Mediatieanalyse Peter Verboon
Open Educational Resource van de Open Universiteit Dit document is beschikbaar gesteld (onder de CC-BY-NC-SA licentie; klik op de link hieronder voor meer informatie) door de Open Universiteit omwille van algemene deskundigheidsbevordering en om een breed publiek kennis te laten maken met de mogelijkheid om bij de Open Universiteit gericht aan competenties met betrekking tot wetenschappelijk onderzoek te werken. De Bacheloropleiding Psychologie van de Open Universiteit bevat een serie van onderzoekspractica waarin methodologische en statistische kennis en vaardigheden worden onderwezen. Het succesvol doorlopen van deze onderzoekspractica stelt een student in staat een empirisch onderzoek zelfstandig uit te voeren. De volgende practica zijn opgenomen in het curriculum:
Inleiding data analyse Experimenteel onderzoek Kwalitatief onderzoek Survey methoden Analyse van psychologische modellen
Deze bron is afkomstig uit de cursus “Onderzoekspracticum analyse van psychologische modellen”. In deze cursus wordt dieper ingegaan op het modelleren van relaties tussen variabelen die complexer zijn dan de bivariate relaties die veelal in de eerdere cursussen centraal stonden, zoals mediatie- en moderatie-analyse. Bovendien wordt multilevel regressie geïntroduceerd. Geïnteresseerd?
Bekijk het cursus-aanbod in de bachelor psychologie hier.
Als deze bron wordt gebruikt voor een verslag of artikel, citeer dan als volgt: Verboon, P. (2014). Mediatieanalyse. Open Universiteit, Nederland.
Mediatieanalyse
Mediatieanalyse Het begrip mediatie speelt een belangrijke rol in veel psychologisch onderzoek. In dit hoofdstuk geven we een beknopte uitleg over wat mediatie is en hoe u een mediatieanalyse kunt doen waarbij alle variabelen gemeten zijn op een intervalmeetniveau. We gaan uit van een model met één predictor (onafhankelijke variabele X), één mediator (M) en een criterium (afhankelijke variabele Y).
1 Wat is mediatie? Een van de belangrijkste doelen van mediatie is om een verband tussen twee variabelen (X en Y) te verklaren door een derde variabele (M). De kernvraag bij mediatie is: waarom beïnvloedt de onafhankelijke variabele X de afhankelijke variabele Y? Het antwoord op deze vraag kan zijn dat een derde variabele, de mediator variabele M, aangeeft hoe het causale proces tussen X en Y loopt. Dat wil zeggen dat X invloed heeft op M en dat M vervolgens invloed heeft op Y. Bijvoorbeeld, waarom heeft dreigen met strenge straffen (X) een positief effect op gehoorzaamheid (Y)? Als verklaring voor dit verband kunnen verschillende mediatoren worden onderzocht, zoals de morele afkeuring van gedrag. De dreiging met strengere straffen zendt de morele boodschap uit dat bepaald gedrag niet hoort, en die morele boodschap leidt tot gehoorzaamheid. De mate van morele afkeuring van het gedrag is dan de mediator. Een andere mogelijke mediator is de angst voor de straf bij ongehoorzaamheid. Andere voorbeelden zijn: waarom leidt taakvariatie binnen het werk tot minder stress, of waarom verkleint sporten de kans op roken bij jongeren? Een mogelijke mediator van de relatie tussen taakvariatie en stress is leermogelijkheden. Door taakvariatie nemen de leermogelijkheden toe, die vervolgens de kans op stress verkleinen. Een mediator van de relatie tussen sporten en roken kan het zelfbeeld van jongeren zijn, dat verandert door het sporten; dat zelfbeeld heeft vervolgens weer invloed op het rookgedrag.
Het conceptuele mediatiemodel (padmodel) is weergegeven in figuur 1.
Verboon(2014). Mediatieanalyse
2
Mediatieanalyse
c’ X
Y
a
b M
Figuur 1 Conceptueel model dat het mediatieproces illustreert.
Bij dit model horen twee regressievergelijkingen:
Y = c’X + bM + constante + error,
(1)
M = aX + constante + error.
