Model Umum untuk Pengujian Mediasi

Model Umum untuk Pengujian Mediasi
dan Efek Moderasi
Abstrak Makalah ini menjelaskan metode untuk pengujian mediasi dan efek moderasi dalam
dataset, baik bersama-sama dan secara terpisah. Investigasi semacam ini terutama berharga
dalam penelitian pencegahan untuk memperoleh informasi tentang proses dimana program
mencapai efek dan apakah program ini efektif untuk sub kelompok individu. Model umum
yang secara bersamaan memperkirakan mediasi dan moderasi efek disajikan, dan utilitas
menggabungkan efek menjadi model tunggal dijelaskan. Kemungkinan efek yang menarik
dalam model yang menjelaskan, seperti metode statistik untuk menilai efek ini. Metode yang
lebih lanjut digambarkan dalam hipotetis pencegahan contoh program. Kata kunci Mediasi.
Pengaruh tidak langsung. Moderasi. Dimediasi moderasi. Dimoderatori mediasi Hubungan
antara variabel sering lebih kompleks daripada hubungan bivariat sederhana antara prediktor
dan kriteria. Sebaliknya hubungan ini dapat dimodifikasi oleh, atau diinformasikan oleh,
penambahan variabel ketiga dalam desain penelitian. Contoh variabel ketiga termasuk
penekan, pembaur, kovariat, mediator, dan moderator (MacKinnon et al.2000). Banyak dari
efek ini variabel ketiga telah diteliti dalam literatur penelitian, dan yang lebih baru penelitian
telah meneliti pengaruh lebih dari sepertiga pengaruh variabel dalam analisis. Pentingnya
menyelidiki mediasi dan moderasi efek bersama-sama telah diakui untuk beberapa waktu
dalam ilmu pencegahan, tetapi metode statistik untuk melakukan analisis ini hanya sekarang
sedang dikembangkan. Investigasi semacam ini terutama berharga dalam penelitian
pencegahan dimana data dapat menyajikan beberapa mediasi dan moderasi hubungan.
Penelitian sebelumnya telah dijelaskan perbedaan antara mediasi dan moderasi dan telah
memberikan metode untuk menganalisis secara terpisah (misalnya, Dearing dan Hamilton
2006; Frazier et al. 2004; Gogineni dkk. 1995; Rose et al. 2004). Penelitian yang lebih baru
telah disajikan model untuk secara bersamaan memperkirakan mediasi dan moderasi untuk
menyelidiki bagaimana efek bekerja sama (misalnya, Edwards dan Lambert 2007;
MacKinnon 2008; Muller et al. 2005; Pengkhotbah dkk. 2007). Sebuah tinjauan literatur
substantif menggambarkan bahwa Beberapa contoh penelitian terapan telah menggunakan
model ini, Namun. Meskipun menganalisis mediasi dan moderasi secara terpisah untuk data
yang sama mungkin berguna, seperti yang dijelaskan kemudian dalam makalah ini,
pemeriksaan simultan efek sering relevan dan memungkinkan untuk penyelidikan lebih
bervariasi, hipotesis penelitian yang kompleks. Apa Jenis Pertanyaan Penelitian Bisa Dibahas
dengan Analisis Simultan Mediasi dan Moderasi Efek? "Apakah Proses Dengan Yang
Program yang Memiliki Efek Berbagai Jenis Across Sama Peserta? "Dalam pencegahan dan
intervensi penelitian, model mediasi telah digunakan untuk memahami mekanisme (s)
dimana Efek Program terjadi. Untuk menentukan generalisasi mekanisme ini atau untuk
menjelaskan efek Mediated tak terduga kecil itu mungkin menarik untuk menyelidiki apakah
hubungan mediasi, atau efek tidak langsung, memegang seluruh subkelompok yang berbeda
(misalnya, laki-laki vs perempuan atau berisiko rendah vs berisiko tinggi). Untuk menyelidiki
hipotesis tersebut, peneliti menanyakan apakah efek tidak langsung dimoderasi, atau apakah
efek dimediasi tergantung pada tingkat lain variabel. Misalnya, bahwa alat bisnis
program tempat kerja-kesehatan (variabel independen, X) untuk mengurangi risiko kesehatan
yang berhubungan dengan obesitas di karyawannya. Pengembang program yang berhipotesis
bahwa dengan meningkatkan karyawan pengetahuan tentang manfaat makan buah-buahan
dan sayuran (variabel mediator, M), konsumsi karyawan buah-buahan dan sayuran akan
meningkatkan (dependen variabel, Y), sehingga mengurangi risiko kesehatan. Perkiraan
pengaruh tidak langsung dari program pada buah karyawan dan konsumsi sayuran melalui
pengetahuan karyawan dari manfaat buah-buahan dan sayuran makan adalah tiba-tiba rendah.
Melalui pembicaraan dengan karyawan, menjadi jelas bahwa peserta kurang lebih termotivasi
untuk mendapatkan dan menggunakan pengetahuan dari program untuk meningkatkan diet
mereka berdasarkan apakah mereka memiliki riwayat keluarga penyakit terkait obesitas
seperti diabetes atau penyakit kardiovaskular. Pengembang Program berhipotesis bahwa
riwayat keluarga peserta dari obesityrelated penyakit dapat memoderasi hubungan mediasi di
data, mempengaruhi pengaruh program pada karyawan pengetahuan tentang buah dan
sayuran dan dampaknya selanjutnya pada konsumsi buah dan sayuran (Lihat Gambar. 1).
"Bisa Hubungan Mediasi Jelaskan sebuah Efek Interaksi dalam Data saya? "
Misalkan program tempat kerja-kesehatan serupa dilaksanakan dalam adik besar perusahaan
dan Program efek memiliki telah tergantung pada apakah peserta adalah penuh atau paruh
waktu karyawan di perusahaan. Untuk menyelidiki mendasari alasan untuk interaksi yang tak
terduga ini, atau moderasi hubungan, analis Program bisa menyelidikimediasi hipotesis di
mana efek interaksi memprediksi variabel mediator yang memprediksi hasilnya, didefinisikan
di sini sebagai mediasi efek moderator. Sebagai contoh, mungkin selain meningkatkan
pengetahuan karyawan buah dan sayur manfaat dengan kurikulum kesehatan, program (X)
juga memperkenalkan budaya kerja, atau sosial norma (M), dari makan sehat yang
memberikan kontribusi kepada karyawan konsumsi buah dan sayuran (Y; Lihat Gambar 2.).
Program pengembang berhipotesis bahwa lebih jam seorang karyawan bekerja dalam
seminggu ditentukan berapa banyak mereka tunduk pada norma sosial yang akhirnya
mempengaruhi konsumsi buah dan sayuran mereka. Penelitian saat ini Tujuan artikel ini
adalah untuk memberikan langsung, sumber daya metodologis pada model untuk secara
bersamaan menguji mediasi dan moderasi efek untuk substantif peneliti. Untuk itu, kami
mengatur metode untuk secara bersamaan pengujian mediasi dan moderasi menjadi satu
kerangka kerja yang memungkinkan untuk estimasi titik dan konstruksi interval kepercayaan.
