Słownik metodologiczny · Mediacja i moderacja

Efekt bezpośredni w analizie mediacji – co oznacza c′ i czego nie dowodzi

Efekt bezpośredni c′ to związek X z Y przy stałym poziomie mediatora. Pokazujemy, jak go czytać, dlaczego zmienia się po dodaniu kolejnych mediatorów i dlaczego nieistotny c′ nie dowodzi „mediacji całkowitej”.

Strona główna / Słownik / Efekt bezpośredni
W skrócie: Efekt bezpośredni (c′) to związek X z Y przy stałym poziomie mediatora, czyli część efektu całkowitego, która nie przebiega przez mediatory w modelu: c′ = c − ab. Zależy od zestawu mediatorów i zbiera wszystkie niezmierzone drogi. Nieistotny c′ nie dowodzi „mediacji całkowitej” – test efektu bezpośredniego ma zwykle małą moc – więc raportuj go z 95% przedziałem ufności.

Co to jest efekt bezpośredni?

Efekt bezpośredni (ang. direct effect, oznaczany c′) to związek zmiennej X ze zmienną Y przy stałym poziomie mediatora – ta część związku, która nie przebiega przez mediatory uwzględnione w modelu. W analizie mediacji jest to współczynnik przy X w regresji Y na X i mediator. Razem z efektem pośrednim ab składa się na efekt całkowity: c = c′ + ab. Takie szacowanie efektów bezpośrednich i pośrednich w ramach regresji metodą najmniejszych kwadratów opisuje podręcznik Hayesa (2022).

Nazwa bywa myląca. „Bezpośredni” znaczy tu „nieprzechodzący przez mediatory, które zmierzyłeś”, a nie „działający bez żadnych pośredników”. Jeśli związek X z Y przebiega także przez zmienne, których nie ma w modelu, ich udział trafia właśnie do c′. Efekt bezpośredni jest więc zawsze względny – zależy od tego, jakie mediatory uwzględniono.

Jak obliczyć i czytać efekt bezpośredni?

Y = iY + c′X + bM + eY
c′ = c − ab

Efekt bezpośredni odczytujesz wprost z regresji wielorakiej Y na X i mediator – to współczynnik przy X. W modelach liniowych szacowanych metodą najmniejszych kwadratów jest on dokładnie równy różnicy efektu całkowitego i pośredniego. Interpretacja zależy od rodzaju zmiennej X:

  • gdy X jest ilościowy, c′ mówi, o ile różni się średnio Y u osób różniących się o jednostkę X, ale mających ten sam poziom mediatora;
  • gdy X to grupa (np. 0 = kontrolna, 1 = eksperymentalna), c′ jest różnicą średnich Y między grupami po wyrównaniu ich ze względu na mediator.

W modelu z kilkoma mediatorami c′ opisuje związek X z Y przy stałym poziomie wszystkich mediatorów naraz. Każdy kolejny mediator, który przejmuje część związku, zmniejsza więc efekt bezpośredni – dokładnie to widać w przykładzie.

Przykład: efekt bezpośredni zależy od mediatorów w modelu

Dziewięćdziesięciu uczniów (dane symulowane) oceniło wsparcie nauczyciela (1–5; M = 3.41, SD = 0.81), swoją motywację wewnętrzną (1–7; M = 4.62, SD = 1.19), poczucie kompetencji (1–5; M = 3.40, SD = 0.69) i zaangażowanie w naukę (0–6; M = 3.20, SD = 1.00). Oszacowaliśmy trzy regresje zaangażowania: na samo wsparcie (efekt całkowity), na wsparcie i motywację oraz na wsparcie i oba mediatory (rysunek 1).

