Apakah analisis mediasi secara inheren kausal?

Saya tertarik menguji model mediasi sederhana dengan satu IV, satu DV, dan satu mediator. Efek tidak langsung signifikan seperti yang diuji oleh makro Pengkhotbah dan Hayes SPSS, yang menunjukkan mediator berfungsi untuk memediasi hubungan secara statistik.

Ketika membaca tentang mediasi, saya telah membaca hal-hal seperti, "Perhatikan bahwa model mediasional adalah model kausal." - David Kenny . Saya tentu saja bisa menghargai penggunaan model mediasi sebagai model kausal, dan memang, jika model secara teori bagus, saya bisa melihat ini sebagai sangat berguna.

Namun, dalam model saya, mediator (suatu sifat yang dianggap sebagai diatesis untuk gangguan kecemasan) tidak disebabkan oleh variabel independen (gejala gangguan kecemasan). Sebaliknya, mediator dan variabel independen saling terkait, dan saya percaya hubungan antara variabel independen dan variabel dependen dapat dijelaskan sebagian besar oleh varians antara IV-mediator-DV. Intinya saya mencoba menunjukkan bahwa laporan sebelumnya tentang hubungan IV-DV dapat dijelaskan oleh mediator terkait yang tidak disebabkan oleh IV.

Mediasi berguna dalam kasus ini karena menjelaskan bagaimana hubungan IV-DV dapat dijelaskan secara statistik oleh hubungan IV-Mediator-DV. Masalah saya adalah masalah sebab akibat. Bisakah ulasan kembali dan memberi tahu kami bahwa mediasi tidak tepat karena IV sebenarnya tidak menyebabkan mediator (yang saya tidak akan pernah membantah sejak awal)?

Apakah ini masuk akal? Umpan balik tentang masalah ini akan sangat dihargai!

Sunting : Yang ingin saya katakan adalah bahwa X berkorelasi dengan Y bukan karena itu menyebabkan Y, tetapi karena Z menyebabkan Y (sebagian) dan karena X dan Z sangat berkorelasi. Agak membingungkan, tapi hanya itu. Hubungan sebab akibat dalam contoh ini tidak benar-benar dipertanyakan dan naskah ini tidak begitu banyak tentang sebab akibat. Saya hanya berusaha menunjukkan bahwa varians antara X dan Y dapat dijelaskan oleh varians antara Z dan Y. Jadi pada dasarnya, bahwa X berkorelasi secara tidak langsung dengan Y melalui Z ("mediator" dalam kasus ini).

A. "Mediasi" secara konseptual berarti sebab akibat (seperti yang ditunjukkan oleh kutipan Kenny). Path model yang memperlakukan variabel sebagai mediator berarti menyampaikan bahwa beberapa perlakuan mempengaruhi variabel hasil melalui efeknya pada mediator, varians di mana pada gilirannya menyebabkan hasil bervariasi. Tetapi memodelkan sesuatu sebagai "mediator" tidak berarti benar - benar seperti ituseorang mediator - ini adalah masalah penyebabnya. Pos & komentar Anda sebagai tanggapan terhadap Makro menyarankan Anda mempertimbangkan analisis jalur di mana suatu variabel dimodelkan sebagai mediator tetapi tidak dipandang sebagai "sebab-akibat"; Tapi aku tidak mengerti kenapa. Apakah Anda berpendapat bahwa hubungan tersebut palsu - bahwa ada beberapa variabel ke-3 yang menyebabkan "variabel independen" dan "mediator"? Dan mungkin bahwa "variabel independen" & "mediator" dalam analisis Anda sebenarnya adalah mediator dari pengaruh variabel ke-3 pada variabel hasil? Jika demikian, maka peninjau (atau orang yang bijaksana) akan ingin tahu apa variabel ke-3 & bukti apa yang Anda miliki yang bertanggung jawab atas hubungan palsu antara apa yang sebenarnya merupakan mediator.

B. Untuk memperpanjang posisi Makro, ini adalah rumpun terkenal, ditumbuhi dogma dan skolastik. Tapi di sini ada beberapa hal penting:

1. Beberapa orang berpikir bahwa Anda hanya dapat "membuktikan" mediasi jika Anda secara eksperimental memanipulasi mediator serta pengaruh yang dihipotesiskan untuk mengerahkan efek kausal. Dengan demikian, jika Anda melakukan percobaan yang hanya memanipulasi pengaruh kausal & mengamati bahwa dampaknya pada variabel hasil dicerminkan oleh perubahan dalam mediator, mereka akan "tidak! Tidak cukup baik!" Pada dasarnya, mereka hanya tidak berpikir metode pengamatan yang pernah mendukung kesimpulan kausal & mediator yang tidak dimanipulasi dalam eksperimen hanyalah kasus khusus bagi mereka.

