As análises de mediação são inerentemente causais?

Estou interessado em testar um modelo de mediação simples com um IV, um DV e um mediador. O efeito indireto é significativo, conforme testado pela macro Preacher e Hayes SPSS, que sugere que o mediador serve para mediar estatisticamente o relacionamento.

Ao ler sobre mediação, li coisas como "Observe que um modelo de mediação é um modelo causal". - David Kenny . Certamente posso apreciar o uso de modelos de mediação como modelos causais e, de fato, se um modelo é teoricamente sólido, posso ver isso como muito útil.

No meu modelo, no entanto, o mediador (uma característica considerada uma diátese para transtornos de ansiedade) não é causada pela variável independente (sintomas de um transtorno de ansiedade). Em vez disso, as variáveis ​​mediador e independente estão relacionadas, e acredito que a associação entre a variável independente e a variável dependente pode ser explicada em grande parte pela variação entre o mediador IV-DV. Em essência, estou tentando demonstrar que relatórios anteriores do relacionamento IV-DV podem ser explicados por um mediador relacionado que não é causado pelo IV.

A mediação é útil nesse caso, porque explica como o relacionamento IV-DV pode ser estatisticamente explicado pelo relacionamento IV-Mediador-DV. Meu problema é a questão da causalidade. Uma revisão poderia voltar e nos dizer que a mediação não é apropriada porque o IV realmente não causa o mediador (o que eu nunca teria discutido em primeiro lugar)?

Isso faz sentido? Qualquer feedback sobre este assunto seria muito apreciado!

Edit : O que quero dizer é que X está correlacionado com Y não porque causa Y, mas porque Z causa Y (parcialmente) e porque X e Z são altamente correlacionados. Um pouco confuso, mas é isso. As relações causais neste caso não estão realmente em questão e este manuscrito não se refere tanto à causalidade. Eu simplesmente procuro demonstrar que a variação entre X e Y pode ser explicada pela variação entre Z e Y. Então, basicamente, X é correlacionado indiretamente de Y a Z (o "mediador" neste caso).

A. "Mediação" conceitualmente significa causalidade (como a citação de Kenny indica). Os modelos de caminho que tratam uma variável como mediadora significam, portanto, transmitir que algum tratamento está influenciando uma variável de resultado através de seu efeito no mediador, variação na qual, por sua vez, causa o resultado varie. Mas modelar algo como um "mediador" não significa que realmente sejaum mediador - esta é a questão causal. Sua postagem e comentário em resposta à Macro sugerem que você tenha em mente uma análise de caminho na qual uma variável é modelada como mediadora, mas não é vista como "causal"; Eu não estou vendo direito o porquê. Você está postulando que o relacionamento é falso - que existe uma terceira variável que está causando a "variável independente" e o "mediador"? E talvez, tanto a "variável independente" quanto o "mediador" em sua análise sejam de fato mediadores da influência da 3ª variável na variável de resultado? Nesse caso, um revisor (ou qualquer pessoa atenciosa) desejará saber qual é a 3ª variável e que evidência você tem de que é responsável por relações espúrias entre o que são de fato mediadores.

B. Para estender o post de Macro, este é um bosque notório, cheio de dogmas e escolasticismo. Mas aqui estão alguns destaques:

1. Algumas pessoas pensam que você só pode "provar" a mediação se manipular experimentalmente o mediador, bem como a influência da hipótese de exercer o efeito causal. Consequentemente, se você fizesse um experimento que manipulasse apenas a influência causal e observasse que seu impacto na variável resultado foi refletido por mudanças no mediador, eles seriam "não! Não é bom o suficiente!" Basicamente, porém, eles simplesmente não acham que os métodos observacionais suportam inferências causais e mediadores não manipulados em experimentos são apenas um caso especial para eles.

2. Outras pessoas, que não excluem inferências causais de estudos observacionais, acreditam que, se você usar métodos estatísticos realmente muito complicados (incluindo, entre outros, modelos de equações estruturais que comparam a matriz de covariância da relação de mediação posposta com aqueles para várias alternativas), você pode efetivamente silenciar os críticos que acabei de mencionar. Basicamente, este é Baron & Kenny, mas com esteróides. Empiricamente falando, eles não os silenciaram; logicamente, não vejo como eles poderiam.

3. Outros ainda, mais notavelmente, Judea Pearl, dizem que a solidez das inferências causais em estudos experimentais ou observacionais nunca pode ser comprovada com estatística; a força da inferência é inerente à validade do projeto. As estatísticas confirmam apenas o efeito que a inferência causal contempla ou depende.

Algumas leituras (todas boas, não dogmáticas ou escolásticas):

• Green, DP, Ha, SE & Bullock, JG Já basta sobre as experiências da “caixa preta”: estudar a mediação é mais difícil do que a maioria dos estudiosos supõe. Os ANNALS da Academia Americana de Ciências Políticas e Sociais 628, 200-208 (2010).

• Sobel, ME Identificação de parâmetros causais em estudos randomizados com variáveis ​​mediadoras. Jornal de Estatísticas Educacionais e Comportamentais 33, 230-251 (2008) .

• Pearl, J. Uma Introdução à Inferência Causal. Jornal Internacional de Bioestatística 6, Artigo 7 (2010) .

