Mediatie

Uit Methodologiewinkel
Ga naar: navigatie, zoeken

Waar deze test voor wordt gebruikt

Een mediatie analyse wordt gebruikt om te kijken of een verband tussen een onafhankelijke en een afhankelijke variabele ook via een derde variabele kan worden overgedragen. Deze test kan bijvoorbeeld worden gebuikt om te kijken of het verband tussen het aantal pk van een auto en hoe snel de auto accelereert, wordt gemedieerd door het gewicht van de auto. Dit voorbeeld zal hieronder aan de hand van SPSS worden uitgewerkt.

Een mediatie analyse kan gezien worden als een combinatie van een aantal regressieanalyses. Bij het bovenstaande voorbeeld wordt de regressie van het aantal pk op hoe snel de auto accelereert, bekeken, de regressie van het gewicht van de auto op hoe snel hij accelereert, bekeken en de regressie van het aantal pk op het gewicht én op hoe snel de auto accelereert bekeken. Bij de laatste regressie wordt vervolgens gekeken of de regressieparameter van hoe snel de auto accelereert, de afhankelijke variabele, nog significant is na het toevoegen van het gewicht van de auto, de mediator.


Assumpties

Omdat een mediatie analyse een speciale variant van een (multiple) regressie is, zijn de assumpties voor de mediatie analyse gelijk aan die van een (multiple) regressie. Zie Regression voor de assumpties en kijk voor het checken van lineairiteit en homoscedasticiteit bij de uitleg over SPSS.


Wat te doen als je niet aan je assumptie(s) voldoet?

Wanneer niet aan de assumpties wordt voldaan kan Bootstrapping worden gebruikt of kan worden gekozen voor een non-parametrische variant. In dit geval kan de non-parametrische correlatie: Kendall's Tau

Hoe uit te voeren in SPSS

Om te kijken of je mediatie analyse voldoet aan de assumptie van lineariteit en homoscedasticiteit kun je een plot maken met op de y-as de gestandaardiseerde residuen, aangemerkt als ZRESID, en op de x-as de gestandaardiseerde voorspelde waarde, aangemerkt met ZPRED. Deze punten zijn, wanneer aan beide aannames is voldaan, willekeurig verdeeld. Wanneer een bepaald patroon in het plot te zien is, kun je aannemen dat een van de assumpties geschonden is. In het eerste figuur is te zien hoe in het lineare regressie venster de variabelen zijn gekozen voor het boven genoemde voorbeeld en in het tweede figuur is te zien hoe de plot geselecteerd moet worden. Ga voor de regressie van "Analyze --> Regression --> Linear", hier vind je de optie "Plot". In het derde figuur is het plotje te zien dat wordt geproduceerd aan de hand van de beschreven handeling. Zoals te zien zijn de punten redelijk random verdeeld, waardoor we kunnen aannemen dat aan de assumpties is voldaan (Field, 2009).

Assumptionsmediation1.png Assumptionsmediation2.png Assumptionsmediation3.png


SPSS biedt een macro aan voor het uitvoeren van een mediatie analyse: PROCESS. Deze applicatie kan worden gedownload op [1]. Na de stappen op de website te hebben gevolgd, verschijnt de applicatie in SPSS bij: analyze -> Regression -> PROCESS (zie het onderstaande figuur).

Figure1.png

Wanneer je hierop klinkt opent zich het venster dat te zien is in figuur 3. Alle variabelen zijn beschikbaar. Omdat we een uitspraak willen doen over de invloed van het aantal Pk op de acceleratietijd van de auto, is het aantal Pk (Horsepower) onze onafhankelijke variabele (Independent Variable (X)) en is de acceleratietijd (Time to Accelerate) de afhankelijke variabele (Outcome Variable (Y)). In dit voorbeeld is het gewicht van de auto (Vehicle Weight) de mediator en komt daarom in het venster te staan bij M Variable. Let erop dat PROCESS de variabel niet accepteert wanneer de naam van de variabel langer is dan 8 karakters.

Onder het kopje Model Number kan het soort model worden aangegeven. Dit vertelt SPSS of hij een mediatie model moet schatten, een moderatie model moet schatten, hoeveel moderatoren, hoeveel mediatoren en ga zo maar door. Omdat we nu een eenvoudig mediatie model gaan bekijken, kiezen we voor nummer 4. Omdat de output van process niet in het output venster maar in de syntax staat, kun je niet met Paste werken maar moet je direct op OK klikken (Hayes, 2014).

Zoals in de afbeelding te zien is, zijn er veel verschillende modellen bij PROCESS Macro te kiezen. Al deze modellen representeren een mediatie of moderatie model en verschillen in het aantal predictoren, uitkomst variabelen, mediatoren, etc. Meer informatie over het gebruik van de verschillende modellen van PROCESS Macro is beschreven in het bijbehorende boek 'Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach'. Dit is te vinden op deze site: [2]

Figure2mediation.png


Interpreteren SPSS-output

De output verschijnt in de vorm van een matrix in de syntax, zoals hier onder is weergegeven. Eerst wordt het opgegeven model herhaald, daarna worden de resultaten getoond. Omdat de mediatie analyses in werkelijkheid uit 2 regressie analyses bestaat, worden in de output meerdere modellen getoond. Als eerst wordt de uitkomst van de regressie van Horsepower op Weight, daarna de gehele regressie waarbij Time to Accelerate de uitkomst variabel is.

Te zien is dat beide regressies significant zijn er een hoge R waarde hebben. Dit betekent dat veel van de variantie kan worden verklaard voor de predictoren. Aan de coefficienten (coeff) is echter te zien dat de invloed van de variabelen minimaal is (Field, 2009).

Figure3mediation.png DirectEffects.png


Rapporteren conclusie

Bij het rapporteren van de bovengenoemde resultaten is het belangrijk de coefficienten met bijbehorende t- en p-waarde te noemen en de verklaarde variantie (R) met bij behorende F- en p-waarde te noemen. Bij het vermelden van de F- en t-waardes is het belangrijk de degrees of freedom te vermelden. Dit kan tussen haakjes voor het vermelde van de f- of t-waardes. Om een goed beeld van de invloed van de mediator te krijgen, is het belangrijk om ook de regressie zónder de mediator te benoemen.

Voorbeeld: Het aantal Pk is een significante voorspeller voor het acceleratie vermogen van een auto, zonder mediator, b = -0.0968, t = -22.05, p < 0.001. Dit kun je zien onder het kopje direct effects onderaan het laatste figuur.

Het aantal Pk en het gewicht van de auto zijn significante voorspellers voor het acceleratie vermogen van een auto, b1 = 0.0024, t = 12.02, p < .001, b2 = - 0.097, t = -22.04, p < 0.001. De verklaarde variantie van de regressie was significant, R^2 = .6277, F(2,397)= 334.6, p < .001

Referenties

Field, A. (2009). Discovering statistics using SPSS. Sage publications.

Hayes, A. F. (2014). PROCESS for SPSS.