Je souhaite tester un modèle de médiation simple avec un IV, un DV et un médiateur. L'effet indirect est significatif, comme testé par la macro Preacher et Hayes SPSS, ce qui suggère que le médiateur sert de médiateur statistique à la relation.
En lisant sur la médiation, j'ai lu des choses telles que "Notez qu'un modèle de médiation est un modèle causal." - David Kenny . Je peux certainement apprécier l'utilisation de modèles de médiation comme modèles causaux, et en effet, si un modèle est théoriquement solide, je peux voir cela comme très utile.
Dans mon modèle, cependant, le médiateur (un trait considéré comme une diathèse pour les troubles anxieux) n'est pas causé par la variable indépendante (symptômes d'un trouble anxieux). Plutôt, le médiateur et les variables indépendantes sont liés, et je crois que l'association entre la variable indépendante et la variable dépendante peut s'expliquer en grande partie par la variance entre le IV-médiateur-DV. Essentiellement, j'essaie de démontrer que les rapports précédents de la relation IV-DV peuvent être expliqués par un médiateur apparenté qui n'est pas causé par la IV.
La médiation est utile dans ce cas car elle explique comment la relation IV-DV peut être expliquée statistiquement par la relation IV-Mediator-DV. Mon problème est la question de la causalité. Un examen pourrait-il revenir et nous dire que la médiation n'est pas appropriée parce que la IV ne cause pas en fait le médiateur (ce que je n'aurais jamais argumenté en premier lieu)?
Est-ce que ça a du sens? Toute rétroaction à ce sujet serait grandement appréciée!
Edit : Ce que je veux dire, c'est que X est corrélé avec Y non pas parce qu'il provoque Y, mais parce que Z provoque Y (partiellement) et parce que X et Z sont fortement corrélés. Un peu déroutant, mais c'est tout. Les relations causales dans ce cas ne sont pas vraiment en cause et ce manuscrit n'est pas tellement sur la causalité. Je cherche simplement à démontrer que la variance entre X et Y peut s'expliquer par la variance entre Z et Y. Donc, fondamentalement, que X est corrélé indirectement à Y à Z (le «médiateur» dans ce cas).
Causalité et médiation
IV
causes duDV
et que cet effet s'explique totalement ou partiellement par une chaîne de causalité par laquelle lesIV
causesMEDIATOR
qui à leur tour provoquent leDV
.Montrer qu'une variable explique la prédiction d'une autre variable
X1
place deIV
) sur leDV
est expliquée par une deuxième variable (permet de l'appeler à laX2
place deMEDIATOR
). Vous pouvez également faire des allégations de causalité comme desX2
causes,DV
maisX1
n'est corrélée qu'avecX2
et ne cause pasDV
.X1
avecDV
) avec les corrélations semi-partielles (X1
en partantX2
avecDV
). J'imagine que l'élément intéressant serait le degré de réduction et non pas tant la signification statistique (bien que vous souhaitiez bien sûr obtenir des intervalles de confiance sur cette réduction).X2
dans le bloc 1 etX1
dans le bloc 2 avec le carré R d'un modèle avec justeX1
prédireDV
.X1
etX2
et une flèche à tête unique entreX2
etDV
.la source
Je crois que ces variables dont vous parlez devraient peut-être être considérées comme des variables de «contrôle» si le IV ne les cause pas ou comme des modérateurs si vous attendez un effet d'interaction. Essayez-le sur papier et travaillez-le plusieurs fois dans votre esprit ou dessinez les effets hypothétiques.
la source
Peut-être un meilleur langage, ou du moins beaucoup moins déroutant, est une fausse corrélation. Un exemple typique de ceci est que la consommation de glaces est en corrélation avec la noyade. Par conséquent, quelqu'un pourrait penser que la consommation de glaces provoque une noyade. Une corrélation parasite se produit lorsqu'une troisième variable "modératrice" est en fait causale par rapport aux deux premières. Dans notre exemple, nous avons examiné les ventes de glaces et les noyades dans le temps, et oublié les effets saisonniers modérés par la température, et, bien sûr, plus de glaces sont consommées quand il fait chaud, et plus de gens se noient, car plus cherchent des secours de la chaleur en nageant et en mangeant des glaces. Quelques exemples humoristiques .
La question se résume donc à quoi pourrait-on utiliser une fausse corrélation? Et, il s'avère, ils sont utilisés parce que les gens ne testent pas leurs théories. Par exemple, la fonction rénale est souvent «normalisée» par rapport à la surface corporelle estimée, comme estimé par une formule de poids et de taille.
Maintenant, la surface corporelle ne provoque pas la formation d'urine, et dans la formule du poids et de la taille, le poids est causal via la loi de Kleiber et la taille rend la formule moins prédictive .
la source
Je suis tombé sur ce post dans mes propres recherches sur l'inférence causale dans le contexte de la génomique. La tentative de discerner la causalité dans ce domaine découle souvent de la façon dont le code génétique d'une personne peut être considéré comme aléatoire (en raison de la façon dont les cellules sexuelles sont formées et finalement associées). En associant cela à des mutations connues associées à la fois à un «médiateur» et à une réponse ultime, on peut raisonner l'effet causal d'un médiateur sur cette réponse selon certaines définitions de la causalité (qui, j'en suis sûr, pourrait déclencher un long débat ici).
Dans le cas où vous utilisez un modèle de médiation et ne prétendez pas le lien de causalité, je ne pouvais pas penser pourquoi le réviseur argumenterait. Bien que vous deviez probablement exclure si l'effet de médiation que vous avez observé est confondu par la troisième variable.
Si vous êtes explicitement intéressé par la causalité, vous voudrez peut-être étudier les méthodes de l'épidémiologie comme la randomisation mendélienne ou le « test d'inférence causale ». Ou commencez par l' analyse des variables instrumentales .
la source