Arabuluculuk analizleri doğal olarak nedensel mi?


19

Bir IV, bir DV ve bir arabulucu ile basit bir arabuluculuk modelini test etmekle ilgileniyorum. Dolaylı etki, arabulucunun ilişkiye istatistiksel olarak aracılık etmeyi önerdiğini öne süren Preacher ve Hayes SPSS makrosu tarafından test edildiğinde önemlidir.

Arabuluculuk hakkında okurken "Bir arabuluculuk modelinin nedensel bir model olduğuna dikkat edin" gibi şeyler okudum. - David Kenny . Arabuluculuk modellerinin nedensel model olarak kullanılmasını kesinlikle takdir edebilirim ve gerçekten de bir model teorik olarak sağlamsa, bunu çok yararlı olarak görebilirim.

Ancak benim modelimde, arabulucuya (anksiyete bozuklukları için diyatezi olduğu düşünülen bir özellik) bağımsız değişken (bir anksiyete bozukluğunun belirtileri) neden olmaz. Aksine, arabulucu ve bağımsız değişkenler birbiriyle ilişkilidir ve bağımsız değişken ile bağımlı değişken arasındaki ilişkinin büyük ölçüde IV-aracı-DV arasındaki varyansla açıklanabileceğine inanıyorum. Aslında, IV-DV ilişkisinin önceki raporlarının IV'ün neden olmadığı ilgili bir arabulucu tarafından açıklanabileceğini göstermeye çalışıyorum.

Bu durumda arabuluculuk faydalıdır, çünkü IV-DV ilişkisinin IV-Mediator-DV ilişkisi ile nasıl istatistiksel olarak açıklanabileceğini açıklar. Benim sorunum nedensellik meselesi. Bir derleme geri dönüp arabuluculuğun uygun olmadığını söyleyebilir mi, çünkü IV aslında arabulucuya neden olmaz (ki daha önce asla tartışmazdım)?

Bu mantıklı mı? Bu konuda herhangi bir geri bildirim büyük mutluluk duyacağız!

Düzenleme : Söylemek istediğim X Y ile ilişkili değil, çünkü Y neden değil, Z neden Y (kısmen) neden olduğu ve X ve Z yüksek derecede ilişkilidir çünkü. Biraz kafa karıştırıcı, ama hepsi bu. Bu örnekte nedensel ilişkiler gerçekten söz konusu değildir ve bu el yazması nedensellik ile ilgili değildir. Sadece X ve Y arasındaki varyansın Z ve Y arasındaki varyans ile açıklanabileceğini göstermeye çalışıyorum. Yani temelde X'in dolaylı olarak Y'den Z'ye (bu durumda "arabulucu") korele olduğu.

Yanıtlar:


15

A. "Arabuluculuk" kavramsal olarak nedensellik anlamına gelir (Kenny alıntısının gösterdiği gibi). Bir değişkeni aracı olarak ele alan yol modelleri, dolayısı ile bazı tedavinin sonuç değişkenini aracı üzerindeki etkisi yoluyla etkilediğini, varyansın da sonucun değişmesine neden olduğu anlamına gelir. Ama bir "arabulucu" olarak birşeyler modelleme gerçekten anlamına gelmez olduğunubir arabulucu - bu nedensellik meselesidir. Makroya yanıt olarak yazınız ve yorumunuz, bir değişkenin aracı olarak modellenmiş ancak "nedensel" olarak görülmediği bir yol analizine sahip olduğunuzu akla getirmektedir; Yine de nedenini tam olarak göremiyorum. İlişkinin sahte olduğunu mu düşünüyorsunuz - hem "bağımsız değişken" hem de "arabulucu" ya neden olan bazı 3. değişkenler var mı? Ve belki de analizinizdeki hem "bağımsız değişken" hem de "aracı" aslında 3. değişkenin sonuç değişkeni üzerindeki etkisinin aracılarıdır? Eğer öyleyse, bir gözden geçiren (veya düşünceli bir kişi) 3. değişkenin ne olduğunu ve aslında arabulucular arasında sahte ilişkilerden sorumlu olduğuna dair hangi kanıtlara sahip olduğunuzu bilmek isteyecektir.

