Co to jest mediacja częściowa?
Mediacja częściowa (ang. partial mediation) to tradycyjna nazwa sytuacji, w której istotny jest zarówno efekt pośredni ab, jak i efekt bezpośredni c′. Część związku X z Y przebiega więc przez mediator, a część – innymi drogami, których model nie obejmuje. MacKinnon i in. (2007) opisują, że badacze rozstrzygają o mediacji częściowej albo całkowitej, sprawdzając istotność c′: istotny c′ przy istotnej mediacji oznacza mediację częściową.
Z tej etykiety warto korzystać ostrożnie, z tych samych powodów co z jej przeciwieństwa: o werdykcie decyduje istotność c′, a ta zależy od liczebności próby. Rucker i in. (2011) uznają rozstrzyganie o „pełnym” lub „częściowym” wyjaśnieniu efektu na podstawie istotności związku X–Y za nieuzasadnione. Więcej informacji niosą dwie inne rzeczy: znaki efektu pośredniego i bezpośredniego oraz ich wielkość z przedziałami ufności.
Mediacja spójna i niespójna (komplementarna i konkurencyjna)
Gdy istnieją obie drogi, ważniejsze od etykiety „częściowa” jest to, czy działają w tę samą stronę. MacKinnon i in. (2000) nazywają mediacją niespójną (ang. inconsistent mediation) układ, w którym efekt bezpośredni i pośredni mają przeciwne znaki, a spójną – układ, w którym mają ten sam znak. Mediacja niespójna jest statystycznie równoważna supresji. W literaturze spotkasz też nazwy mediacja komplementarna (te same znaki) i konkurencyjna (przeciwne znaki).
| Znaki ab i c′ | Nazwa | Co dzieje się z efektem całkowitym |
|---|---|---|
| Ten sam znak | Mediacja spójna (komplementarna) | Drogi się sumują; |c| jest większe niż każda z dróg |
| Przeciwne znaki | Mediacja niespójna (konkurencyjna) | Drogi częściowo się znoszą; c może być bliskie zera albo nieistotne |
Rozróżnienie ma praktyczne znaczenie. W mediacji niespójnej mediator działa wbrew pozostałym drogom – na przykład interwencja, która zmienia mediator w niekorzystnym kierunku – a efekt całkowity może zniknąć mimo dwóch wyraźnych dróg (przykład liczbowy w haśle efekt całkowity). Zhao i in. (2010), krytykując logikę Barona i Kenny’ego, proponują drzewo decyzyjne i procedurę krok po kroku do testowania mediacji, klasyfikowania jej typu i interpretowania wyników z myślą o teorii i dalszych badaniach.
Przykład: konflikt praca–studia, wyczerpanie i intencja rezygnacji
Ankietę wypełniło 150 pracujących studentów (dane symulowane). Zmierzono konflikt między pracą a studiami (1–5; M = 2.84, SD = 0.91), wyczerpanie emocjonalne (1–6; M = 3.30, SD = 1.01) i intencję rezygnacji ze studiów (1–7; M = 2.68, SD = 1.13).
- Silniejszy konflikt wiązał się z większym wyczerpaniem, a = 0.433, 95% CI [0.266, 0.600], a wyczerpanie – przy tym samym konflikcie – z silniejszą intencją rezygnacji, b = 0.412, 95% CI [0.240, 0.584].
- Efekt pośredni: ab = 0.178, 95% CI [0.091, 0.279] (percentylowy bootstrap, 5000 prób).
- Efekt bezpośredni pozostał istotny: c′ = 0.266, 95% CI [0.074, 0.458], p = .007; efekt całkowity c = 0.445, 95% CI [0.255, 0.634].
Obie drogi są dodatnie, więc to mediacja częściowa i spójna: konflikt wiąże się z intencją rezygnacji zarówno przez wyczerpanie, jak i innymi drogami (na przykład przez gorsze wyniki w nauce, których tu nie zmierzono). Przedziały ufności obu efektów w dużej części się pokrywają (ab: od 0.091 do 0.279, c′: od 0.074 do 0.458), więc te dane nie mówią precyzyjnie, która droga jest silniejsza.
Odsetek mediacji: dlaczego z ostrożnością
Przy mediacji częściowej kusi pytanie, „jaka część” efektu przebiega przez mediator. Odpowiada na nie odsetek mediacji (ang. proportion mediated):
W przykładzie PM = 0.178 / 0.445 = 0.40, czyli 40%. Bootstrapowy 95% przedział ufności wynosi jednak [0.19, 0.72] – dane są zgodne zarówno z tym, że przez wyczerpanie przebiega jedna piąta związku, jak i z tym, że prawie trzy czwarte. Odsetek mediacji ma kilka poważnych ograniczeń:
- Jest niestabilny w małych próbach. W symulacjach MacKinnona i in. (1995) dokładne oszacowania odsetka mediacji i jego wariancji wymagały co najmniej 500 osób; tę samą granicę przypominają MacKinnon i in. (2007).
- Przestaje być odsetkiem przy przeciwnych znakach. W mediacji niespójnej PM bywa ujemny albo większy niż 1, a gdy c jest bliskie zera – ogromny.