Wykres przedziałów ufności: efekt całkowity wsparcia nauczyciela na zaangażowanie 0.604 [0.375, 0.834]; efekt bezpośredni po dodaniu motywacji 0.304 [0.045, 0.563]; po dodaniu motywacji i poczucia kompetencji 0.221 [−0.061, 0.504], przedział obejmuje zero
Rysunek 1. Niestandaryzowany współczynnik wsparcia nauczyciela z 95% przedziałem ufności w trzech regresjach zaangażowania w naukę: bez mediatorów (efekt całkowity c) i z jednym lub dwoma mediatorami (efekt bezpośredni c′). Kropkowana linia – wartość efektu całkowitego. Obliczenia: R (dane symulowane).
  • Bez mediatorów każdy punkt wsparcia wiązał się z zaangażowaniem wyższym o 0.604 punktu (c, p < .001).
  • Po dodaniu motywacji efekt bezpośredni zmalał do c′ = 0.304, 95% CI [0.045, 0.563], p = .022. Różnica c − c′ = 0.300 to efekt pośredni przez motywację.
  • Po dodaniu także poczucia kompetencji c′ = 0.221, 95% CI [−0.061, 0.504], p = .123. Efekt bezpośredni przestał być istotny, a na drogi przez oba mediatory przypada łącznie 0.383.

Ten sam związek wsparcia z zaangażowaniem ma więc trzy różne efekty bezpośrednie. Żaden nie jest „prawdziwszy” od pozostałych – każdy odpowiada na inne pytanie: ile związku zostaje poza drogami, które uwzględniliśmy. Gdyby w badaniu zmierzono kolejny mediator, c′ mógłby zmaleć jeszcze bardziej. Nie traktuj więc efektu bezpośredniego jako miary „samodzielnego” wpływu X.

Nieistotny efekt bezpośredni to nie dowód mediacji całkowitej

W ostatnim modelu c′ jest nieistotny. W starszej terminologii nazwano by to mediacją całkowitą: wsparcie miałoby działać wyłącznie przez motywację i kompetencje. Ten wniosek jest nieuprawniony. Przedział ufności dla c′ sięga 0.504, czyli obejmuje wartości równe ponad 80% całego efektu całkowitego (0.604). Dane są zgodne zarówno z brakiem efektu bezpośredniego, jak i z dużym efektem bezpośrednim – po prostu tej kwestii nie rozstrzygają.

Problem pogłębia mała moc testu efektu bezpośredniego. Kenny i Judd (2014) pokazali, że gdy efekt bezpośredni istnieje, moc testu efektu pośredniego jest często znacznie większa niż moc testu efektu bezpośredniego, nawet jeśli oba efekty mają tę samą wielkość. Sprawdziliśmy to symulacją: efekt pośredni i bezpośredni wynosiły po 0.16 w jednostkach standaryzowanych (a = b = 0.4, c′ = 0.16), a dla każdej liczebności wygenerowaliśmy 2000 zbiorów danych.

Moc testu efektu pośredniego i bezpośredniego tej samej wielkości (symulacja, 2000 powtórzeń)
NMoc: efekt pośredni (ab = 0.16)Moc: efekt bezpośredni (c′ = 0.16)
50.68.20
100.97.38
150> .99.52
200> .99.65
300> .99.83

Przy 100 osobach efekt pośredni wykryto w 97% symulacji, a efekt bezpośredni tej samej wielkości – tylko w 38%. W większości takich badań wyszłaby więc „mediacja całkowita”, choć efekt bezpośredni jest równie duży jak pośredni. MacKinnon i in. (2007) zauważają, że badacze często rozstrzygają o mediacji całkowitej lub częściowej, sprawdzając istotność c′, i przypominają, że zachowania mają wiele przyczyn, więc rzadko można oczekiwać, by jeden mediator wyjaśniał związek w całości. Rucker i in. (2011) uznają opieranie takich wniosków na istotności związku X–Y przed dodaniem mediatora i po nim za nieuzasadnione. Raportuj więc c′ z przedziałem ufności zamiast etykiety (zob. też mediacja częściowa).

Gdy efekt bezpośredni ma przeciwny znak

Efekt bezpośredni nie musi mieć tego samego znaku co pośredni. Jeśli X zwiększa Y przez mediator, a jednocześnie inną drogą je obniża, c′ i ab mają przeciwne znaki i częściowo się znoszą. Efekt całkowity bywa wtedy bliski zera, choć obie drogi są wyraźne – to mediacja niespójna, statystycznie bliska supresji. Przykład liczbowy takiego układu omawiamy w haśle o efekcie całkowitym. W takiej sytuacji szczególnie ważne jest, by raportować oba efekty osobno, a nie tylko ich sumę.

Czy efekt bezpośredni jest efektem przyczynowym?

Tylko przy mocnych założeniach. Rohrer i in. (2022) wyjaśniają, że standardowe procedury analizy mediacji prowadzą do trafnych wniosków przyczynowych tylko w ograniczonych warunkach. Efekt bezpośredni jest na to szczególnie wrażliwy: jeśli mediator i Y mają wspólną, niezmierzoną przyczynę (zmienną zakłócającą), kontrolowanie mediatora może zniekształcić c′ – nawet w eksperymencie z losowym przydziałem X. W badaniu korelacyjnym dochodzą do tego zakłócenia samego związku X z Y. Pisz więc o „związku X z Y przy kontroli mediatora”, a o „bezpośrednim wpływie” – tylko wtedy, gdy plan badania to uzasadnia.

Jak opisać efekt bezpośredni w pracy (APA)

Podaj c′ z błędem standardowym, 95% CI i testem obok efektu pośredniego i całkowitego. Gdy jest nieistotny, nie pisz, że go nie ma – opisz, co mówi przedział ufności. Wzór dla modelu z dwoma mediatorami:

Po uwzględnieniu motywacji wewnętrznej i poczucia kompetencji związek wsparcia nauczyciela z zaangażowaniem w naukę był nieistotny, c′ = 0.221, SE = 0.142, 95% CI [−0.061, 0.504], t(86) = 1.56, p = .123, podczas gdy efekt całkowity wsparcia wyniósł c = 0.604, SE = 0.115, 95% CI [0.375, 0.834], t(88) = 5.24, p < .001. Szeroki przedział ufności efektu bezpośredniego nie pozwala wykluczyć ani jego braku, ani umiarkowanej wielkości, dlatego wyniku nie interpretowano jako mediacji całkowitej.

W tabeli umieść efekt bezpośredni w osobnym wierszu, obok ścieżek a i b oraz efektu pośredniego – wzór znajdziesz w haśle tabela mediacji w APA, a całą analizę z bootstrapem w poradniku analiza mediacji krok po kroku.

Przykład reprodukowalny

Przykład w R

Pierwszy przepis odtwarza przykład z rysunku 1, drugi – symulację mocy z tabeli. Symulacja trwa około 10 sekund.

1. Efekt bezpośredni w modelach z jednym i dwoma mediatorami

Dane wejściowe: 90 uczniów (dane symulowane, set.seed(45)): wsparcie nauczyciela (1–5), motywacja wewnętrzna (1–7), poczucie kompetencji (1–5), zaangażowanie w naukę (0–6).

Co odczytać: współczynnik wsparcia (Estimate), jego błąd standardowy, p i 95% CI w trzech modelach oraz różnice c − c′.

R
# Dane symulowane (N = 90 uczniów): wsparcie nauczyciela (X, 1–5), motywacja wewnętrzna (M1, 1–7),
# poczucie kompetencji (M2, 1–5), zaangażowanie w naukę (Y, 0–6)
set.seed(45)
n <- 90
zx <- rnorm(n)
z1 <- 0.45 * zx + sqrt(1 - 0.45^2) * rnorm(n)
z2 <- 0.40 * zx + 0.20 * z1 + rnorm(n, sd = 0.85)
zy <- 0.12 * zx + 0.30 * z1 + 0.28 * z2 + rnorm(n, sd = 0.80)
skala <- function(x, min, max, pozycji) pmin(pmax(round(x * pozycji) / pozycji, min), max)
dane <- data.frame(wsparcie      = skala(3.4 + 0.8 * zx, 1, 5, 6),
                   motywacja     = skala(4.6 + 1.1 * z1, 1, 7, 5),
                   kompetencje   = skala(3.5 + 0.7 * z2 / sd(z2), 1, 5, 6),
                   zaangazowanie = skala(3.3 + 1.0 * zy / sd(zy), 0, 6, 9))
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)

