Jestem zainteresowany przetestowaniem prostego modelu mediacji z jednym IV, jednym DV i jednym mediatorem. Efekt pośredni jest znaczący, co przetestowało makro SPSS Preacher i Hayes, co sugeruje, że mediator służy do statystycznego pośredniczenia w związku.
Czytając o mediacji, przeczytałem takie rzeczy, jak: „Zauważ, że model mediacyjny jest modelem przyczynowym”. - David Kenny . Z pewnością mogę docenić wykorzystanie modeli mediacyjnych jako modeli przyczynowych i rzeczywiście, jeśli model jest teoretycznie zdrowy, uważam to za bardzo przydatne.
Jednak w moim modelu mediator (cecha uważana za skazę na zaburzenia lękowe) nie jest wywoływany przez zmienną niezależną (objawy zaburzenia lękowego). Raczej mediator i zmienne niezależne są ze sobą powiązane i uważam, że związek między zmienną niezależną a zmienną zależną można wyjaśnić w dużej mierze przez wariancję między IV-mediatorem-DV. Zasadniczo próbuję wykazać, że wcześniejsze doniesienia o związku IV-DV można wyjaśnić powiązanym mediatorem, który nie jest spowodowany przez IV.
Mediacja jest przydatna w tym przypadku, ponieważ wyjaśnia, w jaki sposób relację IV-DV można statystycznie wyjaśnić relacją IV-Mediator-DV. Moim problemem jest kwestia związku przyczynowego. Czy recenzja może wrócić i powiedzieć nam, że mediacja jest nieodpowiednia, ponieważ IV w rzeczywistości nie powoduje mediatora (czego nigdy bym się nie spierał)?
Czy to ma sens? Wszelkie uwagi w tej sprawie będą bardzo mile widziane!
Edycja : Mam na myśli to, że X jest skorelowany z Y nie dlatego, że powoduje Y, ale ponieważ Z powoduje Y (częściowo) i ponieważ X i Z są wysoce skorelowane. Trochę mylące, ale o to chodzi. Relacje przyczynowe w tym przypadku tak naprawdę nie są kwestionowane, a niniejszy rękopis nie dotyczy tak bardzo związku przyczynowego. Po prostu staram się wykazać, że wariancja między X i Y może być wyjaśniona przez wariancję między Z i Y. Zasadniczo więc X jest skorelowany pośrednio z Y do Z (w tym przypadku „mediatorem”).
Przyczynowość i mediacja
IV
przyczynyDV
i ten efekt jest całkowicie lub częściowo wyjaśniony przez łańcuch przyczynowy, w którymIV
przyczyny,MEDIATOR
które z kolei powodująDV
.Pokazanie, że zmienna wyjaśnia przewidywanie innej zmiennej
X1
zamiastIV
) naDV
wyjaśnione jest przez drugą zmienną (pozwala to wywołaćX2
zamiastMEDIATOR
). Możesz również wysuwać roszczenia przyczynowe, takie jakX2
przyczyny,DV
aleX1
jest ono tylko skorelowaneX2
i nie powodujeDV
.X1
zDV
) z korelacjamiX1
częściowo częściowymi ( częściowoX2
zDV
). Wyobrażam sobie, że interesującym elementem byłby stopień redukcji, a nie istotność statystyczna (chociaż oczywiście chcielibyście uzyskać pewne przedziały ufności dla tej redukcji).X2
w bloku 1 iX1
w bloku 2 z kwadratem R modelu z samymX1
przewidywaniemDV
.X1
iX2
pojedyncza strzałka pomiędzyX2
aDV
.źródło
Uważam, że te zmienne, o których mówisz, powinny być uważane za zmienne „kontrolne”, jeśli IV nie powoduje ich lub moderatorzy, jeśli oczekujesz efektu interakcji. Wypróbuj to na papierze i przećwicz kilka razy w głowie lub narysuj hipotezę.
źródło
Być może lepszy język, a przynajmniej znacznie mniej mylący, to fałszywa korelacja. Typowym tego przykładem jest to, że spożycie lodów koreluje z utonięciem. Dlatego ktoś może pomyśleć, że spożywanie lodów powoduje utonięcie. Korelacja pozorna występuje, gdy trzecia zmienna „moderująca” jest faktycznie przyczynowa w stosunku do pierwszych dwóch. W naszym przykładzie przyjrzeliśmy się sprzedaży lodów i utonięciu w czasie i zapomnieliśmy o sezonowych efektach łagodzonych przez temperaturę, i, oczywiście, zjada się więcej lodów, gdy są gorące, i więcej ludzi tonie, ponieważ więcej szuka ulgi od ciepła przez pływanie i jedzenie lodów. Kilka zabawnych przykładów .
Pytanie sprowadza się zatem do tego, do czego można by użyć fałszywej korelacji? I okazuje się, że są używane, ponieważ ludzie nie testują swoich teorii. Na przykład czynność nerek jest często „znormalizowana” do szacowanej powierzchni ciała, co szacuje się na podstawie wzoru masy i wzrostu.
Teraz powierzchnia ciała nie powoduje powstawania moczu, a we wzorze masy i wzrostu ciężar jest spowodowany przez prawo Kleibera, a wysokość faktycznie sprawia, że formuła jest mniej przewidywalna .
źródło
Natrafiłem na ten post w swoich własnych badaniach dotyczących wnioskowania przyczynowego w kontekście genomiki. Próba rozpoznania związku przyczynowego w tej dziedzinie często wynika z zabawy tym, jak kod genetyczny osoby można uznać za zrandomizowany (ze względu na to, jak powstają komórki płciowe i ostatecznie łączą się w pary). Łącząc to ze znanymi mutacjami związanymi zarówno z „mediatorem”, jak i ostateczną odpowiedzią, można uzasadnić przyczynowo-skutkowy wpływ mediatora na tę odpowiedź, pod pewnymi definicjami przyczynowości (co z pewnością może wywołać tutaj długą debatę).
W przypadku, gdy używasz modelu mediacji i nie twierdzisz związku przyczynowego, nie mogłem wymyślić, dlaczego recenzent się kłócił. Chociaż prawdopodobnie będziesz musiał wykluczyć, czy obserwowany efekt mediacji jest zakłócany przez trzecią zmienną.
Jeśli interesuje Cię przyczynowość, możesz przyjrzeć się metodom z epidemiologii, takim jak randomizacja Mendeliana lub „ test wnioskowania przyczynowego ”. Lub zacznij od analizy zmiennych instrumentalnych .
źródło