Медіаційний аналіз у психології: непрямий ефект, посередник і межі причинного тлумачення
Медіаційний аналіз — це спосіб перевірити, чи узгоджуються дані з моделлю, у якій зв’язок між змінною X і результатом Y частково проходить через проміжну змінну M. У психології M називають медіатором або посередником. У частині україномовних наукових публікацій також уживається назва «медіаторний аналіз». Центральний об’єкт такого аналізу — непрямий ефект: частина статистично описаного зв’язку або, за значно сильніших передумов, причинного ефекту X на Y, яка проходить через M.
Ключове методологічне правило просте: наявність статистично значущого непрямого ефекту сама по собі не доводить, що в реальному психологічному процесі X спричинила зміну M, а M — зміну Y. Медіаційна модель має причинну форму, але причинне тлумачення потребує відповідного дизайну, правильного часового порядку, обґрунтованого набору припущень щодо конфаундингу, коректного вимірювання та аналізу альтернативних пояснень. Сучасний систематичний огляд практики медіаційного аналізу в соціальній психології показав помітний розрив між поширеним використанням лінійних медіаційних моделей і вимогами каузального аналізу, зокрема щодо часової послідовності, взаємодії X×M та аналізу чутливості (Kim & Thoemmes, 2026).
Що таке медіатор у психологічному дослідженні
Медіатор M — це змінна, через яку, відповідно до теоретичної моделі, X може впливати на Y. Наприклад, дослідник може припустити, що певне втручання X впливає на психологічний результат Y через зміну конкретного процесу M. У такій моделі нас цікавить не лише питання «чи пов’язані X і Y?», а й питання «яка частина ефекту або асоціації може проходити через M?».
Класичний огляд медіаційного аналізу підкреслює, що медіатор треба відрізняти від інших «третіх змінних»: конфаундера, модератора та коваріати (MacKinnon, Fairchild & Fritz, 2007). Це розмежування визначає сам зміст моделі.
Медіатор стоїть на запропонованому шляху X → M → Y.
Конфаундер є спільною причиною двох або більше змінних і може створювати або спотворювати спостережуваний зв’язок.
Модератор відповідає на інше питання: за яких умов, для кого або за яких значень іншої змінної ефект X на Y змінюється. Медіація описує шлях, а модерація — залежність величини ефекту від умов. Детальне розрізнення цих моделей розглядають Igartua і Hayes (2021).
Коваріата — ширше статистичне поняття: змінна, включена до моделі для коригування, прогнозування або підвищення точності. Її причинна роль не визначається самим фактом включення в регресію.
Проста медіаційна модель: X, M і Y
У найпростішій лінійній медіаційній моделі використовують три основні шляхи.
Шлях a описує зв’язок X з медіатором M.
Шлях b описує зв’язок M з Y за фіксованого X.
Прямий ефект c′ описує зв’язок X з Y після включення M до моделі.
Окремо можна оцінити загальний ефект c — зв’язок X з Y без розкладання на прямий та непрямий компоненти.
Для простої лінійної моделі без взаємодії X×M зазвичай записують:
M = iM + aX + eM
Y = iY + c′X + bM + eY
Тоді оцінка непрямого ефекту дорівнює добутку a × b.
У цій самій простій адитивній лінійній постановці загальний ефект можна подати як:
c = c′ + ab
Ця формула зручна для розуміння базової логіки, але її не слід автоматично переносити на нелінійні моделі, категоріальні результати, моделі з взаємодією X×M або контрфактичні визначення ефектів. Саме тому сучасна каузальна медіація розрізняє визначення ефекту, умови його ідентифікації та статистичний спосіб оцінювання (Imai, Keele & Tingley, 2010; Nguyen, Schmid & Stuart, 2021).
Що означає непрямий ефект
Непрямий ефект відповідає на питання про частину зв’язку або причинного ефекту, що проходить через медіатор. У звичайній лінійній регресійній моделі його часто оцінюють як a × b.
Важливо розрізняти три рівні тверджень.
Перший рівень — статистичний. Дані сумісні з ненульовим непрямим шляхом у конкретній моделі.
Другий рівень — теоретичний. Виявлений непрямий шлях відповідає запропонованому психологічному процесу.
Третій рівень — причинний. Зміна X спричиняє зміну M, а зміна M, своєю чергою, спричиняє зміну Y у визначеному контрфактичному сенсі.
Перехід від першого рівня до третього не відбувається автоматично. Саме статистична оцінка ab не містить у собі доказу правильного часового порядку, відсутності невиміряних спільних причин M і Y або правильності причинної структури.
Чи повинен загальний ефект X → Y бути статистично значущим
Ні. Статистично значущий загальний ефект c не є універсальною передумовою для оцінювання непрямого ефекту. Сучасні підходи відмовилися від правила, за яким аналіз медіації дозволений лише після значущого зв’язку X з Y.
