Co to jest efekt pośredni?
Efekt pośredni (ang. indirect effect, oznaczany ab) to ta część związku zmiennej X ze zmienną Y, która przebiega przez mediator M. Jest główną miarą w analizie mediacji: odpowiada na pytanie, o ile różni się Y u osób różniących się o jednostkę X dlatego, że różnią się one także mediatorem. MacKinnon i in. (2007) opisują mediator właśnie jako zmienną, która przekazuje wpływ zmiennej niezależnej na zależną, a Preacher i Hayes (2008) definiują mediację jako pośredni wpływ predyktora na wynik przez co najmniej jeden mediator.
Efekt pośredni jest jednym z trzech efektów modelu mediacji. Obok niego występują efekt bezpośredni c′, czyli związek X z Y przy stałym poziomie mediatora, i efekt całkowity c, który jest ich sumą. To efekt pośredni – a nie istotność efektu całkowitego czy spadek c do c′ – rozstrzyga, czy dane są zgodne z hipotezą mediacyjną.
Wzór: iloczyn współczynników
W prostym modelu mediacji szacuje się dwie regresje liniowe: mediatora na X (współczynnik a) oraz Y na X i mediator (współczynnik b przy mediatorze). Efekt pośredni to iloczyn tych współczynników:
- a – o ile różni się mediator, gdy X rośnie o jednostkę;
- b – o ile różni się Y, gdy mediator rośnie o jednostkę, przy stałym X;
- c − c′ – różnica między efektem całkowitym a bezpośrednim. W modelach liniowych szacowanych metodą najmniejszych kwadratów jest dokładnie równa ab, ale w modelach nieliniowych (np. przy dwuwartościowym Y i regresji logistycznej) ta równość nie zachodzi.
Efekt pośredni ma jednostki Y przypadające na jednostkę X: mediator „skraca się” w iloczynie. Jego znak wynika ze znaków obu ścieżek. Dwie ścieżki dodatnie albo dwie ujemne dają efekt dodatni, a ścieżki o przeciwnych znakach – efekt ujemny. Dlatego ujemne ab nie oznacza błędu, tylko kierunek drogi: na przykład interwencja, która obniża mediator nasilający objawy, zmniejsza objawy pośrednio.
W modelach z kilkoma mediatorami każdy z nich ma własny specyficzny efekt pośredni (a1b1, a2b2), a ich suma to łączny efekt pośredni. Preacher i Hayes (2008) opisują, jak oceniać i porównywać efekty pośrednie przez różne mediatory w jednym modelu. Gdy mediatory tworzą łańcuch X → M1 → M2 → Y, efekt pośredni przez obie zmienne jest iloczynem trzech ścieżek, a1d21b2. Oba typy modeli pokazujemy na liczbach w poradniku analiza mediacji krok po kroku.
Przykład: trening uważności, ruminacje i lęk
W eksperymencie (dane symulowane) 120 osób losowo przydzielono do ośmiotygodniowego treningu uważności albo na listę oczekujących (po 60 osób). Po zakończeniu treningu zmierzono ruminacje (skala 5–20) i objawy lęku (0–21). Hipoteza: trening zmniejsza lęk między innymi dlatego, że osłabia ruminacje. X jest tu zmienną dwuwartościową (0 = lista oczekujących, 1 = trening), więc ścieżka a to po prostu różnica średnich między grupami. W schemacie eksperymentalnym losowy przydział chroni przed zakłóceniami ścieżkę a, ale nie ścieżkę b.
- Ruminacje: M = 12.82 (SD = 2.99) na liście oczekujących i M = 10.80 (SD = 3.31) po treningu, więc a = −2.017, 95% CI [−3.157, −0.876], t(118) = −3.50, p < .001.
- Przy tej samej przynależności do grupy każdy punkt ruminacji wiązał się z lękiem wyższym o 0.76 punktu: b = 0.759, 95% CI [0.571, 0.948], t(117) = 7.97, p < .001.
- Efekt pośredni: ab = −2.017 × 0.759 = −1.531. Osoby po treningu miały średnio o 1.53 punktu niższy lęk za pośrednictwem słabszych ruminacji.
Ten sam wynik daje różnica efektów: efekt całkowity treningu wyniósł c = −2.200 (średni lęk 8.32 i 6.12), a efekt bezpośredni c′ = −0.669, więc c − c′ = −1.531. Efekt bezpośredni był nieistotny, 95% CI [−1.908, 0.571], ale nie wynika z tego, że trening działa wyłącznie przez ruminacje – wyjaśniamy to w haśle mediacja całkowita.
