[論文レビュー] Power of Mediation Effects Using Bootstrap Resampling

Jason Steffener|arXiv (Cornell University)|Jun 4, 2021

Behavioral and Psychological Studies参考文献 18被引用数 8

ひとこと要約

本稿では、媒介モデルにおける統計的パワーを評価するために大規模なブートストラップ再サンプリングシミュレーションを開発および実装した。バイアス補正百分位法は、標準百分位法と比較して約10名少ない被験者数で同等のパワーを達成することが示された。単一および抑制媒介効果を含む研究計画を支援するため、オープンソースのコードと結果を提供しており、複数の媒介変数や調節変数を含む複雑なモデルへの応用にも意味を持つ。

ABSTRACT

Mediation analyses are a statistical tool for testing the hypothesis about how the relationship between two variables may be direct or indirect via a third variable. Assessing statistical significance has been an area of active research; however, assessment of statistical power has been hampered by the lack of closed form calculations and the need for substantial amounts of computational simulations. The current work provides a detailed explanation of implementing large scale simulation procedures within a shared computing cluster environment. In addition, all results and code for implementing these procedures is publicly available. The resulting power analyses compare the effects of sample size and strength and direction of the relationships between the three variables. Comparisons of three confidence interval calculation methods demonstrated that the bias-corrected method is optimal and requires approximately ten less participants than the percentile method to achieve equivalent power. Differing strengths of distal and proximal effects were compared and did not differentially affect the power to detect mediation effects. Suppression effects were explored and demonstrate that in the presence of no observed relationship between two variables, entrance of the mediating variable into the model can reveal a suppressed relationship. The power to detect suppression effects is similar to unsuppressed mediation. These results and their methods provide important information about the power of mediation models for study planning. Of greater importance is that the methods lay the groundwork for assessment of statistical power of more complicated models involving multiple mediators and moderators.

研究の動機と目的

• 媒介分析における閉形式のパワー計算が不足している問題に対処するため、スケーラブルなシミュレーションベースのパワー評価手法を開発すること。
• 百分位法、バイアス補正法（BC）、およびバイアス補正および加速法（BCa）の異なるブートストラップ信頼区間手法の性能を、媒介効果の検出において比較すること。
• サンプルサイズおよび効果量（経路の強さと方向）が、媒介モデルにおける統計的パワーに与える影響を検討すること。
• 媒介変数が元来隠れていた関係性を明らかにする「抑制効果」を検出するパワーを調査すること。
• 研究計画支援および複数の媒介変数や調節変数を含む複雑なモデルへの拡張を可能にするために、公開可能なコードと結果を提供すること。

提案手法

• 共有コンピュータクラスタを用いて大規模なモンテカルロシミュレーションを実施し、さまざまなサンプルサイズと効果量において統計的パワーを推定した。
• 3つのブートストラップ信頼区間手法（百分位法、バイアス補正法（BC）、バイアス補正および加速法（BCa））を用いて、間接効果を推定した。
• ブートストラップ再サンプリング手順を用いて、媒介モデルにおける間接効果（a*b）の標本分布を推定した。
• さまざまな条件下でデータをシミュレートした：サンプルサイズ（n = 50 から 500）、効果量（経路aとb）、および経路の方向性（正負の経路）。
• ブートストラップを用いて、間接効果の95％信頼区間が0を含まない反復回数の割合を推定し、統計的パワーを定義した。
• すべてのシミュレーションコードと結果を公開し、再現性を確保するとともに、より複雑なモデルへの拡張を可能にした。

実験結果

リサーチクエスチョン

• RQ1 ブートストラップ信頼区間手法の選択（百分位法対バイアス補正法）が、媒介分析における統計的パワーに与える影響は何か？
• RQ2 異なるブートストラップ手法を用いた場合、媒介効果を検出するのに適切なパワーを得るために必要なサンプルサイズはどの程度か？
• RQ3 中間経路（a）および最終的経路（b）の強さと方向性が、間接効果の検出パワーに与える影響は何か？
• RQ4 媒介変数が元来隠れていた関係性を明らかにする「抑制効果」を検出する統計的パワーはどの程度か？
• RQ5 提案されたシミュレーションフレームワークは、複数の媒介変数や調節変数を含むモデルへと拡張可能か？

主な発見

• バイアス補正（BC）ブートストラップ法は、百分位法と比較して約10名少ない被験者数で同等の統計的パワーを達成する。
• 間接効果（a*b）が一定に保たれる限り、中間経路（a）および最終的経路（b）の強さと方向性がパワーに差を生じない。
• 抑制効果—媒介変数が元来検出されなかった関係性を明らかにする—は、標準的な媒介効果と同等のパワーで検出可能である。
• このシミュレーションフレームワークは、抑制効果や複数の媒介変数を含む複雑なシナリオを含め、広範な条件下でのパワー推定に成功した。
• すべてのシミュレーション結果とコードが公開されており、研究計画の支援や、より複雑なモデルへのメソドロジーの拡張を可能にしている。