Co to jest efekt całkowity?
Efekt całkowity (ang. total effect, oznaczany c) to związek zmiennej X ze zmienną Y bez uwzględniania mediatora – współczynnik z regresji Y na samym X. W analizie mediacji jest punktem wyjścia: model mediacji rozkłada go na dwie części – efekt pośredni ab, przenoszony przez mediator, i efekt bezpośredni c′, który zostaje poza nim.
W eksperymencie efekt całkowity to po prostu różnica między grupami w zmiennej zależnej – łączny skutek manipulacji, niezależnie od tego, jaką drogą zaszedł. W badaniu korelacyjnym to łączny związek X z Y, który może obejmować także wpływ zmiennych zakłócających.
Rozkład efektu całkowitego: c = c′ + ab
przy kilku mediatorach: c = c′ + a1b1 + a2b2 + …
MacKinnon i in. (2000) przypominają, że w regresji metodą najmniejszych kwadratów różnica c − c′ jest dokładnie równa iloczynowi ab, więc efekt całkowity rozkłada się bez reszty na drogę bezpośrednią i pośrednią. Ta równość ma jednak warunki:
- model jest liniowy, a mediator i Y są zmiennymi ilościowymi – w regresji logistycznej (dwuwartościowe Y) nie zachodzi;
- w każdym równaniu są te same zmienne kontrolne – jeśli kowariant trafi tylko do części regresji, efekty przestaną się sumować;
- wszystkie trzy regresje liczysz na tej samej próbie (te same osoby, bez innych braków danych w poszczególnych modelach).
Rozkład pokazuje, że efekt całkowity jest sumą dróg, a nie warunkiem mediacji. Jeśli drogi mają ten sam znak, sumują się. Jeśli mają przeciwne znaki – częściowo się znoszą, a efekt całkowity może być mniejszy od każdej z nich.
Przykład: praca zarobkowa, zmartwienia finansowe i satysfakcja z życia
Ankietę wypełniło 180 studentów (dane symulowane). Zmierzono liczbę godzin pracy zarobkowej w tygodniu (M = 11.63, SD = 6.60), zmartwienia finansowe (1–5; M = 3.17, SD = 0.85) i satysfakcję z życia (5–35; M = 19.61, SD = 5.96). Hipoteza zakładała dwie przeciwstawne drogi: praca zmniejsza zmartwienia finansowe, co poprawia satysfakcję, ale jednocześnie zabiera czas na odpoczynek i naukę, co satysfakcję obniża.
- Efekt całkowity: c = −0.048, 95% CI [−0.181, 0.086], t(178) = −0.71, p = .479 – praca nie wiązała się istotnie z satysfakcją.
- Ścieżki: każda godzina pracy wiązała się ze zmartwieniami niższymi o 0.054 punktu (a = −0.054, p < .001), a każdy punkt zmartwień – przy tej samej liczbie godzin – z satysfakcją niższą o 3.73 punktu (b = −3.726, p < .001).
- Efekt pośredni: ab = (−0.0536) × (−3.726) = 0.200, 95% CI [0.128, 0.283] (bootstrap percentylowy, 5000 prób) – droga przez zmartwienia była dodatnia.
- Efekt bezpośredni: c′ = −0.248, 95% CI [−0.377, −0.119], t(177) = −3.79, p < .001 – przy tym samym poziomie zmartwień więcej pracy wiązało się z niższą satysfakcją.
Sprawdź sumę: c′ + ab = −0.248 + 0.200 = −0.048, czyli dokładnie c. W przeliczeniu na 10 godzin pracy tygodniowo droga przez zmartwienia to +2.00 punktu satysfakcji, droga bezpośrednia −2.48 punktu, a efekt całkowity zaledwie −0.48 punktu. Rysunek 1 pokazuje, jak dwie wyraźne drogi dają niemal zerową sumę.
