Kim byli Reuben M. Baron i David A. Kenny?
Reuben M. Baron (1936–2023) urodził się 1 sierpnia 1936 r. w Brooklynie. Ukończył Brooklyn College, doktorat z psychologii zrobił na New York University. Był psychologiem społecznym na University of Connecticut (UConn), gdzie został profesorem emeritus. Zajmował się percepcją i poznaniem społecznym i opublikował ponad sto artykułów; był też krytykiem sztuki. Zmarł w czerwcu 2023 r. w wieku 86 lat (Silow-Carroll, 2023).
David A. Kenny doktoryzował się z psychologii społecznej na Northwestern University w 1972 r. (University of Connecticut, b.d.). Pracował na Harvardzie, a w 1978 r. przeniósł się do Connecticut (Kenny, 2024). Dziś jest profesorem emeritus UConn. Bada percepcję interpersonalną – czy trafnie oceniamy innych i czy wiemy, co inni myślą o nas – oraz analizę danych z par osób (diad).
Najważniejsze pomysły
- Moderator a mediator (1986). W „Journal of Personality and Social Psychology” Baron i Kenny (1986) rozdzielili dwa pojęcia, które wcześniej często mieszano. Moderator zmienia siłę lub kierunek związku X z Y – to pytanie „kiedy i dla kogo?”. Mediator jest ogniwem pośrednim: X wpływa na M, a M na Y – to pytanie „jak i dlaczego?”. Podali też procedury analityczne dla obu przypadków.
- Kroki mediacji. Najbardziej znany fragment pracy to zestaw warunków sprawdzanych trzema regresjami: X przewiduje Y (efekt całkowity c), X przewiduje M (a), M przewiduje Y przy kontroli X (b), a efekt bezpośredni c′ maleje. Opisujemy je w haśle podejście Barona i Kenny’ego.
- Analiza procesu (1981). Pięć lat wcześniej Judd i Kenny (1981) opisali w „Evaluation Review” szacowanie mediacji w ewaluacji programów i sprawdzanie, czy oddziaływanie zmienia sam proces pośredniczący – to pytanie bliskie późniejszej moderowanej mediacji.
- Dane z par. Kenny jest współautorem podręcznika Dyadic Data Analysis (2006, z D. A. Kashy i W. L. Cookiem) o analizie danych z par; w praktyce takie dane analizuje się często w modelu APIM. Kenny dostał m.in. Nagrodę im. Donalda T. Campbella (2006) i pierwszą nagrodę SPSP za innowację metodologiczną (2013) (University of Connecticut, b.d.).
Ciekawostka
Najczęściej cytowany artykuł o mediacji dwa razy odrzucono. Kenny (2024) opisuje na swojej stronie, że Baron usłyszał jego referat o analizie mediacyjnej jeszcze na Harvardzie i po przenosinach Kenny’ego do Connecticut w 1978 r. chciał napisać z nim wspólny tekst. Kenny był sceptyczny, ale Baron nie ustępował.
Gotowy artykuł odrzuciły kolejno „American Psychologist” i „Journal of Personality and Social Psychology”. Gdy redakcję JPSP objął Harry Reis, autorzy złożyli tekst ponownie. Dwóch recenzentów chciało go odrzucić, jeden zalecił poprawki, jeden przyjęcie – a Reis artykuł opublikował (Kenny, 2024).
Przykład na prawdziwych danych
Zbiór Tal.Or z pakietu psych to – według pliku pomocy – dane z badania 2 Tal-Or i in. (2010). 123 osoby czytały artykuł o spodziewanym niedoborze cukru; manipulowano tym, czy tekst ukazał się na pierwszej stronie gazety, czy w jej środku (X). Mierzono domniemany wpływ mediów na innych (M, średnia z dwóch pozycji) i deklarowaną reakcję, np. zakupy na zapas (Y, średnia z czterech pozycji). Średnia M wyniosła 5.38 w grupie „środek gazety” i 5.85 w grupie „pierwsza strona”, a średnia Y – 3.25 i 3.75.
Kroki Barona i Kenny’ego. Efekt całkowity c = 0.496 (p = .077) – pierwszy krok nie jest spełniony, więc według ścisłej procedury analizę należałoby zakończyć. Pozostałe ścieżki: a = 0.477 (p = .045), b = 0.506 (p < .001), a efekt bezpośredni c′ = 0.254 (p = .322).
