क्या होगा यदि पथ c महत्वपूर्ण नहीं है, लेकिन पथ a और b हैं? मध्यस्थता में अप्रत्यक्ष प्रभाव

Question

एक क्लासिक मध्यस्थता मॉडल में, हमारे पास नीचे दिए गए चित्र में दिखाए गए पथ हैं

,

जिसमें एक्स और वाई के बीच एम के मध्यस्थता प्रभाव का परीक्षण करने का पहला कदम यह है कि एक्स को वाई के साथ काफी सहसंबद्ध किया जाता है (जैसा कि चित्र में पैनल ए में दिखाया गया है)।

हालाँकि, मैं एक ऐसी स्थिति से टकरा गया जहाँ पथ a और पथ b दृढ़ता से महत्वपूर्ण हैं, लेकिन पथ C नहीं । Path c की तुलना में Path c 'महत्वपूर्ण नहीं है, लेकिन गुणांक कम हो गया है।

इस मामले में, क्या एक्स, वाई और एम के बीच के रिश्ते के बारे में बात करना अभी भी मूल्यवान है ?? यदि हां, तो एक पेपर में इस रिश्ते को संबोधित करने का सबसे अच्छा तरीका क्या है? क्या हम यह दावा कर सकते हैं कि X का अप्रत्यक्ष प्रभाव है लेकिन Y पर सीधा प्रभाव नहीं है ??

मैं तीन नमूनों के साथ एक ही पथ मॉडल का परीक्षण कर रहा हूं, ।$n_1 = 124, n_2 = 49, n_3 = 166$

Comments

कृपया प्रभाव और परिमाण का संकेत जोड़ें। यदि आपको एक कम एन मिला है और सिर्फ c का एक महत्वपूर्ण प्रभाव नहीं है, लेकिन फिर भी यह एक मध्यम संख्या है, तो इसका मतलब है कि यदि c 0. के बहुत करीब है तो इसका मतलब कुछ अलग है।

— John

Answer 1

परीक्षण मध्यस्थता के लिए आपका दृष्टिकोण बैरन एंड केनी (1986) द्वारा क्लासिक तरीकों के पेपर में वर्णित "कारण चरण दृष्टिकोण" के अनुरूप प्रतीत होता है। मध्यस्थता के लिए यह दृष्टिकोण निम्नलिखित चरणों को पूरा करता है:

1. टेस्ट करें कि क्या एक्स और वाई महत्वपूर्ण रूप से जुड़े हुए हैं ( सी पथ); यदि वे नहीं हैं, तो विश्लेषण बंद करें; अगर वे हैं...
2. टेस्ट करें कि क्या एक्स और एम काफी जुड़े हुए हैं ( एक पथ); यदि वे नहीं हैं, तो विश्लेषण बंद करें; अगर वे हैं...
3. टेस्ट करें कि क्या M और Y एक्स ( बी पथ) को नियंत्रित करने के बाद महत्वपूर्ण रूप से जुड़े हुए हैं ; यदि वे नहीं हैं, तो विश्लेषण बंद करें; अगर वे हैं...
4. की तुलना करें प्रत्यक्ष के प्रभाव की एक्स ( ग ' - भविष्यवाणी पथ Y से एक्स के लिए नियंत्रित करने के बाद एम के लिए) कुल प्रभाव का एक्स ( ग चरण 1 से पथ)। अगर सी ' से शून्य के करीब है ग , और गैर महत्वपूर्ण, अनुसंधान निष्कर्ष निकाला है कि एम पूरी तरह से के बीच सहयोग की मध्यस्थता करता एक्स और वाई । लेकिन अगर c ' अभी भी महत्वपूर्ण है, तो शोधकर्ता निष्कर्ष निकालता है कि M केवल X के प्रभाव का "आंशिक" मध्यस्थ हैय ।

मैं प्रत्यक्ष ( c ) और कुल प्रभावों ( c ) के बीच के अंतर पर जोर देता हूं क्योंकि आपने लिखा है ...

क्या हम यह दावा कर सकते हैं कि X का अप्रत्यक्ष प्रभाव है लेकिन Y पर सीधा प्रभाव नहीं है ??