Interpretasi dan efek perhitungan yang disediakan, dan model yang diterapkan pada dataset
substantif untuk menggambarkan metode. Memastikan kesamaan untuk diskusi ini, mediasi
dasar dan efek moderasi dari yang model terbentuk adalah pertama Ulasan. Review dari
Mediasi Model mediasi menawarkan penjelasan bagaimana, atau mengapa, dua variabel yang
terkait, di mana intervensi atau mediasi variabel, M, dihipotesiskan menjadi perantara dalam
hubungan antara variabel independen, X, dan hasil, Y (Lihat Gambar. 3). Presentasi awal
mediasi dalam penelitian pencegahan (misalnya, Baron dan Kenny 1986; Judd dan Kenny
1981a; 1981b) digambarkan metode langkah kausal untuk tes untuk mediasi, namun
penelitian yang lebih baru telah mendukung tes untuk mediasi statistik berdasarkan koefisien
dari dua atau lebih dari persamaan regresi berikut (MacKinnon dan Dwyer 1993):
Y ¼ i1 þ cX þ e1 ð1Þ
Y ¼ i2 þ c'X þ bM þ e2 ð2Þ
M ¼ i3 þ aX þ e3 ð3Þ
Di mana c adalah efek keseluruhan variabel independen pada Y; c 'adalah efek dari variabel
independen pada Y mengendalikan M; b adalah efek dari variabel mediasi pada Y; adalah
pengaruh variabel independen pada mediator; i1, i2, i3 dan adalah penyadapan untuk setiap
persamaan; dan e1, e2, e3 dan adalah residual yang sesuai di setiap Persamaan (lihat Gambar.
3).
Diagram jalur untuk model single-mediator. Catatan. X = variabel independen, Y = variabel
dependen, dan M = yang mediasi variabel. Model mediasi terurai efek total X terhadap Y (c),
menjadi dua bagian: efek tidak langsung dari X pada Y, dihitung oleh ab (produk dari a dan
b), dan efek langsung dari X pada Y dengan efek mediator dihapus, dihitung dengan c '. c =
ab + c '
Meskipun ada cara alternatif untuk memperkirakan mediasi, produk dari koefisien yang
paling mudah diterapkan model yang kompleks dan digunakan dalam makalah ini. Produk
uji koefisien menghitung efek dimediasi sebagai produk dari ^ dan ^ b koefisien dari
Persamaan. 2 dan 3. Sobel (1982,1986) yang berasal varians dari ^ a ^ b produk berdasarkan
Metode delta multivariat. Formula ini telah banyak digunakan untuk memperkirakan teori
standard error normal ^ a ^ b:
Dimana s2 ^ a adalah varians dari ^ koefisien dan S2 ^ b adalah varians dari ^ b koefisien.
MacKinnon et al. (1998) dan MacKinnon dan Lockwood (2001) menunjukkan bahwa tes
untuk efek dimediasi berdasarkan Teori yang normal dapat menghasilkan batas kepercayaan
akurat dan tes signifikansi, bagaimanapun, sebagai produk dari dua biasanya variabel
didistribusikan tidak sendiri terdistribusi normal. Tes alternatif yang didasarkan pada
distribusi asimetris produk dari dua variabel yang terdistribusi normal adalah tersedia dan
telah terbukti mengungguli tradisional metode (. MacKinnon et al, 2002; MacKinnon et al
2004.).Sebuah program baru yang disebut "PRODCLIN" (MacKinnon et al.2007) telah
otomatis perhitungan distribusi uji produk untuk mediasi sehingga dapat diakses secara luas.
Peneliti hanya perlu menentukan nilai dari ^ a ^, b, yang standard error ^ a, standard error ^ b,
dan tingkat signifikansi statistik yang diinginkan. Asumsi dari model mediasi termasuk biasa
OLS asumsi estimasi (misalnya spesifikasi yang benar bentuk fungsional model, tidak ada
variabel dihilangkan, tidak ada kesalahan pengukuran; Cohen et al. 2003). Analisis Mediasi
juga mengasumsikan kausal pemesanan yang benar dari variabel, tidak ada membalikkan
efek kausalitas, dan tidak ada interaksi XM. Review dari Model Moderasi
Model moderasi tes apakah prediksi dari variabel dependen, Y, dari variabel independen, X,
berbeda di tingkat variabel ketiga, Z (Lihat Gambar. 4).
Variabel moderator mempengaruhi kekuatan dan / atau arah hubungan antara prediktor dan
hasil: meningkatkan, mengurangi, atau mengubah pengaruh prediktor tersebut. Efek moderasi
biasanya dibahas sebagai interaksi antara faktor atau variabel, di mana efek dari satu variabel
tergantung pada tingkat variabel lain dalam analisis. Deskripsi rinci dari efek moderator dan
kerangka untuk estimasi dan interpretasi mereka disajikan dalam Aiken dan Barat (1991).
Efek moderasi diuji dengan regresi berganda analisis, di mana semua variabel prediktor dan
interaksi mereka Gambar. 4 Alternatif representasi diagram jalur moderasi Model. Catatan. X
= variabel independen, Y = variabel dependen, Z = variabel moderator, XZ = produk dari X
dan moderator variabel, β1 = pengaruh X terhadap Y, β2 = efek Z pada Y, dan β3 =
efek XZ pada Y
Istilah yang berpusat sebelum model estimasi untuk meningkatkan interpretasi koefisien
regresi. Sebuah regresi tunggal persamaan membentuk model moderasi dasar:
Y ¼ i5 þ þ B1X b2Z þ þ b3XZ e5 ð5Þ
Mana β1 adalah koefisien yang berkaitan independen variabel, X, dengan hasil, Y, Z = 0
ketika, β2 adalah Koefisien yang berkaitan variabel moderator, Z, dengan hasil ketika X = 0,
i5 mencegat dalam persamaan, dan e5 adalah sisa dalam persamaan. Koefisien regresi untuk
jangka interaksi, β3, memberikan perkiraan efek moderasi. Jika β3 adalah statistik berbeda
dari nol, ada moderasi signifikan dari hubungan X-Y dalam data. Interaksi merencanakan
Efek bantu dalam interpretasi moderasi untuk menunjukkan bagaimana kemiringan Y pada X
tergantung pada nilai variabel moderator. Lereng regresi yang sesuai dengan prediksi Y dari
X pada nilai tunggal Z yang disebut lereng sederhana. Asumsi dari model moderasi termasuk
OLS asumsi regresi, seperti yang dijelaskan sebelumnya, dan homogenitas kesalahan varians.
Yang terakhir asumsi mengharuskan varians residual dalam hasil yang tersisa setelah
memprediksi Y dari X adalah setara di nilai dari variabel moderator.
