125. Nedensel Aracılık Analizi
Analiz kimliği: causal_mediation · Menü adı: Nedensel Aracılık Analizi · Panel: gui/panels/analyses/causal_mediation.py (form 61–174, read_options 177–227, execute 254–295) · Motor: stats/causal_mediation.py (run_causal_mediation, 700–882), stats/causal_mediation_models.py (model uydurma), stats/causal_mediation_sens.py (duyarlılık), stats/causal_mediation_vw.py (VanderWeele ayrıştırması)
125.1 Ne işe yarar
Nedensel aracılık analizi, aracılık sorusunu karşı-olgusal (potansiyel sonuç) dille tanımlar: "X'i kontrol değerinden (t_0) işlem değerine (t_1) değiştirirsek Y'deki değişimin ne kadarı yalnız M'nin değişmesinden, ne kadarı X'in M dışındaki yollarından gelir?" Tanımlar model türünden bağımsızdır; bu yüzden aracı ya da sonuç ikili, sayım, sıralı, sağkalım ya da kantil modelle kurulduğunda ve X×M etkileşimi olduğunda da geçerlidir (Imai, Keele ve Tingley, 2010).
- Y_i(t,m): i. birimin X =t ve M =m olsaydı alacağı sonuç; M_i(t): X =t olsaydı aracının alacağı değer.
- \delta(t): ACME (ortalama nedensel aracılık etkisi); X sabit t'de tutulurken yalnız aracının M(t_0)'dan M(t_1)'e geçmesinin etkisi.
- \zeta(t): ADE (ortalama doğrudan etki); aracı M(t)'de sabitken X'in t_0'dan t_1'e geçmesinin etkisi.
- \tau: toplam etki; aracılık oranı \delta(t)/\tau.
- X×M etkileşimi yoksa \delta(t_0)=\delta(t_1) ve \zeta(t_0)=\zeta(t_1); MerQur o durumda doğrusal Y'de tek satır gösterir.
Tanımlama varsayımı (ardışık yok sayılabilirlik). Kovaryatlar \mathbf C verildiğinde (i) X, tüm potansiyel sonuç ve aracı değerlerinden bağımsızdır; (ii) X ve \mathbf C verildiğinde M, potansiyel sonuçlardan bağımsızdır (Imai, Keele ve Yamamoto, 2010). İkinci koşul randomize bir deneyde bile garanti edilmez: aracı rastgele atanmaz. Bu yüzden analiz, varsayımın ihlaline karşı bir duyarlılık analizi ile birlikte raporlanır.
Ne zaman kullanılır?
- Aracı ya da sonuç doğrusal değilse (ikili, sayım, sıralı, sağkalım, kantil) ve aracılık etkisi olasılık ya da ortalama ölçeğinde isteniyorsa.
- X×M etkileşimi varsa ve doğal doğrudan/dolaylı etkiler ayrı ayrı yorumlanacaksa.
- Ölçülmemiş M–Y karıştırıcısına karşı sonucun ne kadar sağlam olduğu (ρ duyarlılığı) raporlanacaksa.
Ne zaman kullanılmaz?
- Doğrusal modellerde birden çok paralel ya da seri aracı, düzenleyicili aracılık (koşullu dolaylı etki) isteniyorsa: Aracılık Analizi (Bölüm 122).
- Gizil değişkenler ya da çok denklemli bir sistemin uyumu sınanacaksa: Yol Analizi (Bölüm 124) ya da YEM (Bölüm 89).
- Kümeli/çok düzeyli veride: Çok Düzeyli Aracılık (küme-dayanıklı SH bu panelde yalnız bir ara çözümdür).
Sık karıştırılan analizler. Doğrusal M ve doğrusal Y'de, X×M etkileşimi yokken ACME, regresyon tabanlı dolaylı etkiyle aynıdır: \delta=ab\,(t_1-t_0) (125.5.2). Fark çıkarımdadır: Aracılık Analizi bootstrap'ı varsayılan alır, bu panel quasi-Bayes Monte Carlo'yu (Imai ve ark.) varsayılan alır; ayrıca bu panel duyarlılık analizini ve doğrusal olmayan modelleri ekler. Panelde ikinci bir yöntem olarak VanderWeele ayrıştırması (CDE, NDE, NIE, dört yollu ayrıştırma; delta yöntemi) da vardır (125.5.6).
125.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Ardışık yok sayılabilirlik | X–Y, X–M ve M–Y arasında ölçülmemiş karıştırıcı yok; M–Y karıştırıcıları X'ten etkilenmiyor. | Sınanamaz. Duyarlılık analizi (ρ) ikinci koşulun ihlaline karşı sağlamlığı ölçer. |
| Doğru model biçimi | Aracı ve sonuç modelleri doğru (bağ işlevi, X×M terimi, kovaryatlar). | Denetlenmez; X×M etkileşimi seçilip ACME(1) − ACME(0) testiyle sınanabilir. |
| Bağımsız gözlemler | Birimler bağımsız. | Küme değişkeni ile küme-sağlam kovaryans (yalnız quasi-Bayes çekilişlerine girer). |
| Pozitiflik | Her kovaryat profilinde iki X değeri ve aracının değerleri gözlenebilir. | Denetlenmez. |
| Yeterli örneklem | Asimptotik normallik (quasi-Bayes) ya da bootstrap için. | Model başına n>p ve tam sıra (_check_rank, causal_mediation_models.py:140–146). |
Eksik değer. Liste bazında silme: X, M, Y, kovaryatlar, olay göstergesi ve küme değişkeninden herhangi birinde eksik olan satır çıkarılır; boş metin eksik sayılır; çıkarılan satır sayısı not olarak yazılır (prepare, causal_mediation.py:267–274).
Uç durumlar.
- X, M ve Y farklı olmalıdır; aynı seçilirse hata (
causal_mediation.py:255–256). Sabit X, M ya da Y hata verir. - Sayısal X'te işlem/kontrol değerleri boşsa t_1=1, t_0=0; kategorik X'te ilk iki düzey kullanılır (düzey sırası: Veri sekmesinde tanımlı sıra, sayı içeren etiketlerde doğal sıra, aksi hâlde verideki ilk görülme sırası; alfabetik sıra kullanılmaz); t_1=t_0 hata (269–300).
- İkili M/Y tam olarak iki düzey ister; sıralı M/Y en az 3, en çok 30 düzey (313–361). Sayım Y negatif değer, sağkalım Y pozitif olmayan değer içeremez.
- Sıralı Y'de çıkarım bootstrap'a çevrilir ve not yazılır (749–752); quasi-Bayes seçiliyken BC/BCa/normal GA türü yok sayılır, yüzdelik kullanılır (753–755).
