データから洞察を得ようとする場合、2 つの変数が関連していることを理解するだけでは十分ではないことがよくあります。 さらに深く掘り下げて次のような質問をする必要があります。何状況は関連していますか？ ために誰それらは関連していますか、なぜそれらは関連しているのか、そしてどうやって? モデレーション、調停、およびモデレートされた調停を使用すると、この種の質問に正確に答えることができます。
これらの分析手法は、条件付きプロセスモデル(ヘイズ、2022;プリーチャーら、 2007) は人気があり重要ですが、適合させるのが面倒です。 さらに、ジョンソン・ネイマン プロットや単純な傾きプロットなど、交互作用を理解するために不可欠な視覚化は作成が難しく、エラーが発生しやすい計算が必要になります。
この記事で説明するモデレーションとメディエーション JMP アドインを使用すると、モデレーション、第 1 段階のモデレーション メディエーション、および第 2 段階のモデレーション メディエーションという 3 つの一般的なモデルでのインタラクションの指定、フィッティング、および視覚的な調査が容易になります。 これらのモデルは、通常の最小二乗法または構造方程式モデリング (SEM) ソフトウェアで適合させることができます。このアドインは SEM に依存しており、欠損データを最先端の方法で処理し、モデルの同時推定を可能にします。 (このアドインには JMP Pro 16.0 以降が必要です。)
これらの条件付きプロセス モデルを説明する最も簡単な方法は、例を使用することです。 の記事からのこのクリップを考えてみましょう。サイエンスオブピープル.com仕事の満足度の向上について:
「あなたの会社の使命を知っていますか？ 自分の仕事が与える影響を知っていますか？ 「なぜ」が頭の中にないと、自分がやっていることにやる気や興奮を感じることが難しくなることがあります。 忙しくなったり、圧倒されたりすると、「なぜ」が忘れ去られてしまうようです。」
基本的なモデレーションの例
私たちの仕事の意義はどのような状況で仕事の満足度に関係するのでしょうか?
上のクリップは、仕事の有意義さが仕事の満足度の向上に関連していることを示唆していますが、仕事で圧倒されすぎると、この関係は低下します。 言い換えれば、圧倒されると、意義と仕事の満足度の関係が緩和されます（つまり、相互作用効果が存在します）。 概念的には、これをパス図で表すことができます。
では、この交互作用効果をどのようにテストし、それが統計的に有意である場合は、その意味を理解するにはどうすればよいでしょうか? 以下の手順は、モデレーションおよびメディエーション アドインを使用してこれを行う方法の概要を示しています。
ユーザー入力
まず、ユーザー入力ウィンドウには、JMP Pro の SEM プラットフォームに適合する統計モデルと並んで概念的なパス図が表示されます。 これら 2 つのモデル表現を結び付けるのは難しい場合があるため、この機能は、適合する統計モデルをユーザーが理解しやすくすることを目的としています。
ユーザーに必要なのは、どの変数がモデル内の各役割 (予測子 (X)、調整子 (Z)、結果 (Y)) を担うかを指定することだけです。 必要に応じて、共変量の効果を制御するために任意の数の共変量を含めることができます。 すべての変数は連続的である必要があります。
ユーザーに必要なのは、どの変数がモデル内の各役割 (予測子 (X)、調整子 (Z)、結果 (Y)) を担うかを指定することだけです。
デフォルトでは、X と Z は平均中心になります。 平均中心変数は、モデル フィッティングの積項 (X*Z) を計算するために使用されます。 必要に応じて、この機能をオフにして、X と Z を中心から外したままにすることができます。 さらに、X と Z はユーザー指定の値を中心に配置できます。