Jak sprawdzić istotność efektu pośredniego? Bootstrap
Ścieżki a i b mają własne testy t, ale efekt pośredni – nie. Iloczyn dwóch oszacowań ma rozkład z prób, który zwykle nie jest normalny. MacKinnon i in. (2004) pokazali w symulacjach, że przedziały ufności dla efektu pośredniego oparte na rozkładzie normalnym są niezrównoważone, bo rozkład ab jest normalny tylko w szczególnych przypadkach. Ten problem dotyczy klasycznego testu Sobela. Dokładniejsze okazały się metody ponownego próbkowania, czyli bootstrap.
W bootstrapie percentylowym losujesz z danych ze zwracaniem tysiące prób tej samej liczebności, w każdej liczysz ab, a za granice 95% przedziału ufności przyjmujesz 2.5. i 97.5. percentyl otrzymanego rozkładu. Rysunek 1 pokazuje to dla przykładu: z 5000 prób odcinamy po 2.5% najbardziej skrajnych wartości z każdej strony.
W przykładzie ab = −1.531, 95% CI [−2.497, −0.624]. Przedział nie obejmuje zera, więc efekt pośredni jest istotny. Dolna granica to 125. wartość od dołu, a górna – 125. wartość od góry spośród 5000 posortowanych oszacowań. Tylko jedna próba bootstrapowa dała wartość dodatnią. Odchylenie standardowe rozkładu (bootstrapowy błąd standardowy) wynosi 0.482. Rozkład jest lekko asymetryczny (skośność −0.19): dolna granica leży 0.966 od oszacowania, a górna 0.907 – przedział percentylowy oddaje tę asymetrię, a przedział oparty na rozkładzie normalnym nie mógłby.
Który przedział wybrać? Hayes i Scharkow (2013) porównali popularne testy efektu pośredniego. Bootstrap z korektą obciążenia polecają, gdy najważniejsza jest moc, choć bywa nieco liberalny; przedział Monte Carlo albo metodę rozkładu iloczynu – gdy ważniejsza jest kontrola błędu I rodzaju; a bootstrap percentylowy uznają za dobry kompromis. Niezależnie od wyboru podaj liczbę prób i ustaw ziarno generatora, bo granice zmieniają się nieco między uruchomieniami. Jak bootstrap działa w modelach strukturalnych, opisujemy w haśle bootstrap w SEM.
Wielkość efektu pośredniego
Efekt pośredni w jednostkach skali (−1.53 punktu lęku) jest konkretny, ale trudno go porównać między badaniami. Preacher i Kelley (2011) zauważają, że sposobom wyrażania wielkości efektu w mediacji poświęcano mało uwagi; formułują wymagania wobec takich miar, oceniają istniejące wskaźniki i proponują nowe. W praktyce najczęściej używa się dwóch:
| Miara | Wzór | Kiedy stosować |
|---|---|---|
| Częściowo standaryzowany efekt pośredni | ab / SDY | X dwuwartościowy (grupy) – czyta się podobnie jak d Cohena |
| W pełni standaryzowany efekt pośredni | ab × SDX / SDY | X ilościowy – efekt na jedno odchylenie standardowe X |
W przykładzie X oznacza grupę, więc właściwa jest miara częściowo standaryzowana: −1.531 / 4.17 = −0.37, 95% CI [−0.58, −0.16]. Grupa po treningu miała więc niższy lęk o około 0.37 odchylenia standardowego za pośrednictwem ruminacji. Przykład w pełni standaryzowanego efektu dla X ilościowego znajdziesz w poradniku o analizie mediacji. Wiele osób podaje też odsetek mediacji ab / c (tu 70%), ale ta miara jest niestabilna w małych próbach – zob. mediacja częściowa.
Jak opisać efekt pośredni w pracy (APA)
Podaj ścieżki a i b, efekt pośredni z bootstrapowym 95% CI (liczba prób i rodzaj przedziału), miarę wielkości efektu oraz efekt bezpośredni i całkowity. Wzór dla przykładu:
Tabelę ze ścieżkami i efektami przygotujesz według wzoru z hasła tabela mediacji w APA.
Przykład w R
Kod szacuje ścieżki a i b zwykłymi regresjami, a efekt pośredni testuje bootstrapem percentylowym z pakietu boot – tak samo jak makro PROCESS w modelu 4. Obliczenia trwają kilka sekund.