Причина полягає в тому, що прямий і непрямий компоненти можуть мати різні знаки й частково компенсувати один одного. Тоді загальний ефект може бути малим або статистично невизначеним, навіть якщо один із непрямих шляхів відмінний від нуля. Огляд практик у соціальній психології прямо рекомендує зміщувати увагу з «обов’язкової значущості» загального ефекту на оцінку величини та невизначеності непрямого ефекту (Rucker, Preacher, Tormala & Petty, 2011). Подібну зміну логіки обговорює Hayes (2009).
Загальний ефект при цьому залишається змістовно важливим. Його не треба ігнорувати; його просто не слід перетворювати на формальний «допуск» до аналізу медіації.
Чому «повна» і «часткова» медіація часто вводять в оману
У старішій практиці поширеною була класифікація:
• «повна медіація», якщо після включення M прямий ефект c′ ставав статистично незначущим;
• «часткова медіація», якщо c′ залишався значущим.
Таке бінарне рішення надто залежить від порогу p-значення, розміру вибірки та статистичної потужності. Воно змішує питання величини ефекту з питанням статистичної невизначеності.
Корисніше безпосередньо повідомляти оцінки непрямого, прямого й загального ефектів, їхні довірчі інтервали, шкалу вимірювання та теоретичне значення. Ненульовий c′ після включення M означає, що модель допускає інші шляхи від X до Y, але не визначає, скільки таких шляхів існує і якими вони є. Нульовий або статистично невизначений c′ не доводить, що M є єдиним реальним механізмом.
Чому медіація не доводить психологічний механізм
Психологічний механізм — це причинне твердження про процес. Статистична медіаційна модель — це система залежностей між змінними. Щоб ці два рівні збіглися, потрібні додаткові підстави.
У медіації особливо складним є шлях M → Y. Навіть коли X рандомізована, медіатор M зазвичай не рандомізований. Люди, у яких M набуває різних значень, можуть відрізнятися за іншими характеристиками, що також впливають на Y. Через це зв’язок M з Y може залишатися конфаундованим. MacKinnon і Pirlott детально показують, чому причинне тлумачення саме відношення M → Y потребує окремої уваги (2015).
Отже, твердження «X вплинув на Y через M» є сильнішим за твердження «у моделі виявлено непрямий ефект через M». Сила висновку має відповідати дизайну й припущенням.
Загальні принципи причинного висновку, контрфактичну логіку та роль дизайну докладно пояснює стаття Українського психологічного ХАБу «Причинність у психологічних дослідженнях».
Часовий порядок: X має передувати M, а M — Y
Медіаційна модель задає напрям X → M → Y. Для причинного тлумачення цей напрям повинен мати змістовну часову основу.
Поперечне дослідження, у якому X, M і Y виміряні одночасно, може показати, що кореляційна структура даних узгоджується з певною медіаційною моделлю. Воно значно слабше відповідає на питання про процес у часі: чи X змінила M, а вже потім M змінила Y.
Maxwell і Cole продемонстрували, що поперечні оцінки медіації можуть бути суттєво зміщеними відносно процесів, які насправді розгортаються в часі (2007). Сучасний огляд соціально-психологічних досліджень також виявив непослідовне звітування часової структури й навіть випадки, коли порядок вимірювання медіатора та результату суперечив заявленому причинному напряму (Kim & Thoemmes, 2026).
Лонгітюдний дизайн дає більше інформації про часову послідовність, але сам по собі не усуває конфаундинг і не гарантує правильності причинної моделі. Важливими залишаються частота вимірювань, часові лаги, стабільність змінних, зворотні впливи й те, чи відповідає часова схема теорії процесу.
Рандомізований експеримент і медіація
Рандомізація X є сильним інструментом для оцінювання загального ефекту X на Y, якщо експеримент реалізовано належно. Для медіації цього часто недостатньо.
Рандомізація X може захистити від багатьох спільних причин X і M або X і Y. Вона не рандомізує природне значення M. Тому зв’язок M → Y може залишатися зміщеним через невиміряні змінні.
Наприклад, після випадкового призначення втручання учасники можуть відрізнятися за мотивацією, очікуваннями, попереднім досвідом або іншими характеристиками, які впливають і на медіатор, і на результат. Якщо ці характеристики не враховані належним чином, непрямий ефект не має автоматичної причинної інтерпретації.
AGReMA — міжнародна консенсусна настанова для звітування медіаційних аналізів рандомізованих і спостережних досліджень — саме тому вимагає прозоро описувати причинні припущення, часовий порядок, конфаундери та метод оцінювання, а не вважати сам статус рандомізованого контрольованого дослідження достатньою гарантією (Lee et al., 2021).