Efekt pośredni. Iloczyn ab = 0.241 równa się różnicy c − c′. Test Sobela daje z = 1.89, p = .059 i przedział [−0.010; 0.492]. Bootstrap percentylowy z 5000 prób (ziarno 1986) daje 95% CI [0.006; 0.522] – zero leży tuż poza przedziałem, a tylko 2.3% bootstrapowych wartości ab jest nie większych od zera. Kroki dają więc „brak mediacji”, a bootstrap – efekt pośredni różny od zera; dolna granica leży jednak blisko zera.
Na rysunku
Co widać. Drogi obu badaczy spotykają się w Connecticut pod koniec lat 70.
Na co uważać. Na osi nie ma lat studiów Barona ani jego przyjścia do UConn – cytowane źródła ich nie podają.
Podpis do pracy:
psych::Tal.Or, N = 123): dane z prostymi z modelu Y ~ X + M (A) oraz rozkład bootstrapowy efektu pośredniego na tle rozkładu normalnego zakładanego przez test Sobela (B). Bootstrap: 5000 prób, set.seed(1986); punkty w panelu A lekko rozsunięte (set.seed(2010)). Obliczenia i rysunek: R, pakiety boot, ggplot2 i patchwork.Co widać. W panelu A obie proste mają to samo nachylenie b, a pionowa odległość między nimi to efekt bezpośredni c′ – niewielki w porównaniu z rozrzutem punktów. W panelu B histogram jest lekko przesunięty w prawo względem krzywej normalnej (skośność 0.27), dlatego przedział bootstrapowy jest niesymetryczny i nie obejmuje zera, a symetryczny przedział Sobela – obejmuje.
Na co uważać. Manipulowano tylko X; związek M z Y mogą zakłócać trzecie zmienne. Bootstrap tego nie naprawia.
Podpis do pracy:
Gdzie spotkasz Barona i Kenny’ego w swojej pracy
Gdy hipoteza brzmi „X działa przez M” albo „związek X z Y zależy od W”:
- najpierw zdecyduj, czy pytasz o mediację, czy o moderację – to inne modele i inne hipotezy (szczegóły w poradnikach Analiza mediacji krok po kroku i Analiza moderacji krok po kroku);
- raportuj ścieżki a, b, c, c′ i efekt pośredni z przedziałem bootstrapowym; brak istotnego c nie wyklucza efektu pośredniego, co widać w przykładzie;
- nazwij założenia przyczynowe – zwłaszcza brak zmiennych zakłócających związek M z Y – i rozważ analizę wrażliwości (mediacja przyczynowa i analiza wrażliwości).
Spory, mity i trudne strony
- Kroki czy efekt pośredni? Sam Kenny (2024) wskazuje dwie słabości procedury kroków: zakłada ona, że analizę zaczyna się od efektu X na Y, a właściwą miarą mediacji jest efekt pośredni, nie seria testów. Według Kenny’ego symulacje zespołu D. P. MacKinnona z 2002 r. pokazały małą moc kroków; później upowszechnił się bootstrap.
- Kogo cytować? Kenny (2024) zaleca jako źródło kroków raczej pracę Judda i Kenny’ego (1981), bo była wcześniejsza i wprost wymieniała założenia przyczynowe; z wersji z 1986 r. omówienie zakłóceń wypadło przy skracaniu.
- Kto był pierwszy? Według Kenny’ego (2024) pojęcie zmiennej pośredniczącej („elaboracja typu M”) wprowadziła grupa Paula Lazarsfelda z Columbii, a trzystopniową procedurę opisano już w książce H. Hymana Survey Analysis z 1955 r.; wcześniej o efektach pośrednich w analizie ścieżek pisał Sewall Wright.
- Liczba cytowań. Źródła podają różne liczby, zależnie od daty i bazy: profil Kenny’ego na stronie UConn – ponad 55 tys., nekrolog Barona z 2023 r. – ponad 120 tys. (University of Connecticut, b.d.; Silow-Carroll, 2023).
Mediacja: kroki i bootstrap w R
Kod wczytuje dane Tal-Or i in. (2010), liczy trzy regresje kroków Barona i Kenny’ego, efekt pośredni z testem Sobela i z bootstrapem percentylowym, a potem rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Losowanie: bootstrap z set.seed(1986) (5000 prób) i rozsunięcie punktów na wykresie z set.seed(2010).
