Słownik metodologiczny · Mediacja i moderacja

Mediacja całkowita – co oznacza i dlaczego metodolodzy odradzają tę etykietę

„Mediacja całkowita” to stara etykieta sytuacji, w której po dodaniu mediatora efekt bezpośredni przestaje być istotny. Symulacja pokazuje, że ten sam mechanizm w małej próbie wyjdzie „całkowity”, a w dużej – „częściowy”. Podpowiadamy, co pisać zamiast tej etykiety.

Strona główna / Słownik / Mediacja całkowita
W skrócie: Mediacja całkowita to tradycyjna nazwa sytuacji, w której efekt pośredni ab jest istotny, a efekt bezpośredni c′ po dodaniu mediatora – nie. Etykieta opiera się na braku istotności, więc zależy od liczebności próby: w symulacji ta sama mediacja częściowa wyszła „całkowita” w 82% badań ze 100 osobami i w 2% badań z 1600 osobami. Zamiast etykiety podaj ab i c′ z 95% przedziałami ufności.

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?

  1. 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.
  2. 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′.
  3. 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.
  4. 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.

Wykres słupkowy skumulowany: w populacji z mediacją częściową werdykt mediacja całkowita zapada w 61% badań przy N = 50, 82% przy N = 100, 69% przy N = 200, 45% przy N = 400, 18% przy N = 800 i 2% przy N = 1600
Rysunek 1. Odsetek z 2000 symulowanych badań, w których zapadłby werdykt „mediacja całkowita” (czerwone), „mediacja częściowa” (niebieskie) albo nie wykryto efektu pośredniego (szare). We wszystkich badaniach populacja jest ta sama i zachodzi w niej mediacja częściowa. Obliczenia: R (dane symulowane).

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:

Efekt pośredni uważności na dobrostan przez samowspółczucie był istotny, ab = 0.212, 95% CI [0.095, 0.378] (percentylowy przedział bootstrap, 5000 prób). Efekt bezpośredni uważności nie był istotny, c′ = 0.158, 95% CI [−0.027, 0.343], p = .094, jednak przedział ufności obejmuje zarówno zero, jak i wartości porównywalne z efektem pośrednim. Wyniki nie pozwalają więc stwierdzić, że samowspółczucie w pełni wyjaśnia związek uważności z dobrostanem.

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 reprodukowalny

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”?

Dane wejściowe: model populacyjny w jednostkach standaryzowanych (a = b = 0.4, c′ = 0.10); 2000 symulacji dla każdej liczebności.

Co odczytać: odsetek badań z każdym z trzech werdyktów przy danej liczebności próby.

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              0.981

2. Jedno badanie z nieistotnym efektem bezpośrednim

Dane wejściowe: 100 osób z tej samej populacji (dane symulowane, set.seed(88)), zmienne wystandaryzowane.

Co odczytać: wiersz uwaznosc (efekt bezpośredni c′ z 95% CI), efekt pośredni ab i jego percentylowy przedział bootstrap.

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 ab
Wynik 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 Scale

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. boot (wersja 1.3-32): Canty, A., & Ripley, B. (2025). boot: Bootstrap functions [R package]. https://doi.org/10.32614/CRAN.package.boot
  3. 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

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. 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
  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. 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
  5. 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}}
R