Por último, mas não menos importante, parte de uma troca fria entre Gelman e Pearl sobre inferência causal em que a mediação era o foco central: http://andrewgelman.com/2007/07/identification/

Causalidade e Mediação

• Um modelo de mediação faz afirmações teóricas sobre causalidade.
  • O modelo propõe que as IVcausas DVe que esse efeito seja total ou parcialmente explicado por uma cadeia de causalidade, na qual as IVcausas MEDIATORque, por sua vez, causam o DV.
• O suporte a um modelo de mediação não prova a via causal proposta.
  • Testes estatísticos de mediação são tipicamente baseados em estudos observacionais. O leque de interpretações causais alternativas é grande (por exemplo, terceiras variáveis, direções alternativas, reciprocidade etc.)
  • Normalmente, não sou convencido pelos argumentos (se houver) apresentados por pesquisadores que propõem alegações causais implícitas em modelos de mediação.
• O suporte a um modelo de mediação pode fornecer evidências para suplementar outras fontes de evidência ao construir um argumento para uma alegação causal. Em resumo, a correlação não prova causalidade, mas pode fornecer evidências suplementares.
• Apesar das limitações dos testes de mediação em estudos observacionais, (a) os modelos de mediação são bons para levar os pesquisadores a pensar em caminhos causais; e (b) existem maneiras melhores e piores de redigir modelos de mediação, em que maneiras melhores reconhecem nuances na interpretação e forneça uma discussão teórica completa das evidências, tanto para a via causal proposta quanto para vias causais alternativas ( consulte esta página de dicas que preparei ).
• O @ dmk38 forneceu excelentes referências e discussões adicionais.

Mostrando que uma variável explica a previsão de outra variável

• Com base na sua descrição, a mediação NÃO parece estar alinhada com a sua pergunta de pesquisa. Como tal, eu evitaria usar a linguagem da mediação em suas análises.
• Pelo que entendi, sua pergunta de pesquisa se preocupa se a previsão de uma variável (vamos chamá-la em X1vez de IV) na DVé explicada por uma segunda variável (vamos chamá-la em X2vez de MEDIATOR). Você também pode fazer reivindicações causais, como X2causas, DVmas X1está correlacionado apenas com X2e não causa DV.
• Existem vários testes estatísticos que podem ser adequados para testar esta pergunta de pesquisa:
  • Comparar de ordem zero ( X1com DV) com correlações semi-parciais ( X1partialling fora X2comDV ). Imagino que o elemento interessante seja o grau de redução e não tanto a significância estatística (embora, é claro, você queira obter alguns intervalos de confiança nessa redução).
  • Ou, similarmente, compare o quadrado R incremental de uma regressão hierárquica em que você adiciona X2no bloco 1 e X1no bloco 2 com o quadrado R de um modelo com apenas X1previsão DV.
  • Eu imagino que você também possa desenhar um diagrama de caminho alinhado com suas suposições causais (por exemplo, flechas de ponta dupla entre X1e X2e uma flecha de ponta única entre X2e DV.

Acredito que essas variáveis ​​de que você está falando talvez devam ser consideradas variáveis ​​de 'controle' se o IV não as causar ou moderadoras, se você espera um efeito de interação. Experimente no papel e repare em sua mente algumas vezes ou desenhe os efeitos hipotéticos.

Talvez uma linguagem melhor, ou pelo menos muito menos confusa, seja uma correlação espúria. Um exemplo típico disso é que o consumo de sorvete se correlaciona com o afogamento. Portanto, alguém pode pensar que o consumo de sorvete causa afogamento. A correlação espúria ocorre quando uma terceira variável "moderadora" é realmente causal em relação às duas primeiras. Em nosso exemplo, examinamos as vendas de sorvetes e nos afogamos no tempo e esquecemos os efeitos sazonais moderados pela temperatura e, com certeza, mais sorvetes são consumidos quando está quente e mais pessoas se afogam, porque mais buscam alívio do calor nadando e tomando sorvete. Alguns exemplos engraçados .

A questão, então, resume-se a para que alguém usaria uma correlação espúria? E, ao que parece, eles são usados ​​porque as pessoas não testam suas teorias. Por exemplo, a função renal geralmente é "normalizada" para a superfície corporal estimada, conforme estimado por uma fórmula de peso e altura.

Agora, a área da superfície corporal não causa a formação de urina e, na fórmula de peso e altura, o peso é causal pela lei de Kleiber e a altura realmente torna a fórmula menos preditiva .

Encontrei este post em minha própria pesquisa relacionada à inferência causal no contexto da genômica. A tentativa de discernir a causalidade nesse domínio geralmente resulta de brincar com o modo como o código genético de uma pessoa pode ser considerado aleatório (devido à forma como as células sexuais são formadas e, finalmente, se combinam). Combinando isso com mutações conhecidas associadas a um "mediador" e a uma resposta definitiva, pode-se raciocinar um efeito causal de um mediador nessa resposta sob certas definições de causalidade (que com certeza poderia desencadear um longo debate aqui).

No caso em que você usa um modelo de mediação e não reivindica causalidade, eu não conseguia pensar por que o revisor argumentaria. Embora você provavelmente deva descartar se o efeito de mediação observado ou não é confundido pela terceira variável.

Se você estiver interessado em causalidade explicitamente, poderá procurar métodos da epidemiologia, como a Randomização Mendeliana ou o " Teste de Inferência Causal ". Ou comece com Análise Instrumental de Variáveis .