Su enfoque para probar la mediación parece ajustarse al "enfoque de pasos causales" descrito en el documento de métodos clásicos de Baron y Kenny (1986). Este enfoque de mediación implica los siguientes pasos:
- Pruebe si X e Y están significativamente asociados (la ruta c ); si no lo son, detenga el análisis; si ellos estan...
- Probar si X y M están significativamente asociados (la una ruta de acceso); si no lo son, detenga el análisis; si ellos estan...
- Pruebe si M e Y están significativamente asociados después de controlar X (la ruta b ); si no lo son, detenga el análisis; si ellos estan...
- Compare el efecto directo de X (la ruta c ' : predicción de Y a partir de X después de controlar M ) con el efecto total de X (la ruta c del Paso 1). Si c' está más cerca de cero que c , y no significativa, la investigación concluye que M media completamente la asociación entre X y Y . Pero si c ' sigue siendo significativo, el investigador concluye que M es solo un mediador "parcial" de la influencia de X enY .
Destaco la diferencia entre los efectos directos ( c ' ) y totales ( c ) porque aunque escribiste ...
¿Podemos afirmar que X tiene un efecto indirecto pero no un efecto directo sobre Y?
Creo que lo que realmente se preocupan por es la legitimidad de reclamar que X tiene una indirecta, pero no un total de efecto en Y .
La respuesta corta
Sí, es legítimo concluir que M media la asociación entre X e Y, incluso si el efecto total ( c ) no es significativo. El enfoque de pasos causales, aunque históricamente popular, ha sido ampliamente reemplazado por métodos de prueba de mediación que son estadísticamente más poderosos, hacen menos suposiciones de los datos y son más coherentes lógicamente. Hayes (2013) tiene una explicación maravillosamente accesible y completa de las muchas limitaciones del enfoque de pasos causales en su libro.
Vea otros enfoques más rigurosos, incluidos los métodos de arranque (MacKinnon et al., 2004) y Monte Carlo (Preacher & Selig, 2012). Ambos métodos estiman un intervalo de confianza del efecto indirecto en sí mismo (la ruta ab ), la forma en que lo hacen difiere entre los métodos, y luego examina el intervalo de confianza para ver si 0 es un valor plausible. Ambos son bastante fáciles de implementar en su propia investigación, independientemente del software de análisis estadístico que utilice.
La respuesta más larga
Sí, es legítimo concluir que M media la asociación entre X e Y, incluso si el efecto total ( c ) no es significativo. De hecho, existe un consenso relativamente grande entre los estadísticos de que el efecto total ( c ) no debe usarse como un 'guardián' para las pruebas de mediación (por ejemplo, Hayes, 2009; Shrout y Bolger, 2002) por algunas razones:
- El enfoque de pasos causales intenta evaluar estadísticamente la presencia de mediación sin evaluar directamente el efecto indirecto (la ruta ab , o c-c ' si lo prefiere). Esto parece ilógico, especialmente dado que existen numerosas formas fáciles de estimar / probar el efecto indirecto directamente.
- El enfoque de pasos causales depende de múltiples pruebas de significación. A veces, las pruebas de significación funcionan como deberían, pero pueden descarrilarse cuando no se cumplen los supuestos de las pruebas inferenciales y / o cuando las pruebas inferenciales tienen poca potencia (creo que esto es a lo que John se refería en su comentario sobre su pregunta). Por lo tanto, la mediación podría estar sucediendo realmente en un modelo dado, pero el efecto total ( c ) podría no ser significativo simplemente porque el tamaño de la muestra es pequeño o no se han cumplido los supuestos para la prueba del efecto total. Y debido a que el enfoque de pasos causales depende del resultado de otras dos pruebas de significación, hace que el enfoque de pasos causales sea una de las pruebas de mediación menos poderosas (Preacher y Selig, 2008).
- El efecto total ( c ) se entiende como la suma del efecto directo ( c ' ) y todos los efectos indirectos ( ab (1) , ab (2) ...). Imagine que la influencia de X en Y está completamente mediada (es decir, c ' es 0) por dos variables, M1 y M2 . Pero pretenda además que el efecto indirecto de X sobre Y a través de M1 es positivo, mientras que el efecto indirecto a través de M2 es negativo, y los dos efectos indirectos son comparables en magnitud. Sumar estos dos efectos indirectos te daría un efecto total ( c) de cero y, sin embargo, si adoptara el enfoque de pasos causales, no solo perdería una mediación "real", sino dos.
Las alternativas que recomendaría al enfoque de pasos causales para probar la mediación incluyen los métodos bootstrapping (MacKinnon et al., 2004) y Monte Carlo (Preacher & Selig, 2012). El método Bootstrapping consiste en tomar una superficialmente gran número de muestras aleatorias con reemplazo (por ejemplo, 5000) de la misma tamaño de la muestra a partir de sus propios datos, estimar el efecto indirecto (la abruta) en cada muestra, ordenando esas estimaciones de menor a mayor, y luego define un intervalo de confianza para el efecto indirecto de arranque como dentro de un rango de percentiles (por ejemplo, 2.5 y 97.5 para un intervalo de confianza del 95%). Las macros de arranque para efectos indirectos están disponibles para el software de análisis estadístico como SPSS y SAS, los paquetes están disponibles para R y otros programas (por ejemplo, Mplus) tienen capacidades de arranque ya incorporadas.
El método Monte Carlo es una buena alternativa cuando no tiene los datos originales, o en los casos en que no es posible el arranque. Todo lo que necesita son los parámetros estimados para los unos y b caminos, la varianza de cada camino, y la covarianza entre los dos caminos (a menudo, pero no siempre es 0). Con estos valores estadísticos, puede simular una distribución superficialmente grande (por ejemplo, 20,000) de valores ab y, al igual que el enfoque de arranque, ordene de menor a mayor y defina un intervalo de confianza. Aunque podría programar su propia calculadora de mediación de Monte Carlo, Kris Preacher tiene una buena que está disponible gratuitamente para usar en su sitio web (ver Preacher & Selig, 2012, para el documento adjunto)
Para ambos enfoques, examinaría el intervalo de confianza para ver si contiene un valor de 0; si no, podría concluir que tiene un efecto indirecto significativo.
Referencias
Baron, RM y Kenny, DA (1986). La distinción variable moderador-mediador en la investigación psicológica social: consideraciones conceptuales, estratégicas y estadísticas. Revista de Personalidad y Psicología Social , 51 , 1173-1182.
Hayes, AF (2013). Introducción a la mediación, moderación y análisis de procesos condicionales: un enfoque basado en la regresión. Nueva York, NY: Guilford.
Hayes, AF (2009). Más allá de Baron y Kenny: análisis estadístico de mediación en el nuevo milenio. Monografías de comunicación , 76 408-420.
MacKinnon, DP, Lockwood, CM y Williams, J. (2004). Límites de confianza para el efecto indirecto: distribución del producto y métodos de remuestreo. Investigación conductual multivariante , 39 , 99-128.
Predicador, KJ y Selig, JP (2012). Ventajas de los intervalos de confianza de Monte Carlo para efectos indirectos. Métodos y medidas de comunicación , 6 , 77-98.
Shrout, PE y Bolger, N. (2002). Mediación en estudios experimentales y no experimentales: nuevos procedimientos y recomendaciones. Métodos psicológicos , 7 , 422-445.