Słownik metodologiczny · Mediacja i moderacja

Moderowana mediacja – kiedy efekt pośredni zależy od moderatora?

W moderowanej mediacji efekt pośredni nie jest jedną liczbą, tylko zmienia się wraz z moderatorem. Pokazujemy, gdzie może działać moderator, przykład z bootstrapem w R i zapis do pracy.

Strona główna / Słownik / Moderowana mediacja
W skrócie: Moderowana mediacja występuje, gdy efekt pośredni X → M → Y zależy od moderatora W. Moderator może działać na ścieżce a, b albo na obu. Efekty warunkowe podaje się przy wybranych wartościach W z bootstrapowymi przedziałami ufności, a moderację testuje indeksem moderowanej mediacji.

Co to jest moderowana mediacja?

Moderowana mediacja (ang. moderated mediation) to sytuacja, w której siła efektu pośredniego X → M → Y zależy od wartości moderatora W. Mówi się wtedy o warunkowym efekcie pośrednim (ang. conditional indirect effect). Preacher i in. (2007) uporządkowali sprzeczne definicje tego pojęcia i opisali, jak testować takie hipotezy. Model łączy więc mediację z moderacją. Hayes (2022) nazywa to warunkową analizą procesu.

Gdzie działa moderator

  • Ścieżka a (X → M; model 7 w PROCESS): efekt pośredni = (a1 + a3W) · b.
  • Ścieżka b (M → Y; model 14): efekt pośredni = a · (b1 + b3W).
  • Obie ścieżki albo także efekt bezpośredni (np. model 58 lub 59).

Model wybierz z góry, na podstawie hipotezy o tym, który etap procesu zależy od moderatora. Hayes i Rockwood (2017) pokazują, jak łączyć oba rodzaje analiz w badaniach klinicznych.

Przykład

U 250 studentów stres akademicki wiązał się z ruminacją, a ruminacja z gorszą jakością snu, b = −0.44, SE = 0.06 (zmienne w jednostkach z, dane symulowane). Uważność osłabiała ścieżkę stres → ruminacja, a3 = −0.27, SE = 0.05, p < .001. Efekt pośredni stresu na sen wyniósł −0.36, 95% CI [−0.46, −0.26] przy niskiej uważności (−1 SD), −0.24, 95% CI [−0.31, −0.17] przy średniej i −0.11, 95% CI [−0.19, −0.04] przy wysokiej (+1 SD). Przedziały wyznaczono bootstrapem percentylowym z 5000 prób.

Na rysunku

W przykładzie efekt pośredni sprawdzono w trzech punktach uważności. Rysunek pokazuje go w całym zakresie uważności w próbie, z pasmem ufności wyznaczonym z tych samych 5000 prób bootstrapowych.

Wykres liniowy. Oś pozioma: uważność w jednostkach z od około −2.8 do 2.3, z kreskami u dołu oznaczającymi osoby z próby. Oś pionowa: warunkowy efekt pośredni. Niebieska prosta rośnie od wyraźnie ujemnych wartości do nieco powyżej zera, otoczona jasnoniebieskim pasmem 95%, które rozszerza się na krańcach. Trzy pomarańczowe trójkąty z przedziałami przy −1 SD (−0.36), średniej (−0.24) i +1 SD (−0.11). Od uważności około 1.18 tło jest szare, a pasmo obejmuje przerywaną linię zera; napis: pasmo obejmuje 0, efekt pośredni nieistotny.
Rysunek 1. Warunkowy efekt pośredni stresu na jakość snu przez ruminację w funkcji uważności, z 95% pasmem bootstrapowym. Obliczenia: R, pakiety boot i ggplot2 (dane symulowane, set.seed(195), 5000 prób bootstrapowych).

Co widać. Efekt pośredni (a1 + a3W) · b jest liniową funkcją uważności: im wyższa uważność, tym słabszy (bliższy zera) ujemny efekt stresu na sen. Trójkąty to trzy wartości z przykładu: −0.36, −0.24 i −0.11. Od uważności W ≈ 1.18 (w jednostkach z) pasmo obejmuje zero. W tym obszarze, w którym jest 12.0% badanych, nie można wykluczyć braku efektu pośredniego.

Na co uważać. Granica 1.18 działa jak przedział Johnsona–Neymana dla efektu pośredniego. Zależy od liczebności próby i nie jest progiem wynikającym z teorii. Pasmo jest punktowe: 95% dotyczy każdej wartości W osobno, a nie całej prostej naraz. Na krańcach jest szersze, bo opiera się na nielicznych osobach (kreski u dołu). To, że pasmo przecina zero tylko przy wysokiej uważności, nie jest jeszcze testem moderowanej mediacji. Takim testem jest indeks moderowanej mediacji, czyli nachylenie tej prostej. Mechanikę efektu pośredniego pokazuje wpis Mediacja w obrazkach, a efekty warunkowe w zwykłej moderacji – Moderacja – wizualizacja na obrazkach.

Podpis do pracy:

Rysunek 1. Warunkowy efekt pośredni stresu na jakość snu przez ruminację w zależności od uważności. Uwaga. Linia – efekt pośredni (a1 + a3W)·b; pasmo – punktowe 95% przedziały percentylowe z 5000 prób bootstrapowych; trójkąty – efekty przy −1 SD, średniej i +1 SD uważności; szare tło – wartości uważności, przy których przedział obejmuje zero. Zmienne w jednostkach z, N = 250.

Kod poniżej odtwarza rysunek i liczby z tego akapitu. Dane i ziarno 195 są te same co w przykładzie (ziarno ustalone raz, niezmieniane), dlatego przedziały w trzech punktach są identyczne. Kod definiuje sam paletę Okabe–Ito i motyw. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki i siatka.

Kod R rysunku 1
# Rysunek 1. Warunkowy efekt pośredni stresu na sen (przez ruminację) w funkcji uważności, z 95% pasmem bootstrapowym
library(boot)
library(ggplot2)
okabe <- c(niebieski = "#0072B2", cynober = "#D55E00", szary = "grey45")
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom", plot.title = element_text(face = "bold"))

set.seed(195)                                          # te same dane i próby bootstrapowe co w przykładzie hasła
n <- 250
stres     <- rnorm(n, 0, 1)                            # X
uwaznosc  <- rnorm(n, 0, 1)                            # W
ruminacja <- 0.45 * stres - 0.20 * uwaznosc - 0.25 * stres * uwaznosc + rnorm(n, 0, 0.9)   # M
sen       <- -0.40 * ruminacja - 0.10 * stres + rnorm(n, 0, 0.9)                            # Y
d <- data.frame(stres, uwaznosc, ruminacja, sen)
w3 <- mean(uwaznosc) + c(-1, 0, 1) * sd(uwaznosc)       # −1 SD, M, +1 SD
wsp <- function(d, i = seq_len(nrow(d))) {
  d <- d[i, ]
  a <- coef(lm(ruminacja ~ stres * uwaznosc, data = d))
  b <- coef(lm(sen ~ ruminacja + stres, data = d))["ruminacja"]
  unname(c(a["stres"], a["stres:uwaznosc"], b, (a["stres"] + a["stres:uwaznosc"] * w3) * b))
}
bt <- boot(d, wsp, R = 5000)
siatka <- data.frame(w = seq(min(uwaznosc), max(uwaznosc), length.out = 401))   # zakres uważności w próbie
siatka$efekt <- (bt$t0[1] + bt$t0[2] * siatka$w) * bt$t0[3]
pasmo <- apply(bt$t, 1, function(p) (p[1] + p[2] * siatka$w) * p[3])   # efekt w każdej próbie bootstrapowej
siatka$dol  <- apply(pasmo, 1, quantile, 0.025)
siatka$gora <- apply(pasmo, 1, quantile, 0.975)
punkty <- data.frame(w = w3, efekt = bt$t0[4:6],
                     t(sapply(4:6, function(k) boot.ci(bt, type = "perc", index = k)$percent[4:5])))
names(punkty)[3:4] <- c("dol", "gora")
round(punkty, 3)                                       # trzy punkty z przykładu hasła
granica <- min(siatka$w[siatka$gora >= 0])             # od tej uważności pasmo obejmuje zero
round(c(granica_W = granica, odsetek_powyzej = mean(uwaznosc >= granica), min_W = min(uwaznosc), max_W = max(uwaznosc)), 3)

p1 <- ggplot(siatka, aes(w, efekt)) +
  annotate("rect", xmin = granica, xmax = Inf, ymin = -Inf, ymax = Inf, fill = "grey90") +
  annotate("text", x = granica + 0.1, y = -0.62, hjust = 0, size = 3.6,
           label = "pasmo obejmuje 0:\nefekt pośredni nieistotny") +
  geom_hline(yintercept = 0, linetype = "dashed", colour = "grey40") +
  geom_ribbon(aes(ymin = dol, ymax = gora), fill = okabe[["niebieski"]], alpha = 0.25) +
  geom_line(colour = okabe[["niebieski"]], linewidth = 1.1) +
  geom_errorbar(data = punkty, aes(ymin = dol, ymax = gora), width = 0.12, colour = okabe[["cynober"]], linewidth = 0.9) +
  geom_point(data = punkty, shape = 17, size = 3.4, colour = okabe[["cynober"]]) +
  geom_text(data = punkty, aes(y = gora + 0.05, label = c("−1 SD", "M", "+1 SD")), size = 3.6) +
  geom_rug(data = d, aes(x = uwaznosc), inherit.aes = FALSE, sides = "b", alpha = 0.4, length = unit(0.02, "npc")) +
  scale_x_continuous(breaks = -2:2) +
  labs(title = "Efekt pośredni stres → ruminacja → sen a uważność",
       x = "Uważność (W, jednostki z; kreski u dołu – osoby z próby)",
       y = "Warunkowy efekt pośredni (a1 + a3·W)·b") +
  motyw
p1   # zapis: ggsave("moderowana-mediacja-efekt-warunkowy.svg", p1, width = 10, height = 5.6)
Wynik w R
       w  efekt    dol   gora
1 -1.110 -0.359 -0.463 -0.258
2 -0.092 -0.236 -0.308 -0.165
3  0.926 -0.113 -0.189 -0.039
      granica_W odsetek_powyzej           min_W           max_W 
          1.183           0.120          -2.809           2.342 

Jak opisać w pracy

Moderowaną mediację zbadano w modelu z moderacją ścieżki a (model 7; Hayes, 2022), z 95% przedziałami ufności z bootstrapu percentylowego (5000 prób). Uważność osłabiała związek stresu z ruminacją, a3 = −0.27, SE = 0.05, p < .001. Warunkowy efekt pośredni stresu na jakość snu przez ruminację wyniósł −0.36, 95% CI [−0.46, −0.26] przy niskiej uważności (−1 SD) i −0.11, 95% CI [−0.19, −0.04] przy wysokiej (+1 SD).

Na co uważać

  • Dwa istotne efekty warunkowe nie dowodzą moderacji. Formalnym testem jest indeks moderowanej mediacji i jego przedział ufności.
  • Nie myl z mediowaną moderacją. Tam pytanie dotyczy tego, przez jaki mediator działa sama interakcja.
  • Dane przekrojowe nie pokazują kolejności. Model opisuje hipotetyczny proces, a nie dowiedzioną przyczynowość.

Modele PROCESS w R z kodem krok po kroku opisuje wpis moderowana mediacja i modele PROCESS w R.

Przykład reprodukowalny

Warunkowe efekty pośrednie w R

Kod szacuje dwie regresje (mediator i wynik), liczy efekt pośredni przy trzech wartościach uważności i wyznacza bootstrapowe przedziały ufności pakietem boot.

Model 7: moderacja ścieżki a

Dane wejściowe: stres (X), ruminacja (M), jakość snu (Y) i uważność (W) u 250 osób, zmienne w jednostkach z (dane symulowane, set.seed(195)).

