Publikacje naukowe · Analiza mediacji

Mediacja przyczynowa i analiza wrażliwości: NDE, NIE i ACME w R

Iloczyn ab z PROCESS mówi, ile wynosi efekt pośredni w modelu regresji, ale nie mówi, czy jest on przyczynowy. Na jednym badaniu randomizowanym pokazujemy efekty kontrfaktyczne (NDE, NIE, ACME, CDE), wzory regresyjne z interakcją ekspozycja × mediator, bootstrap oraz analizę wrażliwości na niezmierzone zakłócenie mediator–wynik.

Strona główna / Blog / Mediacja przyczynowa
W skrócie: Mediacja przyczynowa definiuje efekty pośredni i bezpośredni jako porównania potencjalnych wyników, a dopiero potem szacuje je z modeli. Przy interakcji ekspozycja × mediator iloczyn ab rozpada się na różne efekty (δ(0), δ(1), NDE, CDE). Identyfikacja wymaga sekwencyjnej ignorowalności, a jej drugiej części (brak zakłóceń mediator–wynik) nie zapewnia nawet randomizacja. W przykładzie efekt pośredni był zawyżony o ponad 35%. Dlatego raportuj analizę wrażliwości: tutaj efekt pośredni znikał dopiero przy korelacji błędów ρ = .59.

Co mediacja przyczynowa dodaje do iloczynu ab

Klasyczna analiza Barona i Kenny'ego (1986) i jej współczesna wersja z bootstrapem w makrze PROCESS (Hayes, 2022) definiują efekt pośredni jako iloczyn współczynników a × b w dwóch równaniach regresji. Jak to zrobić krok po kroku, pokazują wpisy analiza mediacji krok po kroku i mediacja i moderacja w SPSS z PROCESS. Tu zakładamy, że znasz ścieżki a, b, c′ i c, i odpowiadamy na pytanie recenzenta: co dokładnie szacuje Twój efekt pośredni i przy jakich założeniach jest przyczynowy?

Imai, Keele i Tingley (2010) wskazali trzy słabości ujęcia opartego na liniowych modelach strukturalnych: efekt pośredni nie ma definicji niezależnej od modelu, kluczowe założenie identyfikujące pozostaje niewypowiedziane, a przeniesienie metody na modele nieliniowe jest trudne. Podejście przyczynowe odwraca kolejność. Najpierw definiuje efekty jako porównania potencjalnych wyników, potem podaje warunki identyfikacji, a dopiero na końcu wybiera model do estymacji. Skutki są dwa: przy interakcji ekspozycja × mediator iloczyn ab przestaje opisywać jeden efekt, a założenie o braku zakłóceń między mediatorem a wynikiem można poddać formalnej analizie wrażliwości.

Efekty kontrfaktyczne: NDE, NIE, ACME i CDE

Niech A oznacza ekspozycję (np. udział w programie), M mediator, a Y wynik. M(a) to wartość mediatora, jaką osoba miałaby przy ekspozycji a. Y(a, m) to wynik przy ekspozycji a i mediatorze ustawionym na m. Kluczowy obiekt to wynik „złożony” Y(1, M(0)): osoba jest w programie, ale jej mediator pozostaje taki, jaki byłby bez programu. Nikt go nie obserwuje, dlatego założenia ważą tu więcej niż w zwykłej regresji.

Definicje efektów kontrfaktycznych w analizie mediacji i ich odpowiedniki w notacji Imaia i współpracowników
EfektDefinicja (średnia w populacji)Pytanie, na które odpowiada
Efekt całkowity (TE)Y(1, M(1)) − Y(0, M(0))Ile daje program łącznie?
Naturalny efekt bezpośredni (NDE), ADE ζ(0)Y(1, M(0)) − Y(0, M(0))Co by zostało, gdyby program nie zmienił mediatora?
Naturalny efekt pośredni (NIE), ACME δ(1)Y(1, M(1)) − Y(1, M(0))Ile daje sama zmiana mediatora wywołana programem?
Czysty efekt pośredni, ACME δ(0)Y(0, M(1)) − Y(0, M(0))To samo, ale u osób bez programu
Kontrolowany efekt bezpośredni CDE(m)Y(1, m) − Y(0, m)Efekt programu, gdyby wszystkim ustawić mediator na m

NDE i NIE sumują się do efektu całkowitego. ACME (ang. average causal mediation effect) to nazwa Imaia i współpracowników na średni naturalny efekt pośredni, a ADE – na bezpośredni. Gdy ekspozycja i mediator nie wchodzą w interakcję, δ(0) = δ(1), CDE nie zależy od m i w modelach liniowych wszystko sprowadza się do ab i c′. Przy interakcji te wielkości się rozchodzą. Wtedy trzeba napisać, który efekt raportujesz. Robins i Greenland (1992) pokazali, że kontrola zmiennej pośredniczącej, czyli zwykły sposób szacowania efektu bezpośredniego, może dawać obciążone wyniki. Pokazali też, że przy interakcji ekspozycji z mediatorem efektów nie da się rozdzielić nawet wtedy, gdy losuje się oba czynniki. Wybór efektu to decyzja o estymandzie, a nie szczegół techniczny.

Sekwencyjna ignorowalność: czego nie daje randomizacja

Imai, Keele i Yamamoto (2010) udowodnili, że przy założeniu sekwencyjnej ignorowalności ACME jest identyfikowalne nieparametrycznie, czyli bez założeń o kształcie modelu. Założenie ma dwie części:

  1. Ekspozycja jest „jak wylosowana” względem mediatora i wyniku, po uwzględnieniu zmierzonych kowariantów. Randomizacja zapewnia to z założenia.
  2. Mediator jest „jak wylosowany” względem wyniku, przy danej ekspozycji i tych samych kowariantach. Nie może istnieć niezmierzona zmienna zakłócająca związek M–Y.