- W badaniach przekrojowych bywa poważnie obciążony. Maxwell i Cole (2007) pokazali, że przekrojowe oszacowania efektu bezpośredniego, pośredniego i odsetka mediacji w procesach rozwijających się w czasie często wprowadzają w błąd (zob. schemat podłużny).
- Odwraca uwagę od innych mechanizmów. MacKinnon i in. (2007) zauważają, że odsetki mediacji bywają bardzo małe, a skupienie na jednym ogólnym odsetku może przesłonić inne mechanizmy.
Rysunek 1 pokazuje skalę problemu. Wygenerowaliśmy po 2000 badań z populacji jak w przykładzie, w której odsetek mediacji wynosi dokładnie 0.40.
Przy 50 osobach środkowe 95% oszacowań rozciąga się od 0.04 do 1.24, a 6.8% wyników wypada poza przedział od 0 do 1. Przy 200 osobach zakres to wciąż 0.22–0.69, a dopiero przy 1000 osobach – 0.31–0.50. Jeśli podajesz odsetek mediacji, zawsze dodaj jego przedział ufności i licz go tylko przy zgodnych znakach dróg.
Jak opisać mediację częściową w pracy (APA)
Zamiast samej etykiety podaj efekt pośredni i bezpośredni z przedziałami ufności, nazwij układ znaków, a odsetek mediacji – jeśli go podajesz – uzupełnij przedziałem. Wzór dla przykładu:
Pełny przykład analizy – z PROCESS, lavaan i tabelą APA – znajdziesz w poradniku analiza mediacji krok po kroku, a wzór tabeli w haśle tabela mediacji w APA.
Przykład w R
Pierwszy przepis odtwarza przykład z bootstrapowymi przedziałami dla efektu pośredniego i odsetka mediacji, drugi – symulację z rysunku 1. Obliczenia trwają kilka sekund.
1. Mediacja częściowa i odsetek mediacji z bootstrapem
R
library(boot) # boot(), boot.ci()
# Dane symulowane (N = 150 studentów pracujących): konflikt praca–studia (X, 1–5),
# wyczerpanie emocjonalne (M, 1–6), intencja rezygnacji ze studiów (Y, 1–7)
set.seed(34)
n <- 150
zx <- rnorm(n)
zm <- 0.40 * zx + sqrt(1 - 0.16) * rnorm(n)
zy <- 0.21 * zx + 0.35 * zm + rnorm(n, sd = sqrt(1 - (0.21^2 + 0.35^2 + 2 * 0.4 * 0.35 * 0.21)))
skala <- function(x, min, max, pozycji) pmin(pmax(round(x * pozycji) / pozycji, min), max)
dane <- data.frame(konflikt = skala(2.8 + 0.9 * zx, 1, 5, 4),
wyczerpanie = skala(3.3 + 1.0 * zm, 1, 6, 5),
rezygnacja = skala(2.6 + 1.3 * zy, 1, 7, 3))
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)
m_a <- lm(wyczerpanie ~ konflikt, data = dane)
m_b <- lm(rezygnacja ~ konflikt + wyczerpanie, data = dane)
m_c <- lm(rezygnacja ~ konflikt, data = dane)
wiersz <- function(m, x) c(coef(summary(m))[x, c(1, 2, 4)], confint(m)[x, ])
round(rbind(a = wiersz(m_a, "konflikt"), b = wiersz(m_b, "wyczerpanie"),
"c'" = wiersz(m_b, "konflikt"), c = wiersz(m_c, "konflikt")), 3)
# Efekt pośredni i odsetek mediacji P_M = ab / c z bootstrapem percentylowym (5000 prób)
efekty <- function(d, i) {
d <- d[i, ]
a <- coef(lm(wyczerpanie ~ konflikt, data = d))[["konflikt"]]
b <- coef(lm(rezygnacja ~ konflikt + wyczerpanie, data = d))[["wyczerpanie"]]
c_calk <- coef(lm(rezygnacja ~ konflikt, data = d))[["konflikt"]]
c(ab = a * b, P_M = a * b / c_calk)
}
set.seed(2026)
bt <- boot(dane, efekty, R = 5000)
round(bt$t0, 3)
boot.ci(bt, type = "perc", index = 1) # 95% CI dla ab
boot.ci(bt, type = "perc", index = 2) # 95% CI dla odsetka mediacjiWynik w R
konflikt wyczerpanie rezygnacja
M 2.84 3.30 2.68
SD 0.91 1.01 1.13
Estimate Std. Error Pr(>|t|) 2.5 % 97.5 %
a 0.433 0.085 0.000 0.266 0.600
b 0.412 0.087 0.000 0.240 0.584
c' 0.266 0.097 0.007 0.074 0.458
c 0.445 0.096 0.000 0.255 0.634
ab P_M
0.178 0.401
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 5000 bootstrap replicates
CALL :
boot.ci(boot.out = bt, type = "perc", index = 1)
Intervals :
Level Percentile
95% ( 0.0914, 0.2788 )
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% ( 0.1948, 0.7194 )
Calculations and Intervals on Original Scale2. Stabilność odsetka mediacji – symulacja
R
# Jak stabilny jest odsetek mediacji? Populacja jak w przykładzie (jednostki standaryzowane):
# a = 0.40, b = 0.35, c' = 0.21, więc ab = 0.14, c = 0.35 i P_M = 0.40; 2000 symulacji dla każdej liczebności
odsetek <- function(n, a = 0.40, b = 0.35, cp = 0.21) {
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)))