मुझे लगता है कि आप वास्तव में किस बारे में चिंतित हैं, यह दावा करने की वैधता है कि एक्स का अप्रत्यक्ष है, लेकिन वाई पर कुल प्रभाव नहीं है ।

संक्षिप्त उत्तर

हां, यह निष्कर्ष निकालना वैध है कि M , X और Y के बीच के जुड़ाव की मध्यस्थता करता है, भले ही कुल प्रभाव ( c ) महत्वपूर्ण न हो। ऐतिहासिक रूप से लोकप्रिय होने के कारण कारण के दृष्टिकोण को व्यापक रूप से मध्यस्थता के लिए परीक्षण के तरीकों से बदल दिया गया है जो अधिक सांख्यिकीय हैं, डेटा की कम धारणा बनाते हैं, और तार्किक रूप से सुसंगत हैं। हेस (2013) ने अपनी पुस्तक में कारण चरणों के दृष्टिकोण की कई सीमाओं का एक अद्भुत सुलभ और गहन विवरण दिया है।

बूटस्ट्रैपिंग (मैककिनोन एट अल।, 2004) और मोंटे कार्लो (प्रीचर एंड सेलिग, 2012) विधियों सहित अन्य अधिक कठोर तरीकों की जाँच करें। दोनों विधियाँ अप्रत्यक्ष प्रभाव के अविश्वास अंतराल ( अब पथ) का अनुमान लगाती हैं - वे ऐसा कैसे करते हैं कि विधियों में क्या अंतर है - और फिर आप यह देखने के लिए विश्वास अंतराल की जांच करते हैं कि क्या 0 एक प्रशंसनीय मूल्य है। वे दोनों अपने स्वयं के अनुसंधान में लागू करने के लिए बहुत आसान हैं, चाहे आप किसी भी सांख्यिकीय विश्लेषण सॉफ़्टवेयर का उपयोग करें।

दीर्घ उत्तर

हां, यह निष्कर्ष निकालना वैध है कि M , X और Y के बीच के जुड़ाव की मध्यस्थता करता है, भले ही कुल प्रभाव ( c ) महत्वपूर्ण न हो। वास्तव में, सांख्यिकीविदों के बीच एक अपेक्षाकृत बड़ी सहमति है कि मध्यस्थता के परीक्षणों के लिए कुल प्रभाव ( ग ) को 'द्वारपाल' के रूप में उपयोग नहीं किया जाना चाहिए (जैसे, हेस, 2009; श्राउट एंड बोल्जर, 2002) कुछ कारणों से:

1. कारण कदम दृष्टिकोण सांख्यिकीय रूप से मध्यस्थता की उपस्थिति का मूल्यांकन किए बिना वास्तव में प्रत्यक्ष अप्रत्यक्ष प्रभाव ( एब पथ, या सी-सी ' यदि आप चाहें तो) का मूल्यांकन करने का प्रयास करते हैं। यह अतार्किक लगता है, विशेष रूप से यह देखते हुए कि अप्रत्यक्ष प्रभाव का प्रत्यक्ष अनुमान / परीक्षण करने के कई आसान तरीके हैं।
2. कारण कदम दृष्टिकोण कई महत्व परीक्षणों पर आकस्मिक है। कभी-कभी महत्त्वपूर्ण परीक्षण काम करते हैं, जैसा कि उन्हें होना चाहिए, लेकिन वे तब पटरी से उतर सकते हैं, जब हीन परीक्षण की धारणाएं पूरी नहीं होती हैं, और / या जब हीनता परीक्षण पर बल दिया जाता है (मुझे लगता है कि यह वही है जो जॉन आपके प्रश्न पर टिप्पणी में प्राप्त कर रहे थे)। इस प्रकार, मध्यस्थता वास्तव में किसी दिए गए मॉडल में हो सकती है, लेकिन कुल प्रभाव ( सी ) गैर-महत्वपूर्ण हो सकता है, क्योंकि नमूना आकार छोटा है, या कुल प्रभाव के परीक्षण के लिए धारणाएं पूरी नहीं हुई हैं। और क्योंकि कारण चरण दृष्टिकोण दो अन्य महत्व परीक्षणों के परिणाम पर आकस्मिक है, यह कारण चरणों को मध्यस्थता के कम से कम शक्तिशाली परीक्षणों में से एक बनाता है (उपदेशक और सेलीग, 2008)।
3. कुल प्रभाव ( c ) को प्रत्यक्ष प्रभाव ( c ' ) और सभी अप्रत्यक्ष प्रभावों ( ab (1) , ab (2) ...) के योग के रूप में समझा जाता है । वाई पर एक्स के प्रभाव को पूरी तरह से मध्यस्थता (यानी, सी ' 0 है) दो चर, एम 1 और एम 2 द्वारा । लेकिन आगे दिखाते हैं कि एम 1 के माध्यम से वाई पर एक्स का अप्रत्यक्ष प्रभाव सकारात्मक है, जबकि एम 2 के माध्यम से अप्रत्यक्ष प्रभाव नकारात्मक है, और दो अप्रत्यक्ष प्रभाव परिमाण में तुलनीय हैं। इन दो अप्रत्यक्ष प्रभावों को समेटने से आपको कुल प्रभाव मिलेगा ( c)) शून्य का, और फिर भी, यदि आपने कारण चरण दृष्टिकोण अपनाया है, तो आप केवल एक "वास्तविक" मध्यस्थता को याद नहीं करेंगे, लेकिन दो।