Drugiej części żaden przydział losowy nie zapewni, bo nikt nie losował mediatora. W ujęciu VanderWeele'a dochodzi jeszcze warunek, że żaden zakłócacz M–Y nie jest sam skutkiem ekspozycji (VanderWeele, 2015). Na grafie przyczynowym oznacza to brak otwartych ścieżek tylnymi drzwiami między M a Y po warunkowaniu na A i kowariantach. Pomaga pomiar w kolejności A → M → Y (schemat podłużny) i zmierzenie kandydatów na zakłócacze przed ekspozycją. Rohrer i in. (2022) podkreślają, że standardowe modele ścieżkowe dają trafne wnioski przyczynowe tylko w ograniczonych warunkach.

Przykład: program wsparcia, samotność i objawy depresji

Czterystu studentów z objawami depresji losowo przydzielono do ośmiotygodniowego programu wsparcia rówieśniczego (n = 200) albo na listę oczekujących (n = 200). Na początku zmierzono objawy (PHQ-9, 0–27). Po 4 tygodniach mierzono samotność (20–80 pkt), a po 8 tygodniach ponownie objawy depresji. Dane są symulowane (set.seed(3331)). Możesz je pobrać jako plik CSV. W modelu generującym działa też niezmierzona neurotyczność, która podnosi i samotność, i objawy depresji. Jej wartości nie ma w pliku. Dzięki temu znamy prawdziwe efekty: NDE = −1.00, NIE δ(1) = −1.15, δ(0) = −0.75 i TE = −2.15 pkt.

Średnie objawów depresji na początku i po 8 tygodniach oraz samotności po 4 tygodniach w grupie kontrolnej i w programie
GrupaPHQ-9 na początkuSamotność (4 tyg.)PHQ-9 (8 tyg.)
Lista oczekujących10.9045.5010.11
Program11.2040.128.12

Podejście PROCESS (model 4) z kontrolą wyjściowego PHQ-9 daje a = −5.67, b = 0.263, c′ = −0.71 i efekt całkowity c = −2.20. Efekt pośredni ab = −1.49, 95% CI BCa [−1.96, −1.07], z 2000 prób bootstrapu.

NDE i NIE ze wzorów regresyjnych przy interakcji

Dla ciągłego mediatora i wyniku VanderWeele i Vansteelandt (2009) wyprowadzili efekty kontrfaktyczne z dwóch modeli liniowych. Valeri i VanderWeele (2013) przenieśli to podejście do psychologii i porównali je ze standardowym podejściem przy interakcji ekspozycja × mediator:

M = β0 + β1A + β2C;   Y = θ0 + θ1A + θ2M + θ3A·M + θ4C
NDE = θ1 + θ3(β0 + β2c);   NIE = β1(θ2 + θ3);   δ(0) = β1θ2;   CDE(m) = θ1 + θ3m

Wzory podano dla przejścia z A = 0 na A = 1 i dla kowariantu ustalonego na średniej c. W przykładzie interakcja program × samotność wyniosła θ3 = 0.031 (SE = 0.033, p = .357). Przedziały ufności policzyliśmy bootstrapem nieparametrycznym (2000 prób, przedziały BCa; zob. przedział bootstrapowy BCa i wpis bootstrap i test permutacyjny).

Efekty kontrfaktyczne programu na objawy depresji z 95% przedziałami BCa oraz prawdziwe wartości znane z symulacji
EfektOszacowanie [95% CI BCa]Prawda (symulacja)
TE−2.20 [−2.95, −1.44]−2.15
NDE−0.62 [−1.25, 0.06]−1.00
NIE, δ(1)−1.58 [−2.15, −1.12]−1.15
Czysty efekt pośredni, δ(0)−1.41 [−1.94, −0.99]−0.75
CDE przy samotności = 35−0.94 [−1.75, −0.08]−1.80
CDE przy samotności = 55−0.33 [−1.32, 0.61]−0.20
Odsetek zapośredniczony (NIE/TE)0.72 [0.52, 1.03]0.53
Wykres punktowy z przedziałami: efekt całkowity −2.20 trafia blisko prawdy −2.15, ale efekty pośrednie są zawyżone (NIE −1.58 wobec prawdy −1.15, czysty efekt pośredni −1.41 wobec −0.75), a NDE −0.62 jest bliżej zera niż prawdziwe −1.00; iloczyn ab z PROCESS wynosi −1.49
Rysunek 1. Dekompozycja efektu programu na objawy depresji: oszacowania z 95% CI BCa (niebieskie) i prawdziwe wartości z modelu generującego (czerwone krzyżyki). Obliczenia: R, pakiet boot, 2000 prób (dane symulowane).

Z tej tabeli płyną dwie lekcje. Efekt całkowity jest trafny, bo program wylosowano. Podział na część bezpośrednią i pośrednią jest obciążony, choć model jest poprawnie zapisany, a próba duża. Neurotyczność łączy samotność z objawami, więc ścieżka b (0.248 w modelu z interakcją, prawda 0.15) przejmuje część efektu. Efekt pośredni rośnie (−1.58 wobec −1.15), a bezpośredni maleje (−0.62 wobec −1.00) o podobną wielkość. Mała interakcja rozdziela δ(0) i δ(1) o 0.17 pkt, ale błąd wynikający z zakłócenia jest kilkakrotnie większy. Odsetek zapośredniczony z górną granicą powyżej 1 pokazuje, dlaczego tej miary nie warto eksponować.

