Nếu đường dẫn c không quan trọng, nhưng đường dẫn a và b thì sao? Hiệu ứng gián tiếp trong hòa giải

Trong mô hình hòa giải cổ điển, chúng ta có các đường dẫn được hiển thị trong sơ đồ bên dưới

,

trong đó bước đầu tiên của thử nghiệm hiệu ứng trung gian của M giữa X và Y là X có tương quan đáng kể với Y (như thể hiện trong bảng A trong hình).

Tuy nhiên, tôi tình cờ gặp một tình huống mà con đường một và con đường b là mạnh đáng kể, nhưng không Đường dẫn C . So với Đường dẫn c, Đường dẫn c 'không đáng kể, nhưng hệ số giảm.

Trong trường hợp này, vẫn còn giá trị khi nói về mối quan hệ giữa X, Y và M ?? Nếu vậy, cách tốt nhất để giải quyết mối quan hệ này trong một bài báo là gì? Chúng ta có thể tuyên bố rằng X có ảnh hưởng gián tiếp nhưng không ảnh hưởng trực tiếp đến Y ??

Tôi đang thử nghiệm mô hình đường dẫn tương tự với ba mẫu, .$n_1 = 124, n_2 = 49, n_3 = 166$

Cách tiếp cận của bạn để hòa giải thử nghiệm dường như phù hợp với "cách tiếp cận các bước nhân quả" được mô tả trong bài viết phương pháp cổ điển của Baron & Kenny (1986). Cách tiếp cận hòa giải này đòi hỏi các bước sau:

1. Kiểm tra xem X và Y có liên quan đáng kể ( đường dẫn c ); nếu họ không, dừng phân tích; nếu họ là...
2. Kiểm tra xem X và M có liên quan đáng kể (các một đường dẫn); nếu họ không, dừng phân tích; nếu họ là...
3. Kiểm tra xem M và Y có liên quan đáng kể sau khi kiểm soát X ( đường dẫn b ); nếu họ không, dừng phân tích; nếu họ là...
4. So sánh hiệu ứng trực tiếp của X ( đường dẫn c ' - dự đoán Y từ X sau khi kiểm soát M ) với tổng hiệu ứng của X ( đường dẫn c từ Bước 1). Nếu c' là gần gũi hơn với zero hơn c , và không có ý nghĩa, nghiên cứu kết luận rằng M hoàn toàn làm trung gian các mối liên hệ giữa X và Y . Nhưng nếu c ' vẫn còn có ý nghĩa, nhà nghiên cứu kết luận rằng M chỉ là một trung gian "một phần" ảnh hưởng của X đối vớiY .

Tôi nhấn mạnh sự khác biệt giữa hiệu ứng trực tiếp ( c ' ) và tổng hiệu ứng ( c ) bởi vì mặc dù bạn đã viết ...

Chúng ta có thể tuyên bố rằng X có ảnh hưởng gián tiếp nhưng không ảnh hưởng trực tiếp đến Y ??

Tôi nghĩ rằng những gì bạn đang thực sự lo ngại về là tính hợp pháp của tuyên bố rằng X có một gián tiếp, nhưng không phải là một tổng ảnh hưởng đến Y .

Câu trả lời ngắn

Có, việc kết luận rằng M làm trung gian liên kết giữa X và Y là hợp pháp ngay cả khi tổng hiệu ứng ( c ) không đáng kể. Cách tiếp cận các bước nhân quả, mặc dù trong lịch sử phổ biến, đã được thay thế rộng rãi bằng các phương pháp kiểm tra hòa giải mạnh hơn về mặt thống kê, đưa ra ít giả định về dữ liệu và mạch lạc hơn về mặt logic. Hayes (2013) có một lời giải thích tuyệt vời và dễ hiểu về nhiều hạn chế của phương pháp tiếp cận các bước nhân quả trong cuốn sách của mình.

Kiểm tra các phương pháp khác nghiêm ngặt hơn, bao gồm các phương pháp bootstrapping (MacKinnon et al., 2004) và Monte Carlo (Preacher & Selig, 2012). Cả hai phương pháp đều ước tính khoảng tin cậy của chính hiệu ứng gián tiếp ( đường ab ) - cách chúng thực hiện khác nhau giữa các phương thức - và sau đó bạn kiểm tra khoảng tin cậy để xem 0 có phải là giá trị hợp lý hay không. Cả hai đều khá dễ thực hiện trong nghiên cứu của riêng bạn, bất kể bạn sử dụng phần mềm phân tích thống kê nào.

