Là phân tích hòa giải vốn có nguyên nhân?

Tôi muốn thử nghiệm một mô hình hòa giải đơn giản với một IV, một DV và một hòa giải viên. Hiệu ứng gián tiếp có ý nghĩa như được thử nghiệm bởi macro Preacher và Hayes SPSS, điều này cho thấy hòa giải viên thực hiện để làm trung gian thống kê mối quan hệ.

Khi đọc về hòa giải tôi đã đọc những điều như "Lưu ý rằng mô hình trung gian là mô hình nhân quả". - David Kenny . Tôi chắc chắn có thể đánh giá cao việc sử dụng các mô hình hòa giải làm mô hình nguyên nhân, và thực sự, nếu một mô hình có lý thuyết, tôi có thể thấy điều này rất hữu ích.

Tuy nhiên, trong mô hình của tôi, người hòa giải (một đặc điểm được coi là nguyên nhân của rối loạn lo âu) không phải do biến độc lập (triệu chứng của rối loạn lo âu). Thay vào đó, biến trung gian và biến độc lập có liên quan và tôi tin rằng mối liên quan giữa biến độc lập và biến phụ thuộc có thể được giải thích chủ yếu bằng phương sai giữa IV-hòa giải-DV. Về bản chất, tôi đang cố gắng chứng minh rằng các báo cáo trước đây về mối quan hệ IV-DV có thể được giải thích bởi một hòa giải viên có liên quan không phải do IV gây ra.

Hòa giải rất hữu ích trong trường hợp này vì nó giải thích làm thế nào mối quan hệ IV-DV có thể được giải thích theo thống kê bởi mối quan hệ IV-Mediator-DV. Vấn đề của tôi là câu hỏi về quan hệ nhân quả. Một đánh giá có thể quay lại và nói với chúng tôi rằng hòa giải là không phù hợp vì IV thực tế không gây ra hòa giải viên (mà tôi sẽ không bao giờ tranh luận ở nơi đầu tiên)?

Điều này có nghĩa không? Bất kỳ thông tin phản hồi về vấn đề này sẽ được đánh giá rất cao!

Chỉnh sửa : Điều tôi muốn nói là X có tương quan với Y không phải vì nó gây ra Y, mà vì Z gây ra Y (một phần) và vì X và Z có tương quan cao. Một chút bối rối, nhưng đó là nó. Các mối quan hệ nhân quả trong trường hợp này không thực sự trong câu hỏi và bản thảo này không quá nhiều về quan hệ nhân quả. Tôi chỉ đơn giản là tìm cách chứng minh rằng phương sai giữa X và Y có thể được giải thích bằng phương sai giữa Z và Y. Vì vậy, về cơ bản, X có tương quan gián tiếp với Y qua Z ("hòa giải" trong trường hợp này).

A. "Hòa giải" về mặt khái niệm có nghĩa là nhân quả (như trích dẫn của Kenny). Các mô hình đường dẫn coi một biến là một trung gian hòa giải, do đó có nghĩa là truyền đạt rằng một số điều trị đang ảnh hưởng đến một biến kết quả thông qua tác động của nó đối với hòa giải, do đó làm cho kết quả thay đổi. Nhưng mô hình hóa một cái gì đó như là một "trung gian hòa giải" không có nghĩa là nó thực sự làmột hòa giải viên - đây là vấn đề nhân quả. Bài đăng và nhận xét của bạn khi phản hồi với Macro đề xuất rằng bạn có ý tưởng phân tích đường dẫn trong đó một biến được mô hình hóa như một trung gian hòa giải nhưng không được xem là "nguyên nhân"; Tôi không hoàn toàn nhìn thấy tại sao, mặc dù. Bạn có đang khẳng định rằng mối quan hệ này là giả mạo - rằng có một số biến thứ 3 đang gây ra cả "biến độc lập" và "hòa giải"? Và có lẽ cả "biến độc lập" và "hòa giải" trong phân tích của bạn trên thực tế là các trung gian của ảnh hưởng của biến thứ 3 đến biến kết quả? Nếu vậy, thì một nhà phê bình (hoặc bất kỳ người chu đáo nào) sẽ muốn biết biến thứ 3 là gì & bằng chứng nào bạn có trách nhiệm cho các mối quan hệ giả giữa những người thực sự là hòa giải viên.

B. Để mở rộng bài viết của Macro, đây là một bụi cây khét tiếng, phát triển quá mức với giáo điều và chủ nghĩa kinh viện. Nhưng đây là một số điểm nổi bật:

1. Một số người nghĩ rằng bạn chỉ có thể "chứng minh" hòa giải nếu bạn thực nghiệm thao túng hòa giải viên cũng như ảnh hưởng được đưa ra giả thuyết để phát huy tác dụng nhân quả. Theo đó, nếu bạn đã làm một thí nghiệm chỉ thao túng ảnh hưởng nhân quả & quan sát thấy rằng tác động của nó đối với biến kết quả được nhân đôi bởi những thay đổi trong hòa giải viên, thì họ sẽ "không đủ tốt!" Tuy nhiên, về cơ bản, họ chỉ không nghĩ rằng các phương pháp quan sát bao giờ hỗ trợ các suy luận nguyên nhân & các trung gian không được điều khiển trong các thí nghiệm chỉ là một trường hợp đặc biệt đối với họ.