Analiza wrażliwości: parametr ρ

Imai, Keele i Yamamoto (2010) zaproponowali analizę wrażliwości dla liniowego modelu bez interakcji. Parametrem jest ρ, czyli korelacja błędów modelu mediatora (M ~ A + C) i modelu wyniku (Y ~ A + M + C). Przy sekwencyjnej ignorowalności ρ = 0. Niezmierzony zakłócacz, który podnosi oba poziomy, daje ρ > 0. Ponieważ błąd modelu bez mediatora (Y ~ A + C) jest sumą γ·εM i błędu modelu wyniku, z danych można wyznaczyć ACME dla każdego założonego ρ:

ACME(ρ) = β1 · (σ1 / σ2) · [ρ̃ − ρ · √((1 − ρ̃²) / (1 − ρ²))]

σ1 i σ2 to odchylenia standardowe reszt modelu Y ~ A + C i modelu mediatora, a ρ̃ – korelacja tych reszt. Wzór wyprowadziliśmy z definicji ρ (wyprowadzenie w komentarzu przepisu 3). Przy ρ = 0 daje on dokładnie ab = −1.49, a ACME = 0 osiąga przy ρ = ρ̃. W przykładzie β1 = −5.67, σ1 = 3.77, σ2 = 8.43 i ρ̃ = .589. Pakiet mediation (Tingley i in., 2014) wyraża ten sam próg także jako iloczyny R². Iloczyn części wariancji resztowej M i Y wyjaśnianych przez zakłócacz wynosi tu ρ̃² = .347. Iloczyn części wariancji całkowitej wynosi .107, np. po 33% wariancji każdej zmiennej.

Krzywa wrażliwości: ACME rośnie od −1.91 przy ρ = −.2 przez −1.49 przy ρ = 0 i −1.11 przy prawdziwym ρ = .18 do zera przy ρ = .59; 95% pasmo bootstrapowe obejmuje zero od ρ = .53
Rysunek 2. ACME jako funkcja korelacji błędów ρ z 95% pasmem percentylowym (2000 prób bootstrapu, te same próby dla każdego ρ). Czerwona przerywana linia: prawdziwe ρ wynikające z wpływu neurotyczności; kropkowana: prawdziwe średnie ACME. Obliczenia: R, pakiet boot (dane symulowane).
ACME z 95% pasmem bootstrapowym dla wybranych wartości korelacji błędów ρ
ρ−.20.1.2.3
ACME [95% pasmo]−1.91 [−2.47, −1.32]−1.49 [−1.93, −1.04]−1.29 [−1.67, −0.89]−1.08 [−1.41, −0.74]−0.85 [−1.14, −0.56]

Jak to czytać? Efekt pośredni znika dopiero przy ρ = .59, a pasmo zaczyna obejmować zero od ρ = .53. To silne zakłócenie, więc sam kierunek wniosku jest dość odporny. Wielkość efektu odporna już nie jest. Przy umiarkowanym ρ = .2 ACME spada o blisko 30%. Prawdziwe ρ wynosi tu .184, a ACME przy tej wartości to −1.11 wobec prawdziwego średniego ACME −0.95. Średnie ACME to średnia δ(0) i δ(1), czyli wielkość szacowana przez model bez interakcji. W realnym badaniu prawdziwego ρ nie znasz, więc raportuj próg i porównaj go z siłą zmierzonych kowariantów, podobnie jak przy E-wartości. Wzór dotyczy modelu bez interakcji. Przy wyraźnej interakcji albo nieliniowych modelach użyj procedury symulacyjnej z pakietu mediation albo modelu z jawnie zadanym zakłócaczem, jak niżej.

Symulacja: zakłócacz o zadanej sile

Drugi sposób na analizę wrażliwości to symulacja. Zakładasz zakłócacz o konkretnym wpływie na M i Y i sprawdzasz, jak zmienia on oszacowanie. Powtórzyliśmy badanie 500 razy dla pięciu sił wpływu neurotyczności na objawy (0–2.4 pkt na 1 SD), przy stałym wpływie na samotność (4 pkt na 1 SD).

Wykres liniowy: naiwne ACME rośnie co do wartości bezwzględnej od −0.94 przy braku zakłócenia do −1.60 przy ρ = .31, a ACME skorygowane przy prawdziwym ρ pozostaje między −0.88 a −0.94, blisko prawdy −0.95
Rysunek 3. Średnie ACME z 500 zbiorów po 400 osób dla rosnącej siły niezmierzonego zakłócacza: oszacowanie naiwne (ρ = 0) i skorygowane wzorem przy prawdziwym ρ. Błąd Monte Carlo naiwnych średnich: 0.008–0.012. Obliczenia: R (dane symulowane).

Bez zakłócenia naiwne ACME wyniosło −0.94. Przy ρ = .10 było zawyżone o 15%, przy ρ = .18 o 36%, a przy ρ = .31 o 68%. Wzór z wpisanym prawdziwym ρ przywrócił wartości od −0.88 do −0.94. Resztkowa różnica wynika m.in. z zaokrąglenia i ograniczenia skali PHQ-9 do 0–27. W praktyce zestaw kilka wiarygodnych scenariuszy z literatury („gdyby cecha X miała taki wpływ na mediator i wynik, efekt pośredni zmalałby do…”), a nie jeden skrajny. Szerszy kontekst daje wpis o analizie wrażliwości w artykule naukowym.

Jak opisać mediację przyczynową w artykule

W metodach nazwij estymandy (NDE, NIE, δ(0) lub δ(1)), modele, kowarianty i założenie sekwencyjnej ignorowalności. Napisz też, które zmienne mają je uprawdopodobnić. W wynikach podaj efekty z przedziałami i wynik analizy wrażliwości jako próg ρ. Jeśli chcesz, by ktoś niezależnie sprawdził założenia i analizę wrażliwości przed wysłaniem tekstu, opisz projekt w ramach wsparcia statystycznego dla badaczy.

