Tes signifikansi dapat diterapkan untuk menguji mediasi parsial. Tes signifikansi dapat mendukung kesimpulan seperti bahwa secara signifikan lebih besar dari nol, atau bahwa secara signifikan lebih kecil dari .$ab$$c'$$c$

Menguji mediasi lengkap

Tes signifikansi tidak dapat langsung diterapkan pada tes mediasi lengkap. Fakta bahwa adalah signifikan, dan tidak signifikan tidak cukup untuk membuktikan mediasi lengkap. Pertama, perbedaan antara signifikan dan non-signifikan belum tentu signifikan. Kedua, bahkan jika reduksi signifikan, tidak signifikan tidak membuktikan bahwa nilai adalah nol.$c$$c'$$c'$$c'$

Saya membayangkan ada diskusi tentang pendekatan ini untuk menguji mediasi lengkap dalam literatur, tetapi beberapa pilihan muncul dalam pikiran:

• Pengujian kesetaraan : Anda dapat menguji hipotesis nol bahwa , di mana , dan dianggap cukup mendekati nol atau cukup kurang dari yang penolakan hipotesis nol dipandang sebagai argumen untuk mediasi lengkap menjadi masuk akal.$c' < \hat{c}$$0 < \hat{c} < c$$\hat{c}$$c$
• Interval kepercayaan : Anda bisa mendapatkan interval kepercayaan pada .$c'$
• Pendekatan Bayesian : Anda bisa menggunakan pendekatan Bayesian untuk mendapatkan kepadatan posterior pada dan jika interval kredibilitas 95% cukup kecil, Anda mungkin berpendapat bahwa mediasi itu masuk akal hampir lengkap. Pencarian cepat mengungkapkan artikel ini ( analisis mediasi Bayesian ).$c'$

Pikiran umum tentang pelaporan analisis mediasi

Tampaknya bagi saya daripada ketika mengukur tingkat mediasi, baik pengurangan persentase ke menarik maupun ukuran efek tidak langsung. Istilah mediasi parsial dan lengkap menunjukkan perbedaan biner yang mungkin jarang benar dalam aplikasi penelitian ilmu sosial. Melainkan, melaporkan analisis mediasi harus fokus pada kuantifikasi tingkat mediasi baik dalam hal persentase dan dalam hal ukuran efek tidak langsung. Seharusnya juga mengukur ketidakpastian dalam estimasi ini.$c$$c'$

Tinjau poin David Kenny

Sebagai poin tambahan, perlu dicatat bahwa David A. Kenny mengakui masalah yang terkait dengan pengujian signifikansi untuk mediasi di halaman webnya . Saya mengutip bagian utama di sini:

Perhatikan bahwa langkah-langkah tersebut dinyatakan dalam koefisien nol dan nol, bukan dalam hal signifikansi statistik, seperti dalam Baron dan Kenny (1986). Karena koefisien yang kecil secara statistik dapat signifikan secara statistik dengan ukuran sampel yang besar dan koefisien yang sangat besar dapat menjadi tidak signifikan dengan ukuran sampel yang kecil, langkah-langkahnya tidak boleh didefinisikan dalam hal signifikansi statistik. Signifikansi statistik adalah informatif, tetapi informasi lain harus menjadi bagian dari pengambilan keputusan statistik. Misalnya, perhatikan kasus di mana jalur a besar dan b adalah nol. Dalam hal ini, c = c '. Sangat mungkin bahwa uji statistik c 'tidak signifikan (karena kolinearitas antara X dan M), sedangkan c secara statistik signifikan.

Pendekatan Baron & Kenny agak ketinggalan jaman - saat ini dianjurkan untuk menggunakan pendekatan bootstrap untuk menguji mediasi (Preacher & Hayes, 2004). Satu masalah dengan B & pendekatan K adalah, bahwa adalah mungkin untuk mengamati perubahan dari yang signifikan jalan ke tidak signifikan jalan dengan perubahan yang sangat kecil dalam ukuran mutlak koefisien.$X\rightarrow Y$$X\rightarrow Y$

Tes mediasi yang lebih langsung adalah untuk menguji perbedaan (yang, dalam banyak kasus, setara dengan menguji efek tidak langsung ). Pendekatan bootstrap memiliki kekuatan statistik yang jauh lebih besar dan tidak bergantung pada asumsi normalitas multivariat (yang tetap dilanggar dalam efek tidak langsung).$c - c'$$ab$

Untuk langsung menjawab pertanyaan Anda:

T: Dalam model mediasi sederhana, jika saya telah menemukan efek tidak langsung (ab) menjadi signifikan dan efek langsung (c ') menjadi kecil dan tidak signifikan, apakah itu berarti saya memiliki mediasi penuh atau mediasi parsial?

A: Menurut B&K: mediasi penuh. Menurut P&H: tidak harus mediasi penuh.

Pengkhotbah, KJ, & Hayes, AF (2004). Prosedur SPSS dan SAS untuk memperkirakan efek tidak langsung dalam model mediasi sederhana. Metode, Instrumen, & Komputer Penelitian Perilaku, 36, 717-731. doi: 10.3758 / BF03206553