Zmienne pośredniczące / zmienne mediujące relacje między przyczyną i skutkiem

„Analiza mediacji – zmienne pośredniczące.

Prowadzenie badań naukowych w psychologii i nauce ogólnie ma kilka celów. Pierwszym z nich jest identyfikacja i opisanie pewnych prawidłowości w postaci naukowych twierdzeń uzasadnionych dzięki empirycznej demonstracji efektu czy zależności. Jednak drugim ważnym celem jest wskazanie, dlaczego taki efekt czy prawidłowość się ujawnia, innymi słowy: określenie zmiennych pośredniczących danego efektu czy zależności. Prze­dyskutujmy to zagadnienie na przykładzie, tak by stało się jasne, w jaki sposób poszukuje się wyjaśnień mechanizmu zjawiska czy zależności.

Jak wskazuje B. Wojciszke, wyjaśnienie mechanizmu zjawiska, czyli okre­ślenie, dlaczego ono się pojawia czy jak działa, to najważniejszy element postę­powania naukowego (Wojciszke, 2004). Celem tworzonych koncepcji nie jest bowiem tylko opis zjawisk, ale ich zrozumienie. Badacza interesuje więc okre­ślenie, jaki jest ciąg zmiennych między zmienną niezależną a zależną, które pośredniczą w pojawieniu się danego efektu. Wyobraźmy sobie, że chcemy wyjaśnić sposób oddziaływania kolorów na ludzi. Badanie wykonane przez psychologów z amerykańskiego Uniwersytetu w Rochester wskazują jedno­znacznie, że mężczyźni siadają bliżej, gdy kobieta ubrana jest w czerwoną bluzkę niż wówczas, gdy ma na sobie bluzkę niebieską (Kayser, Elliot, Feltman, 2010). Postawiono wiele hipotez wyjaśniających taką zależność, wśród nich ewolucyjne wskazujące na znaczenie czerwieni jako sygnału biologicz­nego oznaczającego gotowość seksualną oraz społeczne sugerujące, że kolor ten w toku socjalizacji zyskuje dodatkowe znaczenie dzięki kulturowym elemen­tom, takim jak czerwone serduszka na Dzień Świętego Walentego. Wobec tego możemy zadać pytanie o zmienne pośredniczące, szukając takich czynników, które powodują, że siadamy bliżej kogoś. Można sugerować, że siadamy bliżej osoby, która wydaje nam się atrakcyjna. Więc atrakcyjność fizyczna to pier­wszy czynnik, który może stanowić mediator, zmienną pośredniczącą między kolorem ubioru a zachowaniem mężczyzn (chęcią zbliżenia się do kobiety). Możemy więc przewidywać, że czerwony kolor powoduje wzrost postrzeganej subiektywnie atrakcyjności innej osoby, a w konsekwencji chęć zbliżenia się do niej. Innym mediatorem tej zależności może być raczej postrzeganie kobiety w czerwieni jako osoby bezpruderyjnej i dostępnej. Jak metodami statystycz­nymi testować te hipotezy?

Sposób testowania hipotez mediacyjnych po raz pierwszy przedstawili Baron i Kenny w 1986 roku. W swej pracy podają oni kolejne kroki wykonywania statystycznych ana­liz mediacyjnych oraz sposoby ich testowania w analizie regresji. W tym wpisie opiszemy to klasyczne podejście oraz podejście Cohena i Cohen, uzupeł­nione testami Sobela, Goodmana i Aroiana. To ostatnie podejście jest nieco mniej konserwatywne niż klasyczna propozycja.

KLASYCZNE PODEJŚCIE BARONA I KENNY’EGO

Zacznijmy od podejścia Barona i Kenny ego. Stwierdzili oni, że testowanie zależ­ności mediacyjnej wymaga sprawdzenia w trzech krokach innych zależności

zmiennej niezależnej ze zmienną zależną (zależność bezpośrednia; relacja C)

zmiennej niezależnej z mediatorem (relacja A) oraz mediatora ze zmienną zależną (relacja B)zmiennej niezależnej ze zmienną zależną (zależność bezpośrednia), gdy zarówno zmienna niezależna, jak i mediator są uwzględniane w modelu (relacja C’) (Baron, Kenny, 1986).

PODUŚCIE BARONA I KENNYEGO ZALEŻNOŚĆ BEZPOŚREDNIA

Klasyczny model poszukiwania mediacji Barona i Kenny’ego zakłada porównanie relacji bezpośredniej zmiennej niezależnej i zależnej z relacją tych dwóch zmiennych wówczas, gdy do modelu zostanie wprowadzony mediator. Mediacja jest całkowita, gdy zmienna niezależna przestaje istotnie przewidywać zmienną zależną w modelu regresji uwzględniającym mediatora. Mediacja jest częściowa, jeśli wpływ zmiennej niezależnej na zmienną zależną jedynie słabnie.

MEDIACJA CAŁKOWITA MEDIACJA CZĘŚCIOWA

Zależności te są zwykle testowane za pomocą serii analiz regresji. Krok 1 i 3 wymagają wykonania regresji prostej; w trzecim kroku do modelu regresji wprowa­dzamy jednocześnie zmienną niezależną i zmienną pośredniczącą (mediator). Uzna­jemy, że zmienna jest mediatorem interesującego nas zjawiska wówczas, gdy w regresji wielozmiennowej uwzględniającej jako predyktory zmienną nie­zależną siła zależności między zmienną niezależną a zależną jest nieistotna po wprowadzeniu do modelu mediatora, mediator zaś jest istotnie powią­zany ze zmienną zależną. Ten układ nazywa się mediacją całkowitą, jednak jest a stosunkowo rzadka, ponieważ wyjaśnienie większości zależności wymaga uwzględnienia większej liczby mediatorów. W takim przypadku siła zależności między zmienną niezależną a zależną staje się słabsza w modelu regresji uwzględ­niającym mediatora w porównaniu z modelem regresji, w którym jedynym pre- dyktorem jest zmienna niezależna.

MODEL MEDIACJI COHENA I COHEN

Alternatywny sposób obliczeń zaproponowali Cohen i Cohen, którzy stwierdzili, że dla wykrycia mediacji wystarczy stwierdzenie, że obie relacje: zmienna nieza­leżna – mediator oraz mediator m zmienna zależna są silne i istotne statystycz­nie (Cohen, Cohen, 1983). Analiza ta nie opiera się więc na porównaniu relacji bezpośrednich bez uwzględnienia mediatora w modelu ani po jego wprowadze­niu do modelu, tak jak w klasycznym podejściu. Uznaje się, że najważniejsza jest relacja zapośredniczona przez mediator i jeśli obie relacje: zmienna nieza­leżna – mediator, mediator – zmienna zależna są istotne, to można uznać, że zmienna pełni rolę pośredniczącej. To podejście nie stanowi jednak całkowitego zaprzeczenia poprzedniego podejścia, a jedynie uzupełnia je o dodatkowe testy istotności mediacji. Analizy statystyczne wykonujemy więc w tych samych kro­kach co w poprzednim podejściu, a jedynie dodajemy jeden z kilku dostępnych testów sprawdzających istotność iloczynu współczynników beta relacji A oraz B.

Model Cohena i Cohen uznaje, że mediacja jest istotna, gdy relacje pośrednie: zmiennej niezależnej i mediatora oraz mediatora i zależnej są istotne statystycznie. Stosujemy wtedy test Sobela, Aroiana łub Goddmana dla stwierdzenia, czy iloczyn współczynników obu tych relacji jest istotnie różny od zera.

TRUDNOŚCI W POSZUKIWANIU MEDIACJI

Analiza mediacji, choć wydaje się bardzo prosta, ma liczne ograniczenia. Ze względu na podobieństwo do innych efektów pośrednich konieczne jest spełnie­nie wielu warunków przy typowaniu zmiennej, która może być mediatorem. Bar­dzo ważnym, choć często pomijanym krokiem, jest sprawdzenie, czy rzeczywiście zmienna niezależna jest powiązana z mediatorem w sposób przyczynowo- -skutkowy. Można to wykonać jedynie za pomocą badań eksperymentalnych. Zanim więc przeprowadzimy własne analizy, powinniśmy sprawdzić w literaturze, czy na pewno manipulacja zmienną niezależną powoduje zmianę w poziomie mediatora. To samo zastrzeżenie dotyczy pozostałych relacji: między zmienną niezależną i zależną oraz między mediatorem a zmienną zależną.

Kolejna trudność w analizie mediacji dotyczy kształtu zależności, trzeba bowiem pamiętać, że analiza regresji, za pomocą której testujemy mediację, to model liniowy. Nie sposób więc odnaleźć zależności wtedy, gdy choćby jedna relacja między uwzględnianymi w modelu mediacyjnym zmiennymi jest krzywoli­niowa. Wtedy niezbędne jest wykonanie regresji krzywoliniowej i zupełna zmiana podejścia. Wreszcie, relacje między zmiennymi mogą być bardziej skomplikowane ze względu na większą liczbę mediatorów, czy ujawnianie się innych mechanizmów pośredniczących w różnych podgrupach (moderowana mediacja, zob. Muller, Judd, Yzerbyt, 2005). Podobnie nie sposób poradzić sobie z szacowaniem w jednej ana­lizie, czy model pośredni (z mediatorem) jest istotny, jednocześnie z testowaniem, czy model bezpośredni jest nieistotny statystycznie (prosta relacja zmiennej nie­zależnej z zależną). Z tymi kwestiami można sobie poradzić bez trudu, sięgając po bardziej złożoną technikę analityczną – modelowanie równań strukturalnych. Warto też wspomnieć o tym, że mediacja nie jest jedynym efektem pośred­nim, do tej grupy efektów należą także (zob. MacKinnon, 2008):

 Supresja (supressor) – efekt pośredni, który polega na tym, że po wprowadze­niu do modelu relacji zmiennej niezależnej i zależnej trzeciej zmiennej relacja między początkowymi dwiema staje się silniejsza i istotna statystycznie.

Kowariancja (covariate) – w sytuacji gdy mamy do czynienia z kowariancją, trzecia zmienna koreluje ze zmienną zależną, ale relacja między niezależną a kowariantem jest nieistotna statystycznie. Zwykle próbujemy wyeliminować wpływ zmiennych kowariancyjnych, zdając sobie sprawę, że mogą utrudniać odszukanie relacji między zmienną niezależną a zależną. Kowariant wyjaśnia zmienność zmiennej zależnej, ale jest to niezależne źródło wyjaśniania w sto­sunku do interesującej nas zmiennej niezależnej.

Korelacja pozorna (confounder) – to zjawisko, w którym trzecia zmienna powią­zana jest ze zmienną zarówno zależną, jak i niezależną, ale kierunek przyczynowości biegnie od tej zmiennej do obu zmiennych, których relacja nas intere­suje. W mediacji kierunek relacji powinien przebiegać od zmiennej niezależnej do mediatora – tutaj kierunek relacji przyczynowej jest odwrotny: od medi­tora do zmiennej niezależnej.

Moderacja (moderator) – to inaczej analiza interakcji. Moderator to zmienna, I która w odróżnieniu od mediatora definiuje, w jakich warunkach zależność się pojawia.”

Cytat z książki: Sylwia Bedyńska, Monika Książek (2012). Statystyczny Drogowskaz 3. Wyd. SEDNO. s. 110