(2)
Figuur 1 illustreert de standaardsituatie bij mediatie: we verwachten dat X en M allebei Y voorspellen en dat X ook M voorspelt. De regressiecoëfficiënten zijn c’, b en a1. De term constante geeft aan op welke schaal de variabelen zijn gemeten en is verder niet zo belangrijk. De term error geeft aan dat we een variabele nooit precies kunnen voorspellen en dat we dus bij het voorspellen altijd fouten zullen maken. De error is voor iedere observatie het verschil tussen de waargenomen waarde en de voorspelde waarde. Zonder de aanwezigheid van M is er een simpel verband tussen Y en X, dat we kunnen aangeven met
Y = cX + constante + error.
(3)
De regressiecoëfficiënt c geeft dus het totale effect van X op Y weer. Er wordt onderscheid gemaakt tussen volledige en partiële mediatie. Bij volledige mediatie wordt het verband tussen X en Y volledig verklaard door M. Dit betekent dat het directe verband tussen X en Y niet significant is wanneer we ook M als voorspeller van Y 1
Het accent achter de c is gekozen vanwege de consistentie met de literatuur.
Verboon(2014). Mediatieanalyse
3
Mediatieanalyse meenemen. In de eerste vergelijking (1) betekent dit dat de c’ bij benadering gelijk zou zijn aan nul. De Y wordt dan dus alleen voorspeld door M en niet door X. Het kan zo zijn dat er wel een verband is tussen X en M. In dat geval loopt het verband tussen X en Y dus via M. We spreken dan van een indirect verband tussen X en Y. Omdat dat indirecte verband via M loopt, spreken we dan van volledige mediatie. Bij partiële mediatie wordt het verband tussen X en Y ook voor een deel verklaard door M, maar blijft er ook nog een direct verband tussen X en Y bestaan. Het indirecte effect van X op Y kan worden berekend als het product van de twee regressiecoëfficiënten a en b: ab (zie figuur 1). Wanneer we voor de overzichtelijkheid de constante term en de error weglaten, dan is dit eenvoudig te zien. Als we de uitdrukking voor M in formule (2) invullen in formule (1), krijgen we het volgende:
Y = c’X + abX.
(4)
Deze formule (4) laat zien dat Y wordt beïnvloed door X via twee mogelijke processen, een direct verband (c’) en een indirect verband (ab). Samen vormen ze het totale effect, dat wordt weergegeven door de regressiecoëfficiënt c. Het indirecte effect is dus ook gelijk aan het totale effect van X op Y min het directe effect, anders gezegd: ab = c – c’.
2 Een mediatieanalyse uitvoeren We bespreken nu twee manieren om een mediatieanalyse uit te voeren. De eerste is het meest bekend en is gebaseerd op Baron en Kenny (1986). Deze manier is eenvoudig te begrijpen en vereist een aantal stappen waarin een causale relatie wordt getoetst. Deze manier wordt daarom ook wel de causale-stappenmethode (CS-methode) genoemd. Bij de tweede manier zijn de causale stappen geïntegreerd in een programma (macro) zodat de analyse in één keer kan worden uitgevoerd. De nadruk ligt hierbij op het schatten van het indirecte effect als het product van twee regressiecoëfficiënten, zoals beschreven in het werk van Preacher en Hayes (bijvoorbeeld Preacher & Hayes, 2004). Deze manier wordt daarom de product-van-coëfficiëntenmethode (PC-methode) genoemd. Vanuit statistisch oogpunt heeft de PC-methode het voordeel dat we geen rekening hoeven te houden met de aanname dat de gegevens normaal verdeeld moeten zijn. De PC-methode kan Verboon(2014). Mediatieanalyse
4
Mediatieanalyse betrouwbaarheidsintervallen rondom de indirecte effecten leveren die gebaseerd zijn op de zogenaamde bootstrapmethode2. Door gebruik te maken van de bootstrap heeft de PCmethode een hogere power dan de CS-methode, wat betekent dat we meer kans hebben om een effect te vinden dat er in werkelijkheid inderdaad is.