- Imai yönteminde "Delta yöntemi" seçilirse quasi-Bayes'e, VanderWeele'de "quasi-Bayes" seçilirse delta yöntemine dönülür ve not yazılır (
gui/panels/analyses/causal_mediation.py:267–272). - Bootstrap örneklemlerinden uydurulamayanlar dışlanır ve sayısı yazılır; ikiden az başarılı örneklem kalırsa hata (793–796).
125.3 Parametreler
Varsayılanlar gui/panels/analyses/causal_mediation.py:61–227 kodundan okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| X (işlem / bağımsız), M (aracı), Y (sonuç) | 1., 2., 3. sütun | Roller. | Model. |
| Kovaryatlar (karıştırıcılar) | boş | Hem aracı hem sonuç modeline girer; etkiler örneklemin kovaryat dağılımı üzerinden ortalanır. | Tüm etkiler. |
| Ayrıştırma yöntemi | Imai ve ark. (2010) | Imai (ACME/ADE) ya da VanderWeele (CDE/NDE/NIE, dört yollu). | Tanımlar ve çıkarım. |
| Aracı modeli | Doğrusal | Doğrusal, lojistik, probit, sıralı lojit/probit. | M dağılımı. |
| Sonuç modeli | Doğrusal | Doğrusal, lojistik, probit, Poisson, negatif binom, sıralı, AFT (Weibull, üstel, lognormal, loglojistik), kantil. | Y ölçeği. |
| Kantil (τ) | 0,50 | Yalnız kantil Y'de. | — |
| Olay göstergesi | Yok | Sağkalım Y'de sansür. | — |
| X×M etkileşimi (sonuç modelinde) | kapalı | Y modeline X·M terimi. | ACME(0) ≠ ACME(1); ACME(1) − ACME(0) testi. |
| İşlem değeri (t₁), Kontrol değeri (t₀) | boş (1 ve 0) | Karşılaştırılan X değerleri. | Etkilerin ölçeği. |
| Çıkarım | Monte Carlo (yarı-Bayesçi) | Quasi-Bayes, parametrik olmayan bootstrap, delta (yalnız VanderWeele). | GA ve p. |
| Aracı üzerinden tümlev | Kesin beklenen değer | Kesin (kapalı form / toplam / Gauss–Hermite) ya da Monte Carlo çekilişi (Imai algoritması). | Doğrusal M–Y'de etkileşim yoksa aynı. |
| Çekim / bootstrap sayısı | 1000 | 100–100000. | GA kararlılığı. |
| Bootstrap GA türü | Yüzdelik | Yüzdelik, BCa, BC, normal. | Yalnız bootstrap'ta. |
| Güven düzeyi | %95 | — | GA'lar. |
| Kovaryans (standart hata) | Klasik | Klasik, sağlam (HC3), küme-sağlam. | Quasi-Bayes çekilişleri ve model tabloları. |
| Kovaryat değerleri (koşullu) | boş | Etkileri belirli kovaryat değerinde verir (ör. info=4). |
Koşullu etkiler. |
| CDE için aracı değeri (m*) | boş | Yalnız VanderWeele. | CDE. |
| Duyarlılık analizi (ρ); ρ adımı; duyarlılık etkisi | kapalı; 0,1; dolaylı | medsens ızgarası -1+h,\dots,1-h. | Ek bölüm. |
| Tohum | 42 | Quasi-Bayes ve bootstrap çekilişleri. | Benzetim sonuçları. |
| Grafik | Etki özeti | Etki özeti, duyarlılık (ACME – ρ), ACME dağılımı. | Yalnız grafik. |
Koddaki tercih: kesin tümlev
R mediate, her benzetimde aracıyı gözlem başına bir kez rastgele çeker (M_i^*(t)=\hat\mu_i(t)+\varepsilon_i); bu "tümlev gürültüsü" nokta kestirimine ve GA'ya girer. MerQur'un varsayılanı (kullanıcı kararı) aracı dağılımı üzerinden kesin beklenen değerdir: kesikli M'de olasılık ağırlıklı toplam, normal M'de kapalı form (doğrusal, Poisson, probit) ya da 48 noktalı Gauss–Hermite tümlevi (_expect, 524–593). "Monte Carlo çekilişi" seçeneği R tanımını uygular (_draw_m, 615–626). Doğrusal M ve Y'de, etkileşim yokken iki seçenek aynı sonucu verir; etkileşimde R'nin nokta kestirimi küçük bir benzetim gürültüsü taşır (125.6.1).
125.4 Tıp örneği
Tıp setinin aracılık dosyası (#51) zayıf bir aracılık içerir (b\approx0; Bölüm 122). Nedensel aracılığın, özellikle duyarlılık analizinin anlamlı bir etki üzerinde gösterilmesi için Bölüm 124'teki sağlık davranışı dosyası kullanılmıştır.
Dosya: english/datasets/Tip/52_path_health_behavior.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/52_path_saglik_davranis.xlsx).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
attitude |
X (işlem) | sürekli (1–5) | ort. 3,105; SS 0,720 |
intention |
M (aracı) | sürekli | ort. 2,625; SS 0,615 |
behavior |
Y (sonuç) | sürekli | ort. 1,848; SS 0,609 |
info |
kovaryat (karıştırıcı) | sürekli (1–5) | ort. 3,500; SS 0,730 |
n ve eksik değer: 220 hasta, eksik değer yok.
Klinik soru: Sağlık davranışına ilişkin tutumun bir puan artması (3'ten 4'e), davranış niyeti üzerinden sağlıklı davranışı ne kadar artırır? Bilgi düzeyi her iki modelde karıştırıcı olarak denetlenir. Sonuç, niyet ile davranış arasındaki ölçülmemiş bir karıştırıcıya ne kadar dayanıklıdır?
Seçilen ayarlar: Imai, doğrusal M ve Y, t_0=3, t_1=4, quasi-Bayes 1000 çekim, tohum 42, kesin tümlev, %95, klasik kovaryans, duyarlılık açık (ρ adımı 0,1). Hesap yürüyüşü için ayrıca bootstrap (yüzdelik ve BCa), X×M etkileşimi ve VanderWeele (delta) çalıştırılmıştır.
125.5 Formüller ve hesap adımları
Hesap sırası (run_causal_mediation, 681–863): (1) veri hazırlığı ve kodlama; (2) aracı ve sonuç modellerinin uydurulması (fit_both, 447–466); (3) her parametre çekilişi (quasi-Bayes) ya da yeniden örneklem (bootstrap) için dört karşı-olgusal ortalama E[Y(t,M(t'))] (_effects_from_params, 629–658); (4) \delta(t), \zeta(t), \tau, oran ve ortalamalar; (5) GA ve p; (6) etkileşim testi ve duyarlılık analizi.
125.5.1 Modeller ve karşı-olgusal tahmin
- \theta_3 yalnız "X×M etkileşimi" seçiliyse modeldedir.
