Ya c yolu önemli değilse de a ve b yolları önemliyse? Arabuluculukta dolaylı etki


12

Klasik bir arabuluculuk modelinde, aşağıdaki şemada gösterilen yollarımız var

,

buradaki M'nin X ve Y arasındaki aracılık etkisini test etmenin ilk adımı, X'in Y ile önemli ölçüde korele olmasıdır (şekilde A panelinde gösterildiği gibi).

Ancak, a Yolu ve B Yolu'nun güçlü olduğu, ancak C Yolu'nun olmadığı bir durumla karşılaştım . Yol c ile karşılaştırıldığında, Yol c 'anlamlı değildir, ancak katsayı azalır.

Bu durumda, X, Y ve M arasındaki ilişki hakkında konuşmak hala değerli mi? Öyleyse, bu ilişkiyi bir makalede ele almanın en iyi yolu nedir? X'in dolaylı bir etkisi olduğunu ancak Y üzerinde doğrudan bir etkisi olmadığını iddia edebilir miyiz?

Aynı yol modelini üç örnekle test ediyorum, .n1=124,n2=49,n3=166


1
Lütfen efektlerin ve büyüklüğün işaretini ekleyin. Düşük bir N'ye sahipseniz ve sadece c'nin önemli bir etkisi yoksa, ancak yine de ılımlı bir sayı, c'nin 0'a çok yakın olmasından farklı bir şey anlamına gelir.
John

Yanıtlar:


31

Test arabuluculuğuna yaklaşımınız, Baron & Kenny'nin (1986) klasik yöntemler belgesinde açıklanan "nedensel adımlar yaklaşımına" uygun görünüyor. Bu arabuluculuk yaklaşımı aşağıdaki adımları içerir:

  1. X ve Y'nin anlamlı derecede ilişkili olup olmadığını test edin ( c yolu); eğer değilse, analizi durdurun; Eğer öylelerse...
  2. X ve M'nin anlamlı şekilde ilişkili olup olmadığını test edin ( a yolu); eğer değilse, analizi durdurun; Eğer öylelerse...
  3. X ( b yolu) kontrol edildikten sonra M ve Y'nin anlamlı bir şekilde ilişkili olup olmadığını test edin ; eğer değilse, analizi durdurun; Eğer öylelerse...
  4. Karşılaştırma doğrudan etkisinin X ( c' - tahmin yoluna Y den X kontrol edildikten sonra M kadar) toplam etki bölgesinin X ( C Kademe 1 yolu). Eğer c ' sıfıra c'den daha yakınsa ve anlamlı değilse , araştırma, M'nin X ve Y arasındaki ilişkiye tamamen aracılık ettiği sonucuna varır . Fakat eğer c ' hala anlamlıysa, araştırmacı M'nin X'in etkisinin sadece "kısmi" aracısı olduğu sonucuna varır .Y .

Doğrudan ( c ' ) ve toplam efektler ( c ) arasındaki farkı vurgularım çünkü yazmış olsanız da ...

X'in dolaylı bir etkisi olduğunu ancak Y üzerinde doğrudan bir etkisi olmadığını iddia edebilir miyiz?

Aslında endişelendiğiniz şey, X'in dolaylı olduğunu, ancak Y üzerinde tam bir etkisi olmadığını iddia etmenin meşruiyetidir .

Kısa Cevap

Evet, toplam etki ( c ) anlamlı olmasa bile M'nin X ve Y arasındaki ilişkiye aracılık ettiği sonucuna varmak meşrudur . Nedensel adımlar yaklaşımı, tarihsel olarak popüler olmasına rağmen, daha istatistiksel olarak daha güçlü olan, verilerin daha az varsayımını yapan ve daha mantıklı olarak tutarlı olan arabuluculuk için test yöntemleriyle değiştirildi. Hayes (2013) kitabındaki nedensel adımlar yaklaşımının birçok sınırlamasının mükemmel erişilebilir ve kapsamlı bir açıklamasına sahiptir.

