Co to jest mediacja?
Mediacja (analiza mediacji, ang. mediation analysis) sprawdza, czy związek zmiennej niezależnej X ze zmienną zależną Y przebiega – przynajmniej częściowo – przez trzecią zmienną M, nazywaną mediatorem albo zmienną pośredniczącą. MacKinnon i in. (2007) definiują zmienną pośredniczącą jako taką, która przekazuje wpływ zmiennej niezależnej na zależną, i odróżniają ją od zmiennych zakłócających, moderatorów i kowariantów. Mediacja odpowiada więc na pytanie „dlaczego?” albo „jak?”: na przykład czy stres pogarsza sen dlatego, że nasila ruminacje.
Preacher i Hayes (2008) opisują mediację jako pośredni wpływ predyktora na zmienną zależną przez co najmniej jeden mediator – w jednym modelu może ich być kilka. W odróżnieniu od moderacji, która pyta, kiedy i dla kogo związek X z Y jest silniejszy, mediacja opisuje drogę, którą ten związek przebiega.
Model mediacji: ścieżki a, b, c′ i c
Prosty model mediacji to dwa równania regresji – mediatora na X oraz Y na X i M:
Y = iY + c′X + bM + eY
- a – związek X z mediatorem;
- b – związek mediatora z Y przy kontroli X;
- c′ – efekt bezpośredni X na Y przy kontroli mediatora;
- ab – efekt pośredni: iloczyn ścieżek a i b;
- c = c′ + ab – efekt całkowity, czyli współczynnik z regresji Y na samym X (ta równość zachodzi dokładnie w modelach liniowych dla ilościowych M i Y).
Model zwykle przedstawia się na wykresie ścieżkowym (rysunek 1). Można go oszacować dwiema regresjami liniowymi, makrem PROCESS (model 4, Hayes, 2022) albo jako model ścieżkowy w SEM, np. w pakiecie lavaan. Kluczowym wynikiem jest efekt pośredni ab z przedziałem ufności – a nie istotność poszczególnych ścieżek.
Terminy mediacja całkowita (c′ nieistotne) i mediacja częściowa (c′ nadal istotne) stosuj ostrożnie. Istotność c′ zależy od liczebności próby, więc ta sama mediacja może być „całkowita” w małej próbie i „częściowa” w dużej. Lepiej opisać wielkość ab i c′ z przedziałami ufności.
Jak testować efekt pośredni: bootstrap zamiast kroków Barona i Kenny’ego
Przez lata mediację testowano podejściem Barona i Kenny’ego, czyli serią kroków: istotny efekt całkowity c, istotna ścieżka a, istotna ścieżka b i spadek efektu X po dodaniu mediatora. Rucker i in. (2011) argumentują, że skupianie się na istotności związku X–Y przed uwzględnieniem mediatora i po nim jest nieuzasadnione i może szkodzić rozwojowi teorii, a uwagę należy przenieść na wielkość i istotność efektu pośredniego. Wymóg istotnego c odrzuca też modele, w których efekt pośredni istnieje, choć efekt całkowity jest słaby – na przykład gdy efekt bezpośredni i pośredni mają przeciwne znaki.
Drugim tradycyjnym narzędziem jest test Sobela: dzieli on ab przez błąd standardowy obliczony metodą delta i zakłada, że ab ma rozkład normalny. Rozkład iloczynu dwóch współczynników jest jednak zwykle asymetryczny, więc symetryczny przedział ufności Sobela bywa nietrafny. Dlatego dziś standardem jest bootstrap: z danych losuje się ze zwracaniem tysiące prób o tej samej liczebności, w każdej szacuje ab, a jako 95% przedział ufności przyjmuje 2.5. i 97.5. percentyl otrzymanego rozkładu. Jeśli przedział nie obejmuje zera, efekt pośredni jest istotny. Strategie oceny efektów pośrednich, w tym bootstrap, omawiają Preacher i Hayes (2008), a przegląd metod statystycznych analizy mediacji – MacKinnon i in. (2007).