- \eta: sonuç modelinin doğrusal öngörücüsü; A_i(t)=\eta_i(t,0), B_i(t)=\eta_i(t,1)-\eta_i(t,0) (
_y_lp, 517–521). - f: ters bağ (doğrusal ve kantilde kimlik, lojistikte \operatorname{expit}, probitte \Phi, sayım ve AFT'de \exp); sıralı Y'de kategori olasılıkları.
- F_M(\cdot\mid t',\mathbf C_i): X =t' ayarlanmış tahmini aracı dağılımı (normal M'de N(\hat\mu_i(t'),\hat\sigma^2)).
- Ortalama örneklemin kovaryat değerleri üzerindendir; "Kovaryat değerleri (koşullu)" girilirse o değerlerde (
_Ctx, 475–496).
Neden tümlev, neden tahmin edilen dağılım?
\delta(t), aracının M(t_0)'dan M(t_1)'e dağılım olarak kaymasının etkisidir. Doğrusal Y'de yalnız M'nin beklenen değeri önemlidir (E[\eta]=A+B\,E[M]); doğrusal olmayan f'de ise E[f(\eta)]\ne f(E[\eta]) olduğu için M dağılımının tamamı üzerinden ortalama gerekir. Normal M ve probit Y'de kapalı form \Phi\big((A+B\mu)/\sqrt{1+B^2\sigma^2}\big), log bağında \exp(A+B\mu+B^2\sigma^2/2) kullanılır; diğerlerinde Gauss–Hermite.
125.5.2 Doğrusal M ve doğrusal Y'de kapalı form
Doğrusal modellerde dört karşı-olgusal ortalama kapalı biçimdedir (\Delta=t_1-t_0):
- Etkileşim yoksa (\theta_3=0): \delta=\alpha_1\theta_2\Delta=ab\,\Delta ve \zeta=\theta_1\Delta=c'\Delta; yani ACME, Bölüm 122'deki dolaylı etki ab'nin \Delta katıdır.
- Bu durumda sonuç t_0 ve t_1'in kendisine değil yalnız farklarına bağlıdır; t_0=3,\ t_1=4 ile t_0=0,\ t_1=1 aynı ACME'yi verir.
- Etkileşimde ACME t'ye, ADE aracının ortalama düzeyine bağlıdır; bu yüzden t_0, t_1 seçimi sonucu değiştirir.
125.5.3 Quasi-Bayes Monte Carlo çıkarımı
Varsayılan çıkarım (King, Tomz ve Wittenberg, 2000; Imai ve ark., 2010): model parametreleri asimptotik normal dağılımlarından S kez çekilir ve her çekilişte etkiler hesaplanır (causal_mediation.py:782–794):
- Çekiliş:
numpy.random.default_rng(tohum), kovaryansın özdeğer ayrışımıyla (\mathbf V=\mathbf U\boldsymbol\Lambda\mathbf U^{\top}, \boldsymbol\gamma=\hat{\boldsymbol\gamma}+\mathbf z\boldsymbol\Lambda^{1/2}\mathbf U^{\top}); önce aracı, sonra sonuç modeli (_mvn, 671–676). - Doğrusal modellerde \widehat{\mathbf V}, n-p paydalı klasik OLS kovaryansıdır (R
vcov(lm)); "Sağlam" seçilirse HC3, "küme-sağlam" seçilirsevcovCLtanımı (fit_ols,causal_mediation_models.py:171–194). - Q_7: R
quantile(type = 7)(quantile7, 126–132). p:mediation:::pvaltanımı; nokta kestirimi 0 ise 1 (pval_mediate, 117–123). - Nokta kestirimi benzetim ortalamasıdır, oran için medyandır (R
mediateile aynı).
Neden ortalama, neden oran için medyan?
Quasi-Bayes yaklaşımı parametre belirsizliğini sonsal benzetim gibi yayar; etkilerin benzetim ortalaması, düz yerine koyma kestiriminden (\hat a\hat b) küçük bir Monte Carlo farkıyla ayrılır. Oran \delta/\tau, \tau sıfıra yaklaşan çekilişlerde çok büyük değerler alabilir; ortalaması kararsızdır, medyanı sağlamdır.
125.5.4 Parametrik olmayan bootstrap
"Parametrik olmayan bootstrap" seçilirse her örneklemde (default_rng(tohum).integers(0, n, n), art arda S kez) iki model yeniden uydurulur ve etkiler hesaplanır (776–803). Nokta kestirimi özgün örneklemin kestirimidir; oran \hat\delta/\hat\tau'dır.
- Yüzdelik: [Q_7(\alpha/2),\,Q_7(1-\alpha/2)]. Normal: \hat\theta\pm z_{1-\alpha/2}\,s_{\theta^*}.
- BC (yanlılık düzeltmeli): z_0=\Phi^{-1}(\#\{\theta^*<\hat\theta\}/S), uçlar Q_7\big(\Phi(2z_0\pm z_{1-\alpha/2})\big) (
bc_sas, 158–171). - Bootstrap'ta model kovaryansı (sağlam/küme) kullanılmaz; seçilmişse not yazılır (740–742).
Koddaki tercih: BCa, R mediate'in tanımıdır
Bu paneldeki BCa, mediation::mediate(boot.ci.type = "bca") içindeki BC.CI işlevinin birebir karşılığıdır (bca_mediate, 135–155): yanlılık düzeltmesi z, nokta kestirimine göre değil bootstrap ortalamasına göre; ivme jackknife ile değil bootstrap dağılımının üçüncü momentinden hesaplanır. Bu, Efron'un (1987) jackknife BCa'sından farklıdır (Aracılık Analizi panelinin BCa'sı jackknife kullanır; Bölüm 122.5.3). Sonuç R ile karşılaştırılabilir olsun diye bu tanım seçilmiştir.
125.5.5 Etkileşim testi ve duyarlılık analizi
ACME(1) − ACME(0). X×M etkileşimi seçildiğinde \delta(t_1)-\delta(t_0) farkının benzetim ortalaması, yüzdelik GA'sı ve p'si verilir (_tmint, 866–877; R test.TMint).
Duyarlılık analizi (doğrusal M + doğrusal Y). Ardışık yok sayılabilirliğin ikinci koşulu, aracı ve sonuç hatalarının ilintisizliğidir (\rho=\operatorname{Corr}(\varepsilon_M,\varepsilon_Y)=0). Ölçülmemiş bir M–Y karıştırıcısı \rho\ne0 yapar. medsens yöntemi (Imai, Keele ve Yamamoto, 2010) \rho'yu ızgarada sabitler ve iki denklemi görünüşte ilişkisiz regresyon (SUR) olarak yinelemeli GLS ile kestirir (_ct, causal_mediation_sens.py:147–245):
- \hat\sigma_k^2=\mathbf e_k^{\top}\mathbf e_k/(n-1) (R medsens tanımı); yineleme, katsayı değişiminin kareler toplamı \sqrt{\epsilon_{\text{makine}}} altına inene dek (en çok 1000).