Menggabungkan Mediasi dan Moderasi Analisis Menganalisis Model terpisah Banyak
pekerjaan menggabungkan mediasi dan moderasi analisis telah disajikan dalam konteks
pencegahan rancangan program dan pengembangan, di mana memeriksa mediasi dan efek
moderasi bersama-sama bertujuan untuk meningkatkan pelaksanaan program dengan
menggabungkan ide-ide teori-driven dan bukti empiris. Misalnya, Donaldson (2001)
menunjukkan bahwa hubungan multivariat antara variabel dalam program pengobatan
cenderung menjadi salah satu dari tiga jenis: (a) langsung efek, (b) efek dimediasi, dan (c)
efek dimoderasi. Oleh menggabungkan pemeriksaan efek ini dalam satu analisis, peneliti
tidak hanya mengidentifikasi mediasi proses melalui program mencapai dampaknya tetapi
juga dapat mengidentifikasi komponen program yang efektif dan / atau karakteristik tertentu
dari peserta atau lingkungan yang moderat efektivitas program. Jika teoretis dari pengobatan
atau pencegahan Program berfungsi sebagai titik awal untuk kurikulum, terpisah analisis
mediasi dan moderasi dapat digunakan untuk iteratif memperbaiki teori Program. Analisis ini
mungkin digunakan untuk mengumpulkan umpan balik empiris dan untuk melakukan uji
coba karya program sebelum pelaksanaan skala besar kurikulum (Lihat Gambar. 5). Secara
khusus, dengan memeriksa mediasi seseorang mampu menyelidiki seberapa efektif
Kurikulum Program itu dalam mengubah perilaku sasaran, dan apakah program yang
bertujuan untuk mengubah mediator yang tepat dari hasil yang diinginkan. Menganalisis efek
moderasi dalam ini konteks memungkinkan peneliti untuk mengidentifikasi variabel yang
mungkin meningkatkan atau mengurangi kemampuan program untuk mengubah mediasi
variabel, serta untuk menguji validitas eksternal, atau Gambar. 5
Refining Program teori: pertukaran empiris-teoritis. Catatan. Gambar didasarkan pada
Donaldson (2001) diagram yang terjadi pada p. 472 dari teks yang generalisasi, dari model di
seluruh kelompok yang berbeda atau pengaturan (Hoyle dan Robinson 2003). moderator
hipotesis variabel mungkin lebih atau kurang setuju dengan program menjahit, namun.
Meskipun subkelompok Program mungkin terbentuk pada moderator seperti usia atau jenis
kelamin dengan sedikit subkelompok kesulitan, membentuk program berdasarkan lain
variabel moderator seperti etnis atau keluarga risiko mungkin tidak praktis dan / atau tidak
etis. Meskipun demikian, identifikasi sub kelompok yang program yang paling efektif
berguna, dan pemeriksaan moderasi dan mediasi efek dalam konteks ini meningkatkan
pemahaman ilmiah perilaku dan meningkatkan efektivitas Program. barat dan Aiken (1997)
berpendapat bahwa analisis ini terutama berguna setelah keberhasilan pelaksanaan dan
evaluasi program pengobatan. Hal ini memungkinkan untuk terus-menerus pengembangan
dan peningkatan program, tapi setelah efektif pertama evaluasi. Menganalisis Model
Bersamaan Dengan secara bersamaan menyelidiki mediasi dan moderasi, efek tidak hanya
dapat mengurai dan dianalisis secara terpisah tetapi juga dapat dievaluasi bersama-sama. Ada
memiliki telah dua efek utama dianalisis dalam literatur: (a) mediasi dari efek moderator, dan
(b) moderasi efek tidak langsung. Mediasi efek moderator melibatkan menjelajahi
mekanisme mediasi untuk menjelaskan interaksi keseluruhan XZ dalam memprediksi Y,
sedangkan moderasi efek tidak langsung melibatkan menyelidiki apakah hubungan dimediasi
memegang di tingkat keempat, variabel moderating. Efek ini sebelumnya telah disebut
sebagai dimediasi-moderasi dan dimoderatori-mediasi dalam literatur, masing-masing.
Alternatif ini deskripsi dapat meningkatkan perbedaan antara keduanya. Model-model
sebelumnya untuk secara bersamaan menguji mediasi dan efek moderasi telah disajikan
dengan berbagai notasi (misalnya, Edwards dan Lambert 2007; James dan Brett 1984; Muller
et al. 2005; Pengkhotbah dkk. 2007) atau tanpa persamaan diuji (misalnya, Baron dan Kenny
1986; Wegener dan Fabrigar 2000), sehingga sulit untuk memahami persamaan dan
perbedaan antara metode. Selain itu kriteria untuk menguji efek telah bervariasi di seluruh
sumber, sehingga sulit untuk meramalkan kemungkinan rekomendasi untuk digunakan. Ini
mungkin untuk membuat model umum untuk menguji efek ini, Namun, yang menggolongkan
beberapa kerangka kerja sebelumnya dengan termasuk semua interaksi yang mungkin antara
variabel dalam mediasi dan moderasi model (MacKinnon 2008). Model seperti itu
menyatukan metode ke dalam presentasi tunggal di mana model yang berbeda yang
direpresentasikan sebagai kasus khusus dari kerangka yang lebih besar. Tiga persamaan
regresi membentuk Model:
Y ¼ i6 þ þ c1X c2z þ þ c3XZ e6 ð6Þ
M ¼ i7 þ þ a1X A2Z þ þ a3XZ e7 ð7Þ
Y ¼ i8 þ c0
1X þ c0
2Z þ c0
3XZ þ þ b1M b2MZ
þ þ HxM jXMZ þ e8
ð8Þ
di mana semua prediktor dalam model yang berpusat di nol untuk meningkatkan interpretasi
koefisien urutan yang lebih rendah. Di Eq. 6, c1 adalah efek dari variabel independen pada
hasil ketika Z = 0 (juga efek rata-rata X pada Y karena rata-rata Z = 0), c2 adalah efek dari
moderator variabel pada hasil ketika X = 0 (juga efek rata dari Z pada Y karena rata-rata X =
0), c3 adalah efek dari interaksi antara variabel independen dan moderator pada hasil, dan i6
dan e6 adalah mencegat dan sisa dalam persamaan, masing-masing. Dalam Persamaan. 7, a1
adalah pengaruh variabel independen pada mediator ketika Z = 0 (juga efek rata-rata X di M
karena mean dari Z = 0), a2 adalah efek dari variabel moderator pada mediator (juga efek
rata-rata Z di M karena berarti X = 0), a3 adalah efek dari interaksi antara variabel
independen dan moderator pada mediator, dan i7 dan e7 adalah mencegat dan sisa dalam
persamaan, masing-masing. Dalam Persamaan. 8, c'1 adalah efek dari variabel independen
pada hasil ketika M = 0 dan Z = 0 (efek rata-rata X pada Y), c'2 adalah efek dari moderator
pada hasil ketika X = 0 dan M = 0 (efek rata-rata Z pada Y), c'3 adalah efek dari interaksi
antara variabel independen dan moderator pada hasil ketika M = 0 (pengaruh rata-rata XZ
pada Y), b1 adalah efek mediator pada hasil ketika X = 0 dan Z = 0 (pengaruh rata-rata M
pada Y), b2 adalah efek dari interaksi antara moderator dan mediator variabel pada hasil saat
X = 0 (pengaruh rata-rata MZ di Y), h adalah efek dari interaksi antara variabel independen
dan mediator pada hasil saat Z = 0 (pengaruh rata-rata XM pada Y), dan j adalah efek dari
tiga-cara interaksi mediasi itu, moderator, dan variabel independen pada hasil. Mencegat dan
sisa dalam Persamaan. 8 dikodekan i8 dan e8, masing-masing. Sebuah jalan diagram untuk
model disajikan pada Gambar. 6.