Efekty programu rozłożono na naturalny efekt bezpośredni (NDE) i naturalny efekt pośredni przez samotność (NIE) w podejściu kontrfaktycznym (VanderWeele i Vansteelandt, 2009; Valeri i VanderWeele, 2013). Modele liniowe samotności i objawów depresji uwzględniały wyjściowe nasilenie objawów oraz interakcję program × samotność. Przedziały ufności obliczono bootstrapem nieparametrycznym (2000 prób, BCa). Program zmniejszył objawy depresji po 8 tygodniach, TE = −2.20 pkt, 95% CI [−2.95, −1.44]. Naturalny efekt pośredni przez samotność wyniósł NIE = −1.58, 95% CI [−2.15, −1.12], a naturalny efekt bezpośredni NDE = −0.62, 95% CI [−1.25, 0.06]. Interakcja program × samotność była mała, b = 0.031, SE = 0.033, p = .357. Ponieważ samotności nie przydzielano losowo, przeprowadzono analizę wrażliwości Imaia, Keele'a i Yamamoto (2010) na niezmierzone zakłócenie związku samotności z objawami. Efekt pośredni byłby równy zeru dopiero przy korelacji błędów ρ = .59, a jego 95% przedział obejmowałby zero od ρ = .53. Przy ρ = .20 efekt pośredni wynosiłby −1.08.
Przykład reprodukowalny

Przykład w R

Cztery przepisy uruchamiane po kolei w jednej sesji R i piąty, niewykonany przykład składni. Pierwszy przepis tworzy plik mediacja-przyczynowa-dane.csv (możesz go pobrać tutaj). Potrzebny jest pakiet boot; reszta to funkcje R.

1. Dane, podejście Barona–Kenny'ego i efekty ze wzorów

Dane wejściowe: 400 studentów, program albo lista oczekujących, PHQ-9 na początku, samotność po 4 tygodniach, PHQ-9 po 8 tygodniach (dane symulowane, set.seed(3331)).

Co odczytać: średnie w grupach, prawdziwe efekty z modelu generującego, ścieżki a, b, c′, c i iloczyn ab, model wyniku z interakcją oraz TE, NDE, NIE, δ(0), CDE i odsetek zapośredniczony.

R
# Dane symulowane: 400 studentów z objawami depresji losowo przydzielonych do programu wsparcia
# rówieśniczego (program = 1) albo na listę oczekujących (program = 0).
# phq0 – objawy depresji na początku (PHQ-9, 0–27), samotnosc – mediator po 4 tygodniach (20–80 pkt),
# phq8 – objawy depresji po 8 tygodniach (wynik). Neurotyczność U wpływa na samotność i na objawy,
# ale jej „nie zmierzono”: nie trafia do pliku ani do modeli.
generuj <- function(n, lam_m = 4, lam_y = 1.2, zapisz_u = FALSE) {
  program <- sample(rep(0:1, each = n / 2))
  phq0 <- round(pmin(pmax(rnorm(n, 11, 4), 0), 27))
  U <- rnorm(n)
  samotnosc <- 45 - 5 * program + 0.8 * (phq0 - 11) + lam_m * U + rnorm(n, 0, 7)
  phq8 <- 10 - 1 * program + 0.15 * (samotnosc - 45) + 0.08 * program * (samotnosc - 45) +
    0.5 * (phq0 - 11) + lam_y * U + rnorm(n, 0, 3)
  d <- data.frame(id = 1:n, program, phq0, samotnosc = round(samotnosc), phq8 = round(pmin(pmax(phq8, 0), 27)))
  if (zapisz_u) d$U <- U
  d
}
set.seed(3331)
dane <- generuj(400)
write.csv(dane, "mediacja-przyczynowa-dane.csv", row.names = FALSE)
round(sapply(split(dane[, c("phq0", "samotnosc", "phq8")], dane$program), colMeans), 2)

# Prawdziwe efekty (znane tylko w symulacji): w modelu generującym M(0) ma średnio 45 pkt, więc
# NDE = −1, czyste NIE = δ(0) = −5 × 0.15, całkowite NIE = δ(1) = −5 × (0.15 + 0.08)
prawda <- c(TE = -1 - 5 * 0.23, NDE = -1, NIE_calk = -5 * 0.23, NIE_czyste = -5 * 0.15,
            ACME_srednie = -5 * (0.15 + 0.08 / 2), CDE_M35 = -1 + 0.08 * (35 - 45), CDE_M55 = -1 + 0.08 * (55 - 45))
prawda <- c(prawda, odsetek_posr = prawda[["NIE_calk"]] / prawda[["TE"]])
round(prawda, 3)

# 1. Podejście Barona–Kenny'ego / PROCESS (model 4): ścieżki a, b, c' i iloczyn ab
m_c  <- lm(phq8 ~ program + phq0, data = dane)                # efekt całkowity c
m_a  <- lm(samotnosc ~ program + phq0, data = dane)           # ścieżka a
m_b  <- lm(phq8 ~ program + samotnosc + phq0, data = dane)    # ścieżki b i c'
round(c(c = coef(m_c)[["program"]], a = coef(m_a)[["program"]], b = coef(m_b)[["samotnosc"]],
        c_prim = coef(m_b)[["program"]], ab = coef(m_a)[["program"]] * coef(m_b)[["samotnosc"]]), 3)

# 2. Model wyniku z interakcją ekspozycja × mediator
m_y <- lm(phq8 ~ program * samotnosc + phq0, data = dane)
round(summary(m_y)$coefficients, 3)

