Et si le chemin c n'est pas significatif, mais les chemins a et b le sont? Effet indirect dans la médiation

Dans un modèle de médiation classique, nous avons des chemins indiqués dans le diagramme ci-dessous

,

dans lequel la première étape de test de l'effet médiateur de M entre X et Y est que X est significativement corrélé avec Y (comme indiqué dans le panneau A sur la figure).

Cependant, je me suis cogné dans une situation où un chemin et le chemin b sont très significatives, mais pas le chemin C . Par rapport au chemin c, le chemin c 'n'est pas significatif, mais le coefficient est diminué.

Dans ce cas, est-il toujours utile de parler de la relation entre X, Y et M ?? Si oui, quelle est la meilleure façon d'aborder cette relation dans un document? Peut-on affirmer que X a un effet indirect mais pas un effet direct sur Y ??

Je teste le même modèle de chemin avec trois échantillons, .$n_1 = 124, n_2 = 49, n_3 = 166$

Votre approche du test de la médiation semble conforme à «l'approche des étapes causales» décrite dans le document sur les méthodes classiques de Baron et Kenny (1986). Cette approche de la médiation implique les étapes suivantes:

1. Testez si X et Y sont significativement associés (le chemin c ); si ce n'est pas le cas, arrêtez l'analyse; si ils sont...
2. Tester si X et M sont significativement associés (le un chemin d' accès); si ce n'est pas le cas, arrêtez l'analyse; si ils sont...
3. Testez si M et Y sont significativement associés après contrôle de X (le chemin b ); si ce n'est pas le cas, arrêtez l'analyse; si ils sont...
4. Comparez l' effet direct de X (le chemin c ' - prédire Y à partir de X après contrôle de M ) à l' effet total de X (le chemin c de l'étape 1). Si c » est plus proche de zéro que c , et non significatif, la recherche conclut que M médiatise complètement l'association entre X et Y . Mais si c ' est toujours significatif, le chercheur conclut que M n'est qu'un médiateur "partiel" de l'influence de X surOui .

J'insiste sur la différence entre les effets directs ( c ' ) et les effets totaux ( c ) car bien que vous ayez écrit ...

Peut-on affirmer que X a un effet indirect mais pas un effet direct sur Y ??

Je pense que ce que vous êtes réellement préoccupé par la légitimité est de prétendre que X a une participation indirecte, mais pas tout effet sur Y .

La réponse courte

Oui, il est légitime de conclure que M intervient dans l'association entre X et Y même si l'effet total ( c ) n'est pas significatif. L'approche par étapes causales, bien qu'historiquement populaire, a été largement remplacée par des méthodes de test de médiation qui sont plus puissantes statistiquement, font moins d'hypothèses sur les données et sont plus logiquement cohérentes. Hayes (2013) a une explication merveilleusement accessible et approfondie des nombreuses limites de l'approche des étapes causales dans son livre.

Découvrez d'autres approches plus rigoureuses, notamment les méthodes d'amorçage (MacKinnon et al., 2004) et Monte Carlo (Preacher & Selig, 2012). Les deux méthodes estiment un intervalle de confiance de l'effet indirect lui-même (le chemin ab ) - la façon dont elles le font diffère d'une méthode à l'autre - puis vous examinez l'intervalle de confiance pour voir si 0 est une valeur plausible. Ils sont tous deux assez faciles à mettre en œuvre dans vos propres recherches, quel que soit le logiciel d'analyse statistique que vous utilisez.

