Słownik metodologiczny · Mediacja i moderacja

Test Sobela – wzór, obliczenia krok po kroku i dlaczego zastąpił go bootstrap

Test Sobela dzieli efekt pośredni ab przez błąd standardowy z metody delta. Pokazujemy obliczenia ręcznie i w R, wyjaśniamy, dlaczego założenie normalności rozkładu ab zawodzi, i podajemy opis wyniku w APA.

Strona główna / Słownik / Test Sobela
W skrócie: Test Sobela sprawdza istotność efektu pośredniego: z = ab / SEab, gdzie SEab = √(b²SEa² + a²SEb²). Zakłada, że ab ma rozkład normalny, choć rozkład iloczynu jest zwykle asymetryczny – dlatego test ma małą moc i daje symetryczne, nietrafne przedziały. Wniosek o mediacji opieraj na bootstrapowym przedziale ufności, a test Sobela traktuj co najwyżej jako uzupełnienie.

Co to jest test Sobela?

Test Sobela (ang. Sobel test, test pierwszego rzędu) to test istotności efektu pośredniego w analizie mediacji: oszacowanie efektu pośredniego ab dzieli się przez jego przybliżony błąd standardowy, a otrzymaną statystykę z porównuje z rozkładem normalnym. Test wywodzi się z pracy Sobela (1982) o asymptotycznych przedziałach ufności dla efektów pośrednich w modelach równań strukturalnych. MacKinnon i in. (2002) opisują ten błąd standardowy jako najczęściej stosowany wzór, wbudowany m.in. w programy do modelowania strukturalnego.

Przez lata test Sobela był domyślnym uzupełnieniem kroków Barona i Kenny’ego. Dziś uważa się go za metodę historyczną: zakłada, że efekt pośredni ma rozkład normalny, a ten rozkład zwykle jest asymetryczny. Dlatego zamiast testu Sobela raportuj bootstrapowy przedział ufności dla ab.

Wzór na test Sobela

SEab = √(b²SEa² + a²SEb²)
z = ab / SEab
  • a, SEa – współczynnik i błąd standardowy z regresji mediatora M na X;
  • b, SEb – współczynnik mediatora i jego błąd standardowy z regresji Y na X i M (czyli przy kontroli X);
  • z – statystyka testu; dwustronną wartość p odczytuje się z rozkładu normalnego, a 95% przedział ufności to ab ± 1.96 × SEab.

Wzór pochodzi z metody delta – przybliżenia funkcji ab rozwinięciem Taylora pierwszego rzędu (MacKinnon i in., 2002). Każdy składnik pod pierwiastkiem to niepewność jednej ścieżki „przeskalowana” przez drugą ścieżkę: niepewność a liczy się tym bardziej, im większe jest b, i odwrotnie. Wzór pomija kowariancję a i b, bo w prostym modelu mediacji przy wielowymiarowym rozkładzie normalnym oszacowania obu ścieżek są niezależne. Dwa warianty tego wzoru różnią się ostatnim składnikiem: test Aroiana dodaje iloczyn SEa²SEb², a test Goodmana go odejmuje.

Przykład: test Sobela krok po kroku

Sześćdziesięciu studentów (dane symulowane) wypełniło skalę obaw perfekcjonistycznych (1–5; M = 3.24, SD = 0.89), skalę prokrastynacji akademickiej (1–5; M = 2.90, SD = 0.85) i skalę wypalenia akademickiego (1–7; M = 3.57, SD = 1.11). Hipoteza: obawy perfekcjonistyczne wiążą się z wypaleniem między innymi przez odkładanie zadań na później.

  1. Ścieżka a (regresja prokrastynacji na perfekcjonizm): a = 0.365, SEa = 0.116, t(58) = 3.15, p = .003.
  2. Ścieżka b (regresja wypalenia na prokrastynację i perfekcjonizm): b = 0.395, SEb = 0.174, t(57) = 2.27, p = .027.
  3. Efekt pośredni: ab = 0.3652 × 0.3951 = 0.1443 (liczymy na pełnych wartościach z wydruku).
  4. Błąd standardowy: b²SEa² = 0.00209 i a²SEb² = 0.00404, więc SEab = √(0.00209 + 0.00404) = √0.00613 = 0.0783.
  5. Statystyka testu: z = 0.1443 / 0.0783 = 1.84, p = .065; 95% CI [−0.009, 0.298].

Test Sobela jest nieistotny, a jego przedział ufności obejmuje zero. Tymczasem obie ścieżki są istotne, a percentylowy przedział bootstrap z 5000 prób, [0.033, 0.311], zera nie obejmuje. Ta sama próba prowadzi więc do dwóch różnych wniosków – i to bootstrapowi należy tu ufać. Hayes i Scharkow (2013) zauważają, że testy efektu pośredniego częściej są zgodne niż rozbieżne, ale rozbieżności zdarzają się częściej wtedy, gdy efekt pośredni naprawdę istnieje.