2.1 De CS-methode
Stap 1 X moet Y voorspellen. Hiervoor moet een regressieanalyse worden uitgevoerd met X als predictor en Y als afhankelijke variabele. In formulevorm: Y = cX. Hier moet uitkomen dat c statistisch significant is (dus afwijkt van 0). Als c namelijk niet significant zou zijn, dan zou dat impliceren dat er geen verband was tussen X en Y en er dus niets te mediëren valt. Stap 1 staat tegenwoordig echter ter discussie. De situatie kan zich namelijk voordoen dat er twee indirecte effecten aan het werk zijn die een verschillend teken hebben en die elkaars effect als het ware ongedaan maken. In zo’n situatie zou het totale effect (c) nul kunnen zijn, terwijl er wel degelijk indirecte effecten zijn.
Stap 2 X moet M voorspellen (zie de pijl in figuur 1 van X naar M). Hiervoor moet dus een regressieanalyse worden uitgevoerd met X als predictor en M als afhankelijke variabele. In formulevorm krijgen we dan (de constante en error zijn voor de eenvoud weggelaten):
M = aX.
Hier moet uitkomen dat a significant is (dus afwijkt van 0); zo niet, dan is er geen verband tussen X en M en dus ook geen sprake van mediatie.
2
Bij een bootstrap worden uit de data heel veel steekproeven (bijvoorbeeld 2000) getrokken met teruglegging. Op basis hiervan worden dan ook heel veel coëfficiënten berekend. Met al deze schattingen kunnen standaardfouten en betrouwbaarheidsintervallen worden berekend.
Verboon(2014). Mediatieanalyse
5
Mediatieanalyse Stap 3 M moet Y voorspellen (zie de pijl in figuur 1 van M naar Y). Hiervoor moet een regressieanalyse worden uitgevoerd met M en X als predictoren en Y als afhankelijke variabele. In formulevorm:
Y = c’X + bM.
Hier moet uitkomen dat b significant is (dus afwijkt van 0); zo niet, dan is er geen sprake van mediatie. Verder moet of c’ gelijk zijn aan 0 – in dat geval is er sprake van volledige mediatie, óf c’ (significant) kleiner zijn dan c (zie stap 1) – in dat geval is er sprake van partiële mediatie. Samenvattend moet er dus aan drie voorwaarden voldaan zijn om van mediatie te kunnen spreken: 1 a is significant ongelijk aan 0 2 b is significant ongelijk aan 0 3 c – c’ is significant ongelijk aan 0.
De regressieanalyse van stap 2 levert een schatting van a op met de bijbehorende p-waarde. De hierboven beschreven stappen 1 en 3 hoeven niet in twee afzonderlijke regressieanalyses getoetst te worden. We kunnen ze in één regressieanalyse doen door een stapsgewijze (hiërarchische) regressie uit te voeren waarbij we in blok (of model) 1 de X-variabele als onafhankelijk variabele opnemen en in blok 2 de M-variabele toevoegen. Het eerste blok levert dan een schatting van c op met de bijbehorende p-waarde, de tweede stap een schatting c’ en van b, allebei met hun p-waarden. Straks zullen we deze stappen in een voorbeeldanalyse bekijken.
2.2 De PC-methode
Bij de PC-methode wordt het product ab geschat met de daarbij horende standaardfout en betrouwbaarheidsinterval. Om deze methode toe te passen kan het beste de syntax window van SPSS of een ander statistisch pakket worden gebruikt. Preacher en Hayes hebben een zogenoemde macro voor verschillende statistische pakketten (zoals SPSS) geschreven,
Verboon(2014). Mediatieanalyse
6
Mediatieanalyse waarmee de regressiecoëfficiënten a, b, c en c’ , samen met alle relevante significante waarden kunnen worden uitgerekend. Een macro bestaat uit een reeks opdrachten die allemaal uitgevoerd worden door de macro aan te roepen. De macro kan worden gedownload via http://www.afhayes.com. Wanneer deze link wordt gevolgd, verschijnt er een internetpagina waar via de knop ‘SPSS, SAS, and Mplus Macros and Code’ verschillende macro’s en handleidingen kunnen worden gedownload (kijk indien nodig onder download instructies). Kies onder het kopje INDIRECT voor de SPSS-macro, hiermee wordt het bestandje indirect.sps naar de computer gehaald. Dit is een zogenoemde SPSS syntax file, die in zijn geheel gerund moet worden. Daarmee wordt het programma voor de mediatieanalyse geactiveerd. Daarna kan in een andere syntax window met het volgende commando de mediatieanalyse worden gedaan:
INDIRECT y = … / x = … / m= … .
