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.