Asumsi dari model umum termasuk asumsi dari mediasi dan moderasi model seperti yang
dijelaskan sebelumnya. Isu inferensi kausal dalam model non-aditif juga mungkin
memerlukan ketentuan tambahan untuk estimasi. Catatan bahwa kehadiran setiap interaksi
dua arah yang signifikan dalam model menunjukkan bahwa efek utama dari X dan M tidak
memberikan interpretasi lengkap efek. Kehadiran dari interaksi tiga arah yang signifikan
dalam model juga menyiratkan bahwa urutan rendah dua arah interaksi tidak memberikan
interpretasi lengkap efek. Jika ada interaksi yang signifikan, perkiraan titik dapat diperiksa
dengan Gambar. 6 MacKinnon (2008) Umum Bersama Modus Analisis. Catatan.
X = variabel independen, Y = variabel dependen, Z = yang variabel moderator, M = mediasi
yang variabel, XZ = interaksi X dan Z, MZ = yang interaksi M dan Z, XM =
interaksi X dan M, dan XMZ = tiga-cara interaksi antara X, M, dan Z
plot dan tes efek sederhana untuk menyelidiki interaksi efek. Edwards dan Lambert (2007),
Pengkhotbah dkk. (2007), dan Tein dkk. (2004) memberikan metode untuk melakukan
analisis ini. Pengujian efek: Kriteria untuk moderasi tidak langsung Untuk menguji apakah
efek efek tidak langsung dimoderasi, itu adalah kepentingan untuk menyelidiki apakah efek
dimediasi (ab) berbeda di tingkat keempat, variabel moderating. Sumber sebelumnya telah
menyatakan bahwa efek ini dapat didefinisikan oleh salah satu moderator jalan, b jalan
moderator, atau keduanya moderator dan jalur b dalam model mediasi (James dan
Brett 1984; Muller et al. 2005; Pengkhotbah dkk. 2007; Wegener dan Fabrigar 2000),
sehingga jika ada moderasi di jalan baik dari efek tidak langsung maka hubungan dimediasi
tergantung pada tingkat moderator variabel. Ada situasi, namun, di mana heterogen atau b
jalan tidak berarti heterogen Istilah produk ab. Meskipun heterogenitas yang signifikan baik
dalam a atau b jalan mungkin menyiratkan heterogenitas yang signifikan dalam produk ab
Istilah dalam beberapa kasus, memeriksa moderasi produk istilah atau moderasi dari kedua
jalur vs memeriksa moderasi jalur tunggal dalam model mediasi tidak konseptual identik.
Perhatikan contoh berikut di mana moderator jalan dalam model mediasi sarana sesuatu yang
berbeda dari kedua moderator dan jalur b di model. Menganggap bahwa X adalah asupan
kalsium, M adalah tulang kerapatan, Y adalah jumlah patah tulang, dan Z adalah gender.
Asupan kalsium dikenal memiliki efek pada tulang kepadatan perempuan, dan hubungan
antara asupan kalsium dan kepadatan tulang lebih kuat pada wanita daripada pada pria (yaitu,
heterogenitas di jalur dalam model). Secara khusus, pria memiliki kepadatan tulang yang
lebih besar pada umumnya dan dengan demikian hasil keuntungan lebih sedikit dari asupan
kalsium tambahan. Namun, kepadatan tulang mempengaruhi kerapuhan tulang dengan cara
konstan di jantan dan betina, sehingga tulang yang rendah kepadatan lead untuk lebih patah
tulang (yaitu, tidak ada heterogenitas jalur b di model). Model-model sebelumnya akan
menganggap skenario ini sebagai moderasi dari efek tidak langsung, dengan alasan bahwa
moderasi dari jalan yang sudah cukup sebagai tes untuk efek. Ada dua masalah dengan
argumen ini. Pertama, pengujian heterogenen yang itu dari hanya a atau b jalan dalam model
mediasi tidak uji mediasi karena hanya satu link di efek dimediasi diuji dalam setiap kasus.
Kedua, heterogen jalan dalam model ini menunjukkan sesuatu berbeda dari kedua a dan b
jalur heterogen atau produk ab heterogen. Heterogenitas di kedua jalur dari efek dimediasi
akan menyarankan bahwa gender tidak hanya moderat efek asupan kalsium pada kepadatan
tulang, tetapi bahwa gender juga moderat efek kepadatan tulang pada patah tulang.
Heterogenitas estimasi produk dari efek dimediasi akan menyarankan bahwa moderat gender
mekanisme yang asupan kalsium mempengaruhi kehilangan tulang; ini mungkin atau
mungkin tidak benar berdasarkan literatur penelitian. Meskipun moderasi dari jalur tunggal
mungkin menyiratkan moderasi istilah produk dalam beberapa kasus, sangat penting untuk
membedakan skenario karena mereka sesuai dengan hipotesis penelitian yang berbeda.
Ada juga contoh numerik yang menunjukkan contoh ketika heterogenitas di jalur individu
mediasi Model tidak berarti heterogenitas istilah produk. Pertimbangkan skenario berikut
efek dimediasi dalam dua berbasis moderator subkelompok: Dimediasi Effect di Grup 1
Mediated Efek di Grup 2
Kasus 1: (a = -2) (b = -2) (a = 2) (b = 2)
Kasus 2: (a = 1) (b = 2) (a = 2) (b = 1)
Dalam kedua skenario tersebut a dan b jalan yang heterogen seluruh kelompok kriteria
sehingga memuaskan bagi moderasi dari efek dimediasi seperti yang didefinisikan oleh
Edward dan Lambert (2007), James dan Brett (1984), Morgan-Lopez dan MacKinnon
(2006), Pengkhotbah dkk. (2007), dan Wegener dan Fabrigar (2000). Namun produk ab
identik di seluruh kelompok, menunjukkan bahwa tidak ada moderasi dari efek tidak
langsung. Meskipun tes untuk moderasi efek dimediasi berdasarkan pada heterogenitas
koefisien jalur individu dalam Model mediasi akan lebih kuat daripada tes berdasarkan
heterogenitas istilah produk (mengingat biasanya rendah kekuatan untuk mendeteksi
interaksi), tes ini juga mungkin memiliki ditinggikan Tipe 1 tingkat kesalahan. Meskipun
masalah potensial untuk membuat kesimpulan atas moderasi produk ab dari informasi tentang
moderasi jalur individu, kerja simulasi awal menunjukkan bahwa memperpanjang uji
signifikansi bersama (di mana tes untuk mediasi didasarkan pada pentingnya jalur komponen
dalam model sehingga jika kedua ^ dan ^ b Efek maka dimediasi signifikan ^ a ^ b dianggap
signifikan) untuk model untuk mediasi dan moderasi mungkin diterima. Secara khusus, jika
kesimpulan tentang moderasi dari ^ a ^ b didasarkan pada apakah kedua ^ dan ^ b secara
signifikan dipengaruhi oleh variabel moderator, Z, Tipe 1 tingkat kesalahan tidak pernah
melebihi 0,0550 (Fairchild 2008). Pengaruh variabel moderator pada jalur komponen mediasi
Model diperiksa menggunakan Persamaan. 7 dan 8, di mana ^ a3 mengkuantifikasi pengaruh
Z di jalan dan ^ b2 mengkuantifikasiPengaruh Z di jalan b, masing-masing (Lihat Gambar.