Op de drie puntjes moeten de namen van respectievelijk de afhankelijke variabele, de predictorvariabele en de mediator worden ingevuld3. Later in het hoofdstuk wordt hiervan een voorbeeld gegeven. In de output van dit commando staan alle regressieparameters met hun toetsresultaten. Tot slot geeft deze analyse ook aan of het indirecte effect significant is en welk betrouwbaarheidsinterval daarbij hoort.
3 Voorbeeld: analyse van contraproductief gedrag De data die voor dit voorbeeld zijn gebruikt, hebben betrekking op de effecten van verschillende vormen van rechtvaardigheid die werknemers ervaren op hun gedrag. Het idee is dat onrechtvaardigheid zal leiden tot contraproductief gedrag (counter productive behavior, CB), zoals te laat komen, stelen van kantoorartikelen, weinig collegiaal gedrag en dergelijke. De vraagstelling is welk mechanisme het eventueel verband tussen rechtvaardigheid en CB veroorzaakt. Allereerst is gevraagd naar de perceptie van verschillende vormen van rechtvaardigheid zoals procedurele rechtvaardigheid (verlopen de 3
De macro heeft nog meer mogelijkheden, maar dit is de eenvoudigste aanroep. Voor meer opties zie de handleiding die vanaf dezelfde site kan worden gedownload.
Verboon(2014). Mediatieanalyse
7
Mediatieanalyse procedures binnen het bedrijf eerlijk?), distributieve rechtvaardigheid (wordt men eerlijk beloond?) en interactionele rechtvaardigheid (wordt men met respect behandeld?). Daarna is het vertrouwen in het management gemeten en het cynisme tegenover de leiding en het bedrijf. Tot slot is het contraproductieve gedrag gemeten. In dit voorbeeld worden in eerste instantie alleen de effecten van procedurele rechtvaardigheid en het vertrouwen in het management getoetst. In een volgend voorbeeld komen alle variabelen aanbod. Het idee is dat onrechtvaardige procedures leiden tot meer CB. Vervolgens kunnen we ons afvragen waarom procedurele onrechtvaardigheid tot CB leidt. Een mogelijkheid is dat procedurele onrechtvaardigheid het vertrouwen in het management ondermijnt en dat het gebrek in vertrouwen zal leiden tot meer CB. Omgekeerd zal het ervaren van procedurele rechtvaardigheid (PR) het vertrouwen (TRUST) verhogen en daardoor het contraproductieve gedrag (CB) doen afnemen. Het mediatiemodel ziet er dus als volgt uit.
c’ PR
CB
b
a TRUST
Figuur 4.2 Model: Vertrouwen medieert het verband tussen procedurele rechtvaardigheid en contra productief gedrag.
Een hypothese die bij dit model hoort luidt: Het effect van procedurele rechtvaardigheid op contraproductief gedrag wordt gemedieerd door vertrouwen in het management.
3.1 Voorbeeld van de CS-methode
Om het begrip mediatie goed te kunnen begrijpen wordt eerst de mediatieanalyse uitgevoerd volgens de stappen van Baron en Kenny. Omdat we stap 1 en 3 tegelijk doen, beginnen we met stap 2. Stap 2 kan met de volgende syntax worden uitgevoerd.
Verboon(2014). Mediatieanalyse
8
Mediatieanalyse
Syntax 1 REGRESSION /STATISTICS COEFF OUTS R ANOVA CI(95) /DEPENDENT TRUST /METHOD=ENTER PR. Stap 2. Regressieanalyse van PR op TRUST. Het belangrijkste van deze eerste stap is de regressiecoëfficiënt a. De resultaten van deze analyse geven onder andere aan dat de regressiecoëfficiënt statistisch significant is (a = 1.105; SE = 0.046; t = 23.97; p = 0.000). Procedurele rechtvaardigheid heeft dus een positief effect op het vertrouwen in het management.