- \widehat{\mathbf V}=\big[\mathbf X^{\top}(\boldsymbol\Omega^{-1}\otimes\mathbf I)\mathbf X\big]^{-1}; GA delta yöntemiyle, normal kritik değerle.
- Izgara: \rho=-1+h,\ -1+2h,\dots,1-h (
rho_grid, 35–41); h = ρ adımı. - ACME = 0 yapan ρ: ızgarada |\delta(\rho)|'nun en küçük olduğu değer (medsens
err.cr); ayrıca işaret değişiminden doğrusal ara değerle kök (_crossing, 60–73). - Karşılık gelen açıklanan varyans çarpımları: R^{2*}_MR^{2*}_Y=\rho^2 ve \tilde R^2_M\tilde R^2_Y=\rho^2(1-R^2_M)(1-R^2_Y).
R^2 çarpımları neyi anlatır?
ρ soyut bir sayıdır. Imai ve ark. bunu, ölçülmemiş karıştırıcının aracıdaki ve sonuçtaki artık varyansın ne kadarını açıklaması gerektiğine çevirir: R^{2*}_MR^{2*}_Y artık varyansın, \tilde R^2_M\tilde R^2_Y toplam varyansın oranı cinsindendir. Örneğin \tilde R^2_M\tilde R^2_Y=0{,}03, karıştırıcının hem niyetteki hem davranıştaki toplam varyansın yaklaşık \sqrt{0{,}03}\approx17'şer yüzdesini açıklaması gerektiği anlamına gelir.
Duyarlılık analizi neden ana tablodaki karşıtlıkla yapılır?
Imai, Keele ve Yamamoto (2010) duyarlılığı ilgilenilen ACME için tanımlar; okura sunulan iki sayı aynı nicelik olmalıdır. MerQur bu yüzden duyarlılığı ana tablodaki karşıtlıkla (t_0\to t_1) hesaplar ve çıktıya "Karşıtlık: X = t_0 → t_1 (ana tablodaki karşıtlıkla aynı)" satırını yazar (causal_mediation_sens.py:95–122); kategorik X'te gösterge 0 → 1'dir. R medsens ise her zaman X'in 0 → 1 değişimini kullanır; bu bir uygulama sınırıdır. Etkileşimsiz doğrusal modelde iki yol t_1-t_0=1 iken aynı sonucu verir. X×M etkileşimi varsa ACME X'in düzeyine bağlıdır: duyarlılık tablosundaki ACME(t_0) ve ACME(t_1), ana tablodaki \hat\delta(t_0) ve \hat\delta(t_1) ile aynı niceliktir (125.6, Adım 7).
Probit M + doğrusal Y ve doğrusal M + probit Y çiftlerinde duyarlılık quasi-Bayes benzetimiyle hesaplanır (_bm, _bo); lojistik modellerde ve diğer çiftlerde tanımlı değildir ve not yazılır.
125.5.6 VanderWeele ayrıştırması
"VanderWeele (2014)" seçildiğinde Valeri ve VanderWeele'nin (2013) tanımlarıyla regresyon tabanlı ayrıştırma yapılır (causal_mediation_vw.py): kovaryatlar ortalamada (\bar{\mathbf c}) değerlendirilir; doğrusal modellerde
- Dört yollu ayrıştırma: TE = CDE + INTref + INTmed + PIE (VanderWeele, 2014); yüzdeler TE'ye oranla.
- SH: delta yöntemi; katsayı kovaryansları ML (n paydalı) ölçekte, \operatorname{Var}(\hat\sigma^2)=2\sigma^4/n (
_ml_cov, 169–176). - Etkileşimsiz doğrusal modelde NIE = ACME ve NDE = ADE; yalnız SH'ler (ML kovaryansı) Imai çıkarımından farklıdır.
125.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/causal_mediation/elle_hesap.py ile (numpy; MerQur kodu çağrılmadan) hesaplanmıştır. Quasi-Bayes çekilişleri ve bootstrap indeksleri aynı betikte üretilip R'ye aktarılmıştır.
Adım 1 — Modeller. Aracı modeli: \widehat{\text{niyet}}=0{,}169591+0{,}466745\,\text{tutum}+0{,}287625\,\text{bilgi} (SH: 0,124116; 0,045017; 0,044383), \hat\sigma_M=0{,}358540, R^2_M=0{,}663188. Sonuç modeli: \widehat{\text{davranış}}=0{,}019960+0{,}037467\,\text{tutum}+0{,}566530\,\text{niyet}+0{,}064216\,\text{bilgi} (SH: 0,159204; 0,070310; 0,086703; 0,061930), R^2_Y=0{,}441563.
Sonuç modelinin katsayıları Bölüm 124'teki yol modelinin ML kestirimleriyle aynıdır (özyinelemeli modelde ML = OLS); aracı modeli ise bilgi düzeyini de içerdiği için \hat\alpha_1=0{,}466745, yol modelindeki a=0{,}660523'ten küçüktür.
Adım 2 — Nokta kestirimleri (kapalı form, \Delta=1).
Adım 3 — Quasi-Bayes (S = 1000, tohum 42). Her çekilişte \delta^{(s)}=\alpha_1^{(s)}\theta_2^{(s)}, \zeta^{(s)}=\theta_1^{(s)}:
| Etki | Kestirim (ortalama) | %95 GA (Q_7) | p |
|---|---|---|---|
| ACME | 0,265093 | [0,178930; 0,354296] | <0{,}002 (0/1000 çekiliş ≤ 0) |
| ADE | 0,035724 | [−0,107719; 0,173753] | 0,618 |
| Toplam etki | 0,300816 | [0,170308; 0,422647] | <0{,}002 |
| Aracılık oranı (medyan) | 0,881628 | [0,554112; 1,547386] | <0{,}002 |
Benzetim ortalaması (0,265093), yerine koyma kestiriminden (0,264425) 0,0007 farklıdır: Monte Carlo belirsizliğidir ve S arttıkça küçülür.
Adım 4 — Bootstrap (S = 1000, tohum 42). Nokta kestirimleri Adım 2'dekidir. Yüzdelik GA: ACME [0,175636; 0,356149], ADE [−0,099251; 0,179312] (p=0{,}56), toplam [0,191187; 0,418800], oran [0,525434; 1,458296]. BCa (mediate tanımı) ACME için: \#\{\theta^*<\bar\theta^*\}/S=0{,}514, z=0{,}035100, \hat a=-0{,}000175; q_L=0{,}029351, q_U=0{,}978795; GA [0,180115; 0,361204].