Каузальна медіація: від шляхів a і b до контрфактичних ефектів
Сучасна каузальна медіація формулює прямі й непрямі ефекти через потенційні результати — тобто через порівняння того, що сталося б з однією й тією самою одиницею за різних значень X і, концептуально, різних значень медіатора.
Цей підхід дозволяє чіткіше визначити, який саме ефект нас цікавить, і відокремити три завдання:
1. Визначити причинний ефект як цільову величину.
2. Встановити припущення, за яких цей ефект можна ідентифікувати з наявних даних.
3. Обрати статистичний метод для його оцінювання.
Imai, Keele і Tingley запропонували загальний підхід до каузальної медіації, який не прив’язує визначення непрямого ефекту лише до лінійної структурної моделі (2010). Nguyen, Schmid і Stuart пізніше систематизували цю логіку для прикладних дослідників, наголосивши на відмінності між визначенням ефекту, ідентифікацією та оцінюванням (2021).
Природний прямий і природний непрямий ефекти
У контрфактичній традиції часто розрізняють природний прямий ефект і природний непрямий ефект.
Природний прямий ефект концептуально порівнює результати за різних значень X, утримуючи медіатор на значенні, яке він природно набув би за певного рівня X.
Природний непрямий ефект порівнює результати при зміні медіатора від значення, яке він мав би за одного рівня X, до значення, яке мав би за іншого рівня X, утримуючи відповідний компонент X фіксованим.
Ці визначення є потужними, але їхня ідентифікація вимагає сильних припущень. Вони не є просто новими назвами для коефіцієнтів a, b і c′.
Контрольований прямий ефект
Контрольований прямий ефект відповідає іншому питанню: як змінився б Y при зміні X, якби M було встановлено на конкретне однакове значення для всіх порівнюваних умов.
Цей ефект може бути ближчим до деяких інтервенційних питань, але його зміст і припущення відрізняються від природних прямих та непрямих ефектів.
Які припущення потрібні для причинного тлумачення
Точний набір припущень залежить від того, який причинний ефект визначено і який дизайн використано. Для класичної каузальної медіації центральними є такі умови.
Відсутність неконтрольованого конфаундингу X → Y
Не повинно залишатися неврахованих спільних причин X і Y, якщо X не рандомізовано.
Відсутність неконтрольованого конфаундингу X → M
Не повинно залишатися неврахованих спільних причин X і M.
Відсутність неконтрольованого конфаундингу M → Y
Це особливо важлива й складна умова. Навіть у рандомізованому контрольованому дослідженні медіатор часто не рандомізований, тому спільні причини M і Y залишаються можливими.
Відсутність постекспозиційного конфаундера M → Y, спричиненого X
У стандартних визначеннях природних прямих і непрямих ефектів серйозною проблемою є змінна L, на яку впливає X і яка водночас впливає на M та Y. Просте «додати L у регресію» не обов’язково розв’язує проблему й може змінити сам цільовий ефект.
Правильна часова послідовність
Причина повинна передувати наслідку на змістовно релевантному часовому масштабі.
Правильно специфікована модель
Неправильна функціональна форма, пропущена взаємодія X×M, нелінійність або неправильне моделювання розподілу результату можуть змінити оцінки й інтерпретацію.
Valeri і VanderWeele показують, як наявність взаємодії між експозицією та медіатором змінює декомпозицію прямих і непрямих ефектів і чому прості формули можуть бути недостатніми (2013).
Конфаундинг: чому «контролювати більше змінних» не завжди краще
У медіаційному аналізі вибір коваріат повинен визначатися причинною роллю змінних, а не правилом «включити все доступне».
Якщо змінна є справжнім доекспозиційним конфаундером потрібного зв’язку, її коригування може зменшити зміщення. Якщо змінна є наслідком X, медіатором іншого шляху або колайдером, бездумне коригування може змінити оцінюваний ефект або навіть створити систематичне зміщення.
Тому список коваріат доцільно визначати з теорії та причинної структури до перегляду результатів. Для складних моделей корисні каузальні діаграми, які роблять припущення явними.
Базовий принцип такий: статистичний контроль працює лише настільки добре, наскільки правильно визначено причинну роль змінних. Загальне розрізнення асоціації та причинного ефекту див. у статті «Кореляція і причинність».
Аналіз чутливості: що станеться, якщо припущення порушене
Оскільки припущення про відсутність невиміряного конфаундингу M → Y часто неможливо перевірити безпосередньо, сучасна каузальна медіація використовує аналіз чутливості.
Його мета — не «довести, що конфаундингу немає», а оцінити, наскільки сильним мав би бути невиміряний зв’язок або порушення припущення, щоб суттєво змінити висновок щодо непрямого ефекту.
Imai та співавтори включили аналіз чутливості до своєї загальної рамки каузальної медіації (2010). MacKinnon і Pirlott також розглядають аналіз чутливості як один зі способів оцінити стійкість висновку щодо M → Y до потенційного конфаундингу (2015).