Stap 1 en 3. Stapsgewijze regressie van eerst PR en daarna van zowel PR als TRUST op CB. Een stapsgewijze regressie kan eenvoudig met de volgende syntax worden uitgevoerd.
Syntax 2 REGRESSION /STATISTICS COEFF OUTS R ANOVA CHANGE CI(95) /DEPENDENT CB /METHOD=ENTER PR /METHOD=ENTER TRUST. In de resultaten van deze analyse valt af te lezen dat PR 30.9% van de variantie van CB verklaart als deze als enige in het model is opgenomen. De regressiecoëfficiënt van PR is dan -0.732 (SE = 0.061; t = 11.93; p = 0.000). Dit is het totale effect van PR op CB. Rechtvaardigheid hangt dus significant samen met gedrag: hogere procedurele regressie negatief en significant.
Verboon(2014). Mediatieanalyse
9
Mediatieanalyse Tabel 1 Resultaten regressieanalyse PR en TRUST op CB.
De variabelen PR en TRUST samen verklaren 41.0% van de variantie van CB. In de tabel is te zien dat in model 2 de coëfficiënt van PR c’ = -0.170 is (SE = 0.095; t = 1.79; p = 0.075), een waarde die marginaal significant is en veel kleiner dan in het eerste model. Verder blijkt de coëfficiënt van TRUST b = -0.509 te zijn (SE = 0.069; t = 7.36; p = 0.000). Ook vertrouwen heeft dus een statistisch significant effect op CB. Het totale effect c (-0.732) verdwijnt dus voor een groot deel (want c’ = -0.170) als TRUST wordt toegevoegd als predictor van CB. Er lijkt hier dus sprake van partiële mediatie.
3.2 Voorbeeld van de PC-methode
Voor een mediatieanalyse volgens de PC-methode met behulp van de software van Preacher en Hayes moet eerst de file ‘indirect.sps’ worden gedownload van de eerder genoemde site van Hayes. Wanneer we deze file openen dan zien we het volgende:
Verboon(2014). Mediatieanalyse
10
Mediatieanalyse
De tekst in dit bestand kan worden genegeerd, het enige dat we moeten doen is in het menu Run/All kiezen. SPSS gaat de commando’s in dit bestand dan verwerken zodat straks het commando INDIRECT kan worden aangeroepen. Als de processor klaar is met het commando Run/All, kan dit venster worden gesloten. De output kan ook worden verwijderd. Open vervolgens een nieuw syntaxvenster. Hierin typt u de volgende tekst:
INDIRECT y = CB / x = PR / m = TRUST. Run deze regel via het menu Run (het kan ook via het pijltje naast de verrekijker) en de volgende output verschijnt even later:
Verboon(2014). Mediatieanalyse
11
Mediatieanalyse Run MATRIX procedure: Dependent, Independent, and Proposed Mediator Variables: DV = CB IV = PR MEDS = Trust Sample size 320 IV to Mediators (a paths) Coeff se t p Trust 1.1050 .0461 23.9664
.0000
Direct Effects of Mediators on DV (b paths) Coeff se t p Trust -.5090 .0691 -7.3637 .0000 Total Effect of IV on DV (c path) Coeff se t p PR -.7324 .0614 -11.9286 .0000 Direct Effect of IV on DV (c' path) Coeff se t p PR -.1700 .0952 -1.7859 .0751 Model Summary for DV Model R-sq Adj R-sq F df1 df2 .4100 .4063 110.1651 2.0000 317.0000
p .0000
***************************************************************** BOOTSTRAP RESULTS FOR INDIRECT EFFECTS Indirect Effects of IV on DV through Proposed Mediators (ab paths) Data Boot Bias SE TOTAL -.5624 -.5636 -.0012 .0778 Trust -.5624 -.5636 -.0012 .0778 Bias Corrected and Accelerated Confidence Intervals Lower Upper TOTAL -.7108 -.4127 Trust -.7108 -.4127 ***************************************************************** Level of Confidence for Confidence Intervals: 95 Number of Bootstrap Resamples: 1000 ------ END MATRIX -----
Verboon(2014). Mediatieanalyse
12