Adım 5 — X×M etkileşimi. Sonuç modeli: \hat\theta_1=-0{,}126922, \hat\theta_2=0{,}366180, \hat\theta_3=0{,}064780 (SH 0,057759), bilgi 0,060106. Kovaryat ortalamasında \bar\mu_M(3)=0{,}169591+0{,}466745(3)+0{,}287625(3{,}499727)=2{,}576435, \bar\mu_M(4)=3{,}043180:
Quasi-Bayes (1000 çekim): ACME(0) 0,262562 [0,174133; 0,361707], ACME(1) 0,292432 [0,191878; 0,408631], toplam 0,331416. Etkileşim testi: ACME(1) − ACME(0) = 0,029871, %95 GA [−0,023939; 0,081426], p=0{,}266; X×M etkileşimi için kanıt yoktur.
Adım 6 — Duyarlılık analizi (etkileşimsiz). ρ = 0'da SUR, OLS ile aynıdır; GA delta yöntemiyle (n-1 paydalı \hat\sigma^2):
| ρ | ACME(ρ) | %95 GA |
|---|---|---|
| −0,5 | 0,607800 | [0,468930; 0,746670] |
| 0,0 | 0,264425 | [0,171255; 0,357595] |
| 0,3 | 0,077382 | [−0,002724; 0,157488] |
| 0,4 | 0,004852 | [−0,073923; 0,083628] |
| 0,5 | −0,078950 | [−0,159107; 0,001208] |
ACME ızgarada en çok ρ = 0,4'te sıfıra yaklaşır (medsens err.cr). İşaret 0,4 ile 0,5 arasında değiştiği için ara değerli kök bu iki nokta arasından bulunur:
Yorum: niyet ile davranış arasındaki ölçülmemiş bir karıştırıcı, hataları yaklaşık 0,4 düzeyinde ilişkilendirecek kadar güçlüyse ACME sıfırlanır; bu, karıştırıcının iki değişkenin toplam varyansının her birinde yaklaşık %17'sini (\sqrt{0{,}030}) açıklamasına karşılık gelir. GA, ρ = 0,3'te zaten sıfırı içerir.
Şekil 125.1. Duyarlılık analizi: hata ilintisi ρ'ya göre ACME ve %95 delta GA'sı; kesikli çizgi ACME'nin sıfır olduğu ρ (ara değerle 0,406).
Adım 7 — Etkileşimli modelde duyarlılık. Etkileşim açıkken duyarlılık ana tablodaki karşıtlıkla (t_0=3\to t_1=4) hesaplanır; tablonun ρ = 0 satırı ana tablodaki \hat\delta(3)=0{,}2616 ve \hat\delta(4)=0{,}2919 değerlerini verir. Aynı hesap X'in 0 → 1 değişimiyle (R medsens) yapılsaydı ACME(0) = \hat\alpha_1\hat\theta_2=0{,}466745\times0{,}366180=0{,}170913 ve ACME(1) = \hat\alpha_1(\hat\theta_2+\hat\theta_3)=0{,}201148 çıkardı; bunlar ana tablodaki ACME ile aynı nicelik değildir.
Adım 8 — VanderWeele (delta). NIE = 0,264425, SH =\sqrt{\hat\theta_2^{\,2}V^{ML}_{\alpha_1}+\hat\alpha_1^{2}V^{ML}_{\theta_2}}=0{,}047428 (ML kovaryansı: OLS kovaryansı × (n-p)/n); NDE = 0,037467 (SH 0,069668); TE = 0,301892 (SH 0,062348); NIE yüzdesi %87,59.
125.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır (dogrulama/causal_mediation/merqur_calistir.py). R: 4.5.3, mediation 4.5.1. Üç tür karşılaştırma yapılmıştır: (i) mediate(boot = TRUE)'nin nokta kestirimleri (etkileşimsiz doğrusal modelde benzetim gürültüsü içermez) doğrudan; (ii) quasi-Bayes çekilişleri ve bootstrap indeksleri R'ye aktarılmış, etkiler model.matrix ile genel karşı-olgusal tahminle (mediate'in tanımı) yeniden hesaplanmış, quantile(type = 7), mediate'in p tanımı ve BC.CI uygulanmıştır; (iii) medsens(rho.by = 0.1) belirlenimci olduğundan doğrudan (r_dogrulama.R). medsens yalnız X = 0 → 1 karşıtlığını kullandığından etkileşimli modelin ρ = 0 satırı R ve Python'da ana tablodaki 3 → 4 karşıtlığıyla delta formülünden hesaplanmıştır (ρ = 0'da sistem denklem denklem OLS'dir, \hat\sigma_k^2=\mathbf e_k^{\top}\mathbf e_k/(n-1)).
Modeller ve nokta kestirimleri:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| M modeli: sabit | 0,169591 | 0,169591 | 0,169591 | 4,1e−14 | ✓ |
| M modeli SH: sabit | 0,124116 | 0,124116 | 0,124116 | 4,2e−16 | ✓ |
| M modeli: attitude | 0,466745 | 0,466745 | 0,466745 | 9,4e−15 | ✓ |
| M modeli SH: attitude | 0,045017 | 0,045017 | 0,045017 | 5,3e−16 | ✓ |
| M modeli: info | 0,287625 | 0,287625 | 0,287625 | 1,3e−14 | ✓ |
| M modeli SH: info | 0,044383 | 0,044383 | 0,044383 | 4,2e−16 | ✓ |
| Y modeli: sabit | 0,019960 | 0,019960 | 0,019960 | 1,8e−14 | ✓ |
| Y modeli: attitude | 0,037467 | 0,037467 | 0,037467 | 2,6e−14 | ✓ |
| Y modeli: intention | 0,566530 | 0,566530 | 0,566530 | 6,2e−15 | ✓ |
| Y modeli: info | 0,064216 | 0,064216 | 0,064216 | 1,3e−14 | ✓ |
| \hat\sigma_M | 0,358540 | 0,358540 | 0,358540 | 5,6e−16 | ✓ |
| Nokta kestirimi ACME(0) (mediate) | 0,264425 | 0,264425 | 0,264425 | 7,7e−15 | ✓ |
| Nokta kestirimi ACME(1) (mediate) | 0,264425 | 0,264425 | 0,264425 | 7,7e−15 | ✓ |
| Nokta kestirimi ADE(0) (mediate) | 0,037467 | 0,037467 | 0,037467 | 2,6e−14 | ✓ |
| Nokta kestirimi Toplam etki (mediate) | 0,301892 | 0,301892 | 0,301892 | 1,8e−14 | ✓ |
| Nokta kestirimi Aracılık oranı (0) (mediate) | 0,875891 | 0,875891 | 0,875891 | 7,8e−14 | ✓ |
Quasi-Bayes ve bootstrap GA'ları:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| QB: ACME(0) kestirim | 0,265093 | 0,265093 | 0,265093 | 5,2e−15 | ✓ |