2. Tuy nhiên, những người khác, những người không loại trừ các suy luận nguyên nhân ra khỏi các nghiên cứu quan sát, tuy nhiên tin rằng nếu bạn sử dụng các phương pháp thống kê thực sự thực sự phức tạp (bao gồm nhưng không giới hạn ở các mô hình phương trình cấu trúc so sánh ma trận hiệp phương sai cho mối quan hệ trung gian được đặt ra cho các lựa chọn khác nhau), bạn có thể im lặng một cách hiệu quả các nhà phê bình tôi vừa đề cập. Về cơ bản đây là Baron & Kenny, nhưng trên steroid. Nói theo kinh nghiệm, họ đã không bịt miệng họ; về mặt logic, tôi không thấy làm thế nào họ có thể.

3. Vẫn còn những người khác, đáng chú ý nhất là Judea Pearl, nói rằng sự đúng đắn của những suy luận nguyên nhân trong các nghiên cứu thực nghiệm hoặc quan sát không bao giờ có thể được chứng minh bằng thống kê; sức mạnh của suy luận kế thừa trong tính hợp lệ của thiết kế. Thống kê chỉ xác nhận hiệu ứng suy luận nguyên nhân hoặc phụ thuộc vào.

Một số bài đọc (tất cả đều tốt, không giáo điều hay kinh viện):

• Green, DP, Ha, SE & Bullock, JG Đủ về các thử nghiệm của Hộp đen Hộp đen: Nghiên cứu Hòa giải là khó khăn hơn so với hầu hết các học giả Giả sử. ANNALS của Viện Hàn lâm Khoa học Chính trị và Xã hội Hoa Kỳ 628, 200-208 (2010).

• Sobel, ME Xác định các thông số nguyên nhân trong các nghiên cứu ngẫu nhiên với các biến trung gian. Tạp chí Thống kê Giáo dục và Hành vi 33, 230-251 (2008) .

• Pearl, J. Giới thiệu về suy luận nhân quả. Tạp chí quốc tế về thống kê sinh học 6, Điều 7 (2010) .

Cuối cùng nhưng không kém phần quan trọng, một phần của một cuộc trao đổi tuyệt vời giữa Gelman & Pearl về suy luận nguyên nhân trong đó hòa giải là trọng tâm: http://andrewgelman.com/2007/07/identifying/

Nhân quả và Hòa giải

• Một mô hình hòa giải đưa ra những tuyên bố lý thuyết về quan hệ nhân quả.
  • Mô hình đề xuất rằng các IVnguyên nhân DVvà hiệu ứng này được giải thích hoàn toàn hoặc một phần bởi một chuỗi quan hệ nhân quả, theo đó các IVnguyên nhân MEDIATORlần lượt gây ra DV.
• Hỗ trợ cho một mô hình trung gian không chứng minh con đường nhân quả được đề xuất.
  • Các xét nghiệm thống kê về hòa giải thường dựa trên các nghiên cứu quan sát. Phạm vi giải thích nguyên nhân thay thế là lớn (ví dụ: biến thứ ba, hướng thay thế, tính tương hỗ, v.v.)
  • Tôi thường không bị thuyết phục bởi các lập luận (nếu có) được trình bày bởi các nhà nghiên cứu đề xuất tuyên bố nguyên nhân ngụ ý trong các mô hình hòa giải.
• Hỗ trợ cho một mô hình trung gian có thể cung cấp bằng chứng để bổ sung các nguồn bằng chứng khác khi xây dựng một lập luận cho yêu cầu nhân quả. Tóm lại, mối tương quan không chứng minh nhân quả, nhưng nó có thể cung cấp bằng chứng bổ sung.
• Mặc dù những hạn chế của các thử nghiệm hòa giải trong các nghiên cứu quan sát, (a) các mô hình hòa giải rất tốt để khiến các nhà nghiên cứu suy nghĩ về con đường nguyên nhân, và (b) có những cách tốt hơn và tồi tệ hơn để viết lên các mô hình hòa giải, trong đó cách tốt hơn để thừa nhận các sắc thái trong giải thích và cung cấp thảo luận lý thuyết kỹ lưỡng về bằng chứng cho cả con đường nguyên nhân được đề xuất và con đường nhân quả thay thế ( xem trang này về các mẹo mà tôi đã chuẩn bị ).
• @ dmk38 đã cung cấp một số tài liệu tham khảo tuyệt vời và thảo luận bổ sung.