Систематичний огляд Kim і Thoemmes показав, що в сучасній практиці соціальної психології аналіз чутливості все ще використовується рідко (2026). Це важлива зона для підвищення якості майбутніх досліджень.
Як оцінюють непрямий ефект: чому бутстреп став поширеним
Оцінка a × b має незвичайний розподіл. Навіть якщо окремі коефіцієнти a і b приблизно нормально розподілені, їхній добуток часто має асиметричний розподіл, особливо за невеликих ефектів і помірних вибірок.
Через це старі підходи, що використовують нормальне наближення для непрямого ефекту, зокрема тест Собеля, можуть давати неточні довірчі межі. Симуляційні дослідження MacKinnon, Lockwood і Williams показали переваги методів, які враховують розподіл добутку або використовують ресемплінг (2004). Preacher і Hayes також розробили ресемплінгові підходи для моделей з кількома медіаторами (2008).
Бутстреп багаторазово формує вибірки з наявних даних із поверненням, кожного разу переоцінює непрямий ефект і використовує емпіричний розподіл цих оцінок для побудови інтервалу невизначеності.
Але бутстреп вирішує статистичне питання про невизначеність оцінки за заданої моделі. Він не виправляє конфаундинг, неправильний часовий порядок, похибку вимірювання або хибну причинну структуру. Точний бутстреп-інтервал навколо зміщеної оцінки залишається інтервалом навколо зміщеної оцінки.
Правильне тлумачення частотного інтервалу невизначеності докладно розібране у статті «Довірчий інтервал».
Чи достатньо, щоб довірчий інтервал непрямого ефекту не містив нуля
Ні. Це сильніша статистична підстава для твердження про ненульовий непрямий ефект у моделі, але не доказ причинного механізму.
Інтервал не відповідає на питання:
• чи правильно задано X → M → Y;
• чи M справді передує Y;
• чи є невиміряні спільні причини M і Y;
• чи не було селекції, що відкрила хибний шлях;
• чи коректно виміряні X, M і Y;
• чи не змінюється ефект через пропущену взаємодію;
• чи відповідає модель реальному часовому процесу.
Отже, «95% ДІ для ab не включає 0» і «медіатор є причинним механізмом» — різні твердження.
Розмір непрямого ефекту і практичне значення
Статистична значущість не показує, наскільки великий непрямий ефект. Зі збільшенням вибірки дуже малі ефекти можуть отримати вузькі інтервали, а в малих вибірках змістовні ефекти можуть залишатися невизначеними.
У звіті варто показувати саму оцінку непрямого ефекту, її одиниці або спосіб стандартизації та інтервал невизначеності. За потреби можна наводити стандартизовані показники, але їхня інтерпретація залежить від типу X, M і Y та способу стандартизації. Abrar, Zhang і Jiang демонструють, що різні стандартизовані варіанти можуть давати суттєво різні числові значення й мають обиратися відповідно до дослідницького питання та типу змінних (2024).
Для загального розуміння величини статистичного ефекту див. «Розмір ефекту».
Чому «частка опосередкованого ефекту» може бути нестабільною
Показник на кшталт ab/c іноді подають як частку загального ефекту, що проходить через медіатор. Він може бути корисним у певних моделях, але стає проблематичним, коли загальний ефект c близький до нуля, прямий і непрямий ефекти мають протилежні знаки або використано нелінійну шкалу.
Тому «M пояснює 70% ефекту» не слід повідомляти автоматично. Потрібно перевірити, чи має таке відношення зміст для конкретної моделі, шкали та знаків компонентів.
Статистична потужність і розмір вибірки
Для медіації немає універсального правила «потрібно щонайменше N = 100» або будь-якого іншого фіксованого числа.
Потужність залежить щонайменше від величин шляхів a і b, дисперсій, надійності вимірювання, рівня помилки, типу тесту або інтервалу, складності моделі та структури даних. Fritz і MacKinnon показали, що потрібний розмір вибірки для виявлення непрямого ефекту різко змінюється залежно від комбінації параметрів і методу перевірки (2007).
Для складних медіаційних моделей планування вибірки доцільно проводити через симуляцію або Монте-Карло за реалістичними очікуваннями щодо шляхів і втрат даних, а не копіювати чужий поріг N.
Базові принципи планування потужності див. у статті «Статистична потужність».
Поперечна, лонгітюдна та експериментальна медіація
Поперечна медіація
X, M і Y вимірюють приблизно в один момент часу. Такий аналіз може бути корисним для опису структури асоціацій і перевірки того, чи сумісні дані з теоретичною моделлю. Для причинного висновку він слабкий через невизначеність часової послідовності та зворотної причинності.