Efekt pośredni ab z bootstrapem (pakiet boot)
R
library(boot) # boot(), boot.ci()
# Dane symulowane: eksperyment (0 = lista oczekujących, 1 = trening uważności), N = 120,
# ruminacje (5–20) i objawy lęku (0–21) po zakończeniu treningu
set.seed(45)
n <- 120
grupa <- rep(0:1, each = n / 2)
rum <- 12.5 - 1.8 * grupa + rnorm(n, sd = 3)
lek <- 8 + 0.6 * (rum - 12) - 0.4 * grupa + rnorm(n, sd = 3.4)
dane <- data.frame(grupa, ruminacje = pmin(pmax(round(rum), 5), 20), lek = pmin(pmax(round(lek), 0), 21))
round(aggregate(cbind(ruminacje, lek) ~ grupa, data = dane, FUN = mean), 2)
# Ścieżki a i b oraz efekt pośredni ab = a × b
m_a <- lm(ruminacje ~ grupa, data = dane)
m_b <- lm(lek ~ grupa + ruminacje, data = dane)
m_c <- lm(lek ~ grupa, data = dane)
a <- coef(m_a)[["grupa"]]
b <- coef(m_b)[["ruminacje"]]
cp <- coef(m_b)[["grupa"]]
c_calk <- coef(m_c)[["grupa"]]
round(c(a = a, b = b, ab = a * b, "c - cp" = c_calk - cp, ab_czesc_std = a * b / sd(dane$lek)), 3)
# Bootstrap percentylowy: 5000 prób, w każdej ab i ab / SD(Y)
posredni <- function(d, i) {
d <- d[i, ]
a <- coef(lm(ruminacje ~ grupa, data = d))[["grupa"]]
b <- coef(lm(lek ~ grupa + ruminacje, data = d))[["ruminacje"]]
c(ab = a * b, ab_czesc_std = a * b / sd(d$lek))
}
set.seed(2026)
bt <- boot(dane, posredni, R = 5000)
boot.ci(bt, type = "perc", index = 1) # 95% CI dla ab
boot.ci(bt, type = "perc", index = 2) # 95% CI dla ab / SD(Y)
round(c(BootSE = sd(bt$t[, 1]), odsetek_prob_powyzej_zera = mean(bt$t[, 1] > 0)), 4)Wynik w R
grupa ruminacje lek
1 0 12.82 8.32
2 1 10.80 6.12
a b ab c - cp ab_czesc_std
-2.017 0.759 -1.531 -1.531 -0.367
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 5000 bootstrap replicates
CALL :
boot.ci(boot.out = bt, type = "perc", index = 1)
Intervals :
Level Percentile
95% (-2.497, -0.624 )
Calculations and Intervals on Original Scale
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 5000 bootstrap replicates
CALL :
boot.ci(boot.out = bt, type = "perc", index = 2)
Intervals :
Level Percentile
95% (-0.5756, -0.1560 )
Calculations and Intervals on Original Scale
BootSE odsetek_prob_powyzej_zera
0.4824 0.0002 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()).
- 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
- Brak testu samego efektu pośredniego. Istotne a i istotne b to jeszcze nie przedział ufności dla ab; podaj go wprost, najlepiej z bootstrapu.
- Symetryczny przedział z testu Sobela jako jedyny wynik. Rozkład ab jest zwykle asymetryczny, a przedziały oparte na rozkładzie normalnym bywają niezrównoważone (MacKinnon i in., 2004).
- Uzależnianie analizy od istotności efektu całkowitego. To element podejścia Barona i Kenny’ego, z którego się odchodzi; efekt pośredni bywa istotny także przy nieistotnym c.
- Brak liczby prób bootstrap i ziarna generatora – wtedy nikt nie odtworzy granic przedziału.
- W pełni standaryzowany efekt przy X dwuwartościowym. Odchylenie standardowe zmiennej grupującej zależy od proporcji grup; użyj ab / SDY.
- Porównywanie dwóch efektów pośrednich po wartościach p. O różnicy między nimi rozstrzyga kontrast z własnym przedziałem ufności (Preacher i Hayes, 2008).
- Interpretacja przyczynowa bez podstaw. Nawet w eksperymencie z losowym przydziałem związek mediatora z wynikiem pozostaje korelacyjny, więc pisz o efekcie zgodnym z hipotezą mediacyjną.
Najczęstsze pytania
Jak obliczyć efekt pośredni?