# 3. Efekty kontrfaktyczne ze wzorów regresyjnych (VanderWeele i Vansteelandt, 2009; Valeri i VanderWeele, 2013)
#    M = b0 + b1 A + b2 C,  Y = t0 + t1 A + t2 M + t3 A·M + t4 C;  a = 1, a* = 0, C = średnia phq0
efekty <- function(d) {
  b <- coef(lm(samotnosc ~ program + phq0, data = d))
  t <- coef(lm(phq8 ~ program * samotnosc + phq0, data = d))
  m0 <- b[["(Intercept)"]] + b[["phq0"]] * mean(d$phq0)       # E[M(0) | C = średnia]
  NDE <- t[["program"]] + t[["program:samotnosc"]] * m0         # naturalny efekt bezpośredni (czysty)
  NIE <- b[["program"]] * (t[["samotnosc"]] + t[["program:samotnosc"]])  # naturalny efekt pośredni (całkowity), δ(1)
  NIE0 <- b[["program"]] * t[["samotnosc"]]                     # czysty efekt pośredni, δ(0)
  CDE <- t[["program"]] + t[["program:samotnosc"]] * c(35, 55)  # kontrolowany efekt bezpośredni przy M = 35 i 55
  c(TE = NDE + NIE, NDE = NDE, NIE_calk = NIE, NIE_czyste = NIE0,
    CDE_M35 = CDE[1], CDE_M55 = CDE[2], odsetek_posr = NIE / (NDE + NIE))
}
round(efekty(dane), 3)
Wynik w R
              0     1
phq0      10.90 11.20
samotnosc 45.50 40.12
phq8      10.11  8.12
          TE          NDE     NIE_calk   NIE_czyste ACME_srednie      CDE_M35 
      -2.150       -1.000       -1.150       -0.750       -0.950       -1.800 
     CDE_M55 odsetek_posr 
      -0.200        0.535 
     c      a      b c_prim     ab 
-2.197 -5.671  0.263 -0.705 -1.492 
                  Estimate Std. Error t value Pr(>|t|)
(Intercept)         -5.917      1.133  -5.221    0.000
program             -2.016      1.459  -1.382    0.168
samotnosc            0.248      0.025  10.037    0.000
phq0                 0.436      0.042  10.402    0.000
program:samotnosc    0.031      0.033   0.921    0.357
          TE          NDE     NIE_calk   NIE_czyste      CDE_M35      CDE_M55 
      -2.196       -0.617       -1.579       -1.405       -0.943       -0.330 
odsetek_posr 
       0.719 

2. Bootstrap efektów kontrfaktycznych

Dane wejściowe: obiekty z przepisu 1; 2000 prób bootstrapu (set.seed(3332) i set.seed(3333)).

Co odczytać: oszacowania, bootstrapowe SE, przedziały percentylowe i BCa dla każdego efektu oraz przedział BCa dla iloczynu ab.

R
# Bootstrap nieparametryczny efektów kontrfaktycznych (wymaga obiektów z przepisu 1)
suppressPackageStartupMessages(library(boot))
set.seed(3332)
b_efekty <- boot(dane, function(d, i) efekty(d[i, ]), R = 2000)

# 95% CI: percentylowy i BCa dla każdego efektu
ci <- t(sapply(seq_along(b_efekty$t0), function(k) {
  p <- boot.ci(b_efekty, type = c("perc", "bca"), index = k)
  c(oszacowanie = b_efekty$t0[[k]], SE = sd(b_efekty$t[, k]),
    perc_dolny = p$percent[4], perc_gorny = p$percent[5], bca_dolny = p$bca[4], bca_gorny = p$bca[5])
}))
rownames(ci) <- names(b_efekty$t0)
round(ci, 3)

# Ten sam bootstrap dla iloczynu ab z modelu bez interakcji (Baron–Kenny / PROCESS, model 4)
set.seed(3333)
b_ab <- boot(dane, function(d, i) {
  d <- d[i, ]
  coef(lm(samotnosc ~ program + phq0, data = d))[["program"]] *
    coef(lm(phq8 ~ program + samotnosc + phq0, data = d))[["samotnosc"]]
}, R = 2000)
round(c(ab = b_ab$t0, boot.ci(b_ab, type = "bca")$bca[4:5]), 3)
Wynik w R
             oszacowanie    SE perc_dolny perc_gorny bca_dolny bca_gorny
TE                -2.196 0.382     -2.940     -1.423    -2.949    -1.435
NDE               -0.617 0.331     -1.266      0.031    -1.252     0.056
NIE_calk          -1.579 0.263     -2.116     -1.079    -2.146    -1.116
NIE_czyste        -1.405 0.238     -1.906     -0.959    -1.939    -0.987
CDE_M35           -0.943 0.418     -1.763     -0.104    -1.746    -0.075
CDE_M55           -0.330 0.498     -1.330      0.607    -1.319     0.614
odsetek_posr       0.719 0.127      0.520      1.021     0.524     1.034
    ab               
-1.492 -1.955 -1.067 

3. Analiza wrażliwości: ACME jako funkcja ρ

Dane wejściowe: obiekty z przepisów 1–2; siatka ρ od −.9 do .9 co .01 i 2000 prób bootstrapu (set.seed(3334)).

Co odczytać: składniki wzoru, zgodność ACME(0) z ab, próg ρ dla ACME = 0 i iloczyn R², ρ, od którego pasmo obejmuje zero, tabelę dla wybranych ρ oraz wartość przy prawdziwym ρ.

R
# Analiza wrażliwości ACME na niezmierzone zakłócenie M–Y według Imaia, Keele'a i Yamamoto (2010)
# ρ = korelacja błędów modelu mediatora i modelu wyniku (Y ~ A + M + C). Przy sekwencyjnej ignorowalności ρ = 0.
# Modele liniowe bez interakcji A × M. Z modeli M ~ A + C (błąd ε2) i Y ~ A + C (błąd ε1) bierzemy
# σ1, σ2 i ρ~ = cor(ε1, ε2). Ponieważ ε1 = γ ε2 + ε3, rozwiązanie dla γ przy zadanym ρ daje:
#   ACME(ρ) = β2 · σ1/σ2 · [ρ~ − ρ · sqrt((1 − ρ~²) / (1 − ρ²))]
# (wymaga obiektów z przepisów 1–2)
acme_rho <- function(d, rho) {
  m_m <- lm(samotnosc ~ program + phq0, data = d)
  m_1 <- lm(phq8 ~ program + phq0, data = d)
  r_t <- cor(resid(m_1), resid(m_m))
  coef(m_m)[["program"]] * sigma(m_1) / sigma(m_m) * (r_t - rho * sqrt((1 - r_t^2) / (1 - rho^2)))
}
m_m <- lm(samotnosc ~ program + phq0, data = dane)
m_1 <- lm(phq8 ~ program + phq0, data = dane)
round(c(beta2 = coef(m_m)[["program"]], sigma1 = sigma(m_1), sigma2 = sigma(m_m),
        rho_tylda = cor(resid(m_1), resid(m_m)),
        ACME_rho0 = acme_rho(dane, 0), ab_bez_interakcji = coef(m_a)[["program"]] * coef(m_b)[["samotnosc"]]), 3)