ユーザー入力ウィンドウの最後のセクションは、出力レポートに何が表示されるかに関するものです。 デフォルトでは、プロービングモデレーションのテキストとプロットは、交互作用項 (X*Z) が alpha = 0.05 で有意である場合にのみ表示されます。 ユーザーは、交互作用項が有意でない場合でも (たとえば、アルファ = 0.10 の有意水準が必要な場合)、これらの結果を表示することを選択できます。
結果
SEM 出力:出力レポートの最初のセクションには、モデル適合統計、パラメーター推定、分析結果など、SEM プラットフォームからの結果が表示されます。パス図モデルの、結果で説明される分散の割合。 パス図では、共分散は次のようになります。いいえ1 つ以上の共変量が含まれている場合に表示されます (画像の乱雑さを軽減するため)。 共分散およびその他の推定値は、図内で右クリックし、[表示] > [共分散] を選択すると表示できます。
モデレーションの詳細:このセクションでは、ジョンソン・ネイマン (JN) 手法によって計算された重要性の境界を含む、出版物やレポートに簡単に貼り付けることができる結果の簡潔なテキスト説明を提供します。 JN 手法は、X の単純な傾きが有意から非有意に移行するモデレータの値を計算します。 モデレーターの観察範囲内には、0、1、または 2 つの重要度境界が存在する可能性があります。 場合によっては、モデレータの可能な範囲全体にわたって X の単純な傾きが有意であるか有意でないため、境界を計算できないことがあります。 このような場合、この情報が表示され、JN プロットもレポートに表示されます。
「モデレーションの詳細」セクションには、出版物やレポートに簡単に貼り付けることができる結果の簡潔なテキスト説明が表示されます。
インタラクティブなジョンソン・ネイマンプロット: JN プロットは、相互作用を視覚的に調査するための最も有益で最先端のツールと考えられています。 ここで、モデレータは X 軸上にあり、 X と Y を関連付ける単純な傾きはy軸上にあります。 したがって、モデレーターが変わると、X と Y に関連する単純な傾きがどのように変化するかがわかります。 信頼帯は、モデレーターの各値における単純な傾きが、アルファ = 0.05 で有意 (青) であるか、有意でない (赤) かを示します。
この例では、低から中程度の圧倒レベルでは、有意義さが仕事の満足度に大きく関係していることがわかります (x 軸の値が中央にあることを思い出してください)。 圧倒される度合いが高まるにつれて、有意義さと仕事の満足度との関連性は低下します。 実際、JN プロットは、この関連性が統計的に有意でなくなるオーバー圧倒の正確な値 (1.75) を特定するのに役立ちます。
JN プロットが提供するあらゆる情報にもかかわらず、JN プロットを理解するのは難しい場合があります。単純な斜面はy軸上にあります。 この問題を解決するために、このプロットをインタラクティブにしました。 線の上にマウスを置くと、Y 対 X のプロットが表示されます。モデレータの特定の値で。 線上のさまざまな点にマウスを置くと、モデレータの変更に応じて X と Y の関係がどのように変化するかを簡単に確認できます。
線の上にマウスを置くと、モデレータの特定の値における Y 対 X のプロットが表示されます。
単純な傾きのプロット:最後に、単純な傾きプロットがレポートの下部に表示されます。 ここでは、X と Y の関係が、平均値より 1 SD 低い値、平均値、平均値より 1 SD 高い値の 3 つのモデレータ値で表示されます。 このプロットは静的ではないため、軸のタイトル、凡例のラベル、線の種類と色など、出版物やレポートに必要なものは何でも自由に変更できます。 ヒント：これらのオプションを見つけるには、ダブルクリックとコンテキスト メニューを使用します。
第 1 段階と第 2 段階のモデレート調停の例
私たちの仕事の意義は、なぜ、どのように、誰にとって、仕事の満足度に関係するのでしょうか?