| Metoda | Co sprawdza | Ograniczenia i zalety |
|---|---|---|
| Kroki Barona i Kenny’ego | Istotność c, a, b i spadek c do c′ | Nie testuje ab wprost; wymaga istotnego c |
| Test Sobela | ab / SE(ab) przy założeniu normalności | Symetryczny przedział mimo asymetrycznego rozkładu ab |
| Bootstrap percentylowy | Rozkład ab z prób bootstrapowych | Nie zakłada normalności ab; standard w PROCESS i lavaan (zob. bootstrap w SEM) |
Przykład: stres, ruminacje i problemy ze snem
Przyjmijmy, że 150 studentów (dane symulowane) wypełniło skalę stresu (0–40; M = 21.05, SD = 6.07), skalę ruminacji (1–4; M = 2.22, SD = 0.69) i skalę problemów ze snem (0–28; M = 9.80, SD = 4.60). Stres korelował z ruminacjami, r = .44, i z problemami ze snem, r = .33, a ruminacje z problemami ze snem, r = .42. Hipoteza: stres wiąże się z gorszym snem częściowo dlatego, że nasila ruminacje. Model oszacowaliśmy w lavaan z 2000 próbami bootstrap (rysunek 1).
- a = 0.050, 95% CI [0.032, 0.066] – każdy punkt stresu wiąże się z ruminacjami wyższymi o 0.05 punktu (10 punktów stresu – o pół punktu na skali 1–4);
- b = 2.287, 95% CI [1.239, 3.335] – przy tym samym stresie osoba ruminująca o 1 punkt silniej ma średnio o 2.29 punktu więcej problemów ze snem;
- ab = 0.114, 95% CI [0.057, 0.184], β = 0.15 – efekt pośredni jest istotny, bo przedział nie obejmuje zera;
- c′ = 0.133, 95% CI [0.034, 0.239], p = .010 – efekt bezpośredni stresu również pozostał istotny;
- c = 0.247, 95% CI [0.145, 0.348] – efekt całkowity; efekt pośredni stanowi 46% jego wielkości.
Model wyjaśniał 19% wariancji ruminacji i 20% wariancji problemów ze snem. Rysunek 2 pokazuje, skąd wziął się przedział ufności efektu pośredniego.
Rozkład jest prawostronnie skośny (skośność = 0.38), dlatego przedział bootstrapowy jest asymetryczny: dolna granica leży 0.057 poniżej oszacowania, a górna 0.069 powyżej. Test Sobela daje symetryczny przedział [0.050, 0.179] (z = 3.46, p = .001). W tym przykładzie obie metody prowadzą do tego samego wniosku, ale przy mniejszych próbach i słabszych ścieżkach asymetria rozkładu ab jest zwykle większa, a rozbieżności – częstsze.
Mediacja a wnioskowanie przyczynowe
Diagram ze strzałkami wygląda jak opis mechanizmu, ale sama analiza mediacji nie dowodzi przyczynowości. Rohrer i in. (2022) wyjaśniają, że standardowe procedury analizy mediacji w modelach ścieżkowych prowadzą do trafnych wniosków przyczynowych tylko w ograniczonych warunkach, a odwracanie strzałek czy porównywanie dopasowania modeli nie rozstrzyga, który model jest właściwy. W naszym przykładzie te same korelacje byłyby zgodne na przykład z tym, że źle śpiące osoby więcej rozmyślają.
Co pomaga:
- teoria, która uzasadnia kolejność X → M → Y, i pomiar zmiennych w tej kolejności (schemat podłużny, zob. też modele cross-lagged);
- uwzględnienie zmiennych zakłócających związek mediatora z wynikiem – nawet losowy przydział X do warunków nie chroni przed nimi ścieżki b;
- manipulacja eksperymentalna X, a jeśli to możliwe – także mediatora (schemat eksperymentalny);
- ostrożny język: „efekt pośredni był istotny”, „wyniki są zgodne z hipotezą mediacyjną” zamiast „ruminacje powodują”.