| QB: ACME(0) GA alt | 0,178930 | 0,178930 | 0,178930 | 4,1e−15 | ✓ |
| QB: ACME(0) GA üst | 0,354296 | 0,354296 | 0,354296 | 6,3e−15 | ✓ |
| QB: ADE(0) kestirim | 0,035724 | 0,035724 | 0,035724 | 1,5e−14 | ✓ |
| QB: ADE(0) GA alt | −0,107719 | −0,107719 | −0,107719 | 1,5e−14 | ✓ |
| QB: ADE(0) GA üst | 0,173753 | 0,173753 | 0,173753 | 1,6e−14 | ✓ |
| QB: ADE(0) p | 0,618000 | 0,618000 | 0,618000 | 0,0e+00 | ✓ |
| QB: Toplam etki kestirim | 0,300816 | 0,300816 | 0,300816 | 1,0e−14 | ✓ |
| QB: Toplam etki GA alt | 0,170308 | 0,170308 | 0,170308 | 1,0e−14 | ✓ |
| QB: Toplam etki GA üst | 0,422647 | 0,422647 | 0,422647 | 1,1e−14 | ✓ |
| QB: Aracılık oranı (0) kestirim | 0,881628 | 0,881628 | 0,881628 | 4,6e−14 | ✓ |
| QB: Aracılık oranı (0) GA alt | 0,554112 | 0,554112 | 0,554112 | 3,2e−14 | ✓ |
| QB: Aracılık oranı (0) GA üst | 1,547386 | 1,547386 | 1,547386 | 1,1e−13 | ✓ |
| Bootstrap yüzdelik: ACME(0) GA alt | 0,175636 | 0,175636 | 0,175636 | 2,1e−15 | ✓ |
| Bootstrap yüzdelik: ACME(0) GA üst | 0,356149 | 0,356149 | 0,356149 | 9,2e−15 | ✓ |
| Bootstrap yüzdelik: ADE(0) GA alt | −0,099251 | −0,099251 | −0,099251 | 1,6e−14 | ✓ |
| Bootstrap yüzdelik: ADE(0) GA üst | 0,179312 | 0,179312 | 0,179312 | 1,4e−14 | ✓ |
| Bootstrap yüzdelik: ADE(0) p | 0,560000 | 0,560000 | 0,560000 | 0,0e+00 | ✓ |
| Bootstrap yüzdelik: Toplam etki GA alt | 0,191187 | 0,191187 | 0,191187 | 8,3e−15 | ✓ |
| Bootstrap yüzdelik: Toplam etki GA üst | 0,418800 | 0,418800 | 0,418800 | 5,8e−15 | ✓ |
| Bootstrap yüzdelik: Aracılık oranı (0) GA alt | 0,525434 | 0,525434 | 0,525434 | 2,3e−14 | ✓ |
| Bootstrap yüzdelik: Aracılık oranı (0) GA üst | 1,458296 | 1,458296 | 1,458296 | 9,0e−14 | ✓ |
| Bootstrap BCa: ACME(0) GA alt | 0,180115 | 0,180115 | 0,180115 | 5,1e−15 | ✓ |
| Bootstrap BCa: ACME(0) GA üst | 0,361204 | 0,361204 | 0,361204 | 1,1e−14 | ✓ |
| Bootstrap BCa: ADE(0) GA alt | −0,091671 | −0,091671 | −0,091671 | 2,4e−14 | ✓ |
| Bootstrap BCa: ADE(0) GA üst | 0,185854 | 0,185854 | 0,185854 | 8,7e−15 | ✓ |
| Bootstrap BCa: ADE(0) p | 0,560000 | 0,560000 | 0,560000 | 0,0e+00 | ✓ |
| Bootstrap BCa: Toplam etki GA alt | 0,190850 | 0,190850 | 0,190850 | 1,7e−14 | ✓ |
| Bootstrap BCa: Toplam etki GA üst | 0,418301 | 0,418301 | 0,418301 | 1,0e−14 | ✓ |
| Bootstrap BCa: Aracılık oranı (0) GA alt | 0,564959 | 0,564959 | 0,564959 | 2,1e−14 | ✓ |
| Bootstrap BCa: Aracılık oranı (0) GA üst | 1,622923 | 1,622923 | 1,622923 | 1,1e−13 | ✓ |
X×M etkileşimi:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Etkileşim, QB: ACME(0) | 0,262562 | 0,262562 | 0,262562 | 1,7e−14 | ✓ |
| Etkileşim, QB: ACME(0) GA alt | 0,174133 | 0,174133 | 0,174133 | 1,4e−14 | ✓ |
| Etkileşim, QB: ACME(1) | 0,292432 | 0,292432 | 0,292432 | 2,9e−14 | ✓ |
| Etkileşim, QB: ACME(1) GA alt | 0,191878 | 0,191878 | 0,191878 | 2,6e−14 | ✓ |
| Etkileşim, QB: ADE(0) | 0,038984 | 0,038984 | 0,038984 | 9,9e−16 | ✓ |
| Etkileşim, QB: ADE(0) GA alt | −0,094786 | −0,094786 | −0,094786 | 1,3e−15 | ✓ |
| Etkileşim, QB: ADE(1) | 0,068855 | 0,068855 | 0,068855 | 1,1e−14 | ✓ |
| Etkileşim, QB: ADE(1) GA alt | −0,077558 | −0,077558 | −0,077558 | 1,1e−14 | ✓ |
| Etkileşim, QB: Toplam etki | 0,331416 | 0,331416 | 0,331416 | 2,9e−14 | ✓ |
| Etkileşim, QB: Toplam etki GA alt | 0,198524 | 0,198524 | 0,198524 | 3,0e−14 | ✓ |
| Etkileşim, nokta: ACME(0) | 0,261620 | 0,261620 | 0,261620 | 2,9e−14 | ✓ |
| Etkileşim, nokta: ACME(1) | 0,291856 | 0,291856 | 0,291856 | 4,4e−14 | ✓ |
| Etkileşim, nokta: ADE(0) | 0,039980 | 0,039980 | 0,039980 | 6,7e−14 | ✓ |
| Etkileşim, nokta: ADE(1) | 0,070216 | 0,070216 | 0,070216 | 6,3e−14 | ✓ |
| ACME(1) − ACME(0) | 0,029871 | 0,029871 | 0,029871 | 1,2e−14 | ✓ |
| ACME(1) − ACME(0) GA alt | −0,023939 | −0,023939 | −0,023939 | 1,2e−14 | ✓ |
| ACME(1) − ACME(0) GA üst | 0,081426 | 0,081426 | 0,081426 | 1,3e−14 | ✓ |
| ACME(1) − ACME(0) p | 0,266000 | — | 0,266000 | 0,0e+00 | ✓ |
Duyarlılık analizi ve VanderWeele:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| ACME(ρ = −0,5) | 0,607800 | 0,607800 | 0,607800 | 1,0e−13 | ✓ |
| GA alt (ρ = −0,5) | 0,468930 | 0,468930 | 0,468930 | 8,8e−14 | ✓ |
| GA üst (ρ = −0,5) | 0,746670 | 0,746670 | 0,746670 | 1,2e−13 | ✓ |
| ACME(ρ = 0,0) | 0,264425 | 0,264425 | 0,264425 | 1,9e−14 | ✓ |
| GA alt (ρ = 0,0) | 0,171255 | 0,171255 | 0,171255 | 1,6e−14 | ✓ |
| GA üst (ρ = 0,0) | 0,357595 | 0,357595 | 0,357595 | 2,2e−14 | ✓ |
