Går en påverkan via ett mellansteg? (mediation)

Kort sagt

En variabel X påverkar förmodligen ett utfall Y, och effekten går (delvis) via ett mellansteg M, mediatorn. Exempel: socialt stöd (X) höjer tilltron till den egna förmågan (M), och det höjer välbefinnandet (Y). Välj tre talkolumner; X kan också ha exakt två värden (t.ex. 0/1). Statable skattar den indirekta effekten a·b med ett bootstrap-konfidensintervall. Kovariater är ännu inte möjliga.

Vad Statable beräknar

• Tre regressioner: stig a (X → M), stigarna b och c′ (Y utifrån X och M), totaleffekt c (Y utifrån X); per stig B, standardfel, β, t, p och 95 %-igt konfidensintervall.
• Indirekt effekt a·b, med c = c′ + a·b. Konfidensintervallet kommer från bootstrap (5000 nya stickprov, fast startvärde: samma data ger samma intervall). Standard är percentilintervallet; BCa kan väljas under ”Fler alternativ” (se ”Bootstrap-intervall”).
• Även den standardiserade indirekta effekten och andelen a·b / c; andelen anges bara om den ligger mellan 0 och 1.

Läsa resultatet

• Det avgörande är bootstrapintervallet för a·b: om det inte innehåller 0 talar det statistiskt för en indirekt effekt (det fastställer ingen orsak).
• Om den direkta effekten c′ också är statistiskt signifikant och pekar åt samma håll går effekten bara delvis via M; pekar den åt motsatt håll kallas det kompetitiv mediation. Statable undviker orden ”full” och ”partiell” mediation eftersom de beror på stickprovsstorleken.
• Diagrammet visar X → M → Y med B på varje stig; heldragen betyder p < ,05, streckad betyder inga tydliga belägg.

Förutsättningar och begränsningar

• Minst 10 personer med alla tre svar; från ungefär 50 är bootstrap tillförlitlig.
• Linjära samband, ungefär lika spridning hos residualerna, oberoende personer; avvikande värden kan starkt påverka den indirekta effekten.
• Ordningen X → M → Y är ett antagande från teorin som data inte kan pröva. Med data från en enda enkät visar mediation inte något orsakssamband.

ab = 0,42, 95 %-bootstrap-KI [0,27; 0,58]; a = 0,47, p < ,001; b = 0,91, p < ,001; c′ = 0,42, p = ,002; c = 0,84, p < ,001

För specialister

PSPP beräknar stigarna, Statable själv den indirekta effekten (percentilintervall). Standardiserat: a·b · SD(X) / SD(Y). Kontrollerat mot R (lm, boot, lavaan, mediation::mediate): punktskattningen stämmer exakt, bootstrap-gränserna inom slumpfelet.

Betingad och seriell mediation (under ”Fler alternativ”)

• Modell 7 (PROCESS): en moderator W ändrar vägen från X till M. Modell 14: W ändrar vägen från M till Y. Då beror den indirekta effekten på W. En fjärde talkolumn (eller en kolumn med två värden) väljs.
• Det som räknas är indexet för modererad mediation: om dess bootstrap-intervall utesluter noll beror den indirekta effekten på W. De betingade indirekta effekterna (vid 16:e, 50:e och 84:e percentilen av W enligt typ 6, alternativt vid medelvärdet ± 1 SD eller vid egna värden) beskriver bara hur stor den är där. Om de var för sig skiljer sig från noll men indexet inte gör det, ger data inget belägg för en moderation.
• Modell 6: två mellansteg i följd (X → M1 → M2 → Y). Statable visar de tre indirekta effekterna, deras summa och de tre kontrasterna mellan vägarna. Ordningen på mellanstegen är ett antagande från teorin; omvänd ordning passar data lika bra.
• Det finns inget p för indirekta effekter, indexet och kontrasterna, bara bootstrap-intervallet (B = 5000, fast startvärde); alla effekter kommer från samma dragningar. De två faktorerna i en produkt centreras vid medelvärdet; det ändrar inte effekterna men de enskilda koefficienterna (de gäller då vid W = medelvärdet).
• Ingår inte: fler kovariater, robusta standardfel och fler PROCESS-modeller. Den här beräkningen är spärrad vid fallvikt.

Typiska exempel

• Föräldrastöd → self-efficacy → provresultat: går påverkan via self-efficacy?
• Stress → sömn → koncentration.