2. Orang lain, yang tidak mengesampingkan kesimpulan kausal dari studi observasional, tetap percaya bahwa jika Anda menggunakan metode statistik yang benar-benar sangat rumit (termasuk tetapi tidak terbatas pada model persamaan struktural yang membandingkan matriks kovarians untuk hubungan mediasi yang diajukan dengan mereka). untuk berbagai alternatif), Anda dapat secara efektif membungkam kritik yang baru saya sebutkan. Pada dasarnya ini adalah Baron & Kenny, tetapi pada steroid. Secara empiris, mereka belum membungkam mereka; secara logis, saya tidak melihat bagaimana mereka bisa.

3. Yang lain, terutama, Judea Pearl, mengatakan bahwa kesehatan kesimpulan kausal dalam studi eksperimental atau observasional tidak pernah dapat dibuktikan dengan statistik; kekuatan inferensi yang melekat pada validitas desain. Statistik hanya mengkonfirmasi efek inferensial sebab akibat atau tergantung pada.

Beberapa bacaan (semuanya bagus, tidak dogmatis atau skolastik):

• Hijau, DP, Ha, SE & Bullock, JG Sudah Cukup tentang Eksperimen "Kotak Hitam": Mempelajari Mediasi Lebih Sulit daripada Kebanyakan Cendekiawan. TAHUNAN dari Akademi Ilmu Politik dan Sosial Amerika 628, 200-208 (2010).

• Sobel, ME Identifikasi Parameter Penyebab dalam Studi Acak Dengan Variabel Mediasi. Jurnal Statistik Pendidikan dan Perilaku 33, 230-251 (2008) .

• Pearl, J. Pengantar Inferensi Kausal. The International Journal of Biostatistics 6, Article 7 (2010) .

Terakhir, tetapi tidak sedikit pun, bagian dari pertukaran keren antara Gelman & Pearl tentang kesimpulan sebab-akibat di mana mediasi menjadi fokus utama: http://andrewgelman.com/2007/07/identification/

Kausalitas dan Mediasi

• Model mediasi membuat klaim teoretis tentang kausalitas.
  • Model ini mengusulkan bahwa IVsebab - sebab DVdan bahwa pengaruh ini secara total atau sebagian dijelaskan oleh rantai sebab-akibat di mana sebab- IVsebab MEDIATORyang pada gilirannya menyebabkan DV.
• Dukungan untuk model mediasional tidak membuktikan jalur sebab akibat yang diusulkan.
  • Tes statistik mediasi biasanya didasarkan pada studi observasional. Kisaran interpretasi kausal alternatif besar (misalnya, variabel ketiga, arah alternatif, timbal balik, dll.)
  • Saya biasanya tidak dibujuk oleh argumen (jika ada) yang diajukan oleh para peneliti yang mengajukan klaim kausal yang tersirat dalam model mediasi.
• Dukungan untuk model mediasional dapat memberikan bukti untuk melengkapi sumber bukti lain ketika membangun argumen untuk klaim kausal. Singkatnya, korelasi tidak membuktikan sebab-akibat, tetapi dapat memberikan bukti tambahan.
• Terlepas dari keterbatasan tes mediasi dalam studi observasi, (a) model mediasi baik untuk membuat peneliti berpikir tentang jalur sebab akibat, dan (b) ada cara yang lebih baik dan lebih buruk untuk menulis model mediasi, di mana cara yang lebih baik mengakui nuansa dalam interpretasi dan memberikan diskusi teoretis menyeluruh tentang bukti baik untuk jalur sebab akibat yang diusulkan maupun jalur sebab akibat alternatif ( lihat halaman kiat yang saya siapkan ).
• @ dmk38 telah memberikan beberapa referensi bagus dan diskusi tambahan.