6). Jika kedua koefisien signifikan, mungkin mengklaim bahwa ada moderasi signifikan dari
efek tidak langsung. Untuk memperoleh baik titik estimasi atau kepercayaan batas untuk
efek, sebuah produk uji koefisien dapat digunakan. Untuk memperkirakan produk koefisien
menguji moderasi efek tidak langsung dalam kasus dikotomis variabel moderator, model
mediasi yang terpisah dapat Diperkirakan untuk setiap kelompok dan kesetaraan dari ^ a
^ b titik perkiraan dapat dibandingkan seluruh subkelompok berbasis moderator. Contoh dari
variabel moderator dikotomis mungkin jenis kelamin atau diagnosis klinis. Hipotesis nol
terkait dengan tes ini adalah bahwa perbedaan antara dua perkiraan efek titik dimediasi di
masing-masing kelompok adalah nol:
H0: ^ a
^b
group2? ^ a
^b
group1 ¼ 0 ð9Þ
Jika perkiraan titik di masing-masing kelompok secara statistik berbeda satu sama lain, ada
moderasi signifikan efek tidak langsung (yaitu, heterogenitas dalam produk ab), seperti
bahwa efek dimediasi dimoderasi oleh keanggotaan kelompok. Untuk menguji perkiraan
dalam Pers. 9 untuk signifikansi statistik, Perbedaan dibagi dengan kesalahan standar untuk
estimasi untuk membentuk statistik z. Jika kelompok independen, standar kesalahan dari
perbedaan antara dua koefisien adalah:
spooled ¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
s2
^a
^
bgroup1
þ s2
^a
^
bgroup2
r
ð10Þ
Dimana s2
^ A ^ bgroup1
adalah varian dari efek dimediasi di
kelompok 1 dan s2
^ A ^ bgroup2
adalah varian dari efek dimediasi di Kelompok 2.To uji heterogenitas efek tidak langsung
pada kasus variabel moderator terus menerus, varians dalam perkiraan produk ab di tingkat
moderator variabel diperiksa. Contoh kontinu variabel moderator mungkin menjadi motivasi
individu untuk meningkatkan. Karena tes z seperti yang ditunjukkan di atas hanya dapat
mengakomodasi variabel moderator dengan dua tingkat (atau sejumlah kecil tingkat dengan
kontras antara dua variabel) dan karena tingkat moderator terus menerus sering tidak
mewakili kelompok yang berbeda, tes dengan terus menerus moderator lebih rumit.
Pertanyaannya menjadi bagaimana menilai perbedaan dalam produk ab di besar jumlah
tingkat variabel moderator, dan jawabannya untuk pertanyaan yang tidak lengkap pada saat
ini. Acak model koefisien menilai varians dalam koefisien regresi di beberapa tingkat seperti
beberapa tingkat dari moderator. Jika moderator dianggap sebagai tatanan yang lebih tinggi
variabel di mana efek agar lebih rendah (seperti ab) mungkin bervariasi, koefisien kerangka
pemodelan acak mungkin cocok untuk menilai varians dalam efek tidak langsung di tingkat
dari moderator terus menerus. Kenny, Korchmaros, dan Bolger (2003) menggambarkan
perkiraan varians dari ab ketika dan b berkorelasi untuk kasus efek acak berdasarkan
Aroian (1947):
s2
^A
^
b
? ? ¼ ^ b2s2
^a
þ ^ a2s2
^
b
þ s2
^a
s2
^
b
þ 2 ^ a ^ ^ a bs
^
b
þ s2
^A
^
b
ð11Þ
Bauer, Pengkhotbah, dan Gil (2006) membuat penting perbedaan antara varians dari ab dan
varians dari nilai rata-rata ab dalam model multilevel. Ini adalah varians dari ab yang relevan
dengan pertanyaan apakah sebuah pengaruh tidak langsung dimoderatori seperti yang kita
ingin tahu apakah ada variabilitas substansial dalam ab di tingkat moderator variabel. Hal ini
juga memungkinkan untuk menguji apakah jalur individu dalam Model mediasi berbeda di
tingkat variabel moderator. Tes ini dapat menyelidiki moderasi dari efek langsung dari X
pada Y (c ') atau mengevaluasi generalisasi tindakan dan teori konseptual untuk sebuah
program. Hipotesis nol untuk menguji homogenitas efek langsung program adalah:
H0: c'3 ¼ 0 ð12Þ
Hipotesis ini diuji dengan memeriksa signifikansi dari ^ c¶3 di Persamaan. 8; jika koefisien
regresi adalah signifikan, ada moderasi signifikan dari efek langsung program. Ingat bahwa
teori konseptual untuk program sesuai dengan jalur b dari model mediasi, yang
mendefinisikan teori yang menghubungkan variabel atau konstruk psikologis (misalnya, M)
untuk hasil perilaku. Hubungan diperiksa di bagian ini model didorong oleh model-model
sebelumnya atau teori disajikan dalam literatur yang explainmotivations untuk perilaku.
Hipotesis nol untuk menguji homogenitas dari program teori konseptual di tingkat moderator
variabel adalah:
H0: b2 ¼ 0 ð13Þ
Hipotesis ini diuji dengan memeriksa signifikansi ^ b 2 di Persamaan. 8; jika koefisien regresi
adalah signifikan ada moderasi signifikan dari program teori konseptual. Teori tindakan
untuk program sesuai dengan jalur model mediasi, yang mendefinisikan apa komponen
Program dirancang untuk memanipulasi mekanisme berubah. Ini bagian dari model
menggambarkan bagaimana program mengintervensi untuk memodifikasi mediator hipotesis.
Nol hipotesis untuk menguji homogenitas teori tindakan program ini di tingkat variabel
moderator adalah:
H0: a3 ¼ 0 ð14Þ
Hipotesis ini diuji dengan memeriksa signifikansi dari ^ a3 di Persamaan. 7; jika koefisien
regresi signifikan ada moderasi signifikan dari teori tindakan Program. Lihat Chen (1.990)
untuk rincian lebih lanjut tentang pelaksanaan program dan teori konseptual. Pengujian efek:
Kriteria untuk mediasi moderator efek Sebuah tes untuk mediasi efek moderator menguji
apakah besarnya interaksi keseluruhan pengaruh variabel independen (X) dan moderator
variabel (Z) terhadap variabel dependen (Y) berkurang sekali mediator dicatat dalam model
(Muller et al. 2005). Dengan demikian, pemeriksaan mediasi dari efek moderator
menganggap model mediasi sebagai sarana untuk menjelaskan mengapa efek pengobatan X
pada Y dimoderasi oleh variabel ketiga, Z. Dengan cara ini, mediasi dari Efek moderator
hipotesis probe mediasi sebagai mungkin proses yang menyumbang interaksi pengobatan dan
hasilnya. Tidak perlu untuk membedakan metode untuk variabel moderator kategoris dan
berkesinambungan di sini. Salah satu cara untuk menguji apakah interaksi XZ dalam data
tersebut menyumbang, setidaknya sebagian, oleh hubungan mediasi adalah untuk menguji
apakah besarnya koefisien regresi sesuai dengan efek interaksi keseluruhan, c3, adalah
dikurangi sekali mediator ditambahkan ke model. Menggunakan koefisien dari Persamaan 6
dan 8, di mana ^ c'3 mewakili efek langsung dari efek interaksi di Y sekali mediator termasuk
dalam model, perkiraan titik dan standard error dari perbedaan ini dapat dihitung:
^ c3? ^ c'3 ð15Þ
s ^ c3? ^ c 0
3
¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
s2
^ C3
þ s2
^C0
3
? 2 dc ^ 3
^C0
3
q
ð16Þ
Membagi perkiraan perbedaan Persamaan. 15 oleh nya standard error dalam Pers. 16
menyediakan uji signifikansi untuk estimasi. Jika ada perbedaan yang signifikan dalam
koefisien maka efek moderasi keseluruhan XZ pada Y secara signifikan menjelaskan,
setidaknya sebagian, oleh Mediated hubungan. Hipotesis nol yang sesuai dengan efek ini
adalah bahwa tidak ada pengurangan interaksi keseluruhan sekali akuntansi untuk mediator:
H0: c3? c'3 ¼ 0 ð17Þ
Sebuah tes dari mediasi efek moderator dengan produk koefisien estimator circumvents
kebutuhan untuk pengujian interaksi keseluruhan XZ di Y seperti yang ditunjukkan di atas.