Dlaczego założenie normalności zawodzi?

Nawet jeśli oszacowania a i b mają rozkłady normalne, ich iloczyn zwykle takiego rozkładu nie ma. Aroian (1947) pokazał, że rozkład iloczynu dwóch zmiennych normalnych zbliża się do normalnego dopiero wtedy, gdy stosunki ich średnich do odchyleń standardowych są duże – w analizie mediacji oznacza to bardzo precyzyjnie oszacowane obie ścieżki. MacKinnon i in. (2004) wykazali w symulacji, że przedziały ufności oparte na rozkładzie normalnym są niezrównoważone, bo rozkład efektu pośredniego jest normalny tylko w szczególnych przypadkach. Rysunek 1 pokazuje ten problem na danych z przykładu.

Histogram 5000 bootstrapowych oszacowań efektu pośredniego, prawostronnie skośny (skośność 0.73), z percentylowym 95% CI od 0.033 do 0.311, oraz krzywa normalna testu Sobela z symetrycznym 95% CI od −0.009 do 0.298; poniżej zera leży 3.3% pola krzywej normalnej i tylko 0.2% prób bootstrap
Rysunek 1. Rozkład 5000 bootstrapowych oszacowań efektu pośredniego ab (szare słupki) i rozkład normalny zakładany w teście Sobela (niebieska krzywa, średnia ab, odchylenie standardowe SEab). Czerwona linia ciągła – oszacowanie z próby; czerwone linie przerywane – percentylowy 95% CI; niebieskie kropkowane – 95% CI Sobela; niebieskie pole – część krzywej normalnej poniżej zera. Obliczenia: R (dane symulowane).

Rozkład bootstrapowy jest prawostronnie skośny (skośność = 0.73) i ma cięższe ogony niż normalny (kurtoza nadwyżkowa = 0.82). Krzywa normalna przypisuje wartościom poniżej zera 3.3% pola, podczas gdy w bootstrapie takich oszacowań było tylko 11 z 5000 (0.2%). Stąd rozbieżność: przedział Sobela jest symetryczny – sięga po 0.154 w obie strony od ab – a przedział bootstrapowy kończy się 0.111 poniżej oszacowania i 0.167 powyżej. Krótszy lewy ogon odsuwa dolną granicę od zera.

W symulacjach skutkiem jest zbyt mały błąd I rodzaju i mała moc testu Sobela. W symulacji MacKinnona i in. (2002) przy małych ścieżkach i N = 200 wykrył efekt pośredni tylko w 12.2% replikacji. Shrout i Bolger (2002) zalecają bootstrap właśnie dlatego, że uwzględnia asymetrię rozkładu efektu pośredniego. Statystykę Sobela można też zapisać przez statystyki obu ścieżek, z = zazb / √(za² + zb²) – jest ona zawsze mniejsza od mniejszej z nich, dlatego test Sobela jest ostrożniejszy niż test łącznej istotności ścieżek a i b.

Czy test Sobela można jeszcze stosować?

Jako jedyny test efektu pośredniego – nie. Jako uzupełnienie – tak, np. gdy recenzent o niego prosi albo gdy porównujesz wyniki ze starszymi badaniami. Przy dużych próbach i silnych ścieżkach rozkład ab zbliża się do normalnego i wnioski z obu metod zwykle się pokrywają. Główny wniosek opieraj jednak na bootstrapie: Hayes i Scharkow (2013) uznają percentylowy przedział bootstrap za dobry kompromis między mocą a kontrolą błędu I rodzaju, a MacKinnon i in. (2004) wskazują metody resamplingu jako dokładniejsze od przedziałów opartych na rozkładzie normalnym. Bootstrap jest domyślną metodą w makrze PROCESS i łatwo go włączyć w pakiecie lavaan – pokazujemy to w poradniku analiza mediacji krok po kroku.

Jak opisać wynik w pracy (APA)

Jeśli podajesz test Sobela, opisz go obok przedziału bootstrapowego i jasno wskaż, na której metodzie opierasz wniosek. Wzór dla przykładu:

Efekt pośredni obaw perfekcjonistycznych na wypalenie akademickie przez prokrastynację oszacowano jako iloczyn ścieżek a i b. Obawy perfekcjonistyczne wiązały się z prokrastynacją, a = 0.365, SE = 0.116, p = .003, a prokrastynacja – przy kontroli perfekcjonizmu – z wypaleniem, b = 0.395, SE = 0.174, p = .027. Test Sobela nie wykazał istotnego efektu pośredniego, ab = 0.144, SE = 0.078, z = 1.84, p = .065. Ponieważ rozkład efektu pośredniego jest asymetryczny, wniosek oparto na percentylowym 95% przedziale ufności bootstrap (5000 prób), który nie obejmował zera, 95% CI [0.033, 0.311]; efekt pośredni uznano więc za istotny.