Menunjukkan bahwa suatu variabel menjelaskan prediksi variabel lain

• Berdasarkan uraian Anda, mediasi tampaknya TIDAK selaras dengan pertanyaan penelitian Anda. Karena itu saya akan menghindari menggunakan bahasa mediasi dalam analisis Anda.
• Seperti yang saya pahami, pertanyaan penelitian Anda berkaitan dengan apakah prediksi satu variabel (sebut saja X1alih-alih IV) pada DVdijelaskan oleh variabel kedua (sebut saja X2alih-alih MEDIATOR). Anda mungkin juga membuat klaim sebab-akibat seperti X2sebab DVtetapi X1hanya berkorelasi dengan X2dan tidak menyebabkan DV.
• Ada beberapa tes statistik yang mungkin cocok untuk menguji pertanyaan penelitian ini:
  • Bandingkan zero-order ( X1with DV) dengan korelasi semi-parsial ( X1partialling out X2with DV). Saya membayangkan elemen yang menarik adalah tingkat reduksi dan tidak terlalu signifikan secara statistik (walaupun tentu saja Anda ingin mendapatkan interval kepercayaan pada reduksi itu).
  • Atau serupa, bandingkan R-kuadrat tambahan dari regresi hierarkis di mana Anda menambahkan X2di blok 1 dan X1di blok 2 dengan R-kuadrat model dengan hanya X1memprediksi DV.
  • Saya membayangkan Anda juga bisa menggambar diagram jalur yang selaras dengan asumsi kausal Anda (misalnya, panah berkepala dua di antara X1dan X2dan panah berkepala tunggal antara X2dan DV.

Saya percaya bahwa variabel-variabel yang Anda bicarakan, mungkin harus dianggap sebagai variabel 'kontrol' jika IV tidak menyebabkan mereka atau moderator jika Anda mengharapkan efek interaksi. Cobalah di atas kertas dan kerjakan beberapa kali di pikiran Anda atau gambarkan efek yang dihipotesiskan.

Mungkin bahasa yang lebih baik, atau setidaknya jauh lebih membingungkan adalah korelasi palsu. Contoh khas untuk ini adalah bahwa konsumsi es krim berkorelasi dengan tenggelam. Karena itu, seseorang mungkin mengira, konsumsi es krim menyebabkan tenggelam. Korelasi palsu terjadi ketika variabel "moderasi" ketiga sebenarnya kausal sehubungan dengan dua yang pertama. Dalam contoh kami, kami melihat penjualan es krim dan tenggelam dalam waktu, dan lupa tentang efek musiman yang dimoderasi oleh suhu, dan, tentu saja, lebih banyak es krim dimakan ketika panas, dan lebih banyak orang tenggelam, karena lebih banyak mencari bantuan dari panas dengan berenang dan makan es krim. Beberapa contoh lucu .

Pertanyaannya, kemudian, bermuara pada apa yang akan menggunakan korelasi palsu untuk? Dan ternyata, mereka digunakan karena orang tidak menguji teori mereka. Misalnya, fungsi ginjal sering "dinormalisasi" untuk memperkirakan permukaan tubuh, seperti yang diperkirakan oleh rumus berat dan tinggi.

Sekarang, area permukaan tubuh tidak menyebabkan urin terbentuk, dan dalam rumus berat dan tinggi, berat itu disebabkan oleh hukum Kleiber dan tingginya sebenarnya membuat formula tersebut kurang dapat diprediksi .

Saya menemukan posting ini dalam penelitian saya sendiri yang berkaitan dengan inferensial kausal dalam konteks genomik. Upaya membedakan kausalitas dalam domain ini sering berasal dari bermain dengan bagaimana kode genetik seseorang dapat dianggap sebagai acak (karena bagaimana sel-sel seks terbentuk dan akhirnya berpasangan). Menggabungkan ini dengan mutasi yang diketahui terkait dengan "mediator" dan respons pamungkas, orang dapat menjelaskan efek kausal dari mediator pada respons tersebut di bawah definisi kausalitas tertentu (yang saya yakin dapat memicu perdebatan panjang di sini).

Dalam kasus di mana Anda menggunakan model mediasi dan tidak mengklaim kausalitas, saya tidak bisa memikirkan mengapa peninjau akan berdebat. Meskipun Anda mungkin harus mengesampingkan apakah efek mediasi yang Anda amati dikacaukan oleh variabel ketiga.

Jika Anda tertarik pada kausalitas secara eksplisit, Anda mungkin ingin melihat metode dari epidemiologi seperti Pengacakan Mendelian atau " Uji Inferensial Penyebab ". Atau mulai dengan Analisis Variabel Instrumental .