1. Kroki mediacji, test Sobela i bootstrap: rysunek 2
Kod R rysunku 2
# Baron i Kenny: kroki mediacji vs efekt pośredni z bootstrapem (psych::Tal.Or – Tal-Or i in., 2010, badanie 2)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(boot)})
kol <- c(niskie = "#0072B2", wysokie = "#D55E00", boot = "#56B4E9", sobel = "#000000") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(Tal.Or, package = "psych")
# cond – artykuł na pierwszej stronie (1) albo w środku gazety (0); pmi – domniemany wpływ mediów na innych;
# reaction – deklarowana reakcja na wiadomość o niedoborze cukru (np. zakupy na zapas)
d <- Tal.Or[, c("cond", "pmi", "reaction")]
c(N = nrow(d), braki = sum(is.na(d)))
round(aggregate(cbind(pmi, reaction) ~ cond, data = d, FUN = mean), 3)
# 1. Kroki Barona i Kenny'ego: trzy regresje
m_c <- lm(reaction ~ cond, data = d) # krok 1: X -> Y (efekt całkowity c)
m_a <- lm(pmi ~ cond, data = d) # krok 2: X -> M (ścieżka a)
m_b <- lm(reaction ~ cond + pmi, data = d) # kroki 3 i 4: M -> Y przy kontroli X (b), efekt bezpośredni c'
kroki <- rbind(c = summary(m_c)$coef["cond", ], a = summary(m_a)$coef["cond", ],
b = summary(m_b)$coef["pmi", ], c_prim = summary(m_b)$coef["cond", ])
round(kroki, 3)
# 2. Efekt pośredni ab i test Sobela (błąd standardowy z metody delta)
a <- coef(m_a)[["cond"]]; b <- coef(m_b)[["pmi"]]
se_a <- summary(m_a)$coef["cond", 2]; se_b <- summary(m_b)$coef["pmi", 2]
ab <- a * b
se_sobel <- sqrt(b^2 * se_a^2 + a^2 * se_b^2)
round(c(ab = ab, c_minus_cprim = coef(m_c)[["cond"]] - coef(m_b)[["cond"]], se_sobel = se_sobel,
z = ab / se_sobel, p_sobel = 2 * pnorm(-abs(ab / se_sobel)),
dolna_sobel = ab - 1.96 * se_sobel, gorna_sobel = ab + 1.96 * se_sobel), 3)
# 3. Bootstrap percentylowy efektu pośredniego (5000 prób losowanych ze zwracaniem)
ab_fun <- function(dane, i) {
x <- dane[i, ]
coef(lm(pmi ~ cond, data = x))[["cond"]] * coef(lm(reaction ~ cond + pmi, data = x))[["pmi"]]
}
set.seed(1986)
bt <- boot(d, ab_fun, R = 5000)
ci <- quantile(bt$t[, 1], c(0.025, 0.975))
skos <- mean((bt$t[, 1] - mean(bt$t[, 1]))^3) / sd(bt$t[, 1])^3
round(c(ab = bt$t0, dolna_boot = ci[[1]], gorna_boot = ci[[2]],
odsetek_ab_ponizej_0 = mean(bt$t[, 1] <= 0), skosnosc_boot = skos), 3)
# Rysunek: A – dane i dwie równoległe proste z modelu Y ~ X + M; B – rozkład bootstrapowy ab vs normalny Sobela
d$warunek <- factor(d$cond, levels = 0:1, labels = c("artykuł w środku gazety", "artykuł na pierwszej stronie"))
linie <- data.frame(warunek = factor(levels(d$warunek), levels = levels(d$warunek)),
wyraz_wolny = coef(m_b)[["(Intercept)"]] + c(0, coef(m_b)[["cond"]]), nachylenie = b)
set.seed(2010) # tylko do rozsunięcia punktów (jitter), nie wpływa na wyniki
pA <- ggplot(d, aes(pmi, reaction, colour = warunek, shape = warunek)) +
geom_jitter(width = 0.08, height = 0.08, size = 2, alpha = 0.75) +
geom_abline(data = linie, aes(intercept = wyraz_wolny, slope = nachylenie, colour = warunek, linetype = warunek),
linewidth = 1) +
scale_colour_manual(values = unname(kol[c("niskie", "wysokie")]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_linetype_manual(values = c("solid", "22"), name = NULL) +
labs(title = sprintf("A. Model Y ~ X + M: b = %.3f, c' = %.3f", b, coef(m_b)[["cond"]]),
x = "Domniemany wpływ mediów na innych (M)", y = "Deklarowana reakcja (Y)") +
motyw + guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
siatka <- data.frame(ab = seq(min(bt$t[, 1]), max(bt$t[, 1]), length.out = 300))
