În această lecție, îți voi arăta cum să efectuezi analiza de mediere în SPSS, precum și cum să interpretezi rezultatele, astfel încât să știi exact unde să te uiți atunci când scrii raportul analizei de mediere în lucrarea ta de cercetare.
Această lecție va prezenta două metode de efectuare ale acestei analize.
Prima metodă folosește instrumentele statistice implicite disponibile în orice instalare SPSS, dar necesită mai multe pași pentru a realiza analiza.
În cea de-a doua metodă, voi prezenta o modalitate mai simplă de a efectua analiza de mediere în SPSS folosind macro-ul PROCESS, ceea ce face întregul proces mult mai ușor și mai rapid.
În această lecție vom învăța:
- Ce reprezintă analiza de mediere în cercetarea statistică.
- Cum să efectuezi analiza de mediere în SPSS folosind două metode.
- Cum să estimezi efectul indirect folosind Testul Sobel.
- Cum să calculezi efectul direct în analiza de mediere.
- Cum să interpretezi analiza de mediere în SPSS.
Un set de date exemplu pentru analiza de mediere va fi furnizat pentru ca să poți practica acest laborator pas cu pas pe calculatorul tău.
Ce este analiza de mediere în cercetare?
Analiza de mediere ne permite să investigăm efectul unei variabile independente (predictor) asupra unei variabile dependente (rezultat) printr-o a treia variabilă numită mediator sau variabilă intermediară.
Spre deosebire de analiza de moderare, în analiza de mediere, variabila mediator este plasată între variabila independentă și cea dependentă.
Unde:
- Calea A: efectul Variabilei Independente (X) asupra Variabilei Mediator (M).
- Calea B: efectul Variabilei Mediator (M) asupra Variabilei Dependente (Y).
- Calea C: efectul direct al Variabilei Independente (X) asupra Variabilei Dependente (Y).
În analiza de mediere, scopul nostru este să testăm dacă există o semnificație statistică pentru efectul indirect folosind Coeficientul Beta nestandardizat și Eroarea Standard pentru căile A și B.
Un aspect important de reținut este că medierea este corelațională de natură. Cu alte cuvinte, toate variabilele din analiza ta de mediere trebuie să aibă un fel de relație între ele. De exemplu, dacă nu există o relație între variabilele X și Y, atunci nu avem ce să mediem. Face sens, nu?
Totuși, corelația nu implică o relație de cauză și efect. Acesta este aspectul pe care tu trebuie să-l descoperi făcând inferențe cauzale între variabile. Și dacă predicțiile tale se dovedesc a fi corecte, asta este o confirmare că teoria ta este validă.
Exemplu de Analiză de Mediere
Să presupunem că dorim să investigăm o ipoteză care afirmă că efectul dintre relație și satisfacție ar putea fi mediat de reduceri de preț.
În acest exemplu, „relație” este variabila independentă (X), „satisfacție” este variabila dependentă (Y), iar „reducere” este variabila mediator (M)
| Variable name | Variable type | Notation |
| Relație | Variabila Independentă | X |
| Satisfacție | Variabila Dependentă | Y |
| Reducere | Variabila Mediator | M |
Obiectivul nostru în această analiză este să testăm semnificația statistică a efectului indirect (calea AB).
Dacă vrei să urmezi acest exemplul pas cu pas, îți sugerez să descarci urmatorul set de date SPSS:
Acest set de date conține valori fictive și trebuie sa îl utilizezi doar în scopuri educaționale.
Metoda 1: Cum să efectuezi Analiza de Mediere în SPSS
Prima metodă pe care o vom folosi astăzi necesită mai mulți pași, dar este o modalitate excelentă de a înțelege cum funcționează analiza de mediere în SPSS. Presupunând că ai descărcat deja setul de date exemplu din linkul de mai sus, fă dublu clic pe el pentru a-l importa în SPSS.
- Estimează efectul total între variabilele X și Y.
Mai întâi, trebuie să verificăm efectul total al variabilelor X și Y. Nu are sens să efectuăm o analiză de mediere dacă nu găsim o semnificație statistică aici. Putem verifica efectul total între X și Y folosind o regresie liniară simplă în SPSS.
În meniul superior al SPSS, navighează la Analyze → Regression → Linear.
Din caseta din stânga, mută variabila Relație în blocul Dependent și variabila Satisfacție în blocul Independent, folosind butoanele săgeată dintre blocuri.
