¿Son los análisis de mediación intrínsecamente causales?

Question

Estoy interesado en probar un modelo de mediación simple con un IV, un DV y un mediador. El efecto indirecto es significativo según la macro del SPSS de Preacher y Hayes, lo que sugiere que el mediador sirve para mediar estadísticamente en la relación.

Al leer sobre mediación he leído cosas como "Tenga en cuenta que un modelo de mediación es un modelo causal". - David Kenny . Ciertamente puedo apreciar el uso de modelos de mediación como modelos causales y, de hecho, si un modelo es teóricamente sólido, puedo verlo como algo muy útil.

En mi modelo, sin embargo, el mediador (un rasgo considerado diátesis de los trastornos de ansiedad) no está causado por la variable independiente (síntomas de un trastorno de ansiedad). Más bien, el mediador y las variables independientes están relacionados, y creo que la asociación entre la variable independiente y la variable dependiente puede explicarse en gran medida por la varianza entre el IV-mediador-DV. En esencia, intento demostrar que los informes anteriores sobre la relación IV-DV pueden explicarse por un mediador relacionado que no está causado por la IV.

La mediación es útil en este caso porque explica cómo la relación IV-DV puede explicarse estadísticamente por la relación IV-Mediador-DV. Mi problema es la cuestión de la causalidad. ¿Podría una revisión volver y decirnos que la mediación no es apropiada porque el IV no causa de hecho el mediador (lo que yo nunca habría argumentado en primer lugar)?

¿Tiene sentido? Agradeceríamos cualquier comentario al respecto.

Editar : Lo que quiero decir es que X está correlacionado con Y no porque cause Y, sino porque Z causa Y (parcialmente) y porque X y Z están altamente correlacionados. Un poco confuso, pero eso es todo. Las relaciones causales en este caso no están realmente en cuestión y este manuscrito no trata tanto de causalidad. Simplemente intento demostrar que la varianza entre X e Y puede explicarse por la varianza entre Z e Y. Así que, básicamente, que X está correlacionado indirectamente con Y a través de Z (el "mediador" en este caso).

Answer 1

A. "Mediación" conceptual significa causalidad (como indica la cita de Kenny). Los modelos de trayectorias que tratan una variable como mediadora pretenden transmitir que algún tratamiento influye en una variable de resultado. a través de su efecto sobre el mediador, varianza que a su vez causa que el resultado varíe. Pero modelar algo como "mediador" no significa que realmente es un mediador esta es la cuestión de la causalidad. Su mensaje y comentario en respuesta a Macro sugieren que tiene en mente un análisis de trayectorias en el que una variable se modela como mediadora pero no se considera "causal"; sin embargo, no entiendo muy bien por qué. ¿Estás planteando que la relación es espuria, que hay una tercera variable que causa tanto la "variable independiente" como el "mediador"? ¿Y tal vez que tanto la "variable independiente" como el "mediador" en su análisis son de hecho mediadores de la influencia de la 3ª variable sobre la variable de resultado? Si es así, un revisor (o cualquier persona reflexiva) querrá saber cuál es la 3ª variable y qué pruebas tiene de que es responsable de relaciones espurias entre lo que en realidad son mediadores. Esto le llevará a las cuestiones planteadas por la respuesta de Macro.

B. Para ampliar el post de Macro, se trata de una espesura notoria, cubierta de dogma y escolasticismo. Pero he aquí algunos puntos destacados:

1. Algunas personas piensan que sólo se puede "demostrar" la mediación si se manipula experimentalmente el mediador, así como la influencia que se supone que ejerce el efecto causal. En consecuencia, si se hace un experimento en el que sólo se manipula la influencia causal y se observa que su impacto en la variable de resultado se refleja en los cambios del mediador, dirían "¡no! No es suficiente". Básicamente, sin embargo, no creen que los métodos observacionales apoyen nunca las inferencias causales y los mediadores no manipulados en experimentos son sólo un caso especial para ellos.

2. Otras personas, que no excluyen de plano las inferencias causales a partir de estudios observacionales, creen, sin embargo, que si se utilizan métodos estadísticos realmente complicados (incluidos, entre otros, los modelos de ecuaciones estructurales que comparan la matriz de covarianza de la relación mediadora propuesta con las de varias alternativas), se puede silenciar eficazmente a los críticos que acabo de mencionar. Básicamente, se trata de Baron y Kenny, pero con esteroides. Empíricamente hablando, no los han silenciado; lógicamente, no veo cómo podrían hacerlo.

3. Otros, entre los que destaca Judea Pearl, afirman que la solidez de las inferencias causales en estudios experimentales u observacionales nunca puede demostrarse con estadísticas; la fuerza de la inferencia reside en la validez del diseño. La estadística sólo confirmar el efecto que la inferencia causal contempla o del que depende.

Algunas lecturas (todas buenas, no dogmática o escolástica):

• Green, D.P., Ha, S.E. & Bullock, J.G. Ya está bien de experimentos de "caja negra". caja negra": Estudiar la mediación es más difícil de lo que de lo que suponen la mayoría de los expertos. The ANNALS of the American Academy of Political and Social Science 628, 200-208 (2010).

• Sobel, M.E. Identificación de parámetros causales en estudios aleatorizados With Mediating Variables. Journal of Educational and Behavioral Statistics 33, 230-251 (2008) .

• Pearl, J. Introducción a la inferencia causal. The International Journal of Biostatistics 6, Artículo 7 (2010) .