# ACME = 0 dokładnie wtedy, gdy ρ = ρ~. Ten sam próg jako iloczyny R² (jak w medsens):
# R*²_M · R*²_Y = ρ² (części wariancji resztowej), R~²_M · R~²_Y = ρ² (1 − R²_M)(1 − R²_Y) (części wariancji całkowitej)
rho0 <- cor(resid(m_1), resid(m_m))
round(c(rho_ACME_0 = rho0, R2_gwiazdka_iloczyn = rho0^2,
        R2_tylda_iloczyn = rho0^2 * (1 - summary(m_m)$r.squared) * (1 - summary(m_b)$r.squared)), 3)

# Siatka ρ i 95% pasmo bootstrapowe (percentylowe), te same próby dla wszystkich ρ
siatka_rho <- round(seq(-0.9, 0.9, by = 0.01), 2)
set.seed(3334)
b_rho <- boot(dane, function(d, i) acme_rho(d[i, ], siatka_rho), R = 2000)
wrazliwosc <- data.frame(rho = siatka_rho, ACME = b_rho$t0,
                         dolny = apply(b_rho$t, 2, quantile, .025), gorny = apply(b_rho$t, 2, quantile, .975))
write.csv(wrazliwosc, "b333-wrazliwosc-siatka.csv", row.names = FALSE)
# Najmniejsze ρ, przy którym pasmo obejmuje zero
round(c(rho_pasmo_obejmuje_0 = min(wrazliwosc$rho[wrazliwosc$rho > -0.5 & wrazliwosc$gorny >= 0])), 2)
print(round(wrazliwosc[wrazliwosc$rho %in% c(-0.2, 0, 0.1, 0.2, 0.3), ], 3), row.names = FALSE)

# Co wiemy tylko w symulacji: prawdziwe ρ wynikające z wpływu U na M (4) i na Y (1.2) oraz ACME przy tym ρ
rho_prawdziwe <- 4 * 1.2 / sqrt((4^2 + 7^2) * (1.2^2 + 3^2))
round(c(rho_prawdziwe = rho_prawdziwe, ACME_przy_rho_prawdziwym = acme_rho(dane, rho_prawdziwe),
        ACME_srednie_prawdziwe = prawda[["ACME_srednie"]]), 3)
Wynik w R
            beta2            sigma1            sigma2         rho_tylda 
           -5.671             3.766             8.431             0.589 
        ACME_rho0 ab_bez_interakcji 
           -1.492            -1.492 
         rho_ACME_0 R2_gwiazdka_iloczyn    R2_tylda_iloczyn 
              0.589               0.347               0.107 
rho_pasmo_obejmuje_0 
                0.53 
  rho   ACME  dolny  gorny
 -0.2 -1.910 -2.468 -1.320
  0.0 -1.492 -1.931 -1.039
  0.1 -1.287 -1.674 -0.893
  0.2 -1.075 -1.409 -0.742
  0.3 -0.849 -1.140 -0.561
           rho_prawdziwe ACME_przy_rho_prawdziwym   ACME_srednie_prawdziwe 
                   0.184                   -1.109                   -0.950 

4. Symulacja zakłócacza o zadanej sile

Dane wejściowe: funkcje z przepisów 1 i 3; 5 sił zakłócenia × 500 zbiorów po 400 osób (set.seed(3335)).

Co odczytać: prawdziwe ρ, średnie naiwne ACME z błędem Monte Carlo, ACME skorygowane przy prawdziwym ρ, przeszacowanie w procentach i średnie ρ̃.

R
# Symulacja: niezmierzony zakłócacz U o zadanej sile (wymaga funkcji generuj() i acme_rho() z przepisów 1 i 3)
# U wpływa na samotność (4 pkt na 1 SD) i na objawy depresji (lam_y = 0–2.4 pkt na 1 SD).
# Prawdziwe średnie ACME nie zależy od U i wynosi −0.95. Dla każdej siły: 500 zbiorów po 400 osób.
set.seed(3335)
sily <- c(0, 0.6, 1.2, 1.8, 2.4)
symulacja <- do.call(rbind, lapply(sily, function(lam_y) {
  rho_p <- 4 * lam_y / sqrt((4^2 + 7^2) * (lam_y^2 + 3^2))     # prawdziwe ρ dla tej siły zakłócenia
  r <- t(replicate(500, {
    d <- generuj(400, lam_y = lam_y)
    c(naiwne = acme_rho(d, 0), skorygowane = acme_rho(d, rho_p), rho_tylda = cor(
      resid(lm(phq8 ~ program + phq0, data = d)), resid(lm(samotnosc ~ program + phq0, data = d))))
  }))
  data.frame(lam_y, rho_prawdziwe = rho_p, ACME_naiwne = mean(r[, "naiwne"]),
             MCSE_naiwne = sd(r[, "naiwne"]) / sqrt(500), ACME_przy_prawdziwym_rho = mean(r[, "skorygowane"]),
             przeszacowanie_proc = 100 * (mean(r[, "naiwne"]) / -0.95 - 1),
             rho_tylda_srednie = mean(r[, "rho_tylda"]))
}))
write.csv(symulacja, "b333-symulacja.csv", row.names = FALSE)
print(round(symulacja, 3), row.names = FALSE)
Wynik w R
 lam_y rho_prawdziwe ACME_naiwne MCSE_naiwne ACME_przy_prawdziwym_rho
   0.0         0.000      -0.939       0.008                   -0.939
   0.6         0.097      -1.090       0.009                   -0.909
   1.2         0.184      -1.293       0.010                   -0.922
   1.8         0.255      -1.432       0.011                   -0.893
   2.4         0.310      -1.598       0.012                   -0.883
 przeszacowanie_proc rho_tylda_srednie
              -1.153             0.448
              14.769             0.507
              36.062             0.547
              50.760             0.574
              68.225             0.588

5. To samo w pakiecie mediation (kod niewykonany)

Uwaga: to tylko przykład składni funkcji mediate() i medsens() (Tingley i in., 2014). Kodu nie uruchomiliśmy i nie podajemy jego wyników. Liczby na tej stronie pochodzą z przepisów 1–4. Pakiet liczy przedziały metodą symulacyjną albo bootstrapem, więc jego granice mogą się nieco różnić od podanych wyżej.