Лонгітюдна медіація
Змінні вимірюють у кількох часових точках. Це дає можливість краще пов’язати модель із процесом у часі, але якість висновку залежить від правильного вибору лагів, контролю попередніх рівнів змінних, моделі змін і потенційних зворотних ефектів.
Експериментальна медіація
X випадково призначають або маніпулюють. Це посилює причинну основу для X → M та X → Y, але не автоматично для M → Y. Для сильнішого висновку щодо механізму іноді потрібні додаткові експериментальні маніпуляції медіатором, дизайн, що розділяє компоненти втручання, інструментальні або інші спеціалізовані методи. Вибір залежить від того, який причинний ефект дослідник намагається ідентифікувати.
Зворотна причинність та альтернативні моделі
Модель X → M → Y не є єдиною структурою, яка може породити схожі кореляції.
Можливі альтернативи:
• X → Y → M;
• M → X → Y;
• Y → M → X;
• спільна причина U → M і U → Y;
• двонапрямні процеси M ↔ Y у часі;
• кілька паралельних або послідовних механізмів.
Тому медіаційний аналіз має починатися з теорії та дизайну, а не з перебору змінних у ролі M до появи «значущого» ab. Дані можуть відрізнити деякі моделі, але сам факт кращого статистичного пристосування не завжди встановлює причинний напрям.
Медіація і модерація: різні питання
Медіація питає: через який проміжний шлях пов’язуються X і Y?
Модерація питає: коли, для кого або за яких умов ефект X на Y відрізняється?
У регресійній моделі модерацію часто представляють членом взаємодії X×W. Медіація ж передбачає проміжну змінну M на шляху від X до Y.
Ці конструкції можна поєднати в умовному процесному аналізі: непрямий ефект може залежати від модератора. Проте це вже окреме статистичне питання. У межах цієї статті важливо лише не називати модератор «медіатором» і не вважати взаємодію доказом посередництва.
Взаємодія X × M: чому її не можна автоматично ігнорувати
У простій формулі ab часто припускають, що вплив M на Y не залежить від X або, еквівалентно в базовій постановці, що взаємодію X×M можна не враховувати.
Якщо взаємодія існує, прямі та непрямі ефекти можуть залежати від рівня X або від шкали, а проста декомпозиція стає недостатньою. Valeri і VanderWeele розробили доступну для психологічних застосувань каузальну медіацію з експозиційно-медіаторною взаємодією (2013).
Свіжий систематичний огляд Kim і Thoemmes показав, що в розглянутих ними соціально-психологічних дослідженнях взаємодія «вплив × медіатор» практично не моделювалася, хоча методологічно вона може бути важливою (2026).
Кілька медіаторів: паралельні й послідовні моделі
Психологічні процеси рідко зводяться до одного посередника. Можна аналізувати кілька медіаторів.
У паралельній моделі кілька M оцінюються як окремі потенційні шляхи між X і Y.
У послідовній моделі задається ланцюг, наприклад X → M1 → M2 → Y.
Для кожного специфічного непрямого шляху можна оцінювати окремий ефект, а також сумарний непрямий ефект. Preacher і Hayes описали методи оцінювання та порівняння кількох непрямих ефектів із ресемплінгом (2008).
Однак додавання медіаторів збільшує кількість причинних припущень. Послідовна схема особливо вимоглива до часу: якщо M1 і M2 виміряні одночасно, статистичний порядок у рівнянні не доводить реальний порядок процесу.
Нелінійні моделі та категоріальні змінні
Коли Y або M є бінарними, порядковими, лічильними чи іншими нелінійними результатами, звичайна лінійна логіка c = c′ + ab може втратити просту інтерпретацію.
У логістичній моделі, наприклад, коефіцієнти належать до іншої шкали, а зміна набору предикторів може змінювати масштаб коефіцієнтів. У такій ситуації прямий, непрямий і загальний ефекти слід визначати на конкретній причинній і статистичній шкалі.
Контрфактична медіація корисна саме тим, що визначення причинних ефектів не залежить від прив’язки до однієї лінійної моделі. Реалізація, однак, потребує методів, що відповідають типам змінних і припущенням (Imai, Keele & Tingley, 2010; Valeri & VanderWeele, 2013).
Похибка вимірювання
Медіатор у психології часто є латентним або неточно виміряним конструктом. Похибка M може послабити або іншим чином спотворити оцінку шляху b та непрямого ефекту. Похибка X і Y також впливає на модель.
Структурне моделювання з латентними змінними може враховувати частину вимірювальної структури, але сам перехід від регресії до SEM не створює причинності. Причинні припущення щодо часу, конфаундингу й селекції залишаються.
Детальні питання психометричної надійності, валідності тестів, факторних моделей та інваріантності вимірювання належать до окремої гілки психологічного вимірювання. У медіаційному аналізі достатньо зафіксувати принцип: якість вимірювання визначає якість оцінювання шляхів.