| ACME(ρ = 0,3) | 0,077382 | 0,077382 | 0,077382 | 1,8e−14 | ✓ |
| GA alt (ρ = 0,3) | −0,002724 | −0,002724 | −0,002724 | 1,4e−14 | ✓ |
| GA üst (ρ = 0,3) | 0,157488 | 0,157488 | 0,157488 | 2,1e−14 | ✓ |
| ACME(ρ = 0,4) | 0,004852 | 0,004852 | 0,004852 | 1,3e−14 | ✓ |
| GA alt (ρ = 0,4) | −0,073923 | −0,073923 | −0,073923 | 1,1e−14 | ✓ |
| GA üst (ρ = 0,4) | 0,083628 | 0,083628 | 0,083628 | 1,5e−14 | ✓ |
| ACME(ρ = 0,5) | −0,078950 | −0,078950 | −0,078950 | 2,2e−14 | ✓ |
| GA alt (ρ = 0,5) | −0,159107 | −0,159107 | −0,159107 | 3,1e−14 | ✓ |
| GA üst (ρ = 0,5) | 0,001208 | 0,001208 | 0,001208 | 1,3e−14 | ✓ |
| ACME = 0 yapan ρ (ızgara) | 0,400000 | 0,400000 | 0,400000 | 0,0e+00 | ✓ |
| R^{2*}_M R^{2*}_Y | 0,160000 | 0,160000 | 0,160000 | 2,8e−17 | ✓ |
| \tilde R^2_M \tilde R^2_Y | 0,030094 | 0,030094 | 0,030094 | 3,8e−17 | ✓ |
| Ara değerli kök | 0,405790 | 0,405790 | — | 1,5e−14 | ✓ (R medsens kök vermez) |
| Etkileşim: ACME(3), ρ = 0 | 0,261620 | 0,261620 | 0,261620 | 2,1e−14 | ✓ |
| Etkileşim: ACME(3) GA alt, ρ = 0 | 0,168799 | 0,168799 | 0,168799 | 2,1e−14 | ✓ |
| VanderWeele NIE | 0,264425 | 0,264425 | — | 4,9e−15 | ✓ (R'de karşılığı kurulu değil) |
| VanderWeele NIE SH (ML) | 0,047428 | 0,047428 | — | 2,4e−14 | ✓ (R'de karşılığı kurulu değil) |
| VanderWeele NDE SH (ML) | 0,069668 | 0,069668 | — | 9,7e−12 | ✓ (R'de karşılığı kurulu değil) |
89 satırın tümü ölçütü karşılar. VanderWeele satırları R'de kurulu bir karşılığı olmadığı için bağımsız Python hesabıyla karşılaştırılmıştır. Etkileşimli modelde R mediate'in kendi nokta kestirimi ADE(0) için 0,039519 verir (MerQur 0,039980): R, aracıyı gözlem başına bir kez çeker ve \theta_3\Delta\cdot\overline{\varepsilon}_M kadar bir benzetim gürültüsü taşır; kesin tümlevle (\overline{\varepsilon}_M=0) R'nin genel hesabı MerQur ile 10^{-13} düzeyinde aynıdır. Kendi rastgele örneklemleriyle mediate (bootstrap, 1000) ACME için [0,174823; 0,356167] verir.
125.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar + duyarlılık, kısaltılmış):
Yöntem: Imai ve ark. (2010) — ACME / ADE
X = attitude · M = intention · Y = behavior
Kovaryatlar (karıştırıcılar): info
n = 220
Karşılaştırma: işlem t₁ = 4, kontrol t₀ = 3
Çıkarım: Monte Carlo (yarı-Bayesçi), 1000 çekim · Güven düzeyi: %95
Aracı üzerinden tümlev: Kesin beklenen değer
── Nedensel aracılık etkileri ──
Etki Kestirim %95 GA alt %95 GA üst p
ACME 0.2651 0.1789 0.3543 <0.0020
ADE 0.0357 -0.1077 0.1738 0.6180
Toplam etki 0.3008 0.1703 0.4226 <0.0020
Aracılık oranı 0.8816 0.5541 1.5474 <0.0020
── Duyarlılık analizi (ardışık yok sayılabilirlik) ──
Karşıtlık: X = 3 → 4 (ana tablodaki karşıtlıkla aynı).
ACME = 0 yapan ρ (ızgarada): 0.40
R²*_M · R²*_Y karşılığı: 0.1600
R̃²_M · R̃²_Y karşılığı: 0.0301
İşaret değişiminden ara değerle kök: ρ = 0.4058
Model R²: aracı = 0.6632, sonuç = 0.4416
── APA 7 ÖZET ──
ACME = 0.265, %95 GA [0.179, 0.354], p < 0.0020
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Karşılaştırma | t_1 ve t_0. | Tüm etkiler bu değişim içindir. |
| ACME / ADE / Toplam / Oran | Etkileşimsiz doğrusal Y'de tek satır; aksi hâlde (kontrol), (işlem), (ortalama) satırları. | ACME'nin GA'sı sıfırı dışlıyorsa aracılık vardır. Oran, ACME ile toplam aynı işaretliyken anlamlıdır. |
| p | Benzetim dağılımından 2\min(\cdot). | 1000 çekilişte en küçük sıfırdan farklı değer 0,002'dir; hiçbir çekiliş sıfırın öbür yanına düşmezse p=0 yazılmaz, çözünürlük sınırı "<2/S" (burada "<0.0020") yazılır. |
| ACME(1) − ACME(0) | Yalnız etkileşimde. | Etkileşim için kanıt. |
| Duyarlılık | ρ ızgarası, ACME = 0 yapan ρ, R^2 çarpımları, ara değerli kök. | |\rho_0| büyüdükçe bulgu ölçülmemiş karıştırıcıya karşı daha sağlamdır. |
| Aracı ve sonuç modelleri | Katsayılar, SH, t/z, p; σ, R^2. | Seçilen kovaryans türüyle. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Tutumun bir puan artışının (3'ten 4'e) sağlık davranışı üzerindeki etkisi, bilgi düzeyi karıştırıcı olarak denetlenerek nedensel aracılık analiziyle ayrıştırıldı (Imai ve ark., 2010; quasi-Bayes Monte Carlo, 1000 çekim; n = 220). Ortalama nedensel aracılık etkisi anlamlıydı, ACME = 0,27, %95 GA [0,18; 0,35], p < 0{,}002; ortalama doğrudan etki anlamlı değildi, ADE = 0,04, %95 GA [−0,11; 0,17], p = 0{,}62. Toplam etki 0,30 (%95 GA [0,17; 0,42]) ve aracılanan oran 0,88 (%95 GA [0,55; 1,55]) idi. Duyarlılık analizine göre ACME, aracı ve sonuç hataları arasındaki ilinti \rho \approx 0{,}41 olduğunda sıfırlanmaktadır (\tilde R^2_M \tilde R^2_Y = 0{,}030).