Mediacja bez istotnego efektu całkowitego
Gdyby w tym badaniu zastosować podejście Barona i Kenny’ego, analiza zakończyłaby się na pierwszym kroku: efekt całkowity jest nieistotny, więc „nie ma czego mediować”. Tymczasem obie drogi są istotne i mają sensowną interpretację. MacKinnon i in. (2000) nazywają taki układ mediacją niespójną (ang. inconsistent mediation): efekt bezpośredni i pośredni mają przeciwne znaki, efekt całkowity może być wtedy nieistotny, a mediacja mimo to istnieje. Statystycznie jest to ten sam układ co supresja – po dodaniu trzeciej zmiennej związek X z Y staje się silniejszy (tu z −0.048 do −0.248).
Shrout i Bolger (2002) argumentują, że wymóg istotnego związku X–Y nie powinien obowiązywać, gdy oczekuje się małego efektu albo możliwa jest supresja. O’Rourke i MacKinnon (2018) wymieniają też inne sytuacje, w których efekt pośredni bywa istotny przy nieistotnym efekcie całkowitym – na przykład gdy efekt całkowity i pośredni są równe (brak efektu bezpośredniego) albo gdy kilka efektów pośrednich ma przeciwne znaki – i zalecają badanie mediatorów także wtedy, gdy interwencja nie zmieniła istotnie wyniku. Rucker i in. (2011) uznają uzależnianie analizy mediacji od istotności związku X–Y za nieuzasadnione.
Jest jedno ważne zastrzeżenie. Agler i De Boeck (2017) przestrzegają, że szukanie efektów pośrednich po nieistotnym związku X–Y bez wcześniejszej hipotezy mediacyjnej zwiększa ryzyko wyników fałszywie pozytywnych; z hipotezą sformułowaną przed analizą takie testowanie jest uzasadnione. Dlatego nieistotne c nie zamyka analizy mediacji, o ile drogę pośrednią przewidziałeś wcześniej – najlepiej w prerejestracji. Testowanie kolejnych mediatorów „aż coś wyjdzie” to już p-hacking.
Jak interpretować efekt całkowity?
- Istotne c mówi, że X wiąże się z Y – ale nie mówi, którą drogą. Sam w sobie nie jest testem mediacji.
- Nieistotne c nie wyklucza mediacji: drogi mogą się znosić, a test efektu całkowitego bywa słabszy od testu efektu pośredniego.
- c bliskie ab (małe c′) nie dowodzi, że mediator wyjaśnia wszystko – zob. mediacja całkowita.
- Odsetek mediacji ab / c traci sens przy przeciwnych znakach dróg: w przykładzie wyniósłby −416% (0.200 / −0.048). Więcej w haśle mediacja częściowa.
Pamiętaj też, że w badaniu korelacyjnym efekt całkowity może częściowo odzwierciedlać zmienne zakłócające, a nie wpływ X. Rozkład c = c′ + ab jest rachunkowo dokładny, ale jego interpretacja przyczynowa zależy od planu badania.
Jak opisać efekt całkowity w pracy (APA)
Podaj efekt całkowity razem z efektem bezpośrednim i pośrednim, a przy przeciwnych znakach dróg nazwij ten układ wprost. Wzór dla przykładu:
Wyniki zbierz w tabeli według wzoru z hasła tabela mediacji w APA, a całą procedurę – z PROCESS i lavaan – znajdziesz w poradniku analiza mediacji krok po kroku.
Przykład w R
Kod szacuje efekt całkowity, ścieżki a i b oraz efekt bezpośredni, sprawdza, że c′ + ab = c, i wyznacza bootstrapowy przedział ufności dla efektu pośredniego. Obliczenia trwają kilka sekund.