# Efekt całkowity c i efekt bezpośredni c' w modelach z jednym i z dwoma mediatorami
m_c  <- lm(zaangazowanie ~ wsparcie, data = dane)
m_1  <- lm(zaangazowanie ~ wsparcie + motywacja, data = dane)
m_12 <- lm(zaangazowanie ~ wsparcie + motywacja + kompetencje, data = dane)
efekt_x <- function(m) c(coef(summary(m))["wsparcie", c(1, 2, 4)], confint(m)["wsparcie", ])
round(rbind(c = efekt_x(m_c), "c' (motywacja)" = efekt_x(m_1), "c' (motywacja + kompetencje)" = efekt_x(m_12)), 3)

# Część efektu całkowitego przenoszona przez uwzględnione mediatory: c - c'
round(c(przez_motywacje = coef(m_c)[["wsparcie"]] - coef(m_1)[["wsparcie"]],
        przez_oba_mediatory = coef(m_c)[["wsparcie"]] - coef(m_12)[["wsparcie"]]), 3)
Wynik w R
   wsparcie motywacja kompetencje zaangazowanie
M      3.41      4.62        3.40           3.2
SD     0.81      1.19        0.69           1.0
                             Estimate Std. Error Pr(>|t|)  2.5 % 97.5 %
c                               0.604      0.115    0.000  0.375  0.834
c' (motywacja)                  0.304      0.130    0.022  0.045  0.563
c' (motywacja + kompetencje)    0.221      0.142    0.123 -0.061  0.504
    przez_motywacje przez_oba_mediatory 
              0.300               0.383 

2. Moc testu efektu pośredniego i bezpośredniego

Dane wejściowe: model populacyjny w jednostkach standaryzowanych (a = b = 0.4, c′ = 0.16); 2000 symulacji dla każdej liczebności.

Co odczytać: odsetek symulacji, w których przedział Monte Carlo dla ab wykluczył zero (posredni) i w których test t dla c′ był istotny (bezposredni).

R
# Moc testu efektu pośredniego i bezpośredniego tej samej wielkości (0.16 w jednostkach standaryzowanych):
# a = b = 0.4, więc ab = 0.16, a efekt bezpośredni c' = 0.16; 2000 symulacji dla każdej liczebności
moc <- function(n, a = 0.4, b = 0.4, cp = 0.16, powtorzen = 2000, losowan = 5000) {
  wyniki <- replicate(powtorzen, {
    x <- rnorm(n)
    m <- a * x + rnorm(n, sd = sqrt(1 - a^2))
    y <- cp * x + b * m + rnorm(n, sd = sqrt(1 - (cp^2 + b^2 + 2 * a * b * cp)))
    ka <- coef(summary(lm(m ~ x)))
    kb <- coef(summary(lm(y ~ x + m)))
    ab <- rnorm(losowan, ka["x", 1], ka["x", 2]) * rnorm(losowan, kb["m", 1], kb["m", 2])
    granice <- quantile(ab, c(.025, .975))                   # przedział Monte Carlo dla ab
    c(posredni = unname(granice[1] > 0 | granice[2] < 0),     # czy 95% CI dla ab wyklucza zero?
      bezposredni = kb["x", 4] < .05)                          # czy test t dla c' jest istotny?
  })
  rowMeans(wyniki)
}
set.seed(2026)
N <- c(50, 100, 150, 200, 300)
data.frame(N, round(t(sapply(N, moc)), 3))
Wynik w R
    N posredni bezposredni
1  50    0.679       0.204
2 100    0.972       0.379
3 150    0.998       0.517
4 200    1.000       0.652
5 300    1.000       0.830

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • „Efekt bezpośredni jest nieistotny, więc go nie ma”. Brak istotności nie dowodzi zerowego efektu, zwłaszcza że test c′ ma zwykle mniejszą moc niż test efektu pośredniego (Kenny i Judd, 2014). Spójrz na przedział ufności.
  • Ogłaszanie mediacji całkowitej na podstawie p dla c′. Ta sama mediacja w małej próbie wyjdzie „całkowita”, a w dużej – „częściowa”.
  • Traktowanie c′ jako „czystego” wpływu X. Efekt bezpośredni zbiera wszystkie drogi, których nie zmierzono, i zmienia się po dodaniu każdego mediatora.
  • Porównywanie c′ z różnych badań bez informacji, jakie mediatory zawierały modele. Różne zestawy mediatorów dają różne efekty bezpośrednie.
  • Pomijanie efektu bezpośredniego w raporcie. Bez c′ czytelnik nie oceni, ile związku zostało poza mediatorem ani czy drogi nie mają przeciwnych znaków.
  • Język przyczynowy bez uzasadnienia w planie badania. „Bezpośredni” to termin statystyczny, a nie dowód mechanizmu.