ab <- coef(lm(m ~ x))[["x"]] * coef(lm(y ~ x + m))[["m"]]
ab / coef(lm(y ~ x))[["x"]]
}
set.seed(2026)
N <- c(50, 100, 200, 500, 1000)
pm <- sapply(N, function(n) replicate(2000, odsetek(n)))
colnames(pm) <- paste0("N=", N)
round(rbind(apply(pm, 2, quantile, probs = c(.025, .25, .5, .75, .975)),
"poza [0, 1]" = colMeans(pm < 0 | pm > 1)), 3)Wynik w R
N=50 N=100 N=200 N=500 N=1000
2.5% 0.044 0.155 0.217 0.278 0.310
25% 0.232 0.291 0.320 0.353 0.365
50% 0.366 0.384 0.392 0.397 0.397
75% 0.560 0.507 0.481 0.446 0.433
97.5% 1.236 0.868 0.692 0.568 0.501
poza [0, 1] 0.068 0.016 0.001 0.000 0.000Bibliografia 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
- Etykieta zamiast liczb. „Mediacja częściowa” bez ab i c′ z przedziałami ufności nic nie mówi o wielkości efektów.
- Pomijanie znaków. Mediacja spójna i niespójna to zupełnie różne sytuacje; nazwij układ znaków wprost.
- Odsetek mediacji bez przedziału ufności – w próbach poniżej kilkuset osób oszacowanie bywa bardzo nieprecyzyjne (MacKinnon i in., 1995).
- Odsetek mediacji przy przeciwnych znakach dróg, np. „mediator wyjaśnia 140% efektu”.
- Wniosek „zostały inne mechanizmy”, gdy c′ jest zawyżony przez zakłócenia. Efekt bezpośredni zbiera także wpływ zmiennych zakłócających, których nie kontrolowano.
Najczęstsze pytania
Co to jest mediacja częściowa?
To wynik, w którym istotny jest efekt pośredni ab (przez mediator) i efekt bezpośredni c′ (poza mediatorem). Oznacza, że mediator wyjaśnia tylko część związku X z Y. Ponieważ werdykt zależy od istotności c′, a więc od liczebności próby, lepiej opisać oba efekty z przedziałami ufności.
Czym różni się mediacja spójna od niespójnej?
W mediacji spójnej (komplementarnej) efekt pośredni i bezpośredni mają ten sam znak i się sumują. W niespójnej (konkurencyjnej) mają przeciwne znaki, częściowo się znoszą, a efekt całkowity może być bliski zera – to układ statystycznie równoważny supresji.
Jak obliczyć odsetek mediacji?
Podziel efekt pośredni przez efekt całkowity: PM = ab / c. W przykładzie z tej strony 0.178 / 0.445 = 0.40, ale bootstrapowy 95% przedział ufności wynosi [0.19, 0.72]. Licz go tylko przy zgodnych znakach dróg i zawsze podawaj z przedziałem ufności.
Czy odsetek mediacji jest wiarygodny?
W małych próbach – nie bardzo. W symulacjach MacKinnona i in. (1995) dokładne oszacowania wymagały co najmniej 500 osób. W naszej symulacji przy prawdziwym odsetku 0.40 i 100 osobach środkowe 95% oszacowań mieściło się między 0.15 a 0.87.
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 →PoradnikModele cross-lagged: logika, założenia i interpretacja CLPM oraz RI-CLPM
Jak odróżnić stabilne różnice między osobami od zmiany wewnątrzosobowej, dobrać model panelowy i nie pomylić predykcji czasowej z przyczynowością.
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)
- 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., 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
- MacKinnon, D. P., Warsi, G., & Dwyer, J. H. (1995). A simulation study of mediated effect measures. Multivariate Behavioral Research, 30(1), 41–62. https://doi.org/10.1207/s15327906mbr3001_3 ● Otwarty dostęp: pełny tekst
- Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44. https://doi.org/10.1037/1082-989x.12.1.23
- 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{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{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{mackinnon1995simulation, author={MacKinnon, David P. and Warsi, Ghulam and Dwyer, James H.}, title={{A simulation study of mediated effect measures}}, journal={Multivariate Behavioral Research}, year={1995}, volume={30}, number={1}, pages={41--62}, doi={10.1207/s15327906mbr3001_3}}@article{maxwell2007bias, author={Maxwell, Scott E. and Cole, David A.}, title={{Bias in cross-sectional analyses of longitudinal mediation}}, journal={Psychological Methods}, year={2007}, volume={12}, number={1}, pages={23--44}, doi={10.1037/1082-989x.12.1.23}}@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}}