089. Mediator – kiedy związek przebiega przez mechanizm pośredni?

W poprzedniej lekcji analizowaliśmy moderatora, czyli zmienną, która zmienia siłę lub kierunek związku między innymi zmiennymi. Mediator odpowiada na inne pytanie: przez jaki mechanizm, proces lub ogniwo pośrednie X wiąże się z Y? Zamiast pytać wyłącznie, czy interwencja działa, badacz może chcieć ustalić, czy jej działanie przebiega na przykład przez poprawę samooceny, zmniejszenie bólu, zwiększenie aktywności fizycznej albo lepsze przestrzeganie zaleceń.

W publicznym szkoleniu na statystyk.edu.pl pojęcie mediatora warto traktować jako element budowania modelu teoretycznego, a nie jako automatyczny dodatek do regresji. Sama obecność zmiennej „pomiędzy” X i Y na diagramie nie dowodzi jeszcze mechanizmu przyczynowego. Potrzebne są: uzasadnienie teoretyczne, właściwy porządek czasowy pomiarów, odpowiedni schemat badania oraz ostrożna interpretacja wyników.

Czym jest mediator?

Niech:

• X oznacza zmienną objaśniającą, ekspozycję albo interwencję;
• M oznacza potencjalny mediator;
• Y oznacza zmienną wynikową.

Model mediacji zakłada, że X wiąże się z M, a M wiąże się następnie z Y. Schemat można zapisać następująco:

X → M → Y

Przykładowo, program edukacyjny dla pacjentów z cukrzycą może poprawiać kontrolę glikemii nie tylko bezpośrednio, lecz także poprzez zwiększenie wiedzy zdrowotnej. W takim modelu program jest zmienną X, wiedza zdrowotna mediatorem M, a poziom HbA1c zmienną Y.

W języku metodologicznym mediator jest zmienną, która przenosi część związku między X i Y. Nie oznacza to jednak, że każda zmienna skorelowana z X i Y jest mediatorem. Mediator powinien wynikać z określonej hipotezy o procesie. Jeżeli badacz twierdzi, że terapia zmniejsza objawy depresji dlatego, że poprawia jakość snu, to jakość snu jest kandydatem na mediator. Jeżeli natomiast wiek wpływa zarówno na prawdopodobieństwo otrzymania terapii, jak i na objawy depresji, może być raczej zmienną zakłócającą lub współzmienną, a nie mediatorem.

Mediator a moderator, confounder i zmienna kontrolna

Rozróżnienie tych ról jest kluczowe, ponieważ te same zmienne mogą wyglądać podobnie w tabeli korelacji, lecz pełnić odmienne funkcje w modelu.

Rola zmiennej	Pytanie badawcze	Typowy zapis
Mediator	Przez jaki mechanizm X wiąże się z Y?	X → M → Y
Moderator	Kiedy, dla kogo lub przy jakim poziomie Z związek X–Y jest silniejszy?	X × Z → Y
Confounder	Czy wspólna przyczyna X i Y zniekształca obserwowany związek?	C → X oraz C → Y
Współzmienna	Czy warto uwzględnić dodatkową zmienną w celu precyzji lub korekty modelu?	Y = X + C

Baron i Kenny (1986) podkreślali, że mediator i moderator różnią się zarówno koncepcyjnie, jak i statystycznie. Mediator opisuje proces zachodzący w łańcuchu zależności, natomiast moderator opisuje warunki, w których związek przyjmuje różną siłę lub kierunek. W praktyce jedna zmienna może być mediatorem w jednym modelu teoretycznym, a moderatorem w innym, ale nie wolno przypisywać jej roli wyłącznie na podstawie nazwy lub wyniku pojedynczego testu.

Podstawowy model ścieżkowy

W klasycznym liniowym modelu mediacji rozważa się kilka współczynników regresji:

M = i_M + aX + e_M

Y = i_Y + c′X + bM + e_Y

Dodatkowo można oszacować całkowity związek X z Y:

Y = i_Y0 + cX + e_Y0

Znaczenie symboli jest następujące:

• a – związek X z mediatorem M; mówi, o ile przeciętnie zmienia się M przy jednostkowej zmianie X;
• b – związek M z Y po uwzględnieniu X; opisuje część relacji mediatora z wynikiem, której nie przypisano samemu X;
• c – efekt całkowity lub całkowity związek X z Y przed uwzględnieniem M;
• c′ – efekt bezpośredni lub związek X z Y po uwzględnieniu M;
• i_M i i_Y – wyrazy wolne modeli;
• e_M i e_Y – składniki błędu.