Önyükleme (MacKinnon ve diğerleri, 2004) ve Monte Carlo (Preacher ve Selig, 2012) yöntemleri de dahil olmak üzere diğer daha titiz yaklaşımlara göz atın. Her iki yöntem de dolaylı etkinin kendisinin bir güven aralığını tahmin eder ( ab yolu) - bu yöntemlerin yöntemler arasında nasıl farklılık gösterdiği - ve sonra 0'ın makul bir değer olup olmadığını görmek için güven aralığını incelersiniz. Hangi istatistiksel analiz yazılımını kullanırsanız kullanın, her ikisinin de kendi araştırmanızda uygulanması oldukça kolaydır.

Daha Uzun Cevap

Evet, toplam etki ( c ) anlamlı olmasa bile M'nin X ve Y arasındaki ilişkiye aracılık ettiği sonucuna varmak meşrudur . Aslında, istatistikçiler arasında toplam etkinin ( c ) arabuluculuk testleri için bir 'kapı bekçisi' olarak kullanılmaması gerektiği konusunda nispeten büyük bir fikir birliği vardır (örn. Hayes, 2009; Shrout & Bolger, 2002):

  1. Nedensel adımlar yaklaşımı dolaylı etkiyi ( ab yolu veya tercih ederseniz c-c ' ) doğrudan değerlendirmeden arabuluculuk varlığını istatistiksel olarak değerlendirmeye çalışır . Bu, özellikle dolaylı etkiyi doğrudan tahmin etmenin / test etmenin çok sayıda kolay yolu olduğu için mantıksız görünüyor.
  2. Nedensel adımlar yaklaşımı çoklu anlamlılık testlerine bağlıdır. Bazen anlamlılık testleri olması gerektiği gibi çalışır, ancak çıkarımsal testlerin varsayımları karşılanmadığında ve / veya çıkarımsal testlerin yetersiz olduğu durumlarda raydan çıkarılabilirler (sanırım John, sorunuzla ilgili yorumunda budur). Bu nedenle, belirli bir modelde arabuluculuk gerçekten olabilir, ancak toplam etki ( c ) basitçe, örneklem büyüklüğü küçük olduğu veya toplam etkinin test edilmesi için varsayımların karşılanmadığı için önemli olmayabilir. Ve nedensel adımlar yaklaşımı diğer iki anlamlılık testinin sonucuna bağlı olduğundan, nedensel adımlar yaklaşımını en az güçlü arabuluculuk testlerinden biri yapar (Preacher ve Selig, 2008).
  3. Toplam etki ( c ), doğrudan etkinin ( c ' ) ve tüm dolaylı etkilerin ( ab (1) , ab (2) ...) toplamı olarak anlaşılmaktadır . X'in Y üzerindeki etkisine , M1 ve M2 olmak üzere iki değişken tarafından tam olarak aracılık edildiğini (yani, c ' 0 olduğunu) düşünün . Ama daha dolaylı etkisi olduğunu iddia X ile Y arasında M1 yoluyla dolaylı etki ise, olumlu M2 ve negatif iki dolaylı etkiler büyüklük olarak karşılaştırılabilir. Bu iki dolaylı etkinin toplanması size toplam etki ( c) ve yine de, nedensel adımlar yaklaşımını benimserseniz, yalnızca bir "gerçek" arabuluculuk değil, iki tanesini de kaçırırsınız.

Arabuluculuğu test etmek için nedensel adımlar yaklaşımına önereceğim alternatifler arasında önyükleme (MacKinnon ve diğerleri, 2004) ve Monte Carlo (Preacher ve Selig, 2012) yöntemleri bulunmaktadır. Bootstrapping yöntemi, kendi verilerinizden aynı örnek büyüklüğüne sahip (örn. 5000) yüzeysel olarak çok sayıda rastgele örnek almayı, dolaylı etkiyi ( abher bir örnekte bu tahminleri en düşükten en yükseğe doğru sıralayın ve ardından önyüklemeli dolaylı etki için bazı yüzdelik dilimler aralığında olduğu gibi bir güven aralığı tanımlayın (örneğin,% 95 güven aralığı için 2.5 ve 97.5.). Dolaylı efektler için önyükleme makroları SPSS ve SAS gibi istatistiksel analiz yazılımları için kullanılabilir, paketler R için kullanılabilir ve diğer programlar (örn. Mplus) zaten yerleşik önyükleme yeteneklerine sahiptir.