Câu trả lời dài hơn

Có, việc kết luận rằng M làm trung gian liên kết giữa X và Y là hợp pháp ngay cả khi tổng hiệu ứng ( c ) không đáng kể. Trên thực tế, có một sự đồng thuận tương đối lớn giữa các nhà thống kê rằng tổng hiệu ứng ( c ) không nên được sử dụng như một "người gác cổng" cho các thử nghiệm hòa giải (ví dụ, Hayes, 2009; Shrout & Bolger, 2002) vì một số lý do:

1. Cách tiếp cận các bước nhân quả cố gắng đánh giá thống kê sự hiện diện của hòa giải mà không bao giờ thực sự đánh giá trực tiếp hiệu quả gián tiếp ( đường dẫn ab , hoặc c-c ' nếu bạn muốn). Điều này có vẻ phi logic, đặc biệt là có rất nhiều cách dễ dàng để ước tính / kiểm tra hiệu quả gián tiếp trực tiếp.
2. Cách tiếp cận các bước nhân quả phụ thuộc vào nhiều thử nghiệm quan trọng. Đôi khi các bài kiểm tra quan trọng hoạt động như bình thường, nhưng chúng có thể bị trật bánh khi các giả định của các bài kiểm tra suy luận không được đáp ứng và / hoặc khi các bài kiểm tra suy luận không đủ sức mạnh (tôi nghĩ đây là những gì John nhận được trong câu hỏi của bạn về câu hỏi của bạn). Do đó, hòa giải có thể thực sự xảy ra trong một mô hình nhất định, nhưng tổng hiệu ứng ( c ) có thể không đáng kể chỉ vì kích thước mẫu nhỏ, hoặc các giả định cho thử nghiệm tổng hiệu ứng chưa được đáp ứng. Và bởi vì cách tiếp cận các bước nhân quả phụ thuộc vào kết quả của hai thử nghiệm quan trọng khác, nó làm cho các bước nhân quả tiếp cận một trong những thử nghiệm hòa giải ít mạnh nhất (Preacher & Selig, 2008).
3. Tổng hiệu ứng ( c ) được hiểu là tổng của hiệu ứng trực tiếp ( c ' ) và tất cả các hiệu ứng gián tiếp ( ab (1) , ab (2) ...). Giả sử ảnh hưởng của X đến Y được trung gian hóa hoàn toàn (nghĩa là c 'bằng 0) bởi hai biến số là M1 và M2 . Nhưng giả vờ thêm rằng hiệu ứng gián tiếp của X đối với Y qua M1 là dương, trong khi đó hiệu ứng gián tiếp qua M2 là âm và hai hiệu ứng gián tiếp có thể so sánh về độ lớn. Tổng hợp hai hiệu ứng gián tiếp này sẽ cho bạn hiệu ứng tổng thể ( c) bằng không, tuy nhiên, nếu bạn áp dụng phương pháp tiếp cận các bước nhân quả, bạn sẽ không chỉ bỏ lỡ một phiên hòa giải "thực sự", mà là hai.

Các lựa chọn thay thế mà tôi muốn giới thiệu cho phương pháp tiếp cận các bước nhân quả để thử nghiệm hòa giải bao gồm phương pháp bootstrapping (MacKinnon và cộng sự, 2004) và phương pháp Monte Carlo (Preacher & Selig, 2012). Phương pháp Bootstrapping liên quan đến việc lấy một số lượng lớn các mẫu ngẫu nhiên cực lớn với sự thay thế (ví dụ 5000) có cùng cỡ mẫu từ dữ liệu của bạn, ước tính tác động gián tiếp ( abđường dẫn) trong mỗi mẫu, sắp xếp các ước tính đó từ thấp nhất đến cao nhất và sau đó xác định khoảng tin cậy cho hiệu ứng gián tiếp được khởi động như trong một số phạm vi phần trăm (ví dụ: 2,5 và 97,5 cho khoảng tin cậy 95%). Các macro bootstrapping cho các hiệu ứng gián tiếp có sẵn cho phần mềm phân tích thống kê như SPSS và SAS, các gói có sẵn cho R và các chương trình khác (ví dụ: Mplus) có khả năng bootstrapping đã được tích hợp sẵn.

Phương pháp Monte Carlo là một phương pháp hay khi bạn không có dữ liệu gốc hoặc trong trường hợp không thể khởi động được. Tất cả những gì bạn cần là ước tính tham số cho các đường dẫn a và b , phương sai của mỗi đường dẫn và hiệp phương sai giữa hai đường dẫn (thường, nhưng không phải luôn luôn là 0). Với các giá trị thống kê này, sau đó bạn có thể mô phỏng phân phối cực lớn (ví dụ: 20.000) giá trị ab và giống như phương pháp bootstrapping, sắp xếp chúng từ thấp nhất đến cao nhất và xác định khoảng tin cậy. Mặc dù bạn có thể lập trình máy tính hòa giải Monte Carlo của riêng mình, Kris Preacher có một máy tính đẹp có sẵn miễn phí để sử dụng trên trang web của anh ấy (xem Preacher & Selig, 2012, để có giấy đi kèm)

Đối với cả hai phương pháp, bạn sẽ kiểm tra khoảng tin cậy để xem liệu nó có chứa giá trị 0 hay không; nếu không, bạn có thể kết luận rằng bạn có một ảnh hưởng gián tiếp có ý nghĩa.

Người giới thiệu

Nam tước, RM, & Kenny, DA (1986). Sự khác biệt của người điều hành - người hòa giải trong nghiên cứu tâm lý xã hội: Những cân nhắc về khái niệm, chiến lược và thống kê. Tạp chí tính cách và tâm lý xã hội , 51 , 1173-1182.

Hayes, AF (2013). Giới thiệu về hòa giải, kiểm duyệt và phân tích quy trình có điều kiện: Cách tiếp cận dựa trên hồi quy. New York, NY: Guilford.

Hayes, AF (2009). Beyond Baron và Kenny: Phân tích hòa giải thống kê trong thiên niên kỷ mới. Chuyên khảo truyền thông , 76 408-420.

MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Giới hạn tin cậy cho tác động gián tiếp: Phân phối sản phẩm và phương pháp lấy mẫu lại. Nghiên cứu hành vi đa biến , 39 , 99-128.

Nhà thuyết giáo, KJ, & Selig, JP (2012). Ưu điểm của khoảng tin cậy Monte Carlo cho các hiệu ứng gián tiếp. Phương pháp và biện pháp truyền thông , 6 , 77-98.

Cây bụi, PE, & Bolger, N. (2002). Hòa giải trong các nghiên cứu thực nghiệm và không chuyên khoa: Các thủ tục và khuyến nghị mới. Phương pháp tâm lý , 7 , 422-445.

Được rồi, tôi nghĩ rằng tôi có thể đã tìm thấy một câu trả lời tốt. Tôi đã xem qua hội thảo trực tuyến của David Kenny, trong đó giới thiệu trường hợp này là hòa giải không nhất quán . Lý do tại sao đường dẫn c không khác biệt đáng kể so với 0 là sản phẩm của a và b có dấu hiệu khác với đường dẫn của c '. Trong một ví dụ Kenny đưa ra, căng thẳng dẫn đến giảm tâm trạng (c 'là tiêu cực); trong khi đó tập thể dục như một trung gian hòa giải giữa căng thẳng và tâm trạng có mối tương quan tích cực với cả hai (ab là tích cực). Vì c = c '+ ab, khi các giá trị tuyệt đối của c' và ab gần nhau, c có thể gần bằng 0.

Kenny lưu ý trong hội thảo trên web rằng quan điểm đương đại xem xét việc kiểm tra c và c 'không hoàn toàn cần thiết; hiệu ứng hòa giải chủ yếu được hiển thị thông qua ab.

Tôi đồng ý với câu trả lời của jsakaluk và tôi muốn thêm thông tin liên quan.

Phương pháp hòa giải thử nghiệm của Baron và Kenny (1986) đã được áp dụng rộng rãi, nhưng có nhiều tài liệu thảo luận về những hạn chế nghiêm trọng của phương pháp này, bao gồm:

1) Không trực tiếp kiểm tra tầm quan trọng của hiệu ứng gián tiếp

2) Công suất thống kê thấp

3) Không có khả năng chứa các mô hình với hòa giải không nhất quán

* Lưu ý: xem Memon, Cheah, Ramayah, Ting và Chuah (2018) để biết tổng quan.

Xem xét những hạn chế này, một loại hình hòa giải mới được phát triển bởi Zhao, Lynch và Chen (2010). Tính đến tháng 10 năm 2019, nó có hơn 5.000 trích dẫn, vì vậy nó đang trở nên phổ biến hơn.

Như một bản tóm tắt ngắn gọn, và lấy một mô hình nhân quả ba biến làm ví dụ, các loại hòa giải tồn tại.

1. Hòa giải bổ sung: Hiệu ứng trung gian (axb) và hiệu ứng trực tiếp (c) đều tồn tại và điểm cùng hướng.

2. Hòa giải cạnh tranh: Hiệu ứng trung gian (axb) và hiệu ứng trực tiếp (c) đều tồn tại và điểm theo hai hướng ngược nhau.

3. Hòa giải chỉ gián tiếp: Hiệu ứng trung gian (axb) tồn tại, nhưng không có hiệu ứng trực tiếp (c).

Hơn nữa, hai loại không hòa giải đã được đề xuất:

1. Chỉ trực tiếp không hòa giải: Hiệu ứng trực tiếp (c) tồn tại, nhưng không có hiệu ứng gián tiếp.

2. Không có hiệu ứng không hòa giải: Hiệu ứng trực tiếp Nether (c), cũng không có hiệu ứng gián tiếp.

Do đó, trường hợp của OP sẽ được phân loại là hòa giải chỉ gián tiếp khi hiệu ứng trung gian tồn tại nhưng hiệu ứng trực tiếp (c ') là không đáng kể.

Người giới thiệu

Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Các vấn đề và khuyến nghị phân tích hòa giải. Tạp chí mô hình hóa phương trình cấu trúc ứng dụng, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG, & Chen, Q. (2010). Xem xét lại Baron và Kenny: Huyền thoại và sự thật về phân tích hòa giải. Tạp chí nghiên cứu người tiêu dùng, 37 (2), 197-206.