Mediačná analýza (nepriame efekty)
Testuj nepriame efekty pomocou bootstrapových intervalov spoľahlivosti — a dostaneš pripravenú APA vetu na úpravu.
Táto stránka je prekladom recenzovaného anglického originálu. Zobraziť originál (EN)
mediačná analýzaČo to je
Mediačná analýza sa pýta, ako efekt vzniká — či premenná X ovplyvňuje výsledok Y cez tretiu premennú M. Dráha z X do M do Y je nepriamy (mediovaný) efekt; zvyšná dráha z X do Y je priamy efekt. Moderný prístup testuje nepriamy efekt (súčin a×b) priamo pomocou bootstrappingu, ktorý zostaví interval spoľahlivosti z tisícok prevzoriek namiesto predpokladu, že nepriamy efekt má normálne rozdelenie. Ak tento interval spoľahlivosti vylučuje nulu, nepriamy efekt je významný. Toto nahradilo staršiu procedúru kauzálnych krokov Barona a Kennyho (1986) a Sobelov test, ktoré sa dnes považujú za málo silné a závislé od predpokladov, ktoré dáta zriedka spĺňajú.
Kedy ho použiť
- Máš teóriu o mechanizme — prečo alebo ako X ovplyvňuje Y.
- Chceš testovať nepriamy efekt, nielen celkový efekt.
- Reportuješ mediátor a recenzent očakáva bootstrapové intervaly.
- Chceš priame, nepriame a celkové efekty v jednej analýze.
Kedy ho nepoužiť
- Tvoje dáta sú prierezové a chceš robiť silné kauzálne tvrdenia — mediácia bez kvalitného dizajnu nedokazuje kauzalitu.
- Nemáš teoretický dôvod pre mediátor — hľadanie mediátorov naslepo nafukuje falošné pozitíva.
Predpoklady
- Obhájiteľné kauzálne poradie: X predchádza M a M predchádza Y, ideálne dizajnom.
- Žiadne dôležité vynechané konfundery vzťahu M–Y.
- Lineárne vzťahy medzi premennými (pokiaľ nemodeluješ inak).
- Primeraná veľkosť vzorky pre stabilné bootstrapové intervaly.
Prahy a medzné hodnoty
| Criterion | Rule of thumb | Source |
|---|---|---|
| Nepriamy efekt (a×b) | Významný, ak bootstrapové CI vylučuje 0 | Preacher & Hayes (2008) |
| Bootstrapové prevzorky | ≥ 5,000 odporúčané | Hayes (2018) |
| Interval spoľahlivosti | Bias-corrected alebo percentilové 95% CI | Preacher & Hayes (2008) |
Ako to reportovať v APA
Nepriamy efekt X na Y cez M bol významný, ab = .XX, SE = .XX, 95% bootstrap CI [.XX, .XX] (5,000 prevzoriek), pričom interval vylučoval nulu. Priamy efekt zostal tiež významný, c′ = .XX, p = .0X, takže prispieva priama aj nepriama dráha (komplementárna mediácia v typológii Zhaa, Lyncha a Chena, 2010).
Ako to počíta Explonia
Explonia testuje nepriame efekty v prehliadači pomocou bootstrapových intervalov spoľahlivosti, takže nemusíš predpokladať, že nepriamy efekt je normálny. Vyberieš prediktor, mediátor a výsledok a Explonia reportuje priame, nepriame a celkové efekty s ich intervalmi a poznamená, či je nepriamy efekt významný. Pripraví APA vetu — vrátane detailov bootstrapu — na tvoju kontrolu a úpravu. Export do R alebo SPSS (.sav) je dostupný v platených plánoch.
Často kladené otázky
Mám pre mediáciu použiť Sobelov test alebo bootstrapping?
Bootstrapping je preferovaný. Sobelov test predpokladá, že nepriamy efekt má normálne rozdelenie, čo zvyčajne nemá; bootstrapping takýto predpoklad nerobí (Preacher & Hayes, 2008).
Potrebujem ešte kauzálne kroky Barona a Kennyho?
Nie. Prístup kauzálnych krokov Barona a Kennyho (1986) — vrátane požiadavky, aby X významne predpovedalo Y pred testovaním mediácie — sa dnes považuje za zastaraný a málo silný. Moderná prax testuje nepriamy efekt priamo bootstrapovým intervalom spoľahlivosti a efekt môže byť mediovaný aj vtedy, keď celkový efekt X–Y nie je významný. Cituj Barona a Kennyho pre historický kontext, nie ako svoju testovaciu metódu.
Čo znamená, ak bootstrapové CI vylučuje nulu?
Ak 95% interval spoľahlivosti pre nepriamy efekt neobsahuje nulu, nepriamy efekt je štatisticky významný — dôkaz, že X ovplyvňuje Y cez mediátor.
Aký je rozdiel medzi čiastočnou a úplnou mediáciou?
Tieto označenia pochádzajú z obdobia kauzálnych krokov a dnes sa neodporúčajú. To, či priamy efekt c′ zostane významný, závisí od veľkosti vzorky, takže ten istý mediátor môže v malej vzorke vyzerať ako "úplný" a vo veľkej ako "čiastočný". Reportuj nepriamy efekt s jeho bootstrapovým intervalom spoľahlivosti a ak potrebuješ označenie, použi typológiu Zhaa, Lyncha a Chena (2010): komplementárna, kompetitívna alebo iba nepriama (indirect-only) mediácia. Pozri úplná vs. čiastočná mediácia.
Môžem z mediačnej analýzy tvrdiť kauzalitu?
Nie zo samotných prierezových dát. Mediácia opisuje hypotetickú dráhu; kauzálne tvrdenia potrebujú dizajn (napríklad longitudinálny alebo experimentálny), ktorý ich podporuje.
Last updated: november 2026
Spustite Mediácia na vlastných dátach
Zozbierajte alebo nahrajte svoje dáta, spustite analýzu v prehliadači a získajte návrh odseku APA, ktorý môžete upraviť. Začnite zadarmo. Bez karty.
Začať zadarmo