중재 테스트에 대한 귀하의 접근 방식은 Baron & Kenny (1986)의 고전적인 방법 논문에 설명 된 "인과 적 단계 접근"을 따르는 것으로 보입니다. 이 중개 방법에는 다음 단계가 필요합니다.
- X 와 Y 가 유의하게 연관되어 있는지 ( c 경로) 테스트합니다 . 그렇지 않은 경우 분석을 중지하십시오. 만약 그들이 ...
- 있는지 테스트 X 및 M은 크게 (관련되는 경우 → 경로); 그렇지 않은 경우 분석을 중지하십시오. 만약 그들이 ...
- X ( b 경로)를 제어 한 후 M 과 Y 가 유의하게 연관되어 있는지 테스트합니다 . 그렇지 않은 경우 분석을 중지하십시오. 만약 그들이 ...
- 비교] 직접적인 효과의 X 합니다 ( C ' - 예측 경로 Y 에서 X를 위한 조절하여 M을 받는) 총 효과 의 X 합니다 ( C의 단계 1에서의 경로). 경우 C는 ' 제로보다에 가까운 C , 비 중요, 연구는 결론 지었다 M은 완전히 사이의 연결 매개 X 와 Y를 . 그러나 만약 c ' 가 여전히 중요 하다면 , 연구원은 M 이 X 의 영향에 대한 "부분적"매개자 일 뿐이라고 결론 지었다 .Y .
직접 쓰기 ( c ' )와 총 효과 ( c ) 의 차이점을 강조합니다 .
X가 간접적 인 효과는 있지만 Y에 직접적인 영향은 없다고 주장 할 수 있습니까?
실제로 당신이 걱정하는 것은 X 가 간접적이지만 Y 에 대한 총 영향은 아니라고 주장하는 정당성이라고 생각 합니다.
짧은 대답
예, 총 효과 ( c )가 중요하지 않은 경우에도 M 이 X 와 Y 사이의 연관성을 중재 한다고 결론을 내릴 수 있습니다. 인과 적 단계 접근법은 역사적으로 인기가 있었지만 통계적으로 더 강력하고 데이터에 대한 가정이 적으며 논리적으로 더 일관성있는 중재 테스트 방법으로 대체되었습니다. Hayes (2013)는 그의 책에서 인과 단계 접근의 많은 한계에 대해 놀랍도록 접근 가능하고 철저하게 설명했다.
부트 스트래핑 (MacKinnon et al., 2004) 및 Monte Carlo (Preacher & Selig, 2012) 방법을 포함한 다른보다 엄격한 접근법을 확인하십시오. 두 방법 모두 간접 효과 자체의 신뢰 구간 ( ab 경로)을 평가하여 ( 방법이 어떻게 다른지), 신뢰 구간을 조사하여 0이 적절한 값인지 여부를 확인합니다. 사용하는 통계 분석 소프트웨어에 관계없이 자체 연구에서 구현하기가 매우 쉽습니다.
더 긴 대답
예, 총 효과 ( c )가 중요하지 않은 경우에도 M 이 X 와 Y 사이의 연관성을 중재 한다고 결론을 내릴 수 있습니다. 실제로 통계 학자들 사이 에서 몇 가지 이유로 전체 효과 ( c )가 중재 테스트 (예 : Hayes, 2009; Shrout & Bolger, 2002)에 대한 '게이트 키퍼'로 사용되어서는 안된다는 비교적 합의 된 의견이 있습니다.
- 인과 단계는 간접 효과 ( ab 경로 또는 원하는 경우 c-c ')를 실제로 직접 평가하지 않고 중재의 존재를 통계적으로 평가하려고 시도합니다 . 간접 효과를 직접 평가 / 테스트 할 수있는 쉬운 방법이 많다는 점에서 비논리적 인 것 같습니다.
- 인과 단계 접근법은 다중 유의성 검정에 따라 결정됩니다. 때로는 유의성 테스트가 원하는대로 작동하지만 추론 적 테스트의 가정이 충족되지 않거나 / 또는 추론 적 테스트에 힘이 없을 때 탈선 될 수 있습니다 (요한이 귀하의 질문에 대한 그의 의견에서 얻은 것이라고 생각합니다). 따라서, 주어진 모델에서 중개가 실제로 일어날 수 있지만 , 표본 크기가 작거나 전체 효과의 검정에 대한 가정이 충족되지 않았기 때문에 총 효과 ( c )는 중요하지 않을 수 있습니다. 인과 단계 접근법은 두 가지 다른 유의성 테스트 결과에 따라 달라지기 때문에 인과 단계는 가장 강력한 중재 테스트 중 하나에 접근합니다 (Preacher & Selig, 2008).