125.8 Uzman soruları
S1. ACME burada neden Bölüm 122'deki ab ile aynı formülle çıkıyor?
Doğrusal M ve Y'de, X×M etkileşimi yokken karşı-olgusal tanım \delta=\alpha_1\theta_2(t_1-t_0)'a indirgenir. Fark çıkarımdadır: Aracılık panelinin bootstrap GA'sı ile bu panelin quasi-Bayes GA'sı aynı büyüklüğü farklı biçimde belirsizleştirir. Nedensel çerçevenin katkısı, doğrusal olmayan modellerde ve etkileşimde ab'nin tanımsızlaştığı yerde geçerli bir tanım vermesi ve duyarlılık analizidir.
S2. Quasi-Bayes nokta kestirimi neden \hat\alpha_1\hat\theta_2'den farklı?
Nokta kestirimi benzetim ortalamasıdır: \overline{\alpha_1^{(s)}\theta_2^{(s)}}. Bağımsız çekilişlerde beklenen değeri \hat\alpha_1\hat\theta_2'dir; fark (burada 0,0007) Monte Carlo hatasıdır. R mediate de aynı tanımı kullanır. Bootstrap seçilirse nokta kestirimi özgün örneklemin \hat\alpha_1\hat\theta_2'sidir.
S3. "Kesin tümlev" ile R `mediate` neden bazı durumlarda farklı?
R, aracıyı her benzetimde gözlem başına bir kez çeker; bu çekiliş gürültüsü nokta kestirimine ve GA'ya girer. İkili ya da sıralı aracıda GA'lar bu yüzden yaklaşık %7–10 geniş çıkabilir; X×M etkileşiminde doğrusal modelde bile ADE küçük bir gürültü taşır. MerQur'un varsayılanı dağılım üzerinden kesin beklenen değerdir ve yalnız parametre belirsizliğini yansıtır; "Monte Carlo çekilişi" seçeneği R tanımını uygular.
S4. Duyarlılık parametresi ρ nasıl yorumlanmalı?
ρ, aracı ve sonuç modellerinin hataları arasındaki ilintidir; ölçülmemiş bir M–Y karıştırıcısının etkisini özetler. Tek başına "büyük" ya da "küçük" denemez; R^2 çarpımlarıyla bilinen bir karıştırıcının (ör. bilgi düzeyinin) açıkladığı varyansla karşılaştırılmalıdır. Burada \tilde R^2_M\tilde R^2_Y=0{,}030: bilinen kovaryatların gücüyle kıyaslanarak sonucun kırılganlığı değerlendirilir.
S5. Duyarlılık analizi ADE için de yapılabilir mi?
Evet; "Duyarlılık etkisi" doğrudan (ADE) ya da ikisi seçilirse ADE(ρ) da verilir. Etkileşimsiz doğrusal modelde ADE(ρ) =\hat\theta_1(\rho)'dur. Etkileşimli modelde ADE varyansında MerQur, sabit ile kovaryat katsayıları arasındaki kovaryans terimini de içeren tam karesel biçimi kullanır; R medsens bu terimi atladığı için o durumda iki program farklı GA verebilir (causal_mediation_sens.py modül belgesi, 18–24).
S6. Benzetim p'si neden "p<0{,}002" diye yazılır?
Benzetim p'si 2k/S biçimindedir; 1000 çekilişte sıfırdan büyük en küçük değer 0,002'dir. Hiçbir çekiliş sıfırın öbür yanına düşmezse gerçek p sıfır değildir, yalnız bu çözünürlüğün altındadır; benzetimle bulunan p çözünürlüğünden küçük bir değeri iddia edemez (Phipson ve Smyth, 2010). MerQur bu yüzden p=0 ya da "<0{,}0001" yazmaz, "p<2/S" sınırını yazar; daha küçük p için S artırılır.
S7. BCa burada neden Aracılık panelinin BCa'sından farklı?
Bu panel R mediate'in BC.CI tanımını uygular: yanlılık düzeltmesi bootstrap ortalamasına göre, ivme bootstrap dağılımının çarpıklığından. Efron'un BCa'sı ise z_0'ı nokta kestirimine göre ve ivmeyi jackknife ile hesaplar (Aracılık paneli). Simetrik dağılımda ikisi yakındır; çarpık ve yanlı dağılımda farklılaşır. R ile karşılaştırma yapılacaksa bu panelin tanımı R ile aynıdır.
S8. VanderWeele ayrıştırmasının SH'leri neden Imai'ninkinden küçük?
VanderWeele seçeneği delta yöntemini ML kovaryanslarıyla (n paydalı) uygular ve kovaryatları ortalamada değerlendirir; normal kuram GA'sı simetriktir. Imai çıkarımı n-p paydalı OLS kovaryansından çekiliş yapar ve çarpımın çarpıklığını korur. Etkileşimsiz doğrusal modelde nokta kestirimleri aynıdır (NIE = ACME = 0,264425); NIE'nin delta SH'si 0,047428'dir.
125.9 Sık hatalar ve tuzaklar
- Ardışık yok sayılabilirliği "randomizasyon sağlar" sanmak. X rastgele atansa bile M rastgele atanmaz; M–Y karıştırıcısı her zaman olasıdır. Duyarlılık analizi raporlanmalıdır.
- t_0 ve t_1'i düşünmeden bırakmak. Sürekli X'te varsayılan 0 → 1'dir; 0 ölçeğin dışındaysa (burada tutum 1–5) etkileşimli modelde ACME ve ADE anlamsız bir noktada hesaplanır.
- Aracılık oranını negatif ya da 1'i aşan değerlerle yorumlamak. ACME ile ADE zıt işaretliyse oran 0–1 dışına çıkar; GA'sı çok geniştir ve yorumlanmamalıdır.
- Benzetim p'sini çözünürlüğünden küçük raporlamak. 1000 çekilişte "p<0{,}002" yazılır; daha küçük bir sınır iddia edilemez.
- Quasi-Bayes'te BC/BCa seçip uygulandığını sanmak. Quasi-Bayes'te yalnız yüzdelik GA vardır; diğer seçim not yazılarak yok sayılır.
- Bootstrap'ta sağlam/küme kovaryans beklemek. Bootstrap örneklemlerinde model kovaryansı kullanılmaz; seçim not ile yok sayