Moderowana mediacja – kiedy efekt pośredni zależy od moderatora?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 26 października 2026

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.

Jak opisać w pracy

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.

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)

[1] -0.359 -0.236 -0.113
       [,1]   [,2]
[1,] -0.463 -0.258
[2,] -0.308 -0.165
[3,] -0.189 -0.039

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

@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}}