Co to jest mediacja całkowita?
Mediacja całkowita (pełna; ang. full albo complete mediation) to tradycyjna nazwa sytuacji, w której efekt pośredni ab jest istotny, a efekt bezpośredni c′ po uwzględnieniu mediatora przestaje być istotny. Wnioskuje się wtedy, że związek X z Y przebiega w całości przez mediator. Termin wywodzi się z podejścia Barona i Kenny’ego, w którym spadek efektu X do zera po dodaniu mediatora uchodził za najmocniejszy dowód mediacji. Przeciwieństwem jest mediacja częściowa: istotny efekt pośredni przy wciąż istotnym c′.
MacKinnon i in. (2007) zauważają, że badacze często rozstrzygają o mediacji całkowitej albo częściowej, sprawdzając istotność c′. Właśnie ten sposób rozstrzygania sprawia, że dziś wielu metodologów odradza obie etykiety.
Dlaczego lepiej unikać tej etykiety?
- Nieistotny c′ to nie zerowy c′. Nieistotna wartość p znaczy tylko, że dane nie odróżniają efektu bezpośredniego od zera. Jego przedział ufności może obejmować wartości tak duże jak sam efekt pośredni.
- Werdykt zależy od liczebności próby. Kenny i Judd (2014) pokazali, że gdy efekt bezpośredni istnieje, test efektu pośredniego ma często znacznie większą moc niż test efektu bezpośredniego tej samej wielkości. W małej próbie „mediacja całkowita” wychodzi więc łatwo, w dużej – prawie nigdy (rysunek 1). Werdykt „całkowita” jest wtedy po prostu błędem II rodzaju w teście c′.
- Rzadko jeden mediator wyjaśnia wszystko. MacKinnon i in. (2007) przypominają, że zachowania mają wiele przyczyn, więc trudno oczekiwać, by pojedynczy mediator w pełni wyjaśniał związek X z Y. Ogłoszenie mediacji całkowitej zniechęca do szukania kolejnych mechanizmów.
- Rozstrzyganie przez istotność związku X–Y jest nieuzasadnione. Rucker i in. (2011) zwracają uwagę, że istotność tego związku przed dodaniem mediatora i po nim służyła do oceny, czy mediator wyjaśnia efekt w pełni, czy częściowo. Uznają tę praktykę za nieuzasadnioną i mogącą szkodzić rozwojowi teorii, a uwagę każą przenieść na wielkość i istotność efektu pośredniego.
Jest też paradoks: przyczynowe kroki najgorzej wykrywają mediację właśnie wtedy, gdy jest „całkowita”. Przy c′ = 0 efekt całkowity równa się efektowi pośredniemu i bywa mały. Fritz i MacKinnon (2007) wyliczyli, że przy małych ścieżkach a i b i zerowym efekcie bezpośrednim test Barona i Kenny’ego potrzebuje 20 886 osób, by osiągnąć moc .80, a gdy efekt bezpośredni był choć trochę większy od zera (0.14), wystarczały 562 osoby. Zhao i in. (2010), podsumowując słabości logiki Barona i Kenny’ego, proponują zamiast niej drzewo decyzyjne i procedurę krok po kroku do testowania mediacji i klasyfikowania jej typu.
Symulacja: ta sama mediacja, różne werdykty
Wygenerowaliśmy dane z jednej populacji, w której zachodzi mediacja częściowa: a = b = 0.4 (efekt pośredni 0.16) i mały, ale niezerowy efekt bezpośredni c′ = 0.10 (jednostki standaryzowane). Dla każdej liczebności powtórzyliśmy badanie 2000 razy, oceniając efekt pośredni przedziałem Monte Carlo, a efekt bezpośredni – testem t.
Przy 100 osobach aż 82% badań zakończyłoby się werdyktem „mediacja całkowita”, choć w populacji efekt bezpośredni istnieje. Przy 400 osobach było to 45%, przy 800 – 18%, a przy 1600 – 2%. Ten sam mechanizm w małym badaniu nazwano by mediacją całkowitą, a w dużym – częściową. Etykieta mówi więc więcej o liczebności próby niż o badanym zjawisku.