Apasă butonul OK pentru a continua cu regresia liniară între X și Y. În fereastra de rezultate, să verificăm valoarea p din tabelul Coefficients, coloana Sig. După cum poți vedea, valoarea p este ≤ 0.05, deci efectul total este semnificativ (0.000).
- Estimează efectul direct al lui X asupra lui M.
Acum să estimăm efectul direct al lui X asupra lui M pentru a găsi coeficientul Beta și Eroarea Standard pentru calea A. Aceasta este o cerință esențială pentru calculul efectului indirect mai târziu.
Din nou, acest lucru se realizează folosind regresia liniară simplă. Mergi la Analyze → Regression → Linear. Apasă butonul Reset pentru a șterge intrările anterioare și adaugă variabila Reducere în blocul Dependent și variabila Relație în blocul Independent.
Apasă OK pentru a continua cu analiza de regresie.
În fereastra de rezultate, fi atent la tabelul Coefficients (Coeficienți). Aici putem vedea că efectul lui X asupra lui M este semnificativ (valoarea p 0.000). Ceea ce ne interesează cu adevărat aici este Unstandardized B (Coeficientului Beta nestandardizat) care este .413 și Standard Error (Eroarea Standard) .084. Notează aceste valori pentru calea A, deoarece le vom folosi în curând.
- Estimează efectul direct al lui X și M asupra lui Y.
Acum vom estima efectul direct între X și Y, și M și Y pentru a găsi coeficienții Beta nestandardizați și Eroarea Standard pentru calea B și C.
Deoarece de data aceasta folosim doi predictor (X și M), vom utiliza regresia liniară multiplă.
Mergi la Analyze → Regression → Linear. Press the Reset button to clear the previous inputs.
Adaugă variabila Satisfacție în blocul Dependent și ambele variabile Relație și Reducere în blocul Independent.
Apasă OK pentru a continua cu analiza de regresie liniară multiplă.
În fereastra de rezultate, mergi direct la tabelul Coefficients pentru a obține ultima informație de care avem nevoie pentru a calcula efectul indirect pentru exemplul nostru. Notează valoarea pentru Coeficientul Beta nestandardizat .733 și Eroarea Standard .043.
Așadar, am obținut toți coeficienții de care avem nevoie pentru a estima efectul indirect pentru analiza de mediere în exemplul nostru. Să recapitulăm rapid coeficienții de regresie pe care i-am notat până acum:
- Calea A = .413 (.084)
- Calea B = .733 (.043)
- Calea C = .169 (.028)
- Testează efectul indirect pentru semnificație statistică.
Pentru a testa dacă efectul indirect în exemplul nostru este statistic semnificativ, putem folosi fie bootstrap, fie Testul Sobel.
În aceasta metodă vom utiliza Testul Sobel, deoarece PROCESS Macro folosește bootstrap și vom acoperi acest aspect în Metoda 2 de efectuare a analizei de mediere în SPSS.
Testul Sobel (Sobel, 1982) este o metodă utilizată pentru a estima semnificația statistică a efectului indirect în analiza de mediere. Din păcate, SPSS nu oferă o modalitate directă de a efectua Testul Sobel. Totuși, acest test poate fi efectuat ușor cu orice calculator de Test Sobel online, cum ar fi cel disponibil AICI.
Adaugă pur și simplu Coeficientul Beta nestandardizat pentru A și B și coeficienții de Eroare Standard pentru A și B în câmpurile de intrare Sa și Sb, așa cum se vede în imaginea de mai jos.
Apasă butonul Calculate. Rezultatele Testului Sobel vor fi afișate în primul rând, așa cum este evidențiat în captura următoare.
Și rezultatele analizei efectului indirect pentru X → M → Y folosind Testul Sobel sunt următoarele:
Test statistic = 4.83218105
Eroare Standard = 0.06264852
Valoare p = 0.00000135
Cel mai important parametru aici este valoarea p, care în acest caz este mai mică de 0.05, prin urmare putem concluziona că efectul indirect între relație și satisfacție prin intermediul reducerilor este statistic semnificativ (valoare p ≤ 0.05).
Pentru a afla estimarea punctuală a efectului indirect la care valoarea p în Testul Sobel este statistic semnificativă, calculează pur și simplu Coeficientul Beta nestandardizat pentru A * B. Pentru exemplul nostru, calculul arată astfel:
0.413 * 0.733 = 0.3027
0.3027 este estimarea efectului indirect între relație și satisfacție prin intermediul variabilelor reduceri, la o valoare p de 0.00000135, așa cum este arătat în Testul Sobel.