Jak opisać mediację w pracy (APA)
Podaj model, oprogramowanie, liczbę prób bootstrap i rodzaj przedziału ufności, ścieżki a, b i c′, efekt pośredni z 95% CI oraz efekt całkowity. Wzór dla przykładu:
Wyniki wygodnie zebrać w tabeli ze ścieżkami i efektami – wzór znajdziesz w haśle tabela mediacji w APA, a ogólne zasady zapisu statystyk w poradniku jak opisać wyniki w stylu APA. W SPSS ten sam model oszacujesz makrem PROCESS (model 4), które również podaje bootstrapowy przedział ufności dla efektu pośredniego.
Przykład w R
Kod tworzy dane z przykładu, szacuje model mediacji w lavaan z 2000 próbami bootstrap (ustalone ziarno iseed daje te same przedziały przy każdym uruchomieniu) i dla porównania oblicza test Sobela. Obliczenia trwają kilkanaście sekund.
Model mediacji w lavaan z bootstrapem
R
library(lavaan) # sem(), parameterEstimates()
# Dane symulowane: stres (0–40), ruminacje (1–4), problemy ze snem (0–28), N = 150
set.seed(300)
n <- 150
stres <- pmin(pmax(round(rnorm(n, 20, 6.5)), 0), 40)
ruminacje <- pmin(pmax(round((2.2 + 0.045 * (stres - 20) + rnorm(n, sd = 0.55)) * 5) / 5, 1), 4)
sen <- pmin(pmax(round(9 + 0.15 * (stres - 20) + 2.4 * (ruminacje - 2.2) + rnorm(n, sd = 4.5)), 0), 28)
dane <- data.frame(stres, ruminacje, sen)
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)
round(cor(dane), 2)
# Model mediacji: ścieżki a, b, c' oraz efekt pośredni (a*b) i całkowity (c' + a*b)
model <- '
ruminacje ~ a * stres
sen ~ b * ruminacje + cp * stres
posredni := a * b
calkowity := cp + a * b
'
fit <- sem(model, data = dane, fixed.x = FALSE, se = "bootstrap", bootstrap = 2000, iseed = 2026)
pe <- parameterEstimates(fit, boot.ci.type = "perc", standardized = TRUE)
pe <- pe[pe$label != "", c("label", "est", "se", "z", "pvalue", "ci.lower", "ci.upper", "std.all")]
pe[, -1] <- round(pe[, -1], 3)
print(format(pe, nsmall = 3), row.names = FALSE)
inspect(fit, "rsquare") # R² dla ruminacji i problemów ze snem
# Dla porównania: test Sobela (błąd standardowy efektu pośredniego metodą delta)
fit_delta <- sem(model, data = dane, fixed.x = FALSE)
pd <- parameterEstimates(fit_delta)
round(pd[pd$label == "posredni", c("est", "se", "z", "pvalue", "ci.lower", "ci.upper")], 3)Wynik w R
This is lavaan 0.7-2
lavaan is FREE software! Please report any bugs.
stres ruminacje sen
M 21.05 2.22 9.8
SD 6.07 0.69 4.6
stres ruminacje sen
stres 1.00 0.44 0.33
ruminacje 0.44 1.00 0.42
sen 0.33 0.42 1.00
label est se z pvalue ci.lower ci.upper std.all
a 0.050 0.009 5.865 0.000 0.032 0.066 0.437
b 2.287 0.544 4.208 0.000 1.239 3.335 0.345
cp 0.133 0.051 2.590 0.010 0.034 0.239 0.175
posredni 0.114 0.033 3.504 0.000 0.057 0.184 0.151
calkowity 0.247 0.052 4.774 0.000 0.145 0.348 0.326
ruminacje sen
0.191 0.203
est se z pvalue ci.lower ci.upper
7 0.114 0.033 3.464 0.001 0.05 0.179Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki 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/
- lavaan (wersja 0.7-2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Rezygnacja z analizy, bo efekt całkowity c jest nieistotny. O mediacji świadczy efekt pośredni, a nie istotność związku X–Y (Rucker i in., 2011).
- Test Sobela jako jedyny dowód. Podawaj bootstrapowy przedział ufności dla ab; Sobel może być co najwyżej uzupełnieniem.