Morgan-Lopez dan MacKinnon (2006) disajikan titik estimator dan kesalahan standar untuk
produk koefisien
Metode:
^a
3
^b
1 ð18Þ
s ^ a3
^
b1
¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
s2
^ a3
^b
21
þ s2
^
b1
^a
3
2
r
ð19Þ
Produk dari koefisien estimator dalam Pers. 18 menggambarkan bahwa efek dari interaksi
independen dan variabel moderator pada hasil (diwakili oleh ^ a3) adalah ditularkan melalui
variabel mediasi (diwakili oleh ^ b 1). Membagi perkiraan produk dengan perkiraan
standard error dalam Persamaan. 19 menyediakan uji signifikansi untuk estimasi berdasarkan
teori normal. Namun, seperti dijelaskan untuk produk koefisien estimator dalam Model
mediator tunggal, interval kepercayaan asimetris untuk distribusi produk yang lebih akurat
daripada tes berdasarkan distribusi normal dan harus dilaksanakan (perhatikan juga bahwa uji
signifikansi bersama dari koefisien dapat dilakukan). Jika produk secara signifikan berbeda
dari nol, maka efek moderator adalah menjelaskan, setidaknya sebagian, dengan mekanisme
mediasi. The hipotesis nol sesuai dengan tes ini adalah bahwa produk koefisien sama dengan
nol:
H0: a3b1 ¼ 0 ð20Þ
Contoh numerik Kembali sekarang untuk skenario penelitian dipresentasikan pada mulai dari
makalah ini, contoh numerik dapat disediakan untuk menunjukkan bagaimana analisis ini
mungkin muncul dalam praktek. Dua dataset simulasi diciptakan untuk mengeksplorasi
pertanyaan-pertanyaan. Skenario # 1 bertanya "Apakah proses dimana Program memiliki
efek yang sama di berbagai jenis peserta? "Peneliti menyelidiki apakah pengaruh tidak
langsung dimoderasi untuk menjawab pertanyaan ini. Catatan bahwa meskipun perlu untuk
memperkirakan interaksi XM Persamaan di 8 untuk menghindari bias dalam jangka XZ
(Yzerbyt, Muller, dan Judd 2004), interaksi XMZ tidak perlu Diperkirakan jika tidak ada
hipotesis pendukung nya keberadaan. Demikian juga, Persamaan 6 tidak perlu diperkirakan
jika Efek keseluruhan bukan bagian dari pertanyaan penelitian. Penarikan bahwa untuk
contoh ini variabel independen, X, adalah Program tempat kerja-kesehatan untuk mengurangi
kesehatan terkait obesitas risiko. The mediasi variabel, M, adalah pengetahuan tentang
manfaat buah makan dan sayuran, dan hasil, Y, adalah konsumsi karyawan buah dan sayuran.
The variabel moderator dalam analisis, Z, adalah riwayat keluarga penyakit terkait obesitas
dengan 107 karyawan yang tidak memiliki riwayat penyakit (misalnya, ngroup1 = 107) dan
93 karyawan memiliki riwayat penyakit (yaitu, ngroup2 = 93). Nol hipotesis untuk
pertanyaan penelitian dalam Skenario # 1 adalah bahwa tidak ada perbedaan dalam efek tidak
langsung dari program pada buah karyawan dan konsumsi sayuran melalui pengetahuan
tentang buah dan sayuran manfaat di karyawan yang memiliki riwayat keluarga penyakit
dibandingkan dengan mereka yang memiliki tidak ada riwayat keluarga penyakit. Untuk
menguji hipotesis ini, perkiraan efek dimediasi dapat dihitung di setiap kelompok dan
dibandingkan perbedaan. Memperkirakan Persamaan 2 dan 3, efek dimediasi, ^ a ^ b s ^ a ^ b
??
, Untuk karyawan dengan tidak ada riwayat keluarga penyakit terkait obesitas dihitung
sebagai 0,0004 (0,0186), dengan interval kepercayaan asimetris
- 0,0400, 0,0413, di mana ^ a s ^ a
??
¼: 0041: 2018 ð Thand ^ b s ^ b
??
¼
: 0923ð: 0969Þ digunakan sebagai masukan ke dalam PRODCLIN Program (MacKinnon et
al. 2007). Efeknya dimediasi untuk karyawan dengan riwayat keluarga penyakit terkait
obesitas adalah 0,2158 (0,0821), dengan interval kepercayaan asimetris
dari 0,0693, 0,3909, di mana ^ a s ^ a
??
¼: 5479ð: 1854Þ dan b ^ s ^
b
??
¼
: 3938ð: 0687Þ digunakan sebagai masukan ke dalam PRODCLIN
Program (MacKinnon et al. 2007). Pemeriksaan awal dari
efek tidak langsung menunjukkan bahwa hubungan mediasi dalam data
signifikan bagi individu dengan riwayat keluarga
terkait obesitas penyakit (efek Mediated sederhana untuk kelompok
1) dan tidak signifikan bagi individu yang tidak memiliki riwayat keluarga
penyakit (efek Mediated sederhana untuk kelompok 2).
Inspeksi statistik perbedaan antara dua
efek tidak langsung menunjukkan perbedaan dari 0,2154. Menggunakan Persamaan. 11,
standard error dikumpulkan untuk perbedaan ini dihitung
sebagai 0,0421, menghasilkan z-statistik dari 5,1143. Karena
diperoleh z-nilai lebih besar dari nilai kritis (1,96)
terkait dengan α = 0,05, ada moderasi signifikan dalam
efek tidak langsung seperti yang ab adalah heterogen di
subkelompok berbasis moderator. Atau memperkirakan Persamaan
7 dan 8 dan memeriksa tes signifikansi bersama
yang ^ a3
?
s ^ a3
?
dan ^ b2
?
s^
b2
?
koefisien untuk memeriksa apakah
efek tidak langsung dimoderatori menghasilkan kesimpulan yang sama.
Kedua estimasi parameter yang signifikan: ^ a3
?
s ^ a3
?