Cho thấy một biến giải thích dự đoán của một biến khác

• Dựa trên mô tả của bạn, hòa giải KHÔNG có vẻ phù hợp với câu hỏi nghiên cứu của bạn. Như vậy tôi sẽ tránh sử dụng ngôn ngữ hòa giải trong các phân tích của bạn.
• Theo tôi hiểu, câu hỏi nghiên cứu của bạn liên quan đến việc dự đoán của một biến (hãy gọi nó X1thay vì IV) trên DVđược giải thích bởi một biến thứ hai (hãy gọi nó X2thay vì MEDIATOR). Bạn cũng có thể đưa ra yêu sách nhân quả như X2nguyên nhân DVnhưng X1chỉ tương quan với X2và không gây ra DV.
• Có một số thử nghiệm thống kê có thể phù hợp để kiểm tra câu hỏi nghiên cứu này:
  • So sánh thứ tự không ( X1với DV) với tương quan bán một phần (chia X1ra X2với DV). Tôi tưởng tượng yếu tố thú vị sẽ là mức độ giảm và không quá nhiều ý nghĩa thống kê (mặc dù tất nhiên bạn sẽ muốn có được một số khoảng tin cậy về mức giảm đó).
  • Hoặc tương tự, so sánh bình phương R tăng dần của hồi quy phân cấp trong đó bạn thêm X2vào khối 1 và X1khối 2 với bình phương R của mô hình chỉ X1dự đoán DV.
  • Tôi tưởng tượng bạn cũng có thể vẽ sơ đồ đường dẫn phù hợp với các giả định nguyên nhân của bạn (ví dụ: mũi tên hai đầu giữa X1và mũi tên X2một đầu giữa X2và DV.

Tôi tin rằng các biến bạn đang nói đến, có lẽ nên được coi là biến 'kiểm soát' nếu IV không gây ra chúng hoặc người kiểm duyệt nếu bạn mong đợi hiệu ứng tương tác. Hãy thử nó trên giấy và làm việc đó trong tâm trí của bạn một vài lần hoặc rút ra các hiệu ứng giả thuyết.

Có lẽ ngôn ngữ tốt hơn, hoặc ít nhất là ít gây nhầm lẫn hơn là mối tương quan giả. Một ví dụ điển hình cho điều này là tiêu thụ kem có tương quan với đuối nước. Do đó, ai đó có thể nghĩ rằng, tiêu thụ kem gây ra chết đuối. Tương quan giả xảy ra khi một biến "kiểm duyệt" thứ ba thực sự là nguyên nhân đối với hai biến đầu tiên. Trong ví dụ của chúng tôi, chúng tôi đã xem xét việc bán kem và chết đuối theo thời gian, và quên đi các tác động theo mùa được kiểm duyệt bởi nhiệt độ, và chắc chắn, nhiều kem được ăn khi trời nóng và nhiều người chết đuối hơn, vì tìm kiếm nhiều hơn từ nhiệt bằng cách bơi và ăn kem. Một số ví dụ hài hước .

Sau đó, câu hỏi đặt ra là người ta sẽ sử dụng một mối tương quan giả để làm gì? Và hóa ra, chúng được sử dụng vì mọi người không kiểm tra lý thuyết của họ. Ví dụ, chức năng thận thường được "bình thường hóa" theo bề mặt cơ thể ước tính, theo ước tính của một công thức về cân nặng và chiều cao.

Bây giờ, diện tích bề mặt cơ thể không khiến nước tiểu hình thành, và trong công thức cân nặng và chiều cao, cân nặng là nguyên nhân thông qua định luật Kleiber và chiều cao thực sự làm cho công thức ít dự đoán hơn .

Tôi đã xem qua bài đăng này trong nghiên cứu của riêng tôi liên quan đến suy luận nguyên nhân trong bối cảnh của bộ gen. Nỗ lực về tính nhân quả rõ ràng trong lĩnh vực này thường bắt nguồn từ việc chơi với cách mã di truyền của một người có thể được coi là ngẫu nhiên (do cách các tế bào giới tính được hình thành và cuối cùng kết hợp với nhau). Kết hợp điều này với các đột biến đã biết có liên quan đến cả "hòa giải viên" và phản ứng cuối cùng, người ta có thể tạo ra hiệu ứng nhân quả của hòa giải viên đối với phản ứng đó theo một số định nghĩa về quan hệ nhân quả (mà tôi chắc chắn có thể gây ra một cuộc tranh luận kéo dài ở đây).

Trong trường hợp bạn sử dụng mô hình hòa giải và không yêu cầu quan hệ nhân quả, tôi không thể nghĩ tại sao người đánh giá sẽ tranh luận. Mặc dù bạn có thể phải loại trừ hiệu ứng hòa giải mà bạn quan sát thấy có bị biến bởi biến thứ ba hay không.

Nếu bạn quan tâm đến quan hệ nhân quả một cách rõ ràng, bạn có thể muốn xem xét các phương pháp từ dịch tễ học như Sinh ngẫu nhiên Mendel hoặc " Thử nghiệm suy luận nguyên nhân ". Hoặc bắt đầu với Phân tích biến công cụ .