Najważniejszą wielkością w analizie mediacji jest zwykle efekt pośredni, oznaczany jako:

ab = a × b

W prostym modelu liniowym bez interakcji między X i M zachodzi często zależność:

c = c′ + ab

Interpretacja jest następująca: część związku X z Y przebiega przez M, jeśli iloczyn a × b różni się od zera. Dodatni efekt pośredni może powstać wtedy, gdy oba współczynniki mają ten sam znak. Efekt ujemny wystąpi, gdy jeden z nich jest dodatni, a drugi ujemny.

Pełna, częściowa i niespójna mediacja

W starszych opracowaniach używano określeń pełna mediacja i częściowa mediacja. Pełna mediacja miała oznaczać, że po uwzględnieniu M współczynnik c′ staje się bliski zeru, natomiast częściowa – że pozostaje niezerowy. Taki opis może być użyteczny dydaktycznie, ale nie powinien prowadzić do sztywnej procedury „czterech kroków”, w której konieczne jest najpierw wykazanie istotnego związku X–Y.

Jeżeli efekt całkowity c nie osiąga istotności statystycznej, nadal może istnieć niezerowy efekt pośredni. Dzieje się tak między innymi wtedy, gdy różne mechanizmy działają w przeciwnych kierunkach i wzajemnie się znoszą. Dlatego współczesne podejście koncentruje się przede wszystkim na estymacji i przedziale ufności dla ab, a nie na mechanicznym sprawdzaniu kolejnych wartości p (MacKinnon, Fairchild, & Fritz, 2007; Preacher & Hayes, 2004).

Warto także odróżniać mediację niespójną, zwaną czasem supresją, od prostego przypadku częściowej mediacji. Może się zdarzyć, że efekt pośredni ma znak przeciwny do efektu bezpośredniego. Wtedy całkowity związek c może być mały, mimo że oba komponenty modelu są znaczące i naukowo interesujące.

Jak testować efekt pośredni?

Iloczyn a × b ma często asymetryczny rozkład, szczególnie przy małych próbach. Z tego powodu klasyczny test normalności iloczynu, na przykład test Sobela, może mieć ograniczoną moc. Praktycznym rozwiązaniem jest bootstrap: wielokrotnie losuje się z powtórzeniem obserwacje z próby, za każdym razem oblicza się ab, a następnie tworzy przedział ufności z empirycznego rozkładu tych wartości.

Jeżeli przedział ufności dla efektu pośredniego nie obejmuje zera, wynik jest zgodny z niezerowym efektem pośrednim przy przyjętym modelu i procedurze wnioskowania. Nie oznacza to jednak, że prawdopodobieństwo prawdziwości hipotezy zerowej wynosi określoną wartość ani że wykazano mechanizm z absolutną pewnością. Wartość p i przedział ufności opisują niepewność wnioskowania statystycznego przy założeniach modelu; nie są miarą prawdziwości teorii.

Preacher i Hayes (2004) przedstawili procedury umożliwiające bezpośrednie oszacowanie efektów pośrednich i bootstrapowych przedziałów ufności. W praktyce należy raportować co najmniej: oszacowanie a, b, c, c′ i ab, sposób obliczenia przedziału ufności, liczbę replikacji bootstrapowych, wielkość próby, sposób kodowania zmiennych oraz zmienne uwzględnione jako współzmienne.

Przykład 1: edukacja diabetologiczna, samokontrola i HbA1c

Załóżmy, że badacze oceniają program edukacyjny dla dorosłych osób z cukrzycą typu 2. Uczestników losowo przydzielono do programu standardowego albo rozszerzonego. Po 12 tygodniach mierzono:

• X – udział w rozszerzonym programie edukacyjnym;
• M – wynik skali samokontroli leczenia;
• Y – stężenie HbA1c.

Hipoteza mediacyjna brzmi: rozszerzona edukacja poprawia HbA1c częściowo dlatego, że zwiększa systematyczność samokontroli. Jeżeli program zwiększa samokontrolę, współczynnik a powinien być dodatni. Jeżeli wyższa samokontrola wiąże się z niższym HbA1c, współczynnik b będzie ujemny. Iloczyn ab będzie zatem ujemny: przez samokontrolę program przyczynia się do obniżenia HbA1c.

