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).
Kausalitas dan Mediasi
IV
sebab - sebabDV
dan bahwa pengaruh ini secara total atau sebagian dijelaskan oleh rantai sebab-akibat di mana sebab-IV
sebabMEDIATOR
yang pada gilirannya menyebabkanDV
.Menunjukkan bahwa suatu variabel menjelaskan prediksi variabel lain
X1
alih-alihIV
) padaDV
dijelaskan oleh variabel kedua (sebut sajaX2
alih-alihMEDIATOR
). Anda mungkin juga membuat klaim sebab-akibat sepertiX2
sebabDV
tetapiX1
hanya berkorelasi denganX2
dan tidak menyebabkanDV
.X1
withDV
) dengan korelasi semi-parsial (X1
partialling outX2
withDV
). 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).X2
di blok 1 danX1
di blok 2 dengan R-kuadrat model dengan hanyaX1
memprediksiDV
.X1
danX2
dan panah berkepala tunggal antaraX2
danDV
.sumber
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.
sumber
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 .
sumber
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 .
sumber