Пропущені дані та селекція
Якщо ймовірність потрапляння до аналітичної вибірки залежить від X, M, Y або їхніх причин, повний аналіз лише спостережених випадків може створити селекційне зміщення.
Окремо небезпечні втрати учасників у лонгітюдних дослідженнях, тому що пропуск M або Y може залежати від попередніх значень змінних. Метод роботи з пропущеними даними повинен відповідати механізму пропусків і бути прозоро описаний.
Бутстреп не виправляє селекційне зміщення. Велика вибірка також не усуває систематичну помилку від неправильного відбору.
PROCESS, SEM та інші програми: що вони роблять і чого не доводять
Медіаційний аналіз можна виконувати в багатьох середовищах: регресійних пакетах, структурному моделюванні, каузальних пакетах R, Mplus, SPSS та макросі PROCESS.
PROCESS популяризував зручне оцінювання непрямих ефектів і бутстреп-інтервалів. Igartua і Hayes подають практичне пояснення медіації, модерації та умовного процесного аналізу й типових помилок їх інтерпретації (2021).
Програмне забезпечення виконує математичну модель, яку йому задає дослідник. Воно не може з даних саме встановити правильний причинний граф, часовий порядок або відсутність невиміряного конфаундингу. Результат PROCESS із ненульовим бутстреп-інтервалом є статистичним результатом; причинним він стає лише за обґрунтованого дизайну й причинних припущень.
Так само SEM може одночасно оцінювати складні системи рівнянь, латентні змінні та кілька шляхів, але добра відповідність структурної моделі даним не є доказом того, що всі стрілки на діаграмі причинні.
Навчальний приклад: як читати a, b, c′ та ab
Уявімо умовне дослідження, де X — експериментальне втручання, M — показник психологічного процесу після втручання, а Y — пізніший результат.
Нехай оцінено:
a = 0,40
b = 0,30
c′ = 0,08
Тоді в простій лінійній моделі без взаємодії:
ab = 0,40 × 0,30 = 0,12
а загальний ефект:
c = 0,08 + 0,12 = 0,20
Припустімо також, що бутстреп 95% ДІ для ab становить від 0,04 до 0,21.
Коректний статистичний висновок: у заданій моделі оцінений непрямий ефект дорівнює 0,12, а бутстреп-інтервал не містить нуля.
Сильніший причинний висновок «втручання вплинуло на Y саме через M» потребує перевірки дизайну. Потрібно знати, чи X справді рандомізована, чи M виміряно до Y, чи немає важливого конфаундингу M → Y, чи правильно задано модель, чи не виникає постекспозиційний конфаундер, чи немає селекційного зміщення і чи стійкий результат до правдоподібних порушень припущень.
Навіть у цьому прикладі число 0,12 не має самодостатнього психологічного змісту без одиниць вимірювання X, M і Y.
Типові помилки в медіаційному аналізі
Помилка 1. «Шляхи a і b значущі, отже механізм доведено»
Статистична значущість окремих коефіцієнтів не встановлює причинний ланцюг.
Помилка 2. «Без значущого загального ефекту медіації бути не може»
Непрямий і прямий ефекти можуть мати різні знаки; сучасні підходи оцінюють непрямий ефект без такого формального фільтра (Rucker et al., 2011).
Помилка 3. «c′ став незначущим — це повна медіація»
Це висновок із порогу p-значення, а не доказ єдиного механізму.
Помилка 4. «Бутстреп доводить медіацію»
Бутстреп покращує оцінювання статистичної невизначеності непрямого ефекту, але не створює причинної ідентифікації.
Помилка 5. «Якщо X рандомізована, весь непрямий ефект причинний»
Рандомізація X не обов’язково усуває конфаундинг M → Y.
Помилка 6. «Поперечні дані достатні, якщо модель добре підходить»
Добра відповідність не встановлює часовий порядок. Поперечні оцінки можуть бути упередженими для процесів, що розгортаються в часі (Maxwell & Cole, 2007).
Помилка 7. «Треба контролювати всі доступні змінні»
Контроль колайдера або змінної, що лежить після X на іншому шляху, може збільшити зміщення або змінити цільовий ефект.
Помилка 8. «Медіатор і модератор — це різні назви третьої змінної»
Їхні ролі принципово різні: медіатор передає ефект, модератор змінює його залежно від умов.
Помилка 9. «p-значення показує розмір непрямого ефекту»
p-значення характеризує сумісність даних із тестовою моделлю за її припущень, а не величину ефекту. Величину треба оцінювати безпосередньо разом із невизначеністю.
Помилка 10. «Невеликий p компенсує слабкий дизайн»
Великий обсяг даних може зробити статистичну оцінку дуже точною, але не виправляє конфаундинг, селекцію, неправильний час або похибку вимірювання.
Як спроєктувати медіаційне дослідження сильніше
Якісний медіаційний аналіз починається до запуску статистичної програми.
1. Сформулюйте психологічну теорію процесу: чому X має змінити M і чому M має змінити Y.
2. Визначте часову структуру: коли саме має змінитися M і коли очікується зміна Y.
3. Намалюйте причинну схему до аналізу даних. Позначте потенційні спільні причини X–M, X–Y і M–Y, а також змінні, на які впливає X.
4. Визначте цільовий ефект: статистичний добуток шляхів, природний непрямий ефект, контрольований прямий ефект, інтервенційний ефект чи інша величина.
5. Оберіть дизайн, здатний підтримати потрібне твердження. Для причинного питання це може вимагати рандомізації, повторних вимірювань, експериментального маніпулювання компонентами процесу або спеціалізованого квазіекспериментального підходу.
6. Сплануйте вимірювання. M має бути виміряний у момент, який відповідає запропонованому механізму; Y — після релевантної зміни M.
7. Обґрунтуйте коваріати теоретично й причинно. Не добирайте їх лише тому, що вони корелюють із результатом.
8. Сплануйте розмір вибірки під непрямий ефект, а не лише під загальний ефект X → Y.
9. Заздалегідь визначте спосіб оцінювання та інтервал невизначеності. Для складних моделей доречні симуляції.
10. Передбачте аналіз чутливості до ключових неперевірюваних припущень.
Як правильно інтерпретувати результат
Найкраща формула висновку залежить від дизайну.
Для поперечного спостережного дослідження доречно: «Виявлено непрямий статистичний зв’язок X з Y через M, сумісний із запропонованою медіаційною моделлю».
Для лонгітюдного спостережного дослідження за доброго часового порядку можна говорити сильніше про часову послідовність, але все одно окремо обговорити конфаундинг і альтернативні причинні структури.
Для рандомізованого X доречно відокремити сильніший висновок про X → M або X → Y від слабшого, якщо неідентифікованого, M → Y.
Для повноцінної каузальної медіації потрібно назвати цільовий причинний ефект, припущення його ідентифікації, спосіб оцінювання та аналіз чутливості.
Така мова дозволяє не знецінювати медіаційний аналіз як метод і водночас не приписувати йому причинну силу, якої конкретний дизайн не забезпечує.
Що треба звітувати в науковій статті
Для прозорості медіаційного аналізу доцільно повідомляти:
• теоретичне обґрунтування ролі M;
• дизайн і часовий порядок X, M та Y;
• спосіб формування вибірки та втрати учасників;
• операціоналізацію X, M і Y;
• причинні припущення, якщо висновок є причинним;
• перелік коваріат і логіку їх вибору;
• статистичні моделі для M і Y;
• наявність або відсутність взаємодії X×M;
• спосіб роботи з пропущеними даними;
• оцінки прямих, непрямих і загальних ефектів;
• одиниці вимірювання та спосіб стандартизації;
• стандартні похибки або довірчі інтервали;
• конкретний метод бутстреп, якщо він використаний, і кількість ресемплів;
• програмне забезпечення та версію;
• аналіз чутливості;
• обмеження причинного тлумачення.
AGReMA містить 25-пунктову консенсусну рамку для повнішого й відтворюванішого звітування медіаційних аналізів (Lee et al., 2021). Для психологічних кількісних досліджень загальну рамку прозорого звітування задає APA JARS-Quant (Appelbaum et al., 2018). Ці стандарти є настановами для звітування; вони не замінюють причинний дизайн або статистичну ідентифікацію.
Як читати медіаційний аналіз у чужій статті
Під час критичного читання варто пройти короткий ланцюг запитань.
Спочатку: чи є чітка теорія, яка передбачає X → M → Y?
Потім: чи відповідає часовий порядок цій теорії?
Далі: чи X маніпулювали, рандомізували або лише спостерігали?
Після цього: які можливі спільні причини M і Y, і як із ними працювали?
Далі: чи є змінні, спричинені X, які водночас впливають на M і Y?
Потім: чи модель допускає важливу взаємодію X×M і чи обґрунтовано її ігнорування?
Далі: яка саме величина названа «непрямим ефектом» і на якій шкалі вона подана?
Потім: чи наведено інтервал невизначеності та аналіз чутливості?
Нарешті: чи мова висновку відповідає дизайну? Фрази «опосередковує», «пояснює механізм» і «передає причинний ефект» мають різну силу залежно від того, що реально ідентифіковано.
Часті запитання
Що таке медіаційний аналіз простими словами?
Це аналіз моделі, у якій X пов’язана з Y через проміжну змінну M. Він оцінює непрямий шлях X → M → Y. Причинне тлумачення цього шляху потребує сильніших передумов, ніж сам факт статистично ненульового непрямого ефекту.
Що таке непрямий ефект?