Jedno takie badanie (N = 100; uważność jako X, samowspółczucie jako M, dobrostan jako Y, wyniki wystandaryzowane) dało efekt pośredni ab = 0.212, 95% CI [0.095, 0.378], i nieistotny efekt bezpośredni c′ = 0.158, 95% CI [−0.027, 0.343], p = .094. Według starej reguły to „mediacja całkowita”, choć oszacowanie efektu bezpośredniego stanowi trzy czwarte efektu pośredniego, a jego przedział sięga wartości większych niż ab.
Co napisać zamiast „mediacja całkowita”?
Opisz liczby, które stoją za etykietą: efekt pośredni z bootstrapowym przedziałem ufności i efekt bezpośredni z przedziałem. Gdy c′ jest nieistotny, powiedz, co mówi jego przedział. Wzór dla badania opisanego wyżej:
W modelu z kilkoma mediatorami postępuj tak samo: podaj każdy specyficzny efekt pośredni i efekt bezpośredni z przedziałami ufności. Nieistotny c′ przy dwóch mediatorach znaczy tylko tyle, że dane nie wskazują wyraźnie na inne drogi – a nie, że innych dróg nie ma. Jeśli chcesz wykazać, że efekt bezpośredni jest pomijalnie mały, ustal przed badaniem, jaka wartość jest dla Ciebie pomijalna, i sprawdź, czy cały przedział ufności dla c′ mieści się w tym zakresie – sama nieistotność tego nie dowodzi. Pełną procedurę analizy (PROCESS, lavaan, bootstrap, opis APA) pokazujemy w poradniku analiza mediacji krok po kroku, a ogólne definicje – w haśle mediacja (analiza mediacji).
Przykład w R
Pierwszy przepis odtwarza symulację z rysunku 1 (około 15 sekund), drugi – pojedyncze badanie z wzoru opisu.
1. Jak często wychodzi „mediacja całkowita”?
R
# Ta sama populacja, różne liczebności: jak często wyszłaby "mediacja całkowita"?
# Model populacyjny (jednostki standaryzowane): a = 0.4, b = 0.4 (ab = 0.16) i niezerowy efekt bezpośredni c' = 0.10,
# czyli w populacji zachodzi mediacja częściowa. 2000 symulacji dla każdej liczebności.
etykiety <- function(n, a = 0.4, b = 0.4, cp = 0.10, powtorzen = 2000, losowan = 5000) {
werdykt <- 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
if (granice[1] <= 0 & granice[2] >= 0) "brak mediacji"
else if (kb["x", 4] >= .05) "mediacja całkowita" # ab istotny, c' nieistotny
else "mediacja częściowa" # ab istotny, c' istotny
})
table(factor(werdykt, levels = c("brak mediacji", "mediacja całkowita", "mediacja częściowa"))) / powtorzen
}
set.seed(2026)
N <- c(50, 100, 200, 400, 800, 1600)
wynik <- t(sapply(N, etykiety))
data.frame(N, round(wynik, 3), check.names = FALSE)Wynik w R
N brak mediacji mediacja całkowita mediacja częściowa
1 50 0.338 0.607 0.056
2 100 0.032 0.819 0.150
3 200 0.000 0.690 0.310
4 400 0.000 0.450 0.550
5 800 0.000 0.180 0.821
6 1600 0.000 0.020 0.9812. Jedno badanie z nieistotnym efektem bezpośrednim
R
library(boot) # boot(), boot.ci()
# Jedno badanie (N = 100) z tej samej populacji: uważność (X), samowspółczucie (M), dobrostan (Y),
# wyniki wystandaryzowane (z); w populacji efekt bezpośredni c' = 0.10, a nie zero
set.seed(88)
n <- 100
uwaznosc <- rnorm(n)
samowspolczucie <- 0.4 * uwaznosc + rnorm(n, sd = sqrt(1 - 0.4^2))
dobrostan <- 0.10 * uwaznosc + 0.4 * samowspolczucie +
rnorm(n, sd = sqrt(1 - (0.10^2 + 0.4^2 + 2 * 0.4 * 0.4 * 0.10)))
dane <- data.frame(uwaznosc, samowspolczucie, dobrostan)
m_b <- lm(dobrostan ~ uwaznosc + samowspolczucie, data = dane)
round(cbind(coef(summary(m_b)), confint(m_b)), 3) # c' (wiersz uwaznosc) i b
posredni <- function(d, i) {
d <- d[i, ]
coef(lm(samowspolczucie ~ uwaznosc, data = d))[["uwaznosc"]] *
coef(lm(dobrostan ~ uwaznosc + samowspolczucie, data = d))[["samowspolczucie"]]
}
set.seed(2026)
bt <- boot(dane, posredni, R = 5000)
round(bt$t0, 3) # efekt pośredni ab
boot.ci(bt, type = "perc") # percentylowy 95% CI dla abWynik w R
Estimate Std. Error t value Pr(>|t|) 2.5 % 97.5 %
(Intercept) -0.006 0.083 -0.076 0.939 -0.172 0.159
uwaznosc 0.158 0.093 1.692 0.094 -0.027 0.343
samowspolczucie 0.485 0.091 5.343 0.000 0.305 0.665
[1] 0.212
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 5000 bootstrap replicates
CALL :
boot.ci(boot.out = bt, type = "perc")
Intervals :
Level Percentile
95% ( 0.0949, 0.3776 )
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
- „c′ jest nieistotny, więc mediator wyjaśnia cały związek”. To wniosek z braku dowodu; podaj przedział ufności c′.