R
# Pakiet mediation (Tingley i in., 2014) – przykład składni, kod niewykonany, bez wyników na tej stronie
library(mediation)
dane <- read.csv("mediacja-przyczynowa-dane.csv")
m_m <- lm(samotnosc ~ program + phq0, data = dane)
m_y <- lm(phq8 ~ program * samotnosc + phq0, data = dane)
med <- mediate(m_m, m_y, treat = "program", mediator = "samotnosc",
               boot = TRUE, sims = 2000)          # ACME(0), ACME(1), ADE(0), ADE(1), efekt całkowity
summary(med)
# Analiza wrażliwości wymaga modeli bez interakcji program × samotność
m_y0 <- lm(phq8 ~ program + samotnosc + phq0, data = dane)
med0 <- mediate(m_m, m_y0, treat = "program", mediator = "samotnosc", sims = 2000)
sens <- medsens(med0, rho.by = 0.01, effect.type = "indirect")
summary(sens)                                     # ρ i iloczyny R² przy ACME = 0
plot(sens, sens.par = "rho")

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje lm() i cor() z pakietu stats) z pakietem boot; rysunki przygotowano w pakiecie ggplot2. Kod pakietu mediation pokazano jako niewykonany przykład składni.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. boot (wersja 1.3.32): Canty, A., & Ripley, B. D. (2024). boot: Bootstrap R (S-Plus) functions [R package]. https://doi.org/10.32614/CRAN.package.boot
  3. mediation (kod niewykonany): Tingley, D., Yamamoto, T., Hirose, K., Keele, L., & Imai, K. (2014). mediation: R package for causal mediation analysis. Journal of Statistical Software, 59(5). https://doi.org/10.18637/jss.v059.i05
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • „Randomizowaliśmy, więc mediacja jest przyczynowa”. Losowanie ekspozycji chroni efekt całkowity i ścieżkę a. Związek mediatora z wynikiem pozostaje obserwacyjny, jak w przykładzie, w którym NIE było zawyżone o ponad 35%.
  • Iloczyn ab przy wyraźnej interakcji A × M. Wtedy ab nie jest ani δ(0), ani δ(1). Policz efekty ze wzorów i nazwij estymandę.
  • Utożsamianie c′ z naturalnym efektem bezpośrednim. Przy interakcji c′ to CDE przy jednej wartości mediatora. NDE uśrednia ją po rozkładzie M(0).
  • Kontrolowanie zmiennych, które są skutkiem ekspozycji. Zakłócacz M–Y zależny od A łamie założenia identyfikacji NDE i NIE nawet po jego uwzględnieniu (VanderWeele, 2015). Rozważ wtedy CDE albo metody typu g-formula.
  • Brak analizy wrażliwości albo jeden skrajny scenariusz. Podaj próg ρ (lub iloczyn R²) i odnieś go do siły zmierzonych kowariantów.
  • Przekrojowy pomiar A, M i Y. Bez kolejności w czasie nie ma podstaw do mediacji przyczynowej. Rozważ model cross-lagged i kolejne fale pomiaru.

Najczęstsze pytania

Czym różni się naturalny efekt pośredni od iloczynu ab?

Naturalny efekt pośredni (NIE) to średnia różnica Y(1, M(1)) − Y(1, M(0)), zdefiniowana bez odwołania do modelu. W modelach liniowych bez interakcji ekspozycja × mediator jest równy ab. Przy interakcji ab nie odpowiada ani czystemu, ani całkowitemu efektowi pośredniemu. W przykładzie ab = −1.49, a δ(0) = −1.41 i δ(1) = −1.58.

Czy randomizacja wystarcza, żeby analiza mediacji była przyczynowa?

Nie. Losowanie ekspozycji chroni efekt całkowity i ścieżkę od ekspozycji do mediatora. Związek mediatora z wynikiem pozostaje obserwacyjny, bo mediatora nikt nie losował. W symulowanym badaniu randomizowanym niezmierzona neurotyczność zawyżyła efekt pośredni z −1.15 do −1.58 pkt, choć efekt całkowity był trafny.

Jak interpretować parametr ρ w analizie wrażliwości mediacji?

ρ to korelacja błędów modelu mediatora i modelu wyniku. Według Imaia, Keele'a i Yamamoto (2010) przy braku niezmierzonych zakłóceń mediator–wynik wynosi 0. Raportuje się wartość ρ, przy której ACME spada do zera, oraz ρ, przy którym przedział zaczyna obejmować zero. Im większe są te progi, tym silniejszy zakłócacz byłby potrzebny, by podważyć wniosek. Porównaj je z siłą zmierzonych kowariantów.

Który efekt pośredni raportować przy interakcji ekspozycji z mediatorem?

Całkowity efekt pośredni δ(1) opisuje działanie mediatora u osób poddanych ekspozycji. Razem z czystym efektem bezpośrednim sumuje się do efektu całkowitego i najczęściej odpowiada pytaniu o mechanizm interwencji. Czysty efekt pośredni δ(0) dotyczy osób bez ekspozycji. Nazwij wybraną estymandę w metodach, a przy wyraźnej interakcji podaj oba efekty.

Czym jest kontrolowany efekt bezpośredni i czym różni się od naturalnego?