B. Macro'nun görevini genişletmek için, bu dogma ve skolastikizmle büyümüş kötü şöhretli bir çalılıktır. Ancak işte bazı önemli noktalar:

  1. Bazı insanlar arabuluculuğu ancak arabulucuyu deneysel olarak manipüle ederseniz ve nedensel etkiyi ortaya koyacağı varsayılan etkiyi "kanıtlayabileceğinizi" düşünmektedir. Buna göre, yalnızca nedensel etkiyi manipüle eden ve sonuç değişkeni üzerindeki etkisinin aracıdaki değişikliklerle yansıtıldığını gözlemlerseniz, “hayır! Yeterince iyi değil!” Temel olarak, gözlemsel yöntemlerin nedensel çıkarımları desteklemediğini ve deneylerde manipüle edilmemiş arabulucuların onlar için sadece özel bir durum olduğunu düşünmüyorlar.

  2. Nedensel çıkarımları gözlemsel çalışmalardan elden çıkarmayan diğer insanlar, yine de gerçekten gerçekten karmaşık istatistiksel yöntemler kullanırsanız (bunlarla sınırlı olmamak üzere, bunlarla sınırlı arabuluculuk ilişkisi için kovaryans matrisini karşılaştıran yapısal denklem modelleri dahil) çeşitli alternatifler için), az önce bahsettiğim eleştirmenleri etkili bir şekilde susturun. Temelde bu Baron & Kenny, ama steroidlerde. Ampirik olarak, onları susturmadılar; mantıklı olarak, nasıl yapabildiklerini anlamıyorum.

  3. Yine de diğerleri, en önemlisi Judea Pearl, deneysel veya gözlemsel çalışmalarda nedensel çıkarımların sağlamlığının hiçbir zaman istatistiklerle kanıtlanamayacağını söylüyor; çıkarımın gücü tasarımın geçerliliğine bağlıdır. İstatistikler sadece onaylamak etkisi nedensel çıkarsama tasarlamaktadır veya bağlıdır.

Bazı okumalar (hepsi iyi, dogmatik veya skolastik değil ):

Son olarak, arabuluculuğun merkezi odak noktası olduğu nedensel çıkarım konusunda Gelman ve Pearl arasında serin bir değişimin bir parçası: http://andrewgelman.com/2007/07/identification/


Cevabın için teşekkürler. Yöntemimi ayrıntılı olarak açıklamaya çalışacağım. Literatür, X'in Y ile, Z'nin Y ile ve X'in Z ile ilişkili olduğunu belirlemiştir. Daha önce hiç kimse, X'in Z ile ilişkisi nedeniyle Y ile ilişkili olma olasılığını düşünmemiştir. Bir arabuluculuk analizi yaparak, X ve Y arasındaki ilişki, X ve Z arasındaki ilişki ile açıklanabilir. Temel olarak, X ve Y arasında paylaşılan varyansın X ve Z (ve Y) arasındaki örtüşen varyanstan kaynaklanması. Teorik olarak, teorik modellerde Z'nin (X yerine) dikkate alınması gerektiğini önermek isterim.
Behacad

Hala tam olarak emin olmadığım, "X'in Z ile ilişkisi nedeniyle Y ile ilişkili olma olasılığı" ile kastettiğin şey . X & Y arasındaki ilişkinin sahte olduğunu mu söylüyorsun? Z her ikisine de neden oluyor? Veya alternatif olarak X, Z'nin Y üzerindeki etkisinin bir aracısı mıdır? Diğerleri buna katılmayabilir - çalılıklara girebiliriz - ama Pearl'ün geldiğini düşünüyorum. Arabuluculuk analizi size bunlardan hangisinin doğru olduğunu söyleyemez: X -> Z -> Y; Z-> X, Z-> Y; veya Z -> X -> Y. nedensel çıkarım, buradaki istatistiksel modele göre harici varsayımlara bağlıdır.
dmk38

Demek istediğim, X'in Y'ye neden olduğu için değil, Z'nin Y'ye neden olduğu ve X ve Z'nin yüksek derecede korelasyonlu olduğu için Y ile ilişkili olduğu. Biraz kafa karıştırıcı, ama hepsi bu. Bu örnekte nedensel ilişkiler gerçekten söz konusu değildir. Sadece X ve Y arasındaki varyansın Z ve Y arasındaki varyans ile açıklanabileceğini göstermeye çalışıyorum. Temelde X'in dolaylı olarak Y'den Z'ye bağıntılı olduğunu göstermeye çalışıyorum. Belki de bütün sorunum bu "arabuluculuk" olarak adlandırıyor. bu fenomeni karıştırıcı olarak. Belki de McKinnon, Krull ve Lockwood (2000) yardımcı olacaktır.
Behacad