¼
: 2760ð: 1386Þ dan ^ b2 s ^ b2
??
¼: 1919ð: 0697Þ, masing-masing.
Karena variabel moderator dalam contoh ini hanya memiliki
dua tingkat, tidak perlu untuk menindaklanjuti temuan dengan
efek sederhana; perbedaan efek dimediasi
terjadi antara efek Mediated sederhana dalam kelompok 1
dan efek Mediated sederhana dalam kelompok 2. Seandainya ada
tiga atau lebih tingkat variabel moderator dalam
Misalnya, peneliti bisa melakukan tindak lanjut analisis
untuk menyelidiki efek dimediasi sederhana pada tingkat yang berbeda dari
variabel moderator untuk melihat perbedaan mana yang spesifik
terjadi. Telah ada juga menjadi interaksi XM signifikan dalam
data, peneliti akan perlu untuk memperkirakan sederhana
efek di tingkat X dimediasi juga.
Skenario # 2 bertanya "Bisakah hubungan mediasi menjelaskan
efek interaksi di data saya? "Untuk menjawab pertanyaan ini,
peneliti menyelidiki apakah efek interaksi
dapat memprediksi variabel mediasi yang pada gilirannya memprediksi
hasil. Ingat bahwa X adalah program tempat kerja-kesehatan
dijelaskan di atas, M adalah norma sosial untuk makan buah-buahan dan
sayuran, Z adalah bagian-waktu atau status pekerjaan penuh waktu (191
karyawan paruh waktu, 209 karyawan penuh waktu), dan Y adalah
konsumsi buah dan sayuran. Hipotesis nol untuk
pertanyaan penelitian adalah bahwa variabel mediasi tidak bisa
menjelaskan bagian dari interaksi. Untuk menguji hipotesis ini,
yang ^ a3
^b
1 estimasi titik dihitung untuk data dan diuji
untuk signifikansi. Seperti ditunjukkan pada contoh numerik untuk
Penelitian Skenario # 1, meskipun diperlukan untuk memperkirakan
interaksi XM untuk menghindari bias dalam jangka XZ (Yzerbyt
et al. 2004), tidak ada kebutuhan untuk model interaksi XMZ
jika tidak ada hipotesis untuk mendukung estimasi nya.
Memperkirakan Persamaan. 7 dan 8, ^ a3
^b
1 dihitung sebagai 0,1781
(0,0814), dengan interval kepercayaan asimetris 0,0192,
0,3383, di mana ^ ^ a3 a3 s
??
¼: 1550ð: 0706Þ dan ^ b1
?
s ^ b1
?
¼
1: 1495ð: 0405Þ digunakan sebagai masukan ke dalam PRODCLIN
Program (MacKinnon et al. 2007). Kegagalan untuk memasukkan nol
dalam keyakinan interval menunjukkan pentingnya
estimasi titik, sehingga interaksi program
Efek dan paruh waktu versus status pekerjaan penuh waktu adalah
menjelaskan setidaknya sebagian oleh mekanisme mediasi dari
norma-norma sosial untuk makan buah-buahan dan sayuran. Contoh
SAS dataset, kode program dan output, dan lengkap
contoh bekerja untuk model umum untuk secara bersamaan
tes mediasi dan moderasi efek yang tersedia dari
penulis pertama.
Isu Power di Model untuk Test Mediasi
dan Efek Moderasi
Kekuatan untuk mendeteksi efek interaksi sering rendah karena
dari efek ukuran kecil diamati dalam ilmu sosial
(Aiken dan Barat 1991). Model yang secara bersamaan
memeriksa mediasi dan moderasi efek berada di bahkan
Kerugian besar karena melibatkan beberapa interaksi
istilah serta estimasi dari efek tidak langsung. Fairchild
(2008) menyelidiki kekuatan untuk model umum menggunakan
argumen sebelumnya yang dibuat dalam literatur bahwa interaksi
efek di data real biasanya berkisar dari 1% menjadi menjelaskan
3% dari varians dalam variabel dependen (Champoux
dan Peters 1987; Evans 1985; McClelland dan Judd 1993).
Hasil penelitian menunjukkan bahwa ketika ukuran efek dari ^ ^ b2 a3 dan
parameter kedua menjelaskan 1% dari varians, uji
signifikansi bersama untuk moderasi dari efek tidak langsung
diperlukan N ≥ 1000 untuk 0,8 kekuasaan. Jika ukuran efek dari
parameter kedua menjelaskan 3% dari varians, sampel
persyaratan ukuran untuk 0,8 listrik dikurangi menjadi N ≥ 500.
Morgan-Lopez dan MacKinnon (2006) menunjukkan sejenis
hasil tes untuk menguji mediasi interaksi
efek.
Besar kebutuhan ukuran sampel dari tes ini membuat
penyelidikan mediasi dan moderasi efek di kecil
sampel menantang. Pengaruh analisis ukuran biasanya menawarkan
panduan untuk kegunaan praktis dari efek yang independen dari
signifikansi dan ukuran sampel, tetapi efek ukuran langkah-langkah untuk
model yang secara bersamaan menganalisis mediasi dan moderasi
efek belum sepenuhnya diteliti. Meskipun
meningkatkan ukuran sampel secara historis paling dimanfaatkan
untuk meningkatkan kekuatan ujian, ada beberapa alternatif
yang dapat meningkatkan daya ketika mengakses data tambahan adalah
tidak mungkin (Beck 1994).
Signifikansi statistik dari tes ini didasarkan pada empat
parameter: ukuran sampel, ukuran efek, kekuasaan, dan
alpha-level ditetapkan untuk percobaan. Dengan demikian untuk mencapai 0,8
daya ketika ukuran sampel adalah tetap baik ukuran efek
pengobatan dan / atau tingkat alpha percobaan
dapat dimanipulasi untuk meningkatkan sensitivitas
desain penelitian. Misalnya, daripada menerapkan
yang 05 kriteria nominal yang memungkinkan untuk kesalahan dalam nullhypothesissignifikansi-pengujian 5 kali dari setiap 100, peneliti dapat memilih untuk mengevaluasi hasil
terhadap lebih 0,10 kriteria liberal yang memungkinkan untuk kesalahan 10% dari waktu.
Meningkatkan tingkat kesalahan tipe 1 untuk penelitian mengurangi kemungkinan membuat
kesalahan Tipe 2, atau kegagalan untuk menemukan efek yang signifikan ketika salah satu
yang benar-benar ada dalam data. Pilihan ini mungkin tepat ketika efek yang menarik sangat
penting dan menghindari Ketik 2 kesalahan sangat penting. Sebuah pilihan kedua untuk
meningkatkan daya ketika ukuran sampel terbatas dalam penelitian adalah untuk
meningkatkan ukuran efek manipulasi. Pilihan ini melibatkan meningkatkan varians antara
kelompok pada variabel independen dalam desain dan mengurangi dalam kelompok varians,
atau kesalahan varians, variabel (Beck 1994). Untuk meningkatkan varians antara kelompok
atas variabel independen peneliti dapat memberlakukan -kelompok ekstrim desain (lihat
Borich dan Godbout 1974) atau memberikan manipulasi kuat sehingga perbedaan antara
perlakuan dan kontrol kelompok yang berlebihan. Ketika kekuatan intervensi tidak mudah
meningkat atau pembentukan kelompok ekstrim tidak layak, peneliti dapat memilih untuk
fokus pada penurunan dalam kelompok varians, atau kesalahan varians, dalam desain.