विकल्प है कि मैं परीक्षण मध्यस्थता के लिए कारण कदम दृष्टिकोण की सिफारिश करेंगे बूटस्ट्रैपिंग (MacKinnon एट अल।, 2004) और मोंटे कार्लो (उपदेशक और सेलीग, 2012) विधियों में शामिल हैं। बूटस्ट्रैपिंग विधि में अपने स्वयं के डेटा से एक ही नमूने के आकार के प्रतिस्थापन (जैसे, 5000) के साथ सतही बड़ी संख्या में यादृच्छिक नमूने लेना शामिल है, जो अप्रत्यक्ष प्रभाव का अनुमान लगाता है ( abपथ) प्रत्येक नमूने में, उन अनुमानों को निम्नतम से उच्चतम तक क्रमबद्ध करते हुए, और फिर कुछ हद तक प्रतिशत (जैसे कि 2.5% और 97.5 वें 95% विश्वास अंतराल) के भीतर बूटस्ट्रैप्ड अप्रत्यक्ष प्रभाव के लिए एक विश्वास अंतराल को परिभाषित करते हैं। अप्रत्यक्ष प्रभावों के लिए बूटस्ट्रैपिंग मैक्रोज़ सांख्यिकीय विश्लेषण सॉफ़्टवेयर जैसे SPSS और SAS के लिए उपलब्ध हैं, R के लिए पैकेज उपलब्ध हैं, और अन्य प्रोग्राम्स (जैसे, Mplus) में पहले से ही अंतर्निहित बूटस्ट्रैपिंग क्षमताएं हैं।

मोंटे कार्लो विधि एक अच्छा विकल्प है जब आपके पास मूल डेटा नहीं है, या ऐसे मामलों में जब बूटस्ट्रैपिंग संभव नहीं है। आप सभी की जरूरत है एक और बी पथ, प्रत्येक पथ के विचरण, और दो रास्तों के बीच सहसंयोजक (अक्सर, लेकिन हमेशा 0 नहीं) के लिए पैरामीटर अनुमान हैं । इन सांख्यिकीय मूल्यों के साथ, आप तब ab मानों के सतही बड़े वितरण (उदाहरण के लिए, 20,000) का अनुकरण कर सकते हैं, और बूटस्ट्रैपिंग दृष्टिकोण की तरह, उन्हें सबसे कम से लेकर उच्चतम तक क्रम देते हैं और एक आत्मविश्वास अंतराल को परिभाषित करते हैं। यद्यपि आप अपने स्वयं के मोंटे कार्लो मध्यस्थता कैलकुलेटर का कार्यक्रम कर सकते हैं, क्रिश प्रीचर के पास एक अच्छा है जो अपनी वेबसाइट पर उपयोग करने के लिए स्वतंत्र रूप से उपलब्ध है (देखें पेपर के साथ, प्रीरेचर और सेलिग, 2012)

दोनों दृष्टिकोणों के लिए, आप विश्वास अंतराल की जांच करेंगे कि क्या इसमें 0 का मान है; यदि नहीं, तो आप निष्कर्ष निकाल सकते हैं कि आपके पास एक अप्रत्यक्ष प्रभाव है।

संदर्भ

बैरन, आरएम, और केनी, डीए (1986)। सामाजिक मनोवैज्ञानिक अनुसंधान में मध्यस्थ-मध्यस्थ चर भेद: वैचारिक, रणनीतिक और सांख्यिकीय विचार। जर्नल ऑफ़ पर्सनैलिटी एंड सोशल साइकोलॉजी , 51 , 1173-1182।