- Wnioski przyczynowe z danych przekrojowych. Bez uzasadnionej kolejności i kontroli zakłóceń piszesz o efekcie pośrednim w sensie statystycznym (Rohrer i in., 2022).
- „Sprawdzanie kierunku” przez odwrócenie strzałek. Model odwrotny często pasuje równie dobrze i nie rozstrzyga o kierunku zależności.
- Ogłaszanie „mediacji całkowitej” tylko dlatego, że c′ jest nieistotne – to zależy od liczebności próby.
- Mylenie mediacji z moderacją. Mediator przenosi wpływ X na Y, moderator zmienia jego siłę; jak testować moderację, pokazujemy w poradniku analiza moderacji krok po kroku.
Najczęstsze pytania
Co to jest mediacja w psychologii?
Mediacja to hipoteza, że zmienna X wiąże się z Y przez trzecią zmienną – mediator M. Na przykład stres może pogarszać sen dlatego, że nasila ruminacje. Analiza mediacji szacuje efekt pośredni ab (X → M → Y) i efekt bezpośredni c′ (X → Y przy kontroli M).
Jak obliczyć efekt pośredni w mediacji?
Efekt pośredni to iloczyn ścieżek: ab = a × b, gdzie a to współczynnik regresji M na X, a b – współczynnik M w regresji Y na X i M. W przykładzie z tej strony ab = 0.050 × 2.287 ≈ 0.114. Jego istotność oceniasz bootstrapowym 95% przedziałem ufności: jeśli nie obejmuje zera, efekt pośredni jest istotny.
Czy do mediacji potrzebny jest istotny efekt całkowity?
Nie. Wymóg istotnego związku X z Y pochodzi z podejścia Barona i Kenny’ego, a współczesne zalecenia każą skupić się na wielkości i istotności efektu pośredniego (Rucker i in., 2011). Efekt pośredni może być istotny nawet wtedy, gdy efekt całkowity jest słaby, np. gdy efekt bezpośredni ma przeciwny znak.
Dlaczego nie stosuje się już testu Sobela?
Test Sobela zakłada, że efekt pośredni ma rozkład normalny, a rozkład iloczynu dwóch współczynników jest zwykle asymetryczny. Bootstrap nie wymaga tego założenia: przedział ufności wyznacza z rozkładu ab w tysiącach prób losowanych z danych. Dlatego wnioski opieraj na przedziale bootstrapowym.
Ile prób bootstrap wybrać w analizie mediacji?
Zwykle kilka tysięcy – w przykładzie z tej strony 2000, a makro PROCESS domyślnie używa 5000 prób. Więcej prób zmniejsza losowe wahania granic przedziału. Ustal ziarno generatora (np. iseed w lavaan), aby wynik był powtarzalny, i podaj w pracy liczbę prób oraz rodzaj przedziału.
Czym różni się mediacja od moderacji?
Mediator przenosi wpływ X na Y i odpowiada na pytanie „dlaczego?”, a moderator zmienia siłę lub kierunek związku X z Y i odpowiada na pytanie „kiedy?” lub „dla kogo?”. Mediację testuje efekt pośredni ab, a moderację – współczynnik interakcji X × W.
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 →PoradnikModerowana mediacja i modele PROCESS w R
Modele 7, 14 i 58, indeks moderowanej mediacji, efekty warunkowe z bootstrapem, lavaan i analiza wrażliwości – z kodem R i wzorem opisu APA.
Czytaj →PoradnikAnaliza moderacji krok po kroku
Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.
Czytaj →PoradnikCB-SEM w R (lavaan)
Kompletny przykład w lavaan 0.7 na danych do pobrania: CFA z MLR i FIML, dopasowanie, omega i AVE, efekt pośredni z bootstrapem i tabela APA.
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 wielopoziomowa (1-1-1 i 2-1-1) w R
Efekty pośrednie wewnątrz i między grupami, centrowanie, przedział Monte Carlo, lme4 i dwupoziomowy SEM w lavaan na przykładzie oddziałów szpitalnych.
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. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- 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
- 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
- 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
- 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{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{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{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}}