Statistik metode untuk mengurangi kesalahan varians termasuk meningkatkan keandalan alat
ukur yang digunakan dalam analisis dan melaksanakan analisis model kovarians partisi yang
kovariat dari efek pengobatan. Alat desain penelitian yang mampu mengurangi kesalahan
varians dalam model termasuk memblokir dan mencocokkan desain yang berusaha
menyamakan perlakuan dan kelompok kontrol pada dimensi non-intervensi di mana mereka
mungkin berbeda (Cook and Campbell 1979). Rekomendasi Terbaik untuk menerapkan
analisis simultan mediasi dan efek moderator, peneliti pertama harus mengidentifikasi Model
variabel ketiga ciri penelitian utama nya pertanyaan. Ini identifikasi model apriori bertindak
sebagai starting titik interpretasi dan dapat dipandu oleh teori atau sebelumnya penelitian.
Jika pertanyaan penelitian utama bertekad untuk menjadi mediasi, researchermay yang
memeriksa semua interaksi yang mungkin efek dalam model atau bagian dari teori yang
relevan interaksi dan mendiskusikan yang dimoderatori efek ada.
Metode untuk memeriksa moderasi dari efek tidak langsung telah dibahas dalam naskah ini,
serta metode untuk memeriksa moderasi di link individu mediasi Model seperti efek
langsung. Menjelajahi moderasi baik efek total atau langsung dalam model themediation
hanya sarana memeriksa signifikansi individu koefisien regresi sesuai dengan efek mereka
(yaitu, c3 dan c'3, masing-masing), dan efek interaksi yang signifikan dalam model akan
ditafsirkan dengan mengacu mediasi. Interaksi dapat selanjutnya diperiksa dengan lereng
sederhana analisis untuk menguji hubungan variabel di tingkat yang variabel moderator
(Edwards dan Lambert 2007; Pengkhotbah et al. 2007; Tein dkk. 2004). Jika model statistik
yang sesuai untuk menjawab primer Pertanyaan penelitian ditentukan untuk menjadi
moderasi, mediasi dapat diselidiki sebagai sarana untuk menjelaskan keseluruhan efek
pengobatan dimoderasi. Untuk itu, penafsiran efek interaksi dalam model fokus pada apakah
mediasi mekanisme bertanggung jawab, setidaknya sebagian, untuk moderasi keseluruhan
dalam data. Seperti yang disajikan dalam naskah, penilaian ini dapat dilakukan dengan baik
perbedaan koefisien (^ c3? ^ c 0 3) atau produk dari koefisien (^ a3 ^ b 1) estimator. Kedua
tes memeriksa apakah ada penurunan interaksi XZ keseluruhan sekali mediasi sebuah
variabel dimodelkan. Namun, mengingat ketersediaan pengujian signifikansi lebih akurat
untuk produk koefisien estimator, dianjurkan bahwa peneliti menganalisis ^ a3 ^ b 1.
Sebaiknya, eksplorasi kemungkinan interaksi di antara model yang dipikirkan dengan baikout-dan digambarkan oleh teori untuk menghindari kebingungan dan berat model, serta untuk
memfasilitasi interpretasi efek di model. Terlepas dari model mana variabel ketiga adalah
diidentifikasi dengan pertanyaan penelitian utama, perlu untuk model XM interaksi untuk
menghindari bias dalam XZ Istilah produk (Yzerbyt, Muller, dan Judd 2004). Keterbatasan
dan Arah Masa Depan Biaya generalisasi dari model umum untuk menguji mediasi dan efek
moderasi mungkin inflasi Tipe I kesalahan, kurangnya daya, dan kesulitan dengan
interpretasi parameter model jika beberapa efek yang hadir. The Model dapat
disederhanakan, namun, untuk mewakili lebih kasus khusus mediasi dan moderasi efek
bersama seperti dasar oleh interaksi pengobatan dengan membatasi jalur dalam model
menjadi nol. Pembatasan tambahan model dengan moderasi dan mediasi asumsi luas
diperlukan untuk akurat penilaian hubungan antar variabel (Holland 1988). The sensitivitas
kesimpulan pelanggaran asumsi tidak Belum diketahui kesimpulan dan benar kemungkinan
akan membutuhkan aplikasi berulang di setiap daerah penelitian substantif. Di tertentu,
seringkali variabel X adalah satu-satunya variabel yang m rupakan tugas acak, membuat
interpretasi hubungan kausal antara variabel lain dalam model rentan terhadap dihilangkan
Bias variabel. Dalam banyak aplikasi, hasil model dapat mewakili informasi deskriptif
tentang bagaimana variabel terkait daripada mengelusidasi benar hubungan kausal antara
variabel. Informasi tentang kausal benar hubungan akan membutuhkan program penelitian
untuk meniru dan memperpanjang hasil serta informasi dari sumber-sumber lain seperti
sebagai informasi dan replikasi penelitian kualitatif dalam berbagai daerah penelitian
substantif. Estimasi metode dan kinerja dapat mereka diselidiki untuk data kategorikal dan
longitudinal. Penelitian sebelumnya telah dieksplorasi kebutuhan data kategorikal dalam
model mediator tunggal (MacKinnon dan Dwyer 1993) dan penelitian ini dapat berfungsi
sebagai sumber daya untuk memperluas model umum untuk menguji mediasi dan moderasi
efek ke domain tersebut. Berkenaan dengan membujur data, model saat ini dapat diterapkan
pada data dua gelombang oleh menggunakan skor perbedaan atau perubahan skor
residualized, tapi data dengan tiga atau lebih gelombang belum dapat diakomodasi.
Penambahan lintas tertinggal efek dalam data longitudinal kerangka kerja seperti model
autoregressive atau pertumbuhan laten model meningkatkan jumlah kemungkinan interaksi
antara variabel dan apakah penyelidikan dari semua kemungkinan efek lintas tertinggal
adalah kehendak berharga atau terlalu rumit perlu ditentukan. Singkatnya, banyak pertanyaan
dalam ilmu pencegahan melibatkan bagaimana dan untuk siapa program mencapai nya efek.
Mediasi dan moderasi model yang ideal untuk memeriksa pertanyaan-pertanyaan ini. Dengan
menyelidiki kedua mediasi dan efek moderasi dalam data dari pencegahan program informasi
tentang mekanisme yang mendasari Efek Program serta generalisasi program efek dan
kurikulum dapat dievaluasi. Model yang secara bersamaan memperkirakan mediasi dan
moderasi efek tidak hanya memungkinkan untuk pemeriksaan pertanyaan-pertanyaan ini,
tetapi juga memungkinkan evaluasi penelitian lebih kompleks hipotesis seperti apakah efek
moderator dalam Data dapat dijelaskan dengan mekanisme mediasi, atau apakah mekanisme
mediasi tergantung pada tingkat variabel lain. Sebuah integrasi luas model ini ke dalam
literatur penelitian substantif akan meningkatkan informasi yang diperoleh dari pekerjaan
pencegahan dan akan menginformasikan pengetahuan kita pada model pencegahan.