La réponse plus longue

Oui, il est légitime de conclure que M intervient dans l'association entre X et Y même si l'effet total ( c ) n'est pas significatif. En fait, il existe un consensus relativement large parmi les statisticiens selon lequel l'effet total ( c ) ne devrait pas être utilisé comme un «gardien» pour les tests de médiation (par exemple, Hayes, 2009; Shrout et Bolger, 2002) pour plusieurs raisons:

1. L'approche par étapes causales tente d'évaluer statistiquement la présence de la médiation sans jamais réellement évaluer directement l'effet indirect (le chemin ab , ou c-c ' si vous préférez). Cela semble illogique, d'autant plus qu'il existe de nombreux moyens simples d'estimer / tester directement l'effet indirect.
2. L'approche par étapes causales dépend de plusieurs tests de signification. Parfois, les tests de signification fonctionnent comme ils le devraient, mais ils peuvent dérailler lorsque les hypothèses des tests inférentiels ne sont pas remplies et / ou lorsque les tests inférentiels sont insuffisants (je pense que c'est ce que John voulait dire dans son commentaire sur votre question). Ainsi, la médiation pourrait vraiment se produire dans un modèle donné, mais l'effet total ( c ) pourrait être non significatif simplement parce que la taille de l'échantillon est petite ou parce que les hypothèses pour le test de l'effet total n'ont pas été remplies. Et parce que l'approche des étapes causales dépend du résultat de deux autres tests de signification, elle fait de l'approche des étapes causales l'un des tests de médiation les moins puissants (Preacher & Selig, 2008).
3. L'effet total ( c ) est compris comme la somme de l'effet direct ( c ' ) et de tous les effets indirects ( ab (1) , ab (2) ...). Imaginez que l'influence de X sur Y est entièrement médiée (c.-à-d. C ' est 0) par deux variables, M1 et M2 . Mais prétendez en outre que l'effet indirect de X sur Y à M1 est positif, tandis que l'effet indirect à travers M2 est négatif et que les deux effets indirects sont comparables en ampleur. La somme de ces deux effets indirects vous donnerait un effet total ( c) de zéro, et pourtant, si vous adoptiez l'approche des étapes causales, vous rateriez non seulement une «vraie» médiation, mais deux.

Les alternatives que je recommanderais à l'approche des étapes causales pour tester la médiation comprennent les méthodes d'amorçage (MacKinnon et al., 2004) et Monte Carlo (Preacher & Selig, 2012). La méthode d'amorçage consiste à prélever un nombre superficiellement élevé d'échantillons aléatoires avec remplacement (par exemple, 5000) de la même taille d'échantillon à partir de vos propres données, en estimant l'effet indirect (l' abchemin) dans chaque échantillon, en ordonnant ces estimations du plus bas au plus élevé, puis définissez un intervalle de confiance pour l'effet indirect bootstrap comme dans une certaine plage de centiles (par exemple, 2,5th et 97,5th pour un intervalle de confiance à 95%). Les macros d'amorçage pour les effets indirects sont disponibles pour les logiciels d'analyse statistique comme SPSS et SAS, les packages sont disponibles pour R et d'autres programmes (par exemple, Mplus) ont des capacités d'amorçage déjà intégrées.

La méthode Monte Carlo est une bonne alternative lorsque vous ne disposez pas des données d'origine, ou dans les cas où l'amorçage n'est pas possible. Tout ce que vous avez besoin sont les estimations des paramètres pour les a et b des chemins, la variance et la covariance entre les deux voies de chaque chemin (souvent, mais pas toujours 0). Avec ces valeurs statistiques, vous pouvez ensuite simuler une distribution superficiellement grande (par exemple, 20 000) de valeurs ab , et comme l'approche de démarrage, les classer du plus bas au plus élevé et définir un intervalle de confiance. Bien que vous puissiez programmer votre propre calculateur de médiation Monte Carlo, Kris Preacher en a un joli qui est disponible gratuitement sur son site Web (voir Preacher & Selig, 2012, pour le document d'accompagnement)

Pour les deux approches, vous examineriez l'intervalle de confiance pour voir s'il contient une valeur de 0; sinon, vous pourriez conclure que vous avez un effet indirect significatif.

Références

Baron, RM et Kenny, DA (1986). La distinction variable modérateur-médiateur dans la recherche en psychologie sociale: considérations conceptuelles, stratégiques et statistiques. Journal of Personality and Social Psychology , 51 , 1173-1182.