Mediatieanalyse In deze output staan alle resultaten van de mediatieanalyse overzichtelijk weergeven. Eerst wordt aangegeven welke variabelen er in de analyse zijn opgenomen. De afhankelijke (dependent) variabele (DV) variabele is CB, de onafhankelijke (independent) variabele (IV) is PR en de mediator variabele (MEDS) is TRUST. Daarna volgen de toetsresultaten. De output volgt de pijlen zoals ze zijn weergegeven in figuur 2. De coëfficiënten a, b, c en c’ uit de output hebben dezelfde betekenis als in deze tekst. De waarden van de coëfficiënten zijn allemaal (vrijwel) hetzelfde als die we eerder bij de CS-methode zijn tegengekomen. Merk op dat bij deze methode alleen de verklaarde variantie van het gehele model weergegeven wordt, dus van PR plus TRUST (zie Model Summary). Na het kopje ‘Bootstrap Results for Indirect Effects’ staat onder ‘Data’ de waarde -0.562 (afgerond naar drie decimalen). Dat geeft het indirecte effect weer, ofwel het verschil tussen het totale effect en het directe effect (c – c’), dus -0.732 – (-0.170) = -0.562. Onder ‘Boot’ staat de schatting van het indirecte effect waarbij de bootstrap methode is gebruikt om de significantie te bepalen en er niet gebruik wordt gemaakt van de aanname van de normaal verdeelde data. Onder ‘Bias’ staat simpelweg het verschil tussen deze twee schattingen. Het 95%-betrouwbaarheidsinterval wordt ook weergeven onder Lower en Upper: -0.711 en 0.413. De waarde van het indirecte effect ligt dus met 95% betrouwbaarheid tussen deze twee grenzen. De twee regels bevatten dezelfde gegevens omdat er maar één mediator (TRUST) is gebruikt in de analyse. Er kunnen ook meerdere mediatoren geanalyseerd worden.
4 Meerdere mediatoren en covariaten Het kan voorkomen dat er niet één, maar meerdere mediatoren zijn die tegelijkertijd getest moeten worden. Zo kan het dat ook het cynisme tegenover de leiding en het bedrijf de relatie tussen rechtvaardigheid en contraproductief gedrag medieert. Zie figuur 3 voor een illustratie met twee mediatoren, M1 en M2. Er worden in deze situatie twee verschillende causale processen verondersteld die het verband tussen X en Y verklaren. We spreken dan over een multiple-mediatiemodel.
Verboon(2014). Mediatieanalyse
13
Mediatieanalyse
a1
M1
b1
c’ X
Y
b2
a2 M2
Figuur 3 Mediatiemodel met meerdere mediatoren
Met de macro INDIRECT (van de PC-methode) kan dit model eenvoudig worden geanalyseerd. Hiervoor kan simpelweg in het commando INDIRECT de tweede mediator variabele worden toegevoegd achter ‘m= ’. Het commando ziet er dan als volgt uit:
INDIRECT y=Y / x = X/ m=M1 M2.
Hierbij worden de letters Y, X en M1 en M2 vervangen door de namen van de bijbehorende variabelen. In de output wordt vervolgens het totale mediatie-effect getoond, maar ook het mediatie-effect voor iedere mediator afzonderlijk. Eventueel kan ook nog worden opgegeven om te toetsen of de twee mediatie-effecten significant van elkaar verschillen. Zie hiervoor de uitleg bij deze macro. Verder noemen we nog een aspect dat bij een analyse van belang kan zijn: de aanwezigheid van covariaten. Een geschikte covariaat kan een deel van Y verklaren dat niet door X en één of meerdere mediatoren (M) kan worden verklaard. Het opnemen van een geschikte covariaat in een regressiemodel verkleint de error van het model en zorgt er daardoor voor dat eventuele mediatie-effecten makkelijker kunnen worden gevonden dan
Verboon(2014). Mediatieanalyse
14
Mediatieanalyse wanneer er zonder covariaat zou worden geanalyseerd. Het regressiemodel met covariaat (C) en één mediator ziet er in formulevorm als volgt uit:
Y = c’X + bM + dC.