În esență, aceasta este o modalitate de a efectua și interpreta analiza de mediere în SPSS. În continuare, să examinăm o a doua metodă de a realiza medierea în SPSS.
Metoda 2: Analiza de Mediere în SPSS folosind PROCESS
Această metodă este mai directă, dar necesită instalarea extensiei PROCESS în SPSS. Procesul de instalare este simplu și nu va dura mai mult de 5 minute. AICI este ghidul de instalare.
- Lansează PROCESS Macro.
Odată instalat, vei găsi PROCESS în SPSS sub Analiză → Regresie → PROCESS v.x by Andrew F. Hayes.
- Adaugă Variabilele: Satisfacție în blocul Y Variable, Relație în blocul X Variable și Reducerile în blocul Mediator(s) M.
Selectează numărul 4 din meniul derulant Model number.
În mod implicit, macro-ul PROCESS nu acceptă mai mult de 8 caractere pentru numele variabilelor tale. Poți fie să redenumești variabilele în SPSS cu ceva mai scurt, fie să bifezi opțiunea „Long variable name” (Nume variabile lungi) în PROCESS.
- Apasă butonul Options.
În fereastra de opțiuni PROCESS, asigură-te că casetele de selectare „Show total effect model (only models 4, 6, 80, 81, 82” și Standardized effects (mediation-only models) sunt bifate.
Apasă Continue apoi OK pentru a rula analiza de mediere în SPSS folosind PROCESS. Aceast proces va dura câteva secunde din cauza numărului de mostre Bootstrap folosite.
Gata. Analiza ta de mediere folosind PROCESS în SPSS este completă.
Cum să interpretezi Analiza de Mediere în PROCESS SPSS
Această metodă ne oferă practic aceleași detalii ale analizei de mediere ca și prima metodă discutată anterior, dar necesită mult mai puțin efort din partea noastră.
Să aruncăm o privire asupra rezultatelor analizei de mediere și să învățăm care parametri sunt cei mai relevanți pentru interpretarea rezultatelor de mediere în lucrarea ta de cercetare.
Prima secțiune a rezultatelor analizei de mediere cu PROCESS oferă o prezentare generală a analizei de mediere, respectiv variabilele X, Y și M, modelul folosit și dimensiunea eșantionului.
Putem observa că efectul direct între variabila predictor Relație (Valoare p = 0.000) și variabila de rezultat Reduceri este semnificativ (Valoare p ≤ 0.05).
În continuare, putem observa că efectul între variabilele predictor Relație (Valoare p = 0.000) și Reducere (Valoare p = 0.000) asupra variabilei de rezultat Satisfacție este semnificativ (Valoare p ≤ 0.05).
În final, să verificăm efectul indirect al lui X asupra lui Y prin intermediul variabilei mediator M, cu un efect punctual calculat la 0.3030.
Efectul punctual de 0.3 însemna că pentru fiecare unitate de schimbare a variabilei predictor X, variabila de rezultat Y se așteaptă să crească/decrească cu 0.3 unități atunci când mediatoarea M este inclusă în model și efectul indirect este luat în considerare. Este important să ne amintim că acesta este doar un efect estimat și că alte factori și variabile pot influența, de asemenea, relația între X și Y.
Valoarea efectului indirect (0.3030) nu indică direct dacă efectul este semnificativ statistic sau nu. Pentru a determina semnificația statistică a efectului indirect, ar trebui să ne uităm la valoarea p asociată acestei estimări.
In broad terms, this is how to interpret mediation analysis in SPSS using PROCESS macro.
Putem observa că rezultatele analizei de mediere prin Metoda 1 și 2 sunt similare. Singura diferență constă în faptul că efectul punctual pentru efectul indirect este rotunjit de la 0.3027 la 0.3030 în PROCESS Macro.
Concluzie
În această lecție, am învățat cum să efectuăm o analiză de mediere în SPSS folosind două metode distincte. De asemenea, am învățat cum să calculăm efectul punctual și să interpretăm analiza de mediere în SPSS.
Este important de menționat că alte tehnici statistice, cum ar fi Modelarea Ecuațiilor Structurale (SEM), cunoscută și sub numele de Analiza de Cale, pot fi mai eficiente. Cu toate acestea, SEM poate fi inaccesibil pentru mulți, deoarece necesită instrumente suplimentare, cum ar fi AMOS.
Referințe
Sobel, M. E. (1982). Asymptotic intervals for indirect effects in structural equations models. In S. Leinhart (Ed.), Sociological methodology 1982 (pp.290-312). San Francisco: Jossey-Bass.