Dalam model mediasi klasik, kami memiliki jalur yang ditunjukkan pada diagram di bawah ini
di mana langkah pertama menguji efek mediasi M antara X dan Y adalah bahwa X secara signifikan berkorelasi dengan Y (seperti yang ditunjukkan pada panel A pada gambar).
Namun, saya bertemu dengan situasi di mana Path dan jalan b yang sangat signifikan, namun tidak jalan C . Dibandingkan dengan Path c, Path c 'tidak signifikan, tetapi koefisiennya menurun.
Dalam hal ini, apakah masih berharga untuk berbicara tentang hubungan antara X, Y, dan M? Jika demikian, apa cara terbaik untuk mengatasi hubungan ini dalam sebuah makalah? Bisakah kita mengklaim bahwa X memiliki efek tidak langsung tetapi tidak berpengaruh langsung pada Y ??
Saya menguji model jalur yang sama dengan tiga sampel, .
sumber
Jawaban:
Pendekatan Anda untuk menguji mediasi tampaknya sesuai dengan "pendekatan langkah sebab akibat" yang dijelaskan dalam makalah metode klasik oleh Baron & Kenny (1986). Pendekatan mediasi ini mencakup langkah-langkah berikut:
Saya menekankan perbedaan antara efek langsung ( c ' ) dan total ( c ) karena meskipun Anda menulis ...
Saya pikir apa yang sebenarnya Anda khawatir tentang adalah legitimasi mengklaim bahwa X memiliki tidak langsung, tapi tidak keseluruhan berpengaruh pada Y .
Jawaban Singkat
Ya, itu sah untuk menyimpulkan bahwa M memediasi hubungan antara X dan Y bahkan jika efek total ( c ) tidak signifikan. Pendekatan langkah-langkah kausal, meskipun secara historis populer, telah banyak digantikan oleh metode pengujian untuk mediasi yang lebih kuat secara statistik, membuat lebih sedikit asumsi data, dan lebih logis secara logis koheren. Hayes (2013) memiliki penjelasan luar biasa yang dapat diakses dan menyeluruh tentang banyak keterbatasan pendekatan langkah-langkah kausal dalam bukunya.
Lihat pendekatan lain yang lebih ketat, termasuk metode bootstrap (MacKinnon et al., 2004) dan Monte Carlo (Preacher & Selig, 2012). Kedua metode memperkirakan interval kepercayaan dari efek tidak langsung itu sendiri ( jalur ab ) - bagaimana mereka melakukannya berbeda antara metode - dan kemudian Anda memeriksa interval kepercayaan untuk melihat apakah 0 adalah nilai yang masuk akal. Keduanya sangat mudah diimplementasikan dalam penelitian Anda sendiri, terlepas dari perangkat lunak analisis statistik yang Anda gunakan.
Jawaban yang Lebih Panjang
Ya, itu sah untuk menyimpulkan bahwa M memediasi hubungan antara X dan Y bahkan jika efek total ( c ) tidak signifikan. Bahkan, ada konsensus yang relatif besar di antara ahli statistik bahwa efek total ( c ) tidak boleh digunakan sebagai 'penjaga gerbang' untuk tes mediasi (misalnya, Hayes, 2009; Shrout & Bolger, 2002) karena beberapa alasan:
Alternatif yang saya sarankan untuk pendekatan langkah-langkah kausal untuk pengujian mediasi termasuk metode bootstrap (MacKinnon et al., 2004) dan Monte Carlo (Preacher & Selig, 2012). Metode Bootstrapping melibatkan pengambilan sejumlah besar sampel acak dangkal dengan penggantian (misalnya, 5000) dengan ukuran sampel yang sama dari data Anda sendiri, memperkirakan efek tidak langsung ( abjalur) dalam setiap sampel, memesan estimasi tersebut dari terendah ke tertinggi, dan kemudian menentukan interval kepercayaan untuk efek tidak langsung yang di-boot dalam beberapa kisaran persentil (mis. 2.5 dan 97.5 untuk interval kepercayaan 95%). Makro bootstrap untuk efek tidak langsung tersedia untuk perangkat lunak analisis statistik seperti SPSS dan SAS, paket tersedia untuk R, dan program lain (misalnya, Mplus) memiliki kemampuan bootstrap yang sudah ada di dalamnya.
Metode Monte Carlo adalah alternatif yang bagus ketika Anda tidak memiliki data asli, atau dalam kasus ketika bootstrap tidak memungkinkan. Yang Anda butuhkan hanyalah estimasi parameter untuk jalur a dan b , varian masing-masing jalur, dan kovarian antara dua jalur (sering, tetapi tidak selalu 0). Dengan nilai statistik ini, Anda kemudian dapat mensimulasikan distribusi besar-besaran nilai ab (mis., 20.000) , dan seperti pendekatan bootstrap, pesan dari terendah ke tertinggi dan tentukan interval kepercayaan. Meskipun Anda dapat memprogram kalkulator mediasi Monte Carlo Anda sendiri, Kris Preacher memiliki kalkulator bagus yang tersedia secara bebas untuk digunakan di situs webnya (lihat Preacher & Selig, 2012, untuk makalah yang menyertai)
Untuk kedua pendekatan, Anda akan memeriksa interval kepercayaan untuk melihat apakah itu berisi nilai 0; jika tidak, Anda dapat menyimpulkan bahwa Anda memiliki pengaruh tidak langsung yang signifikan.
Referensi
Baron, RM, & Kenny, DA (1986). Perbedaan variabel mediator-mediator dalam penelitian psikologi sosial: Pertimbangan konseptual, strategis, dan statistik. Jurnal Kepribadian dan Psikologi Sosial , 51 , 1173-1182.
Hayes, AF (2013). Pengantar mediasi, moderasi, dan analisis proses bersyarat: Pendekatan berbasis regresi. New York, NY: Guilford.
Hayes, AF (2009). Beyond Baron dan Kenny: Analisis mediasi statistik di milenium baru. Monografi Komunikasi , 76 408-420.
MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). Batas kepercayaan untuk efek tidak langsung: Distribusi produk dan metode resampling. Penelitian Perilaku Multivariat , 39 , 99-128.
Pengkhotbah, KJ, & Selig, JP (2012). Keuntungan dari interval kepercayaan Monte Carlo untuk efek tidak langsung. Metode dan Ukuran Komunikasi , 6 , 77-98.
Shrout, PE, & Bolger, N. (2002). Mediasi dalam studi eksperimental dan non-eksperimental: Prosedur dan rekomendasi baru. Metode Psikologis , 7 , 422-445.
sumber
Oke, saya pikir saya mungkin telah menemukan jawaban yang bagus. Saya melihat webinar David Kenny, yang memperkenalkan kasus ini sebagai mediasi yang tidak konsisten . Alasan mengapa jalur c tidak berbeda secara signifikan dari 0 adalah bahwa produk a dan b memiliki tanda yang berbeda dari c '. Dalam contoh yang diberikan Kenny, stres menyebabkan penurunan suasana hati (c 'negatif); sedangkan olahraga sebagai mediator antara stres dan suasana hati berkorelasi positif dengan keduanya (ab adalah positif). Karena c = c '+ ab, ketika nilai absolut dari c' dan ab dekat, c bisa mendekati 0.
Kenny mencatat dalam webinar bahwa pandangan kontemporer menganggap pengujian c dan c 'tidak terlalu penting; efek mediasi terutama ditampilkan melalui ab.
sumber
Saya setuju dengan jawaban jsakaluk , dan saya ingin menambahkan informasi yang lebih relevan.
Metode mediasi pengujian Baron dan Kenny's (1986) telah diterapkan secara luas, tetapi ada banyak makalah yang membahas keterbatasan parah dari pendekatan ini, yang secara luas mencakup:
1) Tidak secara langsung menguji signifikansi efek tidak langsung
2) Kekuatan statistik rendah
3) Ketidakmampuan untuk mengakomodasi model dengan mediasi yang tidak konsisten
* Catatan: lihat Memon, Cheah, Ramayah, Ting, dan Chuah (2018) untuk ikhtisar.
Mempertimbangkan keterbatasan ini, tipologi mediasi baru dikembangkan oleh Zhao, Lynch dan Chen (2010). Pada Oktober 2019, ia memiliki lebih dari 5.000 kutipan, sehingga semakin populer.
Sebagai ringkasan singkat, dan mengambil model kausal tiga variabel sebagai contoh, Anda tipe mediasi ada.
Mediasi komplementer: Efek yang dimediasi (axb) dan efek langsung (c) keduanya ada dan menunjuk pada arah yang sama.
Mediasi kompetitif: Efek yang dimediasi (axb) dan efek langsung (c) keduanya ada dan menunjukkan arah yang berlawanan.
Mediasi tidak langsung saja: Efek mediasi (axb) ada, tetapi tidak ada efek langsung (c).
Selanjutnya, dua jenis non-mediasi diusulkan:
Langsung-saja non-mediasi: Efek langsung (c) ada, tetapi tidak ada efek tidak langsung.
Non-efek non-mediasi: Nether efek langsung (c), tidak ada efek tidak langsung.
Dengan demikian, kasus OP akan diklasifikasikan sebagai mediasi tidak langsung saja sebagai efek mediasi ada tetapi efek langsung (c ') tidak signifikan.
Referensi
Memon, MA, Cheah, J., Ramayah, T., Ting, H., & Chuah, F. (2018). Masalah dan Rekomendasi Analisis Mediasi. Jurnal Pemodelan Persamaan Struktural Terapan, 2 (1), 1-9.
Zhao, X., Lynch Jr, JG, & Chen, Q. (2010). Mempertimbangkan kembali Baron dan Kenny: Mitos dan kebenaran tentang analisis mediasi. Jurnal Riset Konsumen, 37 (2), 197-206.
sumber