Słownik metodologiczny · Mediacja i moderacja

Mediacja częściowa – mediacja spójna i niespójna oraz odsetek mediacji

Mediacja częściowa to sytuacja, w której istotny jest i efekt pośredni, i bezpośredni. Ważniejsze od tej etykiety są znaki obu dróg – mediacja spójna albo niespójna – i wielkość efektów. Pokazujemy też, dlaczego odsetek mediacji ab / c trzeba podawać ostrożnie.

Strona główna / Słownik / Mediacja częściowa
W skrócie: Mediacja częściowa to tradycyjna nazwa wyniku, w którym istotny jest efekt pośredni ab i efekt bezpośredni c′. Ważniejsze od etykiety są znaki dróg: te same znaki to mediacja spójna (komplementarna), przeciwne – niespójna (konkurencyjna). Odsetek mediacji ab / c podawaj tylko przy zgodnych znakach i z przedziałem ufności, bo w próbach poniżej kilkuset osób jest bardzo niestabilny.

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).

Typy mediacji częściowej według znaków efektu pośredniego i bezpośredniego
Znaki ab i c′NazwaCo dzieje się z efektem całkowitym
Ten sam znakMediacja spójna (komplementarna)Drogi się sumują; |c| jest większe niż każda z dróg
Przeciwne znakiMediacja 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):

PM = ab / c = ab / (c′ + ab)

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.

Wykresy skrzypcowe oszacowań odsetka mediacji z 2000 symulowanych badań: przy prawdziwej wartości 0.40 środkowe 95% oszacowań mieści się w przedziale [0.04, 1.24] dla N = 50, [0.15, 0.87] dla N = 100, [0.22, 0.69] dla N = 200, [0.28, 0.57] dla N = 500 i [0.31, 0.50] dla N = 1000
Rysunek 1. Rozkład oszacowań odsetka mediacji ab / c w 2000 symulowanych badaniach dla każdej liczebności (populacja: a = 0.40, b = 0.35, c′ = 0.21 w jednostkach standaryzowanych). Niebieskie prostokąty – kwartyle i mediana, wąsy – zakres środkowych 95% oszacowań, czerwona linia – wartość w populacji. Oś przycięto do przedziału od −0.45 do 1.75 (poza tym zakresem: 33 z 2000 oszacowań przy N = 50 i 7 przy N = 100). Obliczenia: R (dane symulowane).

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:

Efekt pośredni konfliktu praca–studia na intencję rezygnacji ze studiów przez wyczerpanie emocjonalne był istotny, ab = 0.178, 95% CI [0.091, 0.279] (percentylowy przedział bootstrap, 5000 prób). Efekt bezpośredni konfliktu również był istotny i miał ten sam znak, c′ = 0.266, 95% CI [0.074, 0.458], p = .007, co wskazuje, że wyczerpanie wyjaśnia tylko część związku konfliktu z intencją rezygnacji (efekt całkowity c = 0.445, 95% CI [0.255, 0.634]). Efekt pośredni stanowił 40% efektu całkowitego, jednak oszacowanie to jest mało precyzyjne, 95% CI [19%, 72%].

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 reprodukowalny

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

Dane wejściowe: 150 pracujących studentów (dane symulowane, set.seed(34)): konflikt praca–studia (1–5), wyczerpanie emocjonalne (1–6), intencja rezygnacji ze studiów (1–7).

Co odczytać: wiersze a, b, c' i c (współczynnik, SE, p, 95% CI), oszacowania ab i P_M oraz ich percentylowe 95% przedziały ufności.

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 mediacji
Wynik 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 Scale

2. Stabilność odsetka mediacji – symulacja

Dane wejściowe: model populacyjny w jednostkach standaryzowanych (a = 0.40, b = 0.35, c′ = 0.21, czyli PM = 0.40); 2000 symulacji dla każdej liczebności.

Co odczytać: kwantyle oszacowań odsetka mediacji (2.5%, 25%, 50%, 75%, 97.5%) i odsetek oszacowań spoza przedziału od 0 do 1.

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  0.000

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

  • 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

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. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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}}
R