Rozkład efektu całkowitego i bootstrap efektu pośredniego
R
library(boot) # boot(), boot.ci()
# Dane symulowane (N = 180 studentów): praca zarobkowa (X, godziny tygodniowo, 0–35),
# zmartwienia finansowe (M, 1–5), satysfakcja z życia (Y, 5–35)
set.seed(38)
n <- 180
zx <- rnorm(n)
zm <- -0.45 * zx + sqrt(1 - 0.45^2) * rnorm(n)
zy <- -0.22 * zx - 0.42 * zm + rnorm(n, sd = 0.85)
dane <- data.frame(godziny = pmin(pmax(round(12 + 7 * zx), 0), 35),
zmartwienia = pmin(pmax(round((3.1 + 0.9 * zm) * 4) / 4, 1), 5),
satysfakcja = pmin(pmax(round(20 + 6 * zy / sd(zy)), 5), 35))
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)
# Efekt całkowity c, ścieżki a i b, efekt bezpośredni c'
m_c <- lm(satysfakcja ~ godziny, data = dane)
m_a <- lm(zmartwienia ~ godziny, data = dane)
m_b <- lm(satysfakcja ~ godziny + zmartwienia, data = dane)
wiersz <- function(m, x) c(coef(summary(m))[x, c(1, 2, 4)], confint(m)[x, ])
round(rbind(c = wiersz(m_c, "godziny"), a = wiersz(m_a, "godziny"),
b = wiersz(m_b, "zmartwienia"), "c'" = wiersz(m_b, "godziny")), 4)
# Rozkład efektu całkowitego: c = c' + ab
a <- coef(m_a)[["godziny"]]; b <- coef(m_b)[["zmartwienia"]]; cp <- coef(m_b)[["godziny"]]
round(c(cp = cp, ab = a * b, "cp + ab" = cp + a * b, c = coef(m_c)[["godziny"]]), 4)
# Bootstrap percentylowy efektu pośredniego (5000 prób)
posredni <- function(d, i) {
d <- d[i, ]
coef(lm(zmartwienia ~ godziny, data = d))[["godziny"]] *
coef(lm(satysfakcja ~ godziny + zmartwienia, data = d))[["zmartwienia"]]
}
set.seed(2026)
bt <- boot(dane, posredni, R = 5000)
boot.ci(bt, type = "perc")Wynik w R
godziny zmartwienia satysfakcja
M 11.63 3.17 19.61
SD 6.60 0.85 5.96
Estimate Std. Error Pr(>|t|) 2.5 % 97.5 %
c -0.0480 0.0677 0.4791 -0.1815 0.0855
a -0.0536 0.0088 0.0000 -0.0709 -0.0363
b -3.7261 0.5083 0.0000 -4.7293 -2.7230
c' -0.2478 0.0654 0.0002 -0.3768 -0.1187
cp ab cp + ab c
-0.2478 0.1998 -0.0480 -0.0480
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 5000 bootstrap replicates
CALL :
boot.ci(boot.out = bt, type = "perc")
Intervals :
Level Percentile
95% ( 0.1280, 0.2829 )
Calculations and Intervals on Original ScaleBibliografia 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()).
- 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/
- boot (wersja 1.3-32): Canty, A., & Ripley, B. (2025). boot: Bootstrap functions [R package]. https://doi.org/10.32614/CRAN.package.boot
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Zakończenie analizy po nieistotnym efekcie całkowitym, mimo że hipoteza mediacyjna była sformułowana wcześniej. Drogi o przeciwnych znakach mogą się znosić (MacKinnon i in., 2000).
- Szukanie mediatorów po fakcie, gdy związek X–Y okazał się nieistotny, i raportowanie tylko tego, co „wyszło”.
- Różne zmienne kontrolne w różnych równaniach – wtedy c′ + ab przestaje się równać c, a efekty trudno porównać.
- Sumowanie efektów z modeli nieliniowych, np. z regresji logistycznej, jakby były współczynnikami regresji liniowej.
- Liczenie odsetka mediacji przy przeciwnych znakach dróg – wynik ujemny albo większy niż 100% nie jest odsetkiem.
- Utożsamianie efektu całkowitego z przyczynowym wpływem X w badaniu korelacyjnym.
Najczęstsze pytania
Co to jest efekt całkowity w mediacji?
To związek X z Y bez uwzględniania mediatora, czyli współczynnik z regresji Y na samym X. Analiza mediacji rozkłada go na efekt pośredni ab (przez mediator) i efekt bezpośredni c′ (poza mediatorem): c = c′ + ab.
Czy mediacja może istnieć bez istotnego efektu całkowitego?
Tak. Gdy efekt bezpośredni i pośredni mają przeciwne znaki, częściowo się znoszą i efekt całkowity może być bliski zera (mediacja niespójna). W przykładzie z tej strony c = −0.048 (p = .479), choć ab = 0.200 i c′ = −0.248 były istotne. Hipotezę mediacyjną trzeba jednak sformułować przed analizą.