(5)
Dit model kan uitgebreid worden met meerdere mediatoren (M1, M2 enzovoort), maar ook met meerdere covariaten (C1, C2 enzovoort). Met de PC-methode kan ook zo’n model worden geanalyseerd met de macro INDIRECT. Als voorbeeld van een analyse met meerdere mediatoren en covariaten analyseren we de vraag of naast vertrouwen in het management ook cynisme met betrekking tot de leiding (CYNIS) een mediërende rol zou kunnen spelen. Eventueel kunnen distributieve rechtvaardigheid (DR) en interactionele rechtvaardigheid (IR) een verstorend effect hebben op deze relatie. Daarom worden DR en IR als covariaat toegevoegd aan de analyse. De aanroep van de macro is als volgt, waarbij het getal achter ‘c =…’ het aantal covariaten aangeeft:
INDIRECT y=CB / x = PR / m= TRUST CYNIS DR IR / c = 2.
Deze opdracht geeft de resultaten die op de volgende pagina staan. Hierbij zien we dat het gehele model 47% van de variantie van weerstand verklaart, F(5, 314) = 56.33, p < .000). De resultaten geven aan dat de regressiecoëfficiënt van TRUST significant is (a = .962; SE = 0.068; t = 14.06; p < .000), maar de coëfficiënt van Cynis niet (a = -.123; SE = 0.065; t = -1.88; p = .06). Procedurele rechtvaardigheid heeft dus een positief effect op het vertrouwen in het management, maar niet op het cynisme. Beide covariaten hebben, gecorrigeerd voor het effect van PR, geen effect op CB. Het totale indirecte effect (-0.324) is de som van het indirecte effect via vertrouwen (-0.290) en cynisme (-0.034). Dit is te zien onder bootstrap results. Het 95% betrouwbaarheidsinterval rondom deze schattingen bevat nul niet en daarmee zijn deze schattingen van het indirecte effect dus statistisch significant. Het mediërend effect van vertrouwen is wel veel sterker dan dat van cynisme.
Verboon(2014). Mediatieanalyse
15
Mediatieanalyse Dependent, Independent, and Proposed Mediator Variables: DV = CB IV = PR MEDS = Trust Cynis Statistical Controls: CONTROL= IR DR Sample size 320 IV to Mediators (a paths) Coeff se t p Trust .9616 .0684 14.0604 Cynis -.1230 .0653 -1.8840
.0000 .0605
Direct Effects of Mediators on DV (b paths) Coeff se t p Trust -.3020 .0826 -3.6567 .0003 Cynis .2747 .0865 3.1749 .0016 Total Effect of IV on DV (c path) Coeff se t p PR -.4764 .0878 -5.4271 .0000 Direct Effect of IV on DV (c' path) Coeff se t p PR -.1523 .1095 -1.3908 .1653 Partial Effect of Control Variables on DV Coeff se t p IR .0007 .0673 .0103 .9918 DR -.0720 .1204 -.5978 .5504 Model Summary for DV Model R-sq Adj R-sq F df1 df2 p .4728 .4644 56.3296 5.0000 314.0000
.0000
***************************************************************** BOOTSTRAP RESULTS FOR INDIRECT EFFECTS Indirect Effects of IV on DV through Proposed Mediators (ab paths) Data Boot Bias SE TOTAL -.3242 -.3247 -.0005 .0822 Trust -.2904 -.2908 -.0004 .0834 Cynis -.0338 -.0339 -.0001 .0215 Bias Corrected and Accelerated Confidence Intervals Lower Upper TOTAL -.4968 -.1784 Trust -.4672 -.1335 Cynis -.0886 -.0031 ***************************************************************** Level of Confidence for Confidence Intervals: 95 Number of Bootstrap Resamples: 1000
Verboon(2014). Mediatieanalyse
16
Mediatieanalyse
5 Rapportage van een mediatieanalyse De resultaten van een mediatieanalyse zijn uitgebreider en complexer dan bij een gewone regressieanalyse. Het is daarom lastig om de resultaten in een enkele tabel samen te vatten. De presentatie die de macro van Preacher en Hayes geeft van de mediatieanalyse, bevat alle relevante informatie op een overzichtelijke manier. Maar vanwege de uitgebreidheid is deze wijze van rapporteren in artikelen minder geschikt. Om een mediatieanalyse in een artikel te rapporteren is een meer compacte presentatie wenselijk. In figuur 4 zijn de belangrijkste resultaten van deze mediatieanalyse schematisch weergeven.
0.96 (0.07)
TRUST -0.29
Direct effect = -0.15 (0.11) PR
-0.30 (0.08)
CB R2 = 0.47
-0.12 (0.07)
CYNIS -0.03
0.27 (0.09)
Figuur 4 Mediatie van het effect van Procedurele rechtvaardigheid op Contraproductief gedrag (Totaal = -.48, 95% CI = -.50, -.18) door Vertrouwen (95% CI = -0.47, -0.13) en Cynisme (95% CI = -0.09, -0.00). Deze figuur bevat grotendeels dezelfde informatie als de output van INDIRECT, maar door de informatie op deze wijze te visualiseren wordt meteen duidelijk hoe groot en hoe betrouwbaar de indirecte effecten zijn. Aan de pijl midden in de figuur is te zien of er sprake is van partiële dan wel volledige mediatie, omdat hier staat aangegeven hoeveel van het totale effect niet kan worden toegeschreven aan beide mediatoren. In dit geval is er sprake van volledige mediatie omdat het directe effect vrijwel nul is. Onder de naam van de afhankelijke variabele (hier CB) staat de door het model verklaarde variantie. In de blokjes van de mediatoren staat het indirecte effect vermeld dat is toe te schrijven aan de
Verboon(2014). Mediatieanalyse
17
Mediatieanalyse desbetreffende variabele. Het bijschrift bij de figuur vermeldt de betrouwbaarheidsintervallen die horen bij de indirecte effecten. Bij de pijlen staan de regressiecoëfficiënten van de verschillende stappen met hun SE’s.
6 Uitbreiding van het mediatiemodel Tot nu toe is het enkelvoudige mediatiemodel (één mediator) en het multiplemediatiemodel (meerdere mediatoren) besproken. Deze modellen hebben gemeenschappelijk dat het pad (in het geval van multipele mediatie, de paden) tussen de predictor en de afhankelijke variabele via één mediatieproces verloopt, de mediatieprocessen verlopen parallel aan elkaar, vandaar dat een dergelijk model ook wel een parallel (multiple-)mediatiemodel wordt genoemd. In theorie kan een pad ook uit meerdere mediatoren bestaan die niet via een één proces verlopen: dit wordt een serieel mediatiemodel genoemd. Het conceptueel model behorend bij zo’n model staat in figuur 5.
M1
M2
X
Y
Figuur 5. Voorbeeld van een serieel multiple mediator model.
Om een serieel mediatiemodel te analyseren is een andere macro nodig, bijvoorbeeld MEDTHREE of PROCESS, en deze macro’s kunnen ook van de eerder genoemde site worden gedownload. Wanneer er meerdere predictoren opgenomen moeten worden in het model, dan kan INDIRECT verschillende keren worden uitgevoerd iedere keer met een andere predictor in de rol van X-variabele waarbij de andere predictoren steeds als covariaat worden
Verboon(2014). Mediatieanalyse
18
Mediatieanalyse meegenomen. Een alternatief is om een andere macro te gebruiken, MEDIATE, die dit in één keer kan. Ook kan in MEDIATE een nominale variabele als predictor worden opgegeven. Wanneer de afhankelijke variabele dichotoom is dan wordt in INDIRECT de lineaire regressie van deze variabele automatisch vervangen door een logistische regressie. Het is dus mogelijk om mediatie te toetsen bij een dichotome afhankelijke variabele op dezelfde manier als bij een continue afhankelijke variabele. Ook een dichotome predictor kan worden geanalyseerd, zonder dat er iets aan de analyse gewijzigd hoeft te worden. Wanneer de mediator echter dichotoom is, dan is het niet mogelijk om INDIRECT of een andere macro te gebruiken.
Literatuur
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, 1173-1182. Hayes, A. F. (2013). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. New York: Guilford Press. MacKinnon, D. P. (2008). Introduction to statistical mediation analysis. New York: Lawrence Erlbaum Associates. Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers, 36, 717-731. 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, 879-891.
Verboon(2014). Mediatieanalyse
19