- 총 효과 ( c )는 직접 효과 ( c ' )와 모든 간접 효과 ( ab (1) , ab (2) ...) 의 합으로 이해됩니다 . 의 영향 척 X 에 Y가 완전히 매개된다 (즉, C ' 두 가지 변수에 의해 0) M1 과 M2 . 그러나 상기의 간접적 인 효과 척 X 에 Y 를 통해 M1을 통해 간접적 효과 반면, 긍정적 인 M2는 제외하고, 두 간접적 효과의 크기가 비교된다. 이 두 간접 효과를 합하면 총 효과를 얻을 수 있습니다 ( c)를 제외하고 인과 단계 접근 방식을 채택한 경우 하나의 "실제"조정뿐만 아니라 두 가지도 놓치게됩니다.
중재 테스트에 대한 인과 단계 접근 방식에 권장되는 대안으로는 부트 스트랩 (MacKinnon et al., 2004) 및 Monte Carlo (Preacher & Selig, 2012) 방법이 있습니다. 부트 스트랩 방법은 자신의 데이터에서 동일한 표본 크기의 동일한 표본 크기 (예 : 5000)를 대체하여 표면적으로 많은 수의 무작위 표본을 가져와 간접 효과 ( ab각 표본에서 해당 추정값을 가장 낮은 순서에서 가장 높은 순서로 정렬 한 다음, 백분위 수 범위 내에서와 같이 부트 스트랩 된 간접 효과에 대한 신뢰 구간을 정의합니다 (예 : 95 % 신뢰 구간의 경우 2.5 및 97.5). SPSS 및 SAS와 같은 통계 분석 소프트웨어에는 간접 효과를위한 부트 스트랩 매크로를 사용할 수 있으며, R을위한 패키지를 사용할 수 있으며 다른 프로그램 (예 : Mplus)에는 이미 부트 스트랩 기능이 내장되어 있습니다.
Monte Carlo 방법은 원본 데이터가 없거나 부트 스트랩이 불가능한 경우 좋은 대안입니다. a 및 b 경로에 대한 모수 추정값 , 각 경로의 분산 및 두 경로 간의 공분산 (종종 항상 0은 아님) 만 있으면됩니다. 이러한 통계 값을 사용하면 표면적으로 큰 분포 (예 : 20,000)의 ab 값 을 시뮬레이션 할 수 있으며 부트 스트랩 방식과 마찬가지로 가장 낮은 순서에서 높은 순서로 정렬하고 신뢰 구간을 정의 할 수 있습니다. 자신의 Monte Carlo 중개 계산기를 프로그래밍 할 수 있지만 Kris Preacher는 자신의 웹 사이트에서 자유롭게 사용할 수 있는 멋진 계산기를 보유하고 있습니다 (2012 년 Preacher & Selig 참조).
두 방법 모두 신뢰 구간에 값 0이 포함되어 있는지 확인합니다. 그렇지 않다면, 당신은 의미있는 간접 효과가 있다고 결론 지을 수 있습니다.
참고 문헌
Baron, RM, & Kenny, DA (1986). 사회 심리학 연구에서 중재자-중개자 변수의 구별 : 개념적, 전략적, 통계적 고려. 성격 및 사회 심리학 저널 , 51 , 1173-1182.
헤이즈, AF (2013). 중재, 중재 및 조건부 프로세스 분석 소개 : 회귀 기반 접근 방식. 뉴욕, 뉴욕 : 길 포드.
헤이즈, AF (2009). 바론과 케니를 넘어서 : 새 천년의 통계적 중재 분석. 통신 단행본 , 76 408-420.
MacKinnon, DP, Lockwood, CM, & Williams, J. (2004). 간접 효과에 대한 신뢰 한계 : 제품 분배 및 리샘플링 방법. 다변량 행동 연구 , 39 , 99-128.
설교자, KJ, & Selig, JP (2012). 간접 효과에 대한 Monte Carlo 신뢰 구간의 장점. 의사 소통 방법 및 조치 , 6 , 77-98.
Shrout, PE, & Bolger, N. (2002). 실험 및 비실험 연구에서의 중재 : 새로운 절차 및 권장 사항. 심리적 방법 , 7 , 422-445.