Kiedy c = c′ + ab nie zachodzi?
Gdy model nie jest liniowy (np. regresja logistyczna dla dwuwartościowego Y), gdy w równaniach są różne zmienne kontrolne albo gdy regresje liczono na różnych podzbiorach osób, np. przez braki danych. W zwykłej regresji metodą najmniejszych kwadratów z tymi samymi kowariantami równość jest dokładna.
Czym różni się efekt całkowity od bezpośredniego?
Efekt całkowity c obejmuje wszystkie drogi od X do Y, a efekt bezpośredni c′ – tylko tę część, która nie przebiega przez mediatory w modelu. Różnica c − c′ to efekt pośredni. Zob. efekt bezpośredni.
Czy trzeba raportować efekt całkowity?
Tak – razem z efektem bezpośrednim i pośrednim. Pozwala on czytelnikowi zobaczyć, jak związek X z Y dzieli się między drogi i czy drogi nie mają przeciwnych znaków. W PROCESS włączysz go opcją modelu efektu całkowitego (total=1).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza mediacji krok po kroku
Hipoteza, ścieżki a, b, c′, efekt pośredni z bootstrapem, PROCESS w SPSS, lavaan w R, dwa mediatory, moc i gotowy opis APA – na jednym przykładzie.
Czytaj →PoradnikRegresja wieloraka krok po kroku
Model i hipotezy, przygotowanie danych, założenia i diagnostyka, ΔR², interpretacja b, β i sr², kod R, SPSS i opis APA – na jednym przykładzie.
Czytaj →PoradnikJak opisać wyniki w stylu APA – gotowe zdania
18 gotowych zdań APA – od testu t po mediację i moderację – z liczbami z jednego badania i kodem R, który pozwala sprawdzić każdą wartość.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Agler, R., & De Boeck, P. (2017). On the interpretation and use of mediation: Multiple perspectives on mediation analysis. Frontiers in Psychology, 8, Article 1984. https://doi.org/10.3389/fpsyg.2017.01984 ● Otwarty dostęp
- MacKinnon, D. P., Krull, J. L., & Lockwood, C. M. (2000). Equivalence of the mediation, confounding and suppression effect. Prevention Science, 1(4), 173–181. https://doi.org/10.1023/a:1026595011371 ● Otwarty dostęp: pełny tekst
- O’Rourke, H. P., & MacKinnon, D. P. (2018). Reasons for testing mediation in the absence of an intervention effect: A research imperative in prevention and intervention research. Journal of Studies on Alcohol and Drugs, 79(2), 171–181. https://doi.org/10.15288/jsad.2018.79.171 ● Otwarty dostęp: pełny tekst
- 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
- Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7(4), 422–445. https://doi.org/10.1037/1082-989x.7.4.422
Cytowania BibTeX
@article{agler2017interpretation, author={Agler, Robert and De Boeck, Paul}, title={{On the interpretation and use of mediation: Multiple perspectives on mediation analysis}}, journal={Frontiers in Psychology}, year={2017}, volume={8}, eid={1984}, doi={10.3389/fpsyg.2017.01984}}@article{mackinnon2000equivalence, author={MacKinnon, David P. and Krull, Jennifer L. and Lockwood, Chondra M.}, title={{Equivalence of the mediation, confounding and suppression effect}}, journal={Prevention Science}, year={2000}, volume={1}, number={4}, pages={173--181}, doi={10.1023/a:1026595011371}}@article{orourke2018reasons, author={O’Rourke, Holly P. and MacKinnon, David P.}, title={{Reasons for testing mediation in the absence of an intervention effect: A research imperative in prevention and intervention research}}, journal={Journal of Studies on Alcohol and Drugs}, year={2018}, volume={79}, number={2}, pages={171--181}, doi={10.15288/jsad.2018.79.171}}@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}}@article{shrout2002mediation, author={Shrout, Patrick E. and Bolger, Niall}, title={{Mediation in experimental and nonexperimental studies: New procedures and recommendations}}, journal={Psychological Methods}, year={2002}, volume={7}, number={4}, pages={422--445}, doi={10.1037/1082-989x.7.4.422}}