W tym przykładzie losowy przydział wzmacnia interpretację wpływu X na M i Y. Nie rozwiązuje jednak automatycznie wszystkich problemów. Samokontrola może być mierzona z błędem, a inne procesy, takie jak dieta, aktywność fizyczna i kontakt z personelem, mogą współwystępować z poprawą wyniku. Jeżeli mediator i wynik zmierzono wyłącznie na końcu badania, porządek czasowy pozostaje słabszy niż w schemacie, w którym M mierzono przed oceną Y.

Przykład 2: stres zawodowy, sen i objawy lękowe

W badaniu pielęgniarek analizuje się związek między obciążeniem zmianowym a nasileniem objawów lękowych. Badacz proponuje, że obciążenie zmianowe zwiększa problemy ze snem, a gorszy sen wiąże się z większym nasileniem lęku:

obciążenie zmianowe → jakość snu → objawy lękowe

Jest to sensowna hipoteza mediacyjna, ale w badaniu obserwacyjnym nie można bez zastrzeżeń napisać, że praca zmianowa „powoduje” lęk poprzez sen. Możliwe są bowiem niezmierzone czynniki, takie jak wcześniejsze zaburzenia lękowe, liczba obowiązków opiekuńczych, stan zdrowia lub warunki organizacyjne pracy. Dodatkowo lęk może pogarszać sen, a pogorszony sen może zwiększać odczuwany stres, co wskazuje na możliwość sprzężenia zwrotnego.

Lepszym projektem byłoby badanie podłużne z pomiarem obciążenia na początku, jakości snu w kolejnym punkcie i lęku jeszcze później. Nadal wymagałoby ono kontroli istotnych zmiennych zakłócających oraz analizy braków danych. Wnioskowanie przyczynowe o mediacji wymaga silniejszych założeń niż samo stwierdzenie, że trzy zmienne są ze sobą powiązane (Imai, Keele, & Tingley, 2010; VanderWeele, 2015).

Przykład praktyczny: jak zaplanować analizę?

Przypuśćmy, że zespół badawczy chce sprawdzić, czy krótka interwencja psychologiczna zmniejsza lęk przed zabiegiem dzięki redukcji katastroficznych interpretacji objawów.

1. Zdefiniuj hipotezę mechanizmu. Nie wystarczy stwierdzenie, że „lęk jest mediatorem”. Należy wskazać, dlaczego i w jakim czasie interwencja ma zmienić lęk.
2. Ustal kolejność pomiarów. Najpierw interwencja X, następnie potencjalny mediator M, a później wynik Y. Jeżeli wszystkie zmienne są mierzone w tej samej chwili, hipoteza procesu jest słabiej uzasadniona.
3. Dobierz właściwe modele. Dla wyniku ciągłego można zastosować regresję liniową. Dla wyniku binarnego, porządkowego lub czasu do zdarzenia potrzebne są odpowiednie modele, a interpretacja efektu pośredniego może wymagać metod przyczynowych.
4. Oszacuj efekt pośredni bez warunku koniecznego na c. Najważniejsze jest bezpośrednie zbadanie ab, najlepiej z bootstrapowym przedziałem ufności.
5. Uwzględnij niepewność pomiaru i braki danych. Mediator mierzony pojedynczym, mało rzetelnym pytaniem może osłabiać lub zniekształcać estymowany efekt.
6. Raportuj również efekt bezpośredni i całkowity. Czytelny raport pokazuje, czy mechanizm wyjaśnia całość, część czy tylko niewielki fragment związku.

W analizie opartej na potencjalnych wynikach rozróżnia się między innymi naturalny efekt pośredni i naturalny efekt bezpośredni. Ich interpretacja przyczynowa wymaga założeń dotyczących braku niezmierzonych zakłóceń między X i Y oraz między M i Y, a także poprawnego pomiaru i właściwej specyfikacji modelu. Imai, Keele i Tingley (2010) zwracają uwagę, że klasyczne modele liniowe nie definiują automatycznie, co ma znaczyć „mechanizm przyczynowy” w każdym typie badania.