第 1 段階と第 2 段階のモデレーション メディエーションの両方で、ユーザー入力ウィンドウと出力レポートは、基本的なモデレーション モデルのものとほぼ同じになります。 ここでの主な違いはすべて、結果の解釈に関するものです。 単純な傾きの代わりにプロットが表示されます。条件付き間接効果モデレータの各値で。 条件付き間接効果は、モデレータの値に依存するという点で単純な傾斜に似ています。 しかし今、私たちが説明しているのは、メディエーター M を介した X の Y への影響。 これらのレポートは、経路の一部 (たとえば、X から M、M から Y) を調査するのではなく、X から M を経由して Y に至る経路全体 (つまり、間接的な効果) を調査します。 この間接的な効果全体は Z によって緩和され、通常は調査や有意性のテストにとって最大の関心事となります。
いくつかの注意点: これらのモデルはどちらも、間接効果の標準誤差が正規理論法によって計算されるため、サンプル サイズが大きいという前提に依存しています。いいえブートストラップ付き。 (ただし、JMP Pro の SEM プラットフォームの将来のバージョンでのブートストラップ機能に注目してください!) さらに、第 1 段階のモデルでは、Z は中程度に指定されています。両方X-to-M および X-to-Y パスを使用して、SEM プラットフォームで適切なモデル仕様を確保します。 ここでは通常、X-to-M パスの調整が重要であるため、結果は直接 X-to-Y パスの調整に焦点を当てたり、詳細を提供したりしません。
第一段階の仲裁調停
この例では、圧倒されると、有意義から動機への経路が大幅に緩和されます。 したがって、仕事の意義から満足度までの間接的な影響全体が緩和されます。 オーバー圧倒が 1.63 未満の場合、間接的な効果が顕著になります。 したがって、圧倒感が低から中程度の場合、仕事に意味を見出すことがモチベーションの向上につながり、ひいては仕事の満足度の向上につながります。
第 2 段階の仲裁調停
この例では、圧倒されると、モチベーションから仕事の満足に至るまでの過程が大幅に緩和されます。 やりがいから仕事の満足度までの間接的な効果全体は、圧倒的さが 1.25 未満の場合に顕著になります。 前の例のように、圧倒感が低から中程度の場合、仕事に意味を見出すことがモチベーションの向上につながり、ひいては仕事の満足度の向上につながります。
添付のシミュレートされたデータ セットを使用して、これらの結果を複製してください。
詳細については、以下を参照してください。
バウアー、DJ、 & カラン、PJ (2005)。 固定レベル回帰およびマルチレベル回帰における相互作用の調査: 推論およびグラフィック手法。多変量行動研究、 40 (3)、373-400。
ヘイズ、AF （2022年）。 調停、モデレーション、および条件付きプロセス分析の紹介: 回帰ベースのアプローチ (第 3 版)。 ギルフォード。
説教者、KJ、 ラッカー、DD、 & ヘイズ、AF (2007)。 モデレート仲介仮説への取り組み: 理論、方法、処方箋。多変量行動研究、 42 (1)、185-227。
私に連絡するには、 Eメールhaley.e.yaremych@vanderbilt.edu
ローラさん、詳細な手順をありがとう！ X または / および Z が連続的ではなくカテゴリ的である場合にこれを使用できるかどうか疑問に思っています。 もしそうなら、レベルが 3 つ以上ある場合、異なるグループをどのように比較できますか?
ありがとう！
やあ@Rongyu_Kuang 、
アドインが便利だと感じていただけてうれしいです。変数名にある「_c」接尾辞は、変数が平均中心であることを伝えることを目的としています。 これは起動ダイアログで制御できます (下のスクリーンショットで強調表示されているセクションを参照)。
ただし、データが既に意味のある値 0 を持っている場合を除き、パラメーター推定の解釈を容易にするために、(アドインの既定の設定のように) 変数を中央に配置することをお勧めします。 変数の 1 つがバイナリ予測子 (「ダミー変数」) であるようですが、これはすでに意味のある値 0 を持っているため、中央に配置する必要はありません。 これが実際に当てはまる場合は、Center X と Center Z のボックスをチェックし、X は 0 のままにし、Z の平均を入力します。
最後に、SE の平均を取得して (メインの赤い三角メニュー > [記述統計] > [単変量単純統計] をクリック)、それを値 -6.459 と -0.231 に加算することで、境界値を元のメトリックに戻すこともできます。