siatka$gestosc <- dnorm(siatka$ab, ab, se_sobel)
pB <- ggplot(data.frame(ab = bt$t[, 1]), aes(ab)) +
geom_histogram(aes(y = after_stat(density)), bins = 50, fill = kol[["boot"]], colour = "white") +
geom_line(data = siatka, aes(ab, gestosc), colour = kol[["sobel"]], linewidth = 0.9, linetype = "22") +
geom_vline(xintercept = 0, colour = "grey40") +
geom_vline(xintercept = ci, colour = kol[["wysokie"]], linewidth = 0.8) +
labs(title = "B. Efekt pośredni ab: 5000 prób bootstrapowych",
subtitle = sprintf("95%% bootstrap: [%.3f; %.3f]; 95%% Sobel: [%.3f; %.3f]",
ci[[1]], ci[[2]], ab - 1.96 * se_sobel, ab + 1.96 * se_sobel),
x = "ab (słupki: bootstrap; linia: rozkład normalny Sobela)", y = "Gęstość") +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.1))
p2Wynik w R
N braki
123 0
cond pmi reaction
1 0 5.377 3.250
2 1 5.853 3.746
Estimate Std. Error t value Pr(>|t|)
c 0.496 0.278 1.786 0.077
a 0.477 0.236 2.022 0.045
b 0.506 0.097 5.219 0.000
c_prim 0.254 0.256 0.994 0.322
ab c_minus_cprim se_sobel z p_sobel
0.241 0.241 0.128 1.885 0.059
dolna_sobel gorna_sobel
-0.010 0.492
ab dolna_boot gorna_boot
0.241 0.006 0.522
odsetek_ab_ponizej_0 skosnosc_boot
0.023 0.273 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Reuben M. Baron (1936–2023) i David A. Kenny – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1936, 1986, 2023,
1972, 1978, 1981, 1986, 2006, 2013),
osoba = c(rep("Reuben M. Baron", 3), rep("David A. Kenny", 6)),
opis = c("urodził się\nw Brooklynie", "artykuł w JPSP\n(z Kennym)", "zmarł",
"doktorat\n(Northwestern)", "przenosi się\ndo Connecticut", "„Process analysis”\n(z Juddem)",
"artykuł w JPSP\n(z Baronem)", "„Dyadic Data Analysis”;\nNagroda Campbella", "nagroda SPSP\nza innowację metodologiczną"),
rodzaj = c("życie", "publikacja", "życie",
"praca", "praca", "publikacja", "publikacja", "wyróżnienie", "wyróżnienie"),
poziom = c(0.5, -0.5, 0.5,
0.5, -0.5, 0.5, -0.5, 0.5, -0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5,
1, 1, 0, 0, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("Reuben M. Baron", "David A. Kenny"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
facet_wrap(~ osoba, ncol = 1) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1930, 2030), breaks = seq(1930, 2030, by = 10)) +
scale_y_continuous(limits = c(-1.6, 1.6)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (regresje – funkcja lm() z pakietu stats; bootstrap – pakiet boot; dane – pakiet psych; rysunki – pakiety ggplot2 i patchwork). 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
- psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim byli Reuben Baron i David Kenny?
Psychologami społecznymi z University of Connecticut. Baron (1936–2023) urodził się w Brooklynie, doktoryzował się na New York University i badał percepcję oraz poznanie społeczne. Kenny zrobił doktorat na Northwestern University w 1972 r., pracował na Harvardzie, a od 1978 r. w Connecticut; zajmuje się percepcją interpersonalną i analizą danych z par. Razem napisali artykuł z 1986 r. o moderatorach i mediatorach.
Czy kroki Barona i Kenny’ego są jeszcze zalecane?
Raczej nie jako jedyny test. Sam Kenny wskazuje, że procedura niepotrzebnie wymaga istotnego efektu X na Y i że właściwą miarą mediacji jest efekt pośredni ab, dziś oceniany zwykle przedziałem bootstrapowym. W przykładzie na danych Tal-Or i in. pierwszy krok nie jest spełniony (p = .077), a bootstrapowy przedział ab [0.006; 0.522] nie obejmuje zera.