Por último, pero no por ello menos importante, parte de un interesante intercambio entre Gelman y Pearl sobre la inferencia causal en el que la mediación era el tema central: http://andrewgelman.com/2007/07/identification/

Answer 2

Causalidad y mediación

• Un modelo de mediación hace afirmaciones teóricas sobre la causalidad.
  • El modelo propone que el IV provoca la DV y que este efecto se explica total o parcialmente por una cadena de causalidad según la cual la IV provoca la MEDIATOR que a su vez provoca la DV .
• El apoyo a un modelo de mediación no prueba la vía causal propuesta.
  • Las pruebas estadísticas de mediación suelen basarse en estudios observacionales. La gama de interpretaciones causales alternativas es amplia (por ejemplo, terceras variables, direcciones alternativas, reciprocidad, etc.).
  • Normalmente no me convencen los argumentos (si es que los hay) presentados por los investigadores que proponen afirmaciones causales implícitas en los modelos de mediación.
• El apoyo a un modelo de mediación puede aportar pruebas que complementen otras fuentes de evidencia a la hora de construir un argumento para una afirmación causal. En resumen, la correlación no prueba la causalidad, pero puede aportar pruebas complementarias.
• A pesar de las limitaciones de las pruebas de mediación en los estudios observacionales, (a) los modelos de mediación son buenos para hacer que los investigadores piensen en las vías causales, y (b) hay formas mejores y peores de redactar los modelos de mediación, donde las mejores formas reconocen los matices en la interpretación y proporcionan una discusión teórica exhaustiva de las pruebas tanto de la vía causal propuesta como de las vías causales alternativas ( consulte esta página de consejos que he preparado ).
• @dmk38 ha proporcionado algunas referencias excelentes y un debate adicional.

Demostrar que una variable explica la predicción de otra variable

• Basándome en tu descripción, la mediación NO parece estar alineada con su pregunta de investigación. Por ello, yo evitaría utilizar el lenguaje de la mediación en sus análisis.
• Tal y como yo lo entiendo, su pregunta de investigación se refiere a si la predicción de una variable (llamémosla X1 en lugar de IV ) en el DV se explica por una segunda variable (llamémosla X2 en lugar de MEDIATOR ). También puede estar haciendo afirmaciones causales como X2 causa DV pero X1 sólo está correlacionada con X2 y no causa DV .
• Hay varias pruebas estadísticas que podrían ser adecuadas para poner a prueba esta pregunta de investigación:
  • Comparar orden cero ( X1 con DV ) con correlaciones semiparciales ( X1 división del trabajo X2 con DV ). Imagino que el elemento interesante sería el grado de reducción y no tanto la significación estadística (aunque, por supuesto, querría obtener algunos intervalos de confianza sobre esa reducción).
  • O, de forma similar, comparar la R-cuadrado incremental de una regresión jerárquica en la que se añade X2 en el bloque 1 y X1 en el bloque 2 con el R-cuadrado de un modelo con sólo X1 predicción DV .
  • Imagino que también podrías dibujar un diagrama de trayectorias que se alineara con tus suposiciones causales (por ejemplo, flechas de doble punta entre X1 et X2 y una flecha de punta única entre X2 et DV .

Answer 3

Creo que esas variables de las que hablas, quizás deberían considerarse variables "de control" si el IV no las causa o moderadoras si esperas un efecto de interacción. Pruébalo sobre el papel y repásalo mentalmente un par de veces o dibuja los efectos hipotéticos.

Answer 4

Quizás un lenguaje mejor, o al menos mucho menos confuso, sea correlación espuria. Un ejemplo típico es que el consumo de helados está relacionado con el ahogamiento. Por tanto, alguien podría pensar que el consumo de helados provoca ahogamientos. La correlación espuria se produce cuando una tercera variable "moderadora" es en realidad causal con respecto a las dos primeras. En nuestro ejemplo, nos fijamos en las ventas de helados y los ahogamientos en el tiempo, y nos olvidamos de los efectos estacionales moderados por la temperatura, y, efectivamente, se consumen más helados cuando hace calor, y se ahoga más gente, porque son más los que buscan alivio del calor nadando y comiendo helados. Algunos ejemplos humorísticos .

La pregunta, entonces, se reduce a ¿para qué se utilizaría una correlación espuria? Y resulta que se utilizan porque la gente no pone a prueba sus teorías. Por ejemplo, la función renal suele "normalizarse" en función de la superficie corporal estimada, calculada mediante una fórmula de peso y altura.

Ahora bien, la superficie corporal no provoca la formación de orina, y en la fórmula del peso y la altura, el peso es causal a través de la ley de Kleiber y la la altura hace que la fórmula sea menos predictiva .

Answer 5

Me encontré con este post en mi propia investigación relacionada con la inferencia causal en el contexto de la genómica. El intento de discernir la causalidad en este ámbito a menudo surge de jugar con cómo el código genético de una persona puede considerarse aleatorio (debido a cómo se forman las células sexuales y, en última instancia, se emparejan). Combinando esto con mutaciones conocidas asociadas tanto a un "mediador" como a una respuesta final, se puede razonar un efecto causal de un mediador sobre esa respuesta bajo ciertas definiciones de causalidad (que estoy seguro podrían suscitar un largo debate aquí).

En el caso de que utilice un modelo de mediación y no afirme causalidad, no se me ocurre por qué el revisor podría discutir. Aunque probablemente tendría que descartar si el efecto de mediación que ha observado está confundido por una tercera variable.

Si le interesa explícitamente la causalidad, puede que le interese estudiar métodos epidemiológicos como los siguientes Aleatorización mendeliana o el " Prueba de inferencia causal ". O empezar con Análisis de variables instrumentales .