Pomnóż dwa współczynniki regresji: a z regresji mediatora na X i b z regresji Y na X i mediator. W przykładzie z tej strony ab = −2.017 × 0.759 = −1.531. W modelach liniowych ten sam wynik daje różnica efektu całkowitego i bezpośredniego, c − c′.
Kiedy efekt pośredni jest istotny?
Gdy 95% przedział ufności dla ab nie obejmuje zera. Przedział wyznacza się zwykle bootstrapem percentylowym (np. 5000 prób), bo rozkład iloczynu dwóch współczynników bywa asymetryczny. Osobne testy ścieżek a i b nie zastępują przedziału dla samego efektu pośredniego.
Co oznacza ujemny efekt pośredni?
Że ścieżki a i b mają przeciwne znaki. Na przykład trening, który obniża ruminacje (a < 0), gdy ruminacje nasilają lęk (b > 0), obniża lęk pośrednio (ab < 0). Znak efektu pośredniego opisuje kierunek drogi, a nie jakość wyniku.
Czym różni się efekt pośredni od bezpośredniego?
Efekt pośredni ab to część związku X z Y przebiegająca przez mediator, a efekt bezpośredni c′ to związek X z Y przy stałym poziomie mediatora. Razem dają efekt całkowity: c = c′ + ab. Zob. efekt bezpośredni.
Jak wyrazić wielkość efektu pośredniego?
Gdy X jest zmienną grupującą, podziel ab przez odchylenie standardowe Y (efekt częściowo standaryzowany, czytany podobnie jak d Cohena). Gdy X jest ilościowy, użyj efektu w pełni standaryzowanego, ab × SDX / SDY. Oba można podać z bootstrapowym przedziałem ufności.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Mediacja w obrazkach
Diagram ścieżek w ggplot2, iloczyn ab jako łańcuch nachyleń, bootstrap obok testu Sobela, c = c′ + ab i moc przy małych próbach – pięć rysunków z kodem R.
Czytaj →PoradnikMediacja w danych podłużnych
Symulacja sześciu sposobów liczenia efektu pośredniego, schemat półpodłużny, CLPM i RI-CLPM w lavaan oraz wpływ odstępu między falami.
Czytaj →PoradnikAnaliza 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 →PoradnikWielkość efektu – interpretacja
d, g, r, η², OR i NNT na jednym przykładzie, przeliczenia, przedziały ufności, progi Cohena i interpretacja na tle SESOI – z kodem R.
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 →PoradnikMediacja przyczynowa i analiza wrażliwości
NDE, NIE i ACME zamiast samego ab, interakcja ekspozycja × mediator, sekwencyjna ignorowalność i analiza wrażliwości ρ – na jednym przykładzie w R.
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)
- Hayes, A. F., & Scharkow, M. (2013). The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: Does method really matter? Psychological Science, 24(10), 1918–1927. https://doi.org/10.1177/0956797613480187
- 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
- MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39(1), 99–128. https://doi.org/10.1207/s15327906mbr3901_4 ● Otwarty dostęp
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879 ● Otwarty dostęp
- Preacher, K. J., & Kelley, K. (2011). Effect size measures for mediation models: Quantitative strategies for communicating indirect effects. Psychological Methods, 16(2), 93–115. https://doi.org/10.1037/a0022658
Cytowania BibTeX
@article{hayes2013relative, author={Hayes, Andrew F. and Scharkow, Michael}, title={{The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: Does method really matter?}}, journal={Psychological Science}, year={2013}, volume={24}, number={10}, pages={1918--1927}, doi={10.1177/0956797613480187}}@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{mackinnon2004confidence, author={MacKinnon, David P. and Lockwood, Chondra M. and Williams, Jason}, title={{Confidence limits for the indirect effect: Distribution of the product and resampling methods}}, journal={Multivariate Behavioral Research}, year={2004}, volume={39}, number={1}, pages={99--128}, doi={10.1207/s15327906mbr3901_4}}@article{preacher2008asymptotic, author={Preacher, Kristopher J. and Hayes, Andrew F.}, title={{Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models}}, journal={Behavior Research Methods}, year={2008}, volume={40}, number={3}, pages={879--891}, doi={10.3758/brm.40.3.879}}@article{preacher2011effect, author={Preacher, Kristopher J. and Kelley, Ken}, title={{Effect size measures for mediation models: Quantitative strategies for communicating indirect effects}}, journal={Psychological Methods}, year={2011}, volume={16}, number={2}, pages={93--115}, doi={10.1037/a0022658}}