[论文解读] 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 8

一句话总结

本文通过大规模自展重抽样模拟，评估中介模型中的统计功效，表明偏差校正百分位数法在约减少10名被试的情况下，可实现与标准百分位数法相当的统计功效。研究提供了开源代码和结果，用于规划涉及单一中介效应和抑制效应的研究，对包含多个中介变量或调节变量的复杂模型具有启示意义。

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.

研究动机与目标

• 通过开发可扩展的基于模拟的统计功效评估方法，解决中介分析中缺乏闭式功效计算的问题。
• 比较不同自展置信区间方法（百分位数法、偏差校正法、BCa法）在检测中介效应方面的表现。
• 考察样本量和效应大小（路径强度与方向）对中介模型中统计功效的影响。
• 研究在中介模型中检测抑制效应的能力，即中介变量揭示先前隐藏的关系。
• 提供公开可获取的代码和结果，以支持研究规划，并可扩展至包含多个中介变量或调节变量的复杂模型。

提出的方法

• 使用共享计算集群进行大规模蒙特卡洛模拟，以估计在不同样本量和效应大小下的统计功效。
• 采用三种自展置信区间方法：百分位数法、偏差校正法（BC）和偏差校正与加速法（BCa），以估计间接效应。
• 使用自展重抽样程序估计中介模型中间接效应（a*b）的抽样分布。
• 在各种条件下模拟数据：样本量（n = 50 至 500）、效应大小（路径a和b）以及路径关系方向（正向/负向）。
• 应用自展方法估计在多少比例的重复中，间接效应的95%置信区间不包含零，以此定义统计功效。
• 将所有模拟代码和结果公开，以支持可重复性，并可扩展至更复杂的模型。

实验结果

研究问题

• RQ1 自展置信区间方法的选择（百分位数法 vs. 偏差校正法）如何影响中介分析中的统计功效？
• RQ2 使用不同自展方法检测中介效应时，需要多大的样本量才能实现充分功效？
• RQ3 当近端路径（a）和远端路径（b）的强度与方向不同时，如何影响间接效应的检测功效？
• RQ4 在中介模型中检测抑制效应的统计功效是多少，即中介变量揭示潜在关系的情况？
• RQ5 所提出的模拟框架能否扩展至包含多个中介变量或调节变量的模型？

主要发现

• 偏差校正（BC）自展法在约减少10名被试的情况下，可实现与百分位数法相当的统计功效。
• 当间接效应（即a*b的乘积）保持不变时，近端路径（a）和远端路径（b）的强度与方向对功效无显著差异影响。
• 抑制效应——即中介变量揭示先前未检测到的关系——可被检测到，其功效与标准中介效应相当。
• 该模拟框架成功估计了广泛条件下的统计功效，包括涉及抑制效应和多个中介变量的复杂情景。
• 所有模拟结果和代码均公开可获取，使研究人员能够规划研究，并将该方法扩展至更复杂的模型。