1
McKinnon, Krull ve Lockwood'un öne sürdüğü gibi, arabuluculuk ve karıştırmak istatistiksel olarak aynıdır. Kavramsal olarak nasıl farklılaşırlar. "Arabuluculuk hipotezinin aksine, karıştırmanın mutlaka değişkenler arasında nedensel bir ilişki olduğu anlamına gelmez. Aslında, bir karıştırıcı etkinin en az bir tanımı özellikle üçüncü değişkenin bir" ara "değişken olmasını" gerektirmez - dionysus.psych .wisc.edu / Lit / Konular / İstatistikler / Arabuluculuk /… .
Behacad

"Karışım" sahte korelasyona neden olan 3. değişkendir. Yani sizin durumunuzda, Z karıştırıcıdır - hem X hem de Y'ye neden oluyorsa ve böylece X-> Y çıkarımını yenerse. Ama X ile Z arasındaki bir “korelasyon” demek istiyor gibi görünüyorsunuz “X ve Y arasındaki ilişkiyi açıklıyor” ve bu nedenle X'in Y'ye neden olduğunu dışlıyor. Z ve X arasındaki ilişki hakkında X-> Y'yi dışlayan nedensel bir çıkarım gerekir. Aksi takdirde ZX korelasyonu hala X-> YEg ile tutarlı olabilir, X Z'nin Y üzerindeki etkisine aracılık edebilir. Basit korelasyonlar umduğunuz kadar “açıklamamaktadır”.
dmk38

13

Nedensellik ve Arabuluculuk

  • Bir arabuluculuk modeli nedensellik hakkında teorik iddialarda bulunur.
    • Model, IVnedenlerin DVve bu etkinin tamamen veya kısmen bir nedensellik zinciri ile açıklanmasını önermekte, bu da nedenlerin nedenine IVneden MEDIATORolmaktadır DV.
  • Bir arabuluculuk modeli için destek önerilen nedensel yolu kanıtlamaz.
    • Arabuluculuk istatistik testleri tipik olarak gözlemsel çalışmalara dayanmaktadır. Alternatif nedensel yorumların kapsamı geniştir (örn. Üçüncü değişkenler, alternatif yönler, karşılıklılık vb.)
    • Tipik olarak arabuluculuk modellerinde ima edilen nedensel iddialar öneren araştırmacılar tarafından sunulan argümanlardan (eğer varsa) ikna olmuyorum.
  • Arabuluculuk modeli için destek, nedensel bir iddia için bir argüman oluştururken diğer kanıt kaynaklarını desteklemek için kanıt sağlayabilir. Özetle, korelasyon nedenselliği kanıtlamaz, ancak ek kanıt sağlayabilir.
  • Gözlemsel çalışmalarda arabuluculuk testlerinin sınırlamalarına rağmen, (a) arabuluculuk modelleri, araştırmacıları nedensel yollar hakkında düşünmeye teşvik etmek için iyidir ve (b) arabuluculuk modellerini yazmanın daha iyi ve daha kötü yolları vardır, burada daha iyi yollar yorumlamadaki nüansları kabul eder ve hem önerilen nedensel yol hem de alternatif nedensel yollarla ilgili kanıtların kapsamlı teorik tartışmasını sağlar ( hazırladığım ipuçlarının bu sayfasına bakın ).
  • @ dmk38 bazı mükemmel referanslar ve ek tartışmalar sağlamıştır.

Bir değişkenin başka bir değişkenin tahminini açıkladığını gösterme

  • Açıklamanıza dayanarak, arabuluculuk araştırma sorunuzla uyumlu görünmüyor . Bu nedenle, analizlerinizde arabuluculuk dilini kullanmaktan kaçınırım.
  • Anladığım kadarıyla, araştırma sorunuz bir değişkenin tahmininin ( X1yerine onu çağıralım IV) DVikinci bir değişkenle açıklanıp açıklanmadığı (bunun X2yerine çağıralım MEDIATOR) ile ilgilidir. Ayrıca X2nedenler gibi nedensel iddialarda bulunabilirsiniz , DVancak X1sadece ilişkili X2ve neden değil DV.
  • Bu araştırma sorusunu test etmek için uygun olabilecek birkaç istatistiksel test vardır:
    • Sıfır sırasını ( X1ile DV) yarı kısmi korelasyonlarla ( X1kısaltma) karşılaştırınX2 olarak DV) karşılaştırın. İlginç unsurun, azaltma derecesi olacağını ve istatistiksel açıdan çok fazla olacağını düşünmüyorum (tabii ki bu azaltma konusunda bazı güven aralıkları almak istersiniz).
    • Ya da benzer şekilde, X2blok 1 ve X1blok 2'ye eklediğiniz bir hiyerarşik regresyonun artımlı R-karesini, sadece X1tahmini olan bir modelin R-karesi ile karşılaştırınDV .
    • Ben aynı zamanda nedensel örn varsayımlara (arasındaki çift başlı oklar aynı hizada olduğu bir yol şemasını çizebilir hayal X1ve X2ve arasında tek başlı ok X2ve DV.

(+1), çok açık ve net.
NRH

Sanırım başardın. Her ne kadar dmk38'in cevabı altta yatan problem hakkında teorik açıdan büyük olsa da, işte ruhlar. Ayrıca, etkiye neden olan üçüncü bir değişken olması gerektiğini göstermek için kısmi korelasyon veya hiyerarşik regresyon ile devam edeceğim. Arabuluculuk dili, doğal olarak nedensel olduğu için bu bağlamda tamamen yanıltıcıdır.
Henrik

Çok teşekkür ederim, bu yardımcı olur. Çalıştığım yapıların doğası göz önüne alındığında "nedensel" ilişkiler oldukça karmaşıktır (örneğin, yaşam süresi boyunca birbirini etkileyen iki tür özellik), bu da suyu biraz daha çamurluyor. Tekrar teşekkürler!
Behacad

0

Bahsettiğiniz bu değişkenlerin, eğer IV bunlara neden olmazsa veya kontrol etkisi beklerseniz moderatörler olarak 'kontrol' değişkenleri olarak düşünülmesi gerektiğine inanıyorum. Kağıt üzerinde deneyin ve birkaç kez zihninizde çalışın veya varsayılmış efektleri çizin.


0

Belki daha iyi bir dil, ya da en azından çok daha az kafa karıştırıcı, sahte korelasyon. Bunun tipik bir örneği dondurma tüketiminin boğulma ile ilişkili olmasıdır. Bu nedenle, birileri düşünebilir, dondurma tüketimi boğulmaya neden olur. Sahte korelasyon, bir üçüncü "denetleyici" değişken ilk ikisine göre gerçekten nedensel olduğunda ortaya çıkar. Örneğimizde, dondurma satışlarına ve zaman içinde boğulmaya baktık ve sıcaklık tarafından denetlenen mevsimsel etkileri unuttuk ve yeterince sıcak olduğunda daha fazla dondurma yenildi ve daha fazla insan boğuldu, çünkü daha fazla rahatlama isteyin yüzme ve dondurma yiyerek ısı. Bazı mizahi örnekler .

Öyleyse, soru sahte bir korelasyonu ne için kullanır? Ve ortaya çıkıyor, kullanılıyor çünkü insanlar teorilerini test etmiyor. Örneğin, böbrek fonksiyonu, ağırlık ve boy formülüyle tahmin edildiği gibi, genellikle tahmini vücut yüzeyine "normalleştirilir".

Şimdi, vücut yüzey alanı idrarın oluşmasına neden olmaz ve ağırlık ve yükseklik formülünde ağırlık Kleiber kanunu ile nedenseldir ve yükseklik aslında formülü daha az öngörücü yapar .


0

Genomik bağlamında nedensel çıkarımla ilgili kendi araştırmamda bu göreve rastladım. Bu alanda nedenselliğin farkına varma girişimi genellikle bir kişinin genetik kodunun nasıl randomize olarak düşünülebileceğinden (seks hücrelerinin nasıl oluştuğu ve nihayetinde eşleştiği nedeniyle) oynamaktan kaynaklanır. Bunu hem "arabulucu" hem de nihai tepki ile ilişkili bilinen mutasyonlarla birleştirmek, belirli bir nedensellik tanımları altında bir arabulucunun bu yanıt üzerinde nedensel bir etkiye neden olabilir (ki eminim burada uzun bir tartışma getirebilir).

Bir arabuluculuk modeli kullandığınızda ve nedensellik iddiasında bulunmamanız durumunda, gözden geçirenin neden tartışacağını düşünemedim. Her ne kadar gözlemlediğiniz arabuluculuk etkisinin üçüncü değişken tarafından karıştırılıp karıştırılmadığını göz ardı etmeniz gerekir.

Nedensellikle açıkça ilgileniyorsanız, Mendel Randomizasyonu veya " Nedensel Çıkarım Testi " gibi epidemiyolojiden yöntemlere bakmak isteyebilirsiniz . Veya Enstrümantal Değişken Analizi ile başlayın .

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.