Monte Carlo yöntemi, orijinal verileriniz olmadığında veya önyüklemenin mümkün olmadığı durumlarda güzel bir alternatiftir. Tek ihtiyacınız olan a ve b yolları için parametre tahminleri , her yolun varyansı ve iki yol arasındaki kovaryanstır (genellikle, ancak her zaman 0 değil). Bu istatistiksel değerlerle, daha sonra ab değerlerinin yüzeysel olarak büyük bir dağılımını (örneğin, 20.000) simüle edebilir ve önyükleme yaklaşımı gibi, bunları en düşükten en yükseğe doğru sıralayabilir ve bir güven aralığı tanımlayabilirsiniz. Kendi Monte Carlo arabuluculuk hesap makinenizi programlayabilseniz de, Kris Preacher'ın web sitesinde serbestçe kullanılabilen güzel bir tane var (beraberindeki kağıt için bkz. Preacher & Selig, 2012).

Her iki yaklaşım için de, 0 değerini içerip içermediğini görmek için güven aralığını incelersiniz; değilse, dolaylı etkinin önemi olduğu sonucuna varabilirsiniz.

Referanslar

Baron, RM ve Kenny, DA (1986). Sosyal psikolojik araştırmalarda moderatör-arabulucu değişken ayrımı: Kavramsal, stratejik ve istatistiksel değerlendirmeler. Kişilik ve Sosyal Psikoloji Dergisi , 51 , 1173-1182.

Hayes, AF (2013). Arabuluculuk, moderasyon ve koşullu süreç analizine giriş: Regresyon tabanlı bir yaklaşım. New York, NY: Guilford.

Hayes, AF (2009). Baron ve Kenny'nin Ötesinde: Yeni binyılda istatistiksel uzlaştırma analizi. İletişim Monografları , 76 408-420.

MacKinnon, DP, Lockwood, CM ve Williams, J. (2004). Dolaylı etki için güven sınırları: Ürünün dağılımı ve yeniden örnekleme yöntemleri. Çok Değişkenli Davranışsal Araştırma , 39 , 99-128.

Vaiz, KJ ve Selig, JP (2012). Dolaylı etkiler için Monte Carlo güven aralıklarının avantajları. İletişim Yöntemleri ve Önlemleri , 6 , 77-98.

Shrout, PE ve Bolger, N. (2002). Deneysel ve deneysel olmayan çalışmalarda arabuluculuk: Yeni prosedürler ve öneriler. Psikolojik Yöntemler , 7 , 422-445.


Teşekkürler! Çok yardımcı oldu! CI'nin üst bağının 0'a çok yakın olduğu birkaç modelim vardı, örneğin, sonucumda gösterilen CI [-.1549, .0031]. Hâlâ sıfır hipotezini reddetmem gerektiği anlamına mı geliyor? Analizim için PROCESS ve bootstrapping kullandım.
fishbean

Boş değeri reddetmezsiniz; 0, -.1549 ile .0031 arasındadır, bu nedenle ab yolunun sıfırdan büyük olduğu sonucuna varamazsınız.
jsakaluk

2
+6, CV ile ilgili daha çok şey istiyoruz. Umarım sadece 1 oy alırsanız, gelecekte daha fazlasını sunmanız caydırılmaz. Belki de bir ödül, bu ipliği hak ettiği dikkati elde etmeye yardımcı olabilir.
gung - Monica'yı eski

Üzgünüm bu daha fazla oy getirmedi, @jsakaluk. Bu harika bir cevap; Umarım onları sağlamaya devam edersin.
gung - Monica'yı eski