Co odczytać: trzy efekty pośrednie (−1 SD, średnia, +1 SD uważności) i ich 95% CI w kolejnych wierszach.

R
set.seed(195)
n <- 250
stres     <- rnorm(n, 0, 1)                           # X
uwaznosc  <- rnorm(n, 0, 1)                           # W
ruminacja <- 0.45 * stres - 0.20 * uwaznosc - 0.25 * stres * uwaznosc + rnorm(n, 0, 0.9)   # M
sen       <- -0.40 * ruminacja - 0.10 * stres + rnorm(n, 0, 0.9)                            # Y
d <- data.frame(stres, uwaznosc, ruminacja, sen)
w <- mean(uwaznosc) + c(-1, 0, 1) * sd(uwaznosc)   # −1 SD, M, +1 SD uważności
efekty <- function(d, i = seq_len(nrow(d))) {
  d <- d[i, ]
  a <- coef(lm(ruminacja ~ stres * uwaznosc, data = d))
  b <- coef(lm(sen ~ ruminacja + stres, data = d))["ruminacja"]
  unname((a["stres"] + a["stres:uwaznosc"] * w) * b)   # warunkowe efekty pośrednie
}
round(efekty(d), 3)
library(boot)
bt <- boot(d, efekty, R = 5000)
round(t(sapply(1:3, function(k) boot.ci(bt, type = "perc", index = k)$percent[4:5])), 3)
Wynik w R
[1] -0.359 -0.236 -0.113
       [,1]   [,2]
[1,] -0.463 -0.258
[2,] -0.308 -0.165
[3,] -0.189 -0.039

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem boot 1.3.32. Rysunek 1 wykonano w pakiecie ggplot2 i zapisano pakietem svglite. Przy innej liczbie prób bootstrapowych granice przedziałów mogą się nieznacznie różnić.

  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: Canty, A., & Ripley, B. (2025). boot: Bootstrap functions (R package version 1.3-32) [Computer software]. 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
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czym różni się moderowana mediacja od mediowanej moderacji?

W moderowanej mediacji pytasz, czy efekt pośredni zmienia się z moderatorem. W mediowanej moderacji pytasz, przez jaki mediator przenosi się efekt samej interakcji X × W.

Który model PROCESS wybrać do moderowanej mediacji?

Ten, który odpowiada hipotezie: model 7, gdy moderator działa na ścieżce X → M, model 14, gdy na ścieżce M → Y. Wybór zapisz przed analizą danych.

Czy moderowaną mediację można policzyć w lavaan?

Tak. Zdefiniuj ścieżki z iloczynem X × W, efekty warunkowe jako parametry := i oszacuj model z bootstrapem. Dla zmiennych obserwowalnych oszacowania punktowe pokrywają się z regresją, której używa PROCESS.

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. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
  2. Hayes, A. F., & Rockwood, N. J. (2017). Regression-based statistical mediation and moderation analysis in clinical research: Observations, recommendations, and implementation. Behaviour Research and Therapy, 98, 39–57. https://doi.org/10.1016/j.brat.2016.11.001
  3. Preacher, K. J., Rucker, D. D., & Hayes, A. F. (2007). Addressing moderated mediation hypotheses: Theory, methods, and prescriptions. Multivariate Behavioral Research, 42(1), 185–227. https://doi.org/10.1080/00273170701341316 ● Otwarty dostęp: pełny tekst

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{hayes2017regression, author={Hayes, Andrew F. and Rockwood, Nicholas J.}, title={{Regression-based statistical mediation and moderation analysis in clinical research: Observations, recommendations, and implementation}}, journal={Behaviour Research and Therapy}, year={2017}, volume={98}, pages={39--57}, doi={10.1016/j.brat.2016.11.001}}
@article{preacher2007addressing, author={Preacher, Kristopher J. and Rucker, Derek D. and Hayes, Andrew F.}, title={{Addressing moderated mediation hypotheses: Theory, methods, and prescriptions}}, journal={Multivariate Behavioral Research}, year={2007}, volume={42}, number={1}, pages={185--227}, doi={10.1080/00273170701341316}}
R