हेस, एएफ (2013)। मध्यस्थता, मॉडरेशन और सशर्त प्रक्रिया विश्लेषण का परिचय: एक प्रतिगमन-आधारित दृष्टिकोण। न्यूयॉर्क, एनवाई: गिलफोर्ड।

हेस, एएफ (2009)। बैरन एंड केनी से परे: नई सहस्राब्दी में सांख्यिकीय मध्यस्थता विश्लेषण। कम्युनिकेशन मोनोग्राफ , 76 408-420।

मैककिनोन, डीपी, लॉकवुड, सीएम और विलियम्स, जे। (2004)। अप्रत्यक्ष प्रभाव के लिए आत्मविश्वास की सीमाएं: उत्पाद का वितरण और पुन: नमूनाकरण के तरीके। बहुभिन्नरूपी व्यवहार अनुसंधान , 39 , 99-128।

प्रीचर, केजे, और सेलिग, जेपी (2012)। अप्रत्यक्ष प्रभावों के लिए मोंटे कार्लो विश्वास अंतराल के लाभ। संचार के तरीके और उपाय , 6 , 77-98।

श्राउट, पीई, और बोल्गर, एन। (2002)। प्रयोगात्मक और गैर-प्रासंगिक अध्ययन में मध्यस्थता: नई प्रक्रियाएं और सिफारिशें। मनोवैज्ञानिक तरीके , 7 , 422-445।

Comments

धन्यवाद! यह बहुत मददगार था! मेरे पास कई मॉडल थे कि CI का ऊपरी बंधन 0 के करीब है, उदाहरण के लिए, CI मेरे परिणाम में दिखाया गया है [-.1549, .0031]। क्या इसका मतलब है कि मुझे अभी भी अशक्त परिकल्पना को अस्वीकार करने की आवश्यकता है? मैंने अपने विश्लेषण के लिए PROCESS और बूटस्ट्रैपिंग का उपयोग किया।

— फिशबीन

आप अशक्त को अस्वीकार करने में विफल होंगे; 0 -.1549 और .0031 के बीच आता है, इसलिए आप यह निष्कर्ष नहीं निकाल सकते हैं कि एब पथ शून्य से अधिक है।

— जस्सालुक

+6, यह इस तरह का उत्तर है जो हम सीवी पर अधिक पसंद करेंगे। मुझे उम्मीद है कि केवल 1 अपवोट प्राप्त करने से आपको भविष्य में और अधिक प्रदान करने से हतोत्साहित नहीं किया जाएगा। शायद एक इनाम इस धागे को प्राप्त करने में मदद कर सकता है जिस पर वह ध्यान देता है।

— गंग - मोनिका

मुझे खेद है कि यह @jsakaluk को अधिक उभार नहीं मिला। यह एक महान जवाब है; मुझे आशा है कि आप उन्हें प्रदान करते रहेंगे।

— गूँग - मोनिका

कोई चिंता नहीं @gung मैं समर्थन की सराहना करता हूं। मैंने पिछले प्रश्न में बहुत समय निवेश करने के बाद CV से एक कदम पीछे लिया था, जो अत्यधिक मतदान होने के बाद समाप्त हो गया, केवल इसे बहुत जल्दी सीडब्ल्यू (एक दमदार) बना दिया, इसलिए यह अनुभव एक अच्छा प्रोत्साहन था।

— जस्सालुक

Answer 2

ठीक है, मुझे लगता है कि मुझे एक अच्छा जवाब मिल गया होगा। मैंने डेविड केनी के वेबिनार पर एक नज़र डाली, जो इस मामले को असंगत मध्यस्थता के रूप में पेश करता है । पथ c का कारण 0 से काफी भिन्न नहीं है, यह है कि a और b के उत्पाद में c से भिन्न चिन्ह है '। एक उदाहरण केनी देता है, तनाव मूड में कमी की ओर जाता है (सी 'नकारात्मक है); जबकि तनाव और मनोदशा के बीच मध्यस्थ के रूप में व्यायाम दोनों के लिए सकारात्मक रूप से सहसंबद्ध है (एबी सकारात्मक है)। चूंकि c = c '+ ab, जब c और ab के पूर्ण मान करीब हैं, c 0 के करीब हो सकता है।