Pełną tabelę ścieżek i efektów przygotujesz według wzoru z hasła tabela mediacji w APA.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, liczy test Sobela „ręcznie” na podstawie dwóch regresji i dla porównania wyznacza percentylowy przedział bootstrap. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

Test Sobela i bootstrap efektu pośredniego

Dane wejściowe: 60 studentów (dane symulowane, set.seed(680)): obawy perfekcjonistyczne (1–5), prokrastynacja (1–5), wypalenie akademickie (1–7).

Co odczytać: składniki wariancji iloczynu, ab, se_ab, z i p testu Sobela, jego symetryczny 95% CI oraz percentylowy 95% CI z bootstrapu.

R
# Dane symulowane: obawy perfekcjonistyczne (1–5), prokrastynacja (1–5), wypalenie akademickie (1–7), N = 60
set.seed(680)
n <- 60
perfekcjonizm <- pmin(pmax(round(rnorm(n, 3.1, 0.75), 1), 1), 5)
z_per <- (perfekcjonizm - 3.1) / 0.75
prokrastynacja <- pmin(pmax(round(2.9 + 0.8 * (0.35 * z_per + rnorm(n, sd = 0.94)), 1), 1), 5)
z_pro <- (prokrastynacja - 2.9) / 0.8
wypalenie <- pmin(pmax(round(3.6 + 1.1 * (0.15 * z_per + 0.30 * z_pro + rnorm(n, sd = 0.9)), 1), 1), 7)
dane <- data.frame(perfekcjonizm, prokrastynacja, wypalenie)
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)

# Ścieżki a i b oraz ich błędy standardowe z dwóch regresji
m_a <- lm(prokrastynacja ~ perfekcjonizm, data = dane)
m_b <- lm(wypalenie ~ perfekcjonizm + prokrastynacja, data = dane)
a <- unname(coef(m_a)["perfekcjonizm"]);  se_a <- coef(summary(m_a))["perfekcjonizm", "Std. Error"]
b <- unname(coef(m_b)["prokrastynacja"]); se_b <- coef(summary(m_b))["prokrastynacja", "Std. Error"]

# Test Sobela: z = ab / SE(ab), błąd standardowy z metody delta pierwszego rzędu
ab <- a * b
round(c(b2_se_a2 = b^2 * se_a^2, a2_se_b2 = a^2 * se_b^2), 5)   # dwa składniki wariancji iloczynu
se_ab <- sqrt(b^2 * se_a^2 + a^2 * se_b^2)
z <- ab / se_ab
p <- 2 * pnorm(-abs(z))
round(c(a = a, se_a = se_a, b = b, se_b = se_b, ab = ab, se_ab = se_ab, z = z, p = p), 4)
round(ab + c(-1, 1) * qnorm(.975) * se_ab, 3)          # symetryczny 95% CI zakładany w teście Sobela

# Zalecana alternatywa: percentylowy przedział bootstrap (5000 prób)
set.seed(2026)
ab_boot <- replicate(5000, {
  d <- dane[sample(nrow(dane), replace = TRUE), ]
  coef(lm(prokrastynacja ~ perfekcjonizm, d))[2] * coef(lm(wypalenie ~ perfekcjonizm + prokrastynacja, d))[3]
})
round(quantile(ab_boot, c(.025, .975)), 3)
Wynik w R
   perfekcjonizm prokrastynacja wypalenie
M           3.24           2.90      3.57
SD          0.89           0.85      1.11
b2_se_a2 a2_se_b2
 0.00209  0.00404
     a   se_a      b   se_b     ab  se_ab      z      p
0.3652 0.1158 0.3951 0.1741 0.1443 0.0783 1.8419 0.0655
[1] -0.009  0.298
 2.5% 97.5%
0.033 0.311 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe); 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Test Sobela jako jedyny dowód. Nieistotny wynik przy małej próbie nie oznacza braku mediacji, a istotny nie zastępuje przedziału ufności.
  • Mieszanie skal. a, b, SEa i SEb muszą pochodzić z tego samego rozwiązania (zwykle niestandaryzowanego). Wstawienie współczynników β ze standardowymi błędami wersji niestandaryzowanej daje błędne z.
  • Ścieżka b bez kontroli X. Do wzoru wstaw współczynnik mediatora z regresji Y na X i M, a nie z regresji Y na samym M.
  • Wpisywanie do kalkulatora mocno zaokrąglonych wartości. Przy granicznych wynikach nawet zaokrąglenie SE do dwóch miejsc zmienia p; licz na pełnych liczbach z wydruku.
  • Wybór testu po zobaczeniu wyniku. Raportowanie tej metody (Sobel, Aroian, Goodman, bootstrap), która „dała” p < .05, to forma p-hackingu. Metodę ustal przed analizą.

Najczęstsze pytania

Jak obliczyć test Sobela?

Z dwóch regresji odczytaj a i SEa (M na X) oraz b i SEb (Y na X i M). Oblicz SEab = √(b²SEa² + a²SEb²) i z = ab / SEab. W przykładzie z tej strony z = 0.1443 / 0.0783 = 1.84, p = .065.

Jak interpretować wynik testu Sobela?

Jeśli |z| > 1.96 (p < .05), efekt pośredni uznaje się za istotny. Nieistotny wynik nie dowodzi braku mediacji – test Sobela ma małą moc, zwłaszcza w małych próbach. Zawsze podaj też wielkość ab i jej przedział ufności, najlepiej bootstrapowy.

Dlaczego test Sobela nie jest zalecany?

Bo zakłada, że efekt pośredni ma rozkład normalny, a rozkład iloczynu dwóch współczynników jest zwykle asymetryczny. MacKinnon i in. (2004) wykazali, że przedziały oparte na rozkładzie normalnym są niezrównoważone, a dokładniejsze wyniki dają metody resamplingu. Dlatego standardem jest bootstrap.

Czym różni się test Sobela od testu Aroiana i Goodmana?

Tylko wzorem na błąd standardowy. Test Aroiana dodaje pod pierwiastkiem składnik SEa²SEb², a test Goodmana go odejmuje. Przy dużych próbach wyniki są niemal identyczne; wszystkie trzy zakładają normalność rozkładu ab (zob. test Aroiana).

Czy test Sobela jest w SPSS?

W standardowym menu SPSS go nie ma. Możesz policzyć go ręcznie z dwóch regresji liniowych albo – lepiej – użyć makra PROCESS (model 4), które dla efektu pośredniego podaje bootstrapowy przedział ufności. To on powinien być podstawą wniosku.

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. Aroian, L. A. (1947). The probability function of the product of two normally distributed variables. The Annals of Mathematical Statistics, 18(2), 265–271. https://doi.org/10.1214/aoms/1177730442 ● Otwarty dostęp
  2. Hayes, A. F., & Scharkow, M. (2013). The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: Does method really matter? Psychological Science, 24(10), 1918–1927. https://doi.org/10.1177/0956797613480187
  3. MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39(1), 99–128. https://doi.org/10.1207/s15327906mbr3901_4 ● Otwarty dostęp
  4. MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G., & Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7(1), 83–104. https://doi.org/10.1037/1082-989x.7.1.83 ● Otwarty dostęp: pełny tekst
  5. Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7(4), 422–445. https://doi.org/10.1037/1082-989x.7.4.422
  6. Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723

Cytowania BibTeX

@article{aroian1947probability, author={Aroian, Leo A.}, title={{The probability function of the product of two normally distributed variables}}, journal={The Annals of Mathematical Statistics}, year={1947}, volume={18}, number={2}, pages={265--271}, doi={10.1214/aoms/1177730442}}
@article{hayes2013relative, author={Hayes, Andrew F. and Scharkow, Michael}, title={{The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: Does method really matter?}}, journal={Psychological Science}, year={2013}, volume={24}, number={10}, pages={1918--1927}, doi={10.1177/0956797613480187}}
@article{mackinnon2004confidence, author={MacKinnon, David P. and Lockwood, Chondra M. and Williams, Jason}, title={{Confidence limits for the indirect effect: Distribution of the product and resampling methods}}, journal={Multivariate Behavioral Research}, year={2004}, volume={39}, number={1}, pages={99--128}, doi={10.1207/s15327906mbr3901_4}}
@article{mackinnon2002comparison, author={MacKinnon, David P. and Lockwood, Chondra M. and Hoffman, Jeanne M. and West, Stephen G. and Sheets, Virgil}, title={{A comparison of methods to test mediation and other intervening variable effects}}, journal={Psychological Methods}, year={2002}, volume={7}, number={1}, pages={83--104}, doi={10.1037/1082-989x.7.1.83}}
@article{shrout2002mediation, author={Shrout, Patrick E. and Bolger, Niall}, title={{Mediation in experimental and nonexperimental studies: New procedures and recommendations}}, journal={Psychological Methods}, year={2002}, volume={7}, number={4}, pages={422--445}, doi={10.1037/1082-989x.7.4.422}}
@article{sobel1982asymptotic, author={Sobel, Michael E.}, title={{Asymptotic confidence intervals for indirect effects in structural equation models}}, journal={Sociological Methodology}, year={1982}, volume={13}, pages={290--312}, doi={10.2307/270723}}
R