Hayes, AF (2013). Introduction à la médiation, à la modération et à l'analyse conditionnelle des processus: une approche basée sur la régression. New York, NY: Guilford.

Hayes, AF (2009). Au-delà de Baron et Kenny: analyse statistique de la médiation dans le nouveau millénaire. Monographies de communication , 76 408-420.

MacKinnon, DP, Lockwood, CM et Williams, J. (2004). Limites de confiance pour l'effet indirect: distribution du produit et méthodes de rééchantillonnage. Multivariate Behavioral Research , 39 , 99-128.

Preacher, KJ et Selig, JP (2012). Avantages des intervalles de confiance de Monte Carlo pour les effets indirects. Méthodes et mesures de communication , 6 , 77-98.

Shrout, PE et Bolger, N. (2002). Médiation en études expérimentales et non expérimentales: nouvelles procédures et recommandations. Psychological Methods , 7 , 422-445.

D'accord, je pense que j'aurais pu trouver une bonne réponse. J'ai jeté un coup d'œil au webinaire de David Kenny, qui présente cette affaire comme une médiation incohérente . La raison pour laquelle le chemin c n'est pas significativement différent de 0 est que le produit de a et b a un signe différent de celui de c '. Dans un exemple donné par Kenny, le stress entraîne une diminution de l'humeur (c 'est négatif); alors que l'exercice en tant que médiateur entre le stress et l'humeur est positivement corrélé aux deux (ab est positif). Puisque c = c '+ ab, lorsque les valeurs absolues de c' et ab sont proches, c pourrait être proche de 0.

Kenny note dans le webinaire que la vision contemporaine considère que les tests de c et c 'ne sont pas tout à fait essentiels; l'effet de médiation se manifeste principalement par ab.

Je suis d'accord avec la réponse du jsakaluk et je voudrais ajouter des informations plus pertinentes.

La méthode de Baron et Kenny (1986) pour tester la médiation a été largement appliquée, mais de nombreux articles discutent des limites sévères de cette approche, qui comprennent généralement:

1) Ne pas tester directement l'importance d'un effet indirect

2) Faible puissance statistique

3) Incapacité à s'adapter aux modèles avec une médiation irrégulière

* Remarque: voir Memon, Cheah, Ramayah, Ting et Chuah (2018) pour un aperçu.

Compte tenu de ces limites, une nouvelle typologie de la médiation a été développée par Zhao, Lynch et Chen (2010). En octobre 2019, il compte plus de 5000 citations, il gagne donc en popularité.

Pour résumer brièvement, et en prenant comme exemple un modèle causal à trois variables, il existe trois types de médiation.

1. Médiation complémentaire: l'effet médié (axb) et l'effet direct (c) existent et pointent dans la même direction.

2. Médiation compétitive: L'effet médié (axb) et l'effet direct (c) existent et pointent dans des directions opposées.

3. Médiation indirecte uniquement: l'effet médié (axb) existe, mais aucun effet direct (c).

De plus, deux types de non-médiation ont été proposés:

1. Non-médiation directe uniquement: l'effet direct (c) existe, mais aucun effet indirect.

2. Non-médiation sans effet: effet direct Nether (c), ni effet indirect existe.

Ainsi, le cas du PO serait classé comme médiation indirecte uniquement car il existe un effet médiatisé mais l'effet direct (c ') n'est pas significatif.

Références

Memon, MA, Cheah, J., Ramayah, T., Ting, H., et Chuah, F. (2018). Questions et recommandations relatives à l'analyse de la médiation. Journal of Applied Structural Equation Modeling, 2 (1), 1-9.

Zhao, X., Lynch Jr, JG, et Chen, Q. (2010). Reconsidérer Baron et Kenny: Mythes et vérités sur l'analyse de médiation. Journal of Consumer Research, 37 (2), 197-206.