Jak w skrócie odróżnić moderatora od mediatora według Barona i Kenny’ego?
Moderator odpowiada na pytanie „kiedy i dla kogo?” – zmienia siłę lub kierunek związku X z Y i bada się go interakcją. Mediator odpowiada na pytanie „jak i dlaczego?” – leży na drodze od X do Y, więc X wpływa na M, a M na Y. Ta sama zmienna może pełnić różne role w różnych hipotezach; decyduje teoria, nie dane.
Dlaczego artykuł Barona i Kenny’ego był dwa razy odrzucony?
Kenny opisał na swojej stronie, że tekst odrzuciły kolejno „American Psychologist” i „Journal of Personality and Social Psychology”. Autorzy złożyli go ponownie, gdy redaktorem JPSP został Harry Reis; recenzje były podzielone, a Reis artykuł opublikował po skróceniu części o założeniach. Przyczyn wcześniejszych odmów Kenny nie streszcza.
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 →PoradnikAnaliza moderacji krok po kroku
Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.
Czytaj →PoradnikMediacja przyczynowa i analiza wrażliwości
NDE, NIE i ACME zamiast samego ab, interakcja ekspozycja × mediator, sekwencyjna ignorowalność i analiza wrażliwości ρ – na jednym przykładzie w R.
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)
- Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
- Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating mediation in treatment evaluations. Evaluation Review, 5(5), 602–619. https://doi.org/10.1177/0193841x8100500502
- Kenny, D. A. (2024). Mediation history. davidakenny.net. https://davidakenny.net/cm/MediationHistory.html ● Otwarty dostęp
- Silow-Carroll, A. (2023). Reuben Baron, Jewish co-author of the most widely cited paper in the history of psychology, dies at 86. Jewish Telegraphic Agency. https://www.jta.org/2023/06/27/obituaries/reuben-baron-jewish-co-author-of-the-most-widely-cited-paper-in-the-history-of-psychology-dies-at-86 ● Otwarty dostęp
- Tal-Or, N., Cohen, J., Tsfati, Y., & Gunther, A. C. (2010). Testing causal direction in the influence of presumed media influence. Communication Research, 37(6), 801–824. https://doi.org/10.1177/0093650210362684
- University of Connecticut, Department of Psychological Sciences. (b.d.). David A. Kenny. Pobrano 20 listopada 2026 z https://psychology.uconn.edu/person/david-a-kenny ● Otwarty dostęp
Cytowania BibTeX
@article{baron1986moderator, author={Baron, Reuben M. and Kenny, David A.}, title={{The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations}}, journal={Journal of Personality and Social Psychology}, year={1986}, volume={51}, number={6}, pages={1173--1182}, doi={10.1037/0022-3514.51.6.1173}}@article{judd1981process, author={Judd, Charles M. and Kenny, David A.}, title={{Process analysis: Estimating mediation in treatment evaluations}}, journal={Evaluation Review}, year={1981}, volume={5}, number={5}, pages={602--619}, doi={10.1177/0193841x8100500502}}@misc{kenny2024mediationhistory, author={Kenny, David A.}, title={{Mediation history}}, howpublished={davidakenny.net}, year={2024}, url={https://davidakenny.net/cm/MediationHistory.html}}@misc{silowcarroll2023reuben, author={Silow-Carroll, Andrew}, title={{Reuben Baron, Jewish co-author of the most widely cited paper in the history of psychology, dies at 86}}, howpublished={Jewish Telegraphic Agency}, year={2023}, url={https://www.jta.org/2023/06/27/obituaries/reuben-baron-jewish-co-author-of-the-most-widely-cited-paper-in-the-history-of-psychology-dies-at-86}}@article{talor2010testing, author={Tal-Or, Nurit and Cohen, Jonathan and Tsfati, Yariv and Gunther, Albert C.}, title={{Testing causal direction in the influence of presumed media influence}}, journal={Communication Research}, year={2010}, volume={37}, number={6}, pages={801--824}, doi={10.1177/0093650210362684}}@misc{uconnkennydavid, author={{University of Connecticut, Department of Psychological Sciences}}, title={{David A. Kenny}}, url={https://psychology.uconn.edu/person/david-a-kenny}}