- Porównywanie badań po etykietach. „Całkowita” w jednym badaniu i „częściowa” w drugim może wynikać tylko z różnej liczebności prób.
- Przerywanie poszukiwań innych mediatorów po ogłoszeniu mediacji całkowitej.
- Wymóg istotnego efektu całkowitego jako warunek analizy – mediacja „całkowita” przy małych ścieżkach jest właśnie tą, którą ten wymóg najczęściej przeoczy (Fritz i MacKinnon, 2007).
Najczęstsze pytania
Co to jest mediacja całkowita?
To tradycyjna nazwa wyniku, w którym efekt pośredni ab jest istotny, a efekt bezpośredni c′ po dodaniu mediatora przestaje być istotny. Oznaczać ma, że związek X z Y przebiega w całości przez mediator. Nieistotny c′ tego jednak nie dowodzi.
Czym różni się mediacja całkowita od częściowej?
Tradycyjnie tylko istotnością efektu bezpośredniego: w mediacji całkowitej c′ jest nieistotny, w częściowej – istotny. Ponieważ istotność zależy od liczebności próby, ta sama mediacja może być „całkowita” w małym badaniu i „częściowa” w dużym.
Czy można pisać o pełnej mediacji w pracy magisterskiej?
Lepiej tego unikać. Opisz efekt pośredni z bootstrapowym 95% przedziałem ufności i efekt bezpośredni z przedziałem, a gdy c′ jest nieistotny, napisz, że dane nie pozwalają odróżnić go od zera, ale nie wykluczają też efektu porównywalnego z pośrednim.
Dlaczego nieistotny efekt bezpośredni nie dowodzi mediacji całkowitej?
Bo brak istotności to brak dowodu, a nie dowód braku. Test efektu bezpośredniego ma zwykle mniejszą moc niż test efektu pośredniego tej samej wielkości (Kenny i Judd, 2014), więc w małych próbach c′ często wychodzi nieistotny mimo niezerowej wartości w populacji.
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 →PoradnikWartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
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)
- Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233–239. https://doi.org/10.1111/j.1467-9280.2007.01882.x ● Otwarty dostęp: pełny tekst
- Kenny, D. A., & Judd, C. M. (2014). Power anomalies in testing mediation. Psychological Science, 25(2), 334–339. https://doi.org/10.1177/0956797613502676
- 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
- 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
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257 ● Otwarty dostęp
Cytowania BibTeX
@article{fritz2007required, author={Fritz, Matthew S. and MacKinnon, David P.}, title={{Required sample size to detect the mediated effect}}, journal={Psychological Science}, year={2007}, volume={18}, number={3}, pages={233--239}, doi={10.1111/j.1467-9280.2007.01882.x}}@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{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{zhao2010reconsidering, author={Zhao, Xinshu and Lynch, John G. and Chen, Qimei}, title={{Reconsidering Baron and Kenny: Myths and truths about mediation analysis}}, journal={Journal of Consumer Research}, year={2010}, volume={37}, number={2}, pages={197--206}, doi={10.1086/651257}}