Kontrolowany efekt bezpośredni CDE(m) to efekt ekspozycji, gdyby wszystkim ustawić mediator na tej samej wartości m. Przy interakcji zależy od m: w przykładzie −0.94 przy samotności 35 pkt i −0.33 przy 55 pkt. Naturalny efekt bezpośredni pozostawia każdemu jego własny mediator M(0). CDE jest przydatny, gdy pytasz o skutki interwencji na samym mediatorze.

Powiązane hasła

Przeczytaj też

Recenzent pyta, czy Twój efekt pośredni jest przyczynowy?

Pomożemy nazwać estymandy, policzyć NDE i NIE z przedziałami bootstrapowymi i przeprowadzić analizę wrażliwości na niezmierzone zakłócenie tak, żebyś mógł(a) samodzielnie opisać i obronić wyniki.

Oferta dla badaczyPorozmawiaj o projekcie

Bibliografia i dalsza literatura naukowa (APA 7)

  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. https://doi.org/10.1037/0022-3514.51.6.1173
  2. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
  3. Imai, K., Keele, L., & Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. https://doi.org/10.1037/a0020761 ● Otwarty dostęp: pełny tekst
  4. Imai, K., Keele, L., & Yamamoto, T. (2010). Identification, inference and sensitivity analysis for causal mediation effects. Statistical Science, 25(1), 51–71. https://doi.org/10.1214/10-sts321 ● Otwarty dostęp
  5. Robins, J. M., & Greenland, S. (1992). Identifiability and exchangeability for direct and indirect effects. Epidemiology, 3(2), 143–155. https://doi.org/10.1097/00001648-199203000-00013
  6. Rohrer, J. M., Hünermund, P., Arslan, R. C., & Elson, M. (2022). That’s a lot to process! Pitfalls of popular path models. Advances in Methods and Practices in Psychological Science, 5(2), Article 25152459221095827. https://doi.org/10.1177/25152459221095827 ● Otwarty dostęp
  7. Tingley, D., Yamamoto, T., Hirose, K., Keele, L., & Imai, K. (2014). mediation: R package for causal mediation analysis. Journal of Statistical Software, 59(5). https://doi.org/10.18637/jss.v059.i05 ● Otwarty dostęp
  8. Valeri, L., & VanderWeele, T. J. (2013). Mediation analysis allowing for exposure–mediator interactions and causal interpretation: Theoretical assumptions and implementation with SAS and SPSS macros. Psychological Methods, 18(2), 137–150. https://doi.org/10.1037/a0031034 ● Otwarty dostęp
  9. VanderWeele, T. J. (2015). Explanation in causal inference: Methods for mediation and interaction. Oxford University Press.
  10. VanderWeele, T. J., & Vansteelandt, S. (2009). Conceptual issues concerning mediation, interventions and composition. Statistics and Its Interface, 2(4), 457–468. https://doi.org/10.4310/sii.2009.v2.n4.a7 ● Otwarty dostęp

Cytowania BibTeX

@article{baron1986moderator, author={Baron, Reuben M. and Kenny, David A.}, title={{The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations}}, journal={Journal of Personality and Social Psychology}, year={1986}, volume={51}, number={6}, pages={1173--1182}, doi={10.1037/0022-3514.51.6.1173}}
@book{hayes2022introduction, author={Hayes, Andrew F.}, title={{Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.)}}, year={2022}, publisher={Guilford Press}, url={https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030}}
@article{imai2010general, author={Imai, Kosuke and Keele, Luke and Tingley, Dustin}, title={{A general approach to causal mediation analysis}}, journal={Psychological Methods}, year={2010}, volume={15}, number={4}, pages={309--334}, doi={10.1037/a0020761}}
@article{imai2010identification, author={Imai, Kosuke and Keele, Luke and Yamamoto, Teppei}, title={{Identification, inference and sensitivity analysis for causal mediation effects}}, journal={Statistical Science}, year={2010}, volume={25}, number={1}, pages={51--71}, doi={10.1214/10-sts321}}
@article{robins1992identifiability, author={Robins, James M. and Greenland, Sander}, title={{Identifiability and exchangeability for direct and indirect effects}}, journal={Epidemiology}, year={1992}, volume={3}, number={2}, pages={143--155}, doi={10.1097/00001648-199203000-00013}}
@article{rohrer2022process, author={Rohrer, Julia M. and Hünermund, Paul and Arslan, Ruben C. and Elson, Malte}, title={{That’s a lot to process! Pitfalls of popular path models}}, journal={Advances in Methods and Practices in Psychological Science}, year={2022}, volume={5}, number={2}, eid={25152459221095827}, doi={10.1177/25152459221095827}}
@article{tingley2014mediation, author={Tingley, Dustin and Yamamoto, Teppei and Hirose, Kentaro and Keele, Luke and Imai, Kosuke}, title={{mediation: R package for causal mediation analysis}}, journal={Journal of Statistical Software}, year={2014}, volume={59}, number={5}, doi={10.18637/jss.v059.i05}}
@article{valeri2013mediation, author={Valeri, Linda and VanderWeele, Tyler J.}, title={{Mediation analysis allowing for exposure–mediator interactions and causal interpretation: Theoretical assumptions and implementation with SAS and SPSS macros}}, journal={Psychological Methods}, year={2013}, volume={18}, number={2}, pages={137--150}, doi={10.1037/a0031034}}
@book{vanderweele2015explanation, author={VanderWeele, Tyler J.}, title={{Explanation in causal inference: Methods for mediation and interaction}}, year={2015}, publisher={Oxford University Press}}
@article{vanderweele2009conceptual, author={VanderWeele, Tyler J. and Vansteelandt, Stijn}, title={{Conceptual issues concerning mediation, interventions and composition}}, journal={Statistics and Its Interface}, year={2009}, volume={2}, number={4}, pages={457--468}, doi={10.4310/sii.2009.v2.n4.a7}}
R