Najczęstsze pytania

Co oznacza efekt bezpośredni w mediacji?

To związek X z Y u osób o tym samym poziomie mediatora – część efektu całkowitego, która nie przebiega przez mediatory uwzględnione w modelu. Odczytujesz go jako współczynnik przy X w regresji Y na X i mediator. Nie oznacza on wpływu „bez pośredników”, tylko bez pośrednictwa zmierzonych mediatorów.

Co oznacza nieistotny efekt bezpośredni?

Tylko tyle, że dane nie pozwalają odróżnić c′ od zera – nie dowodzą, że jest zerowy. Test efektu bezpośredniego ma zwykle mniejszą moc niż test efektu pośredniego tej samej wielkości (Kenny i Judd, 2014), więc nieistotny c′ często współistnieje z niemałym efektem. Podaj przedział ufności i nie nazywaj wyniku mediacją całkowitą.

Jak obliczyć efekt bezpośredni?

Oszacuj regresję Y na X i mediator – współczynnik przy X to c′. W modelach liniowych możesz to sprawdzić: c′ = c − ab, gdzie c to efekt całkowity (regresja Y na samym X), a ab – efekt pośredni. W PROCESS efekt bezpośredni jest podany w tabeli efektów (Direct effect of X on Y).

Dlaczego efekt bezpośredni maleje po dodaniu mediatora?

Bo każdy mediator, który przejmuje część związku X z Y, przenosi ją z efektu bezpośredniego do pośredniego. W przykładzie z tej strony c′ zmalał z 0.604 (bez mediatorów) do 0.304 po dodaniu motywacji i do 0.221 po dodaniu poczucia kompetencji.

Czy efekt bezpośredni może mieć inny znak niż pośredni?

Tak. Wtedy drogi częściowo się znoszą, a efekt całkowity może być bliski zera mimo wyraźnej mediacji – to mediacja niespójna, statystycznie bliska supresji. Raportuj wówczas oba efekty osobno.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
  2. Kenny, D. A., & Judd, C. M. (2014). Power anomalies in testing mediation. Psychological Science, 25(2), 334–339. https://doi.org/10.1177/0956797613502676
  3. MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation analysis. Annual Review of Psychology, 58(1), 593–614. https://doi.org/10.1146/annurev.psych.58.110405.085542 ● Otwarty dostęp: pełny tekst
  4. 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
  5. Rucker, D. D., Preacher, K. J., Tormala, Z. L., & Petty, R. E. (2011). Mediation analysis in social psychology: Current practices and new recommendations. Social and Personality Psychology Compass, 5(6), 359–371. https://doi.org/10.1111/j.1751-9004.2011.00355.x

Cytowania BibTeX

@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{kenny2014power, author={Kenny, David A. and Judd, Charles M.}, title={{Power anomalies in testing mediation}}, journal={Psychological Science}, year={2014}, volume={25}, number={2}, pages={334--339}, doi={10.1177/0956797613502676}}
@article{mackinnon2007mediation, author={MacKinnon, David P. and Fairchild, Amanda J. and Fritz, Matthew S.}, title={{Mediation analysis}}, journal={Annual Review of Psychology}, year={2007}, volume={58}, number={1}, pages={593--614}, doi={10.1146/annurev.psych.58.110405.085542}}
@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{rucker2011mediation, author={Rucker, Derek D. and Preacher, Kristopher J. and Tormala, Zakary L. and Petty, Richard E.}, title={{Mediation analysis in social psychology: Current practices and new recommendations}}, journal={Social and Personality Psychology Compass}, year={2011}, volume={5}, number={6}, pages={359--371}, doi={10.1111/j.1751-9004.2011.00355.x}}
R