Endişelenme @ gung. Desteğe minnettarım. Yüksek oy alan bir soruya çok zaman harcadıktan sonra CV'den bir adım geri atmıştım, sadece çok hızlı bir şekilde CW (bir bummer biti) yapmak için bu deneyim güzel bir teşvik ediciydi.
jsakaluk

0

Tamam, sanırım iyi bir cevap bulabilirdim. David Kenny'nin bu davayı tutarsız arabuluculuk olarak tanıtan web seminerine baktım . C yolunun 0'dan önemli ölçüde farklı olmamasının nedeni, a ve b ürününün c 'işaretinden farklı bir işarete sahip olmasıdır. Kenny'nin verdiği bir örnekte, stres ruh halinde bir azalmaya yol açar (c 'negatif); oysa stres ve ruh hali arasında bir arabulucu olarak egzersiz her ikisiyle de pozitif ilişkilidir (ab pozitiftir). C = c '+ ab olduğundan, c' ve ab'nin mutlak değerleri yakın olduğunda, c 0'a yakın olabilir.

Kenny, web seminerinde, çağdaş görüşün c ve c 'testlerini oldukça önemli olmadığını düşündüğünü; arabuluculuk etkisi esas olarak ab.


Posterity uğruna, diyagramınızda ve metninizde tek bir değişken adı kümesi kullanabilir misiniz? Şu anda hepsi aynı şeyi ifade eden "IV" ve "X" ve "Stres" var.
rolando2

0

Jsakaluk'un cevabına katılıyorum ve daha alakalı bilgiler eklemek istiyorum.

Baron ve Kenny'nin (1986) arabuluculuğu test etme yöntemi kapsamlı bir şekilde uygulanmıştır, ancak bu yaklaşımın ciddi sınırlamalarını tartışan , aşağıdakileri geniş ölçüde içeren birçok makale vardır :

1) Dolaylı bir etkinin önemini doğrudan test etmemek

2) Düşük istatistiksel güç

3) Tutarsız arabuluculuğa sahip modelleri barındıramama

* Not: genel bakış için Memon, Cheah, Ramayah, Ting ve Chuah (2018) 'e bakınız.

Bu sınırlamalar dikkate alındığında, Zhao, Lynch ve Chen (2010) tarafından yeni bir arabuluculuk tipolojisi geliştirilmiştir. Ekim 2019'dan itibaren 5.000'den fazla alıntıya sahip olduğundan daha fazla popülerlik kazanıyor.

Kısa bir özet olarak ve örnek olarak üç değişkenli bir nedensel model alarak, size arabuluculuk türleri vardır.

  1. Tamamlayıcı arabuluculuk: Aracılık etkisi (aks) ve doğrudan etki (c) hem vardır hem de aynı yönü gösterir.

  2. Rekabetçi arabuluculuk: Aracılıklı etki (aks) ve doğrudan etki (c) hem vardır hem de zıt yönleri gösterir.

  3. Yalnızca dolaylı aracılık: Aracılıklı etki (axb) vardır, ancak doğrudan etki yoktur (c).

Ayrıca, arabuluculuk yapmayan iki tür önerilmiştir:

  1. Yalnızca doğrudan arabuluculuk yapmama: Doğrudan etki (c) vardır, ancak dolaylı etki yoktur.

  2. Etkisi olmayan arabuluculuk yok: Nether doğrudan etkisi (c) veya dolaylı etki yoktur.

Bu nedenle, OP vakası dolaylı etki olduğu için dolaylı etki olarak dolaylı olarak sınıflandırılır, ancak doğrudan etki (c ') anlamlı değildir.

Referanslar

Memon, MA, Cheah, J., Ramayah, T., Ting, H. ve Chuah, F. (2018). Arabuluculuk Analiz Konuları ve Öneriler. Uygulamalı Yapısal Eşitlik Modeli Dergisi, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG ve Chen, S. (2010). Baron ve Kenny'yi Yeniden Düşünmek: Arabuluculuk analizi hakkındaki mitler ve gerçekler. Tüketici Araştırmaları Dergisi, 37 (2), 197-206.

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