Najczęstsze błędy

• Traktowanie korelacji jako dowodu mediacji. Związek X–M i M–Y nie dowodzi, że M pośredniczy przyczynowo.
• Wymaganie istotnego efektu całkowitego. Brak istotnego c nie wyklucza niezerowego efektu pośredniego.
• Automatyczne używanie testu Sobela. Przy skośnym rozkładzie iloczynu lepszym rozwiązaniem bywa bootstrap lub metoda oparta na modelu przyczynowym.
• Mylenie mediatora z confounderem. Zmienna występująca czasowo po X może być mediatorem, ale wspólna przyczyna X i Y nie jest mediatorem tylko dlatego, że poprawia dopasowanie modelu.
• Pomiar X, M i Y w tym samym momencie. Taki projekt utrudnia ustalenie kierunku zależności.
• Wnioskowanie o mechanizmie na podstawie zmiany współczynnika. Sam fakt, że po dodaniu M współczynnik X zmalał, nie jest wystarczającym testem efektu pośredniego.
• Interpretowanie procentu mediacji bez ostrożności. Iloraz ab/c może być niestabilny, zwłaszcza gdy c jest bliski zeru lub gdy efekty mają przeciwne znaki.
• Pomijanie alternatywnych mediatorów. Jeden model może opisywać tylko część rzeczywistego procesu. Warto jasno zaznaczyć, jakie mechanizmy pozostają poza analizą.
• Używanie języka przyczynowego w badaniu przekrojowym. W takim schemacie bezpieczniej mówić o zgodności danych z hipotezą pośredniego związku niż o udowodnionym mechanizmie.

Jak opisywać wynik w raporcie?

Przykładowy opis powinien być konkretny i nieprzesadzony: „Program wiązał się ze wzrostem samokontroli, a wyższa samokontrola wiązała się z niższym HbA1c po uwzględnieniu przydziału do programu. Szacowany efekt pośredni wyniósł ab = −0,18, a 95% bootstrapowy przedział ufności wyniósł [−0,31; −0,07]. Wynik jest zgodny z hipotezą, że samokontrola stanowi jeden z mechanizmów związanych z poprawą HbA1c. Nie przesądza jednak, że jest to jedyny mechanizm ani że efekt ma identyczną wielkość w innych populacjach”.

Taki raport oddziela trzy kwestie: istnienie efektu statystycznego, jego wielkość oraz znaczenie praktyczne. Nawet niezerowy efekt pośredni może być klinicznie mały. Z kolei efekt umiarkowany statystycznie może mieć duże znaczenie, jeśli dotyczy łatwo modyfikowalnego procesu i prowadzi do możliwej do wdrożenia zmiany organizacyjnej.

Co warto zapamiętać?

• Mediator odpowiada na pytanie: przez jaki proces X wiąże się z Y?
• Podstawowy schemat mediacji to X → M → Y.
• Najważniejszy efekt pośredni zapisuje się jako ab = a × b.
• Brak istotnego efektu całkowitego nie wyklucza niezerowego efektu pośredniego.
• Warto bezpośrednio testować efekt pośredni, często z użyciem bootstrapowego przedziału ufności.
• Mediator nie jest tym samym co moderator, confounder ani zwykła zmienna kontrolna.
• Analiza mediacji opisuje mechanizm statystyczny; twierdzenie o mechanizmie przyczynowym wymaga odpowiedniego projektu, porządku czasowego i dodatkowych założeń.
• Wynik należy interpretować razem z wielkością efektu, przedziałem ufności, rzetelnością pomiaru i znaczeniem praktycznym.

Najlepsza analiza mediacji zaczyna się więc nie od wyboru procedury w programie statystycznym, lecz od jasnego modelu teoretycznego: co jest przyczyną, co potencjalnym mechanizmem, jaki jest wynik i czy sposób zebrania danych pozwala odróżnić mechanizm od zwykłego współwystępowania.

\n

Źródła i dalsza lektura

\n

1. Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. DOI: 10.1037/0022-3514.51.6.1173.
2. MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation analysis. Annual Review of Psychology, 58, 593–614. DOI: 10.1146/annurev.psych.58.110405.085542.
3. Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36, 717–731. DOI: 10.3758/BF03206553.
4. Imai, K., Keele, L., & Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. DOI: 10.1037/a0020761.
5. VanderWeele, T. J. (2015). Explanation in Causal Inference: Methods for Mediation and Interaction. Oxford University Press. Informacja wydawcy / źródło.
6. Hicks, R., & Tingley, D. (2011). Causal mediation analysis. The Stata Journal, 11(4), 605–619. DOI: 10.1177/1536867X1201100407.

\n