У простій лінійній медіаційній моделі непрямий ефект часто оцінюють як a × b, де a — зв’язок X з M, а b — зв’язок M з Y за фіксованого X. У каузальній медіації непрямий ефект може мати контрфактичне визначення, яке не зводиться до добутку коефіцієнтів у будь-якій моделі.
Чи потрібен значущий загальний ефект X → Y?
Ні. Ненульовий непрямий ефект можливий навіть тоді, коли загальний ефект малий або статистично невизначений, зокрема коли прямий і непрямий компоненти мають протилежні знаки.
Чи можна робити медіацію на поперечних даних?
Можна оцінити статистичну медіаційну модель, але причинна інтерпретація буде слабкою, оскільки одночасне вимірювання не встановлює часового порядку X → M → Y і не усуває зворотну причинність або конфаундинг.
Чи доводить PROCESS причинний механізм?
Ні. PROCESS оцінює задану статистичну модель і може будувати бутстреп-інтервали. Причинність визначається дизайном, причинними припущеннями та ідентифікацією, а не назвою програмного інструмента.
Чи є бутстреп обов’язковим?
Бутстреп є поширеним способом оцінювання невизначеності непрямого ефекту і часто кращим за просте нормальне наближення для добутку a × b. Але конкретний метод інтервального оцінювання повинен відповідати моделі, а жоден бутстреп не виправляє слабкий дизайн.
Чим медіація відрізняється від модерації?
Медіація описує проміжний шлях X → M → Y. Модерація описує зміну ефекту X → Y залежно від іншої змінної. В одній моделі ці механізми можуть поєднуватися, але це різні статистичні й теоретичні питання.
Чи може прямий і непрямий ефект мати різні знаки?
Так. Це іноді називають непослідовною медіацією або супресійною структурою. У такій ситуації загальний ефект може бути малим, бо компоненти частково взаємно компенсуються.
Чи SEM робить медіаційний аналіз сильнішим за регресію?
SEM дає ширші можливості для систем рівнянь, латентних змінних і складних моделей, але причинна сила висновку не виникає від типу програмного забезпечення. Вона залежить від дизайну, часу, припущень і якості вимірювання.
Чи можна назвати медіатор «механізмом»?
Таке слово виправдане лише тоді, коли сукупність теорії, дизайну, часової структури, причинної ідентифікації та накопичених досліджень підтримує механістичний висновок. За звичайного поперечного або спостережного регресійного аналізу точніше говорити про непрямий статистичний шлях або результат, сумісний із медіаційною моделлю.
Пов’язані статті
Джерела
Abrar, M. N. F., Zhang, H., & Jiang, Y. (2024). Suggested guidelines in reporting results from mediation analysis, standardized or unstandardized? PLOS ONE, 19(9), e0310429. https://doi.org/10.1371/journal.pone.0310429
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233–239. https://doi.org/10.1111/j.1467-9280.2007.01882.x
Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420. https://doi.org/10.1080/03637750903310360
Igartua, J.-J., & Hayes, A. F. (2021). Mediation, moderation, and conditional process analysis: Concepts, computations, and some common confusions. The Spanish Journal of Psychology, 24, e49. https://doi.org/10.1017/SJP.2021.46
Imai, K., Keele, L., & Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. https://doi.org/10.1037/a0020761
Kim, J., & Thoemmes, F. (2026). A systematic literature review of causal mediation analysis in social psychology. Collabra: Psychology, 12(1), 171584. https://doi.org/10.1525/collabra.171584
Lee, H., Cashin, A. G., Lamb, S. E., Hopewell, S., Vansteelandt, S., VanderWeele, T. J., MacKinnon, D. P., Mansell, G., Collins, G. S., Golub, R. M., McAuley, J. H., & AGReMA Group. (2021). A guideline for reporting mediation analyses of randomized trials and observational studies: The AGReMA statement. JAMA, 326(11), 1045–1056. https://doi.org/10.1001/jama.2021.14075
MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation analysis. Annual Review of Psychology, 58, 593–614. https://doi.org/10.1146/annurev.psych.58.110405.085542
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
MacKinnon, D. P., & Pirlott, A. G. (2015). Statistical approaches for enhancing causal interpretation of the M to Y relation in mediation analysis. Personality and Social Psychology Review, 19(1), 30–43. https://doi.org/10.1177/1088868314542878
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
Nguyen, T. Q., Schmid, I., & Stuart, E. A. (2021). Clarifying causal mediation analysis for the applied researcher: Defining effects based on what we want to learn. Psychological Methods, 26(2), 255–271. https://doi.org/10.1037/met0000299
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879
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
Valeri, L., & VanderWeele, T. J. (2013). Mediation analysis allowing for exposure–mediator interactions and causal interpretation: Theoretical assumptions and implementation with SAS and SPSS macros. Psychological Methods, 18(2), 137–150. https://doi.org/10.1037/a0031034