有意性の境界が観測データの範囲外になる可能性があることに留意してください。 あなたの場合、下限の可能性があります( SE_c = -6.459) はデータの範囲外です。 外挿を防ぐために、ジョンソン・ネイマン プロットでは観測データ内の境界のみが表示されます。また、観測データの範囲の信頼帯のみも表示されます。 つまり、結果を解釈する最良の方法は、JN プロットを見て、Y に対する主な予測子 (X) の単純な傾きが Z の関数としてどのように変化するかを確認することであることを意味します。 線の点の上にマウスを移動すると、有意でない単純な傾きと有意な傾きを示すグラフレットが表示されます。 すでにこれを行っているかもしれませんが、その一例を次に示します。
HTH、
〜ローラ
こんにちは、ヘイリーさん
このような便利なアドインをありがとう。
重要な境界についての簡単な質問ですが、私の出力は次のことを示しています
「平均 SE_c が -6.459 および -0.231 に等しい場合、dummy_c の単純な傾きは有意から非有意に変化します。 dummy_c の単純な傾きは、これら 2 つの値の外側で有意です。「なぜ有意な境界が負の値 (つまり、-6.459 と -0.231) であるのか。11 バイポーラ スケールで測定された平均 SE は、一般に正の値です。さらに、何が起こるのか。」 「平均SE_c」または「ダミー_c」の「_c」は何を意味しますか？
幸運をお祈りしています、
ロンユ
こんにちは、ローラさん
このような便利なアドインをありがとう。
重要な境界についての簡単な質問ですが、私の出力は次のことを示しています
「平均 SE_c が -6.459 および -0.231 に等しい場合、dummy_c の単純な傾きは有意から非有意に変化します。 dummy_c の単純な傾きは、これら 2 つの値の外側で有意です。「なぜ有意な境界が負の値 (つまり、-6.459 と -0.231) であるのか。11 バイポーラ スケールで測定された平均 SE は、一般に正の値です。さらに、何が起こるのか。」 「平均SE_c」または「ダミー_c」の「_c」は何を意味しますか？
幸運をお祈りしています、
ロンユ
ために@ジャンボメディエーション分析に興味のある人は、JMP Pro を構造方程式モデル プラットフォームを通じて実行できます。
- [分析] > [多変量] メニューの下に、[構造方程式モデル] (SEM) が表示されます。そのオプションをクリックし、3 つ (複数のメディエーションを行う場合はそれ以上) の変数を選択して、SEM プラットフォームを起動します。
- 起動すると、「モデル ショートカット」の赤い三角形が表示されます。この三角形には、「断面クラシック」の下にメディエーション モデルを適合させるためのオプションがあります。
- ショートカットを使用すると、予測変数、メディエーター、および結果変数を選択することができます。 最後に、「実行」をクリックしてモデルを適合させ、結果を取得します。
- デルタ法の標準誤差とともに間接効果の推定値を取得するには、近似モデルの下で「間接効果」を選択することもできます。
HTH、
〜ローラ
こんにちは、ヘイリー
素晴らしい仕事をしてくれてありがとう。 とにかく、モデレーターを使用せずにこのアドインを使用し、メディエーターのみを使用して一次メディエーション分析を実行します。 モデレーターを追加しないと、アドインは機能しないようです。
一番
アドインが二値予測子を処理できるかどうかについていくつかの質問を受けたので、ここで答えます。
はい、バイナリの予測子またはモデレーターを使用できますが、アドインが使用可能な変数として認識できるように、データ セット内に数値変数 (名目変数ではなく) として保存する必要があります。 0/1 コーディングを強くお勧めします。
さらに、私がお勧めするのは、に対してバイナリ予測子を中央に配置して、結果をより解釈しやすくします。 X がバイナリであると仮定します。X を中心から外したままにするには、「センタリングをオフにする」を選択するか (この方法では何も中心に配置されません)、または「X を別の値の周囲に中心に配置する」を選択して値として 0 のままにすることができます (この方法のみ)連続変数は中心に配置され、バイナリ X は中心から外されたままになります)。
これはバイナリ変数にも当てはまりますが、いいえマルチカテゴリー。 複数カテゴリ変数は、いいえこのアドインを使用して作業します。
お役に立てれば！
ヘイリー