केनी ने वेबिनार में नोट किया कि समकालीन दृश्य सी और सी के परीक्षण को 'आवश्यक नहीं' मानता है; मध्यस्थता प्रभाव मुख्य रूप से ab के माध्यम से प्रदर्शित होता है।

Comments

पद के लिए, क्या आप अपने आरेख और पाठ में चर नामों का एक सेट उपयोग कर सकते हैं? वर्तमान में आपको "IV" और "X" और "तनाव" सभी एक ही चीज़ को दर्शाते हुए मिले हैं, और इसी तरह।

— rolando2

Answer 3

मैं जसालुक के उत्तर से सहमत हूं , और मैं अधिक प्रासंगिक जानकारी जोड़ना चाहूंगा।

बैरन और केनी की (1986) परीक्षण मध्यस्थता की विधि को बड़े पैमाने पर लागू किया गया है, लेकिन इस दृष्टिकोण की गंभीर सीमाओं पर चर्चा करने वाले कई पत्र हैं , जिनमें मोटे तौर पर शामिल हैं:

1) अप्रत्यक्ष प्रभाव के महत्व का प्रत्यक्ष परीक्षण नहीं

2) कम सांख्यिकीय शक्ति

3) असंगत मध्यस्थता के साथ मॉडल को समायोजित करने में असमर्थता

* नोट: एक अवलोकन के लिए मेमन, चीहा, रमैया, टिंग और चूहा (2018) देखें।

इन सीमाओं को ध्यान में रखते हुए, झाओ, लिंच और चेन (2010) द्वारा मध्यस्थता की एक नई टाइपोलॉजी विकसित की गई थी। अक्टूबर 2019 तक, इसमें 5,000 से अधिक उद्धरण हैं, इसलिए यह अधिक लोकप्रियता प्राप्त कर रहा है।

एक संक्षिप्त सारांश के रूप में, और एक उदाहरण के रूप में तीन-चर कारण मॉडल लेते हुए, आपके पास मध्यस्थता के प्रकार मौजूद हैं।

1. पूरक मध्यस्थता: मध्यस्थता प्रभाव (अक्ष) और प्रत्यक्ष प्रभाव (सी) दोनों मौजूद हैं और एक ही दिशा में इंगित करते हैं।

2. प्रतिस्पर्धी मध्यस्थता: मध्यस्थता प्रभाव (अक्ष) और प्रत्यक्ष प्रभाव (सी) दोनों मौजूद हैं और विपरीत दिशाओं में इंगित करते हैं।

3. अप्रत्यक्ष-केवल मध्यस्थता: मध्यस्थता प्रभाव (अक्ष) मौजूद है, लेकिन कोई प्रत्यक्ष प्रभाव (c) नहीं है।

इसके अलावा, दो गैर-मध्यस्थता प्रकार प्रस्तावित थे:

1. प्रत्यक्ष-केवल गैर-मध्यस्थता: प्रत्यक्ष प्रभाव (सी) मौजूद है, लेकिन कोई अप्रत्यक्ष प्रभाव नहीं है।

2. न-प्रभाव गैर-मध्यस्थता: नीदरलैंड प्रत्यक्ष प्रभाव (सी), और न ही अप्रत्यक्ष प्रभाव मौजूद है।

इस प्रकार, ओपी का मामला अप्रत्यक्ष रूप से केवल मध्यस्थता के रूप में वर्गीकृत किया जाएगा क्योंकि मध्यस्थता प्रभाव मौजूद है लेकिन प्रत्यक्ष प्रभाव (सी ') गैर-महत्वपूर्ण है।

संदर्भ

मेमन, एमए, चीहा, जे।, रमैया, टी।, टिंग, एच।, और चुह, एफ (2018)। मध्यस्थता विश्लेषण मुद्दे और सिफारिशें। एप्लाइड स्ट्रक्चरल इक्वेशन मॉडलिंग जर्नल, 2 (1), 1-9।

झाओ, एक्स।, लिंच जूनियर, जेजी, और चेन, क्यू (2010)। बैरन एंड केनी पर पुनर्विचार करना: मध्यस्थता विश्लेषण के बारे में मिथक और सच्चाई। जर्नल ऑफ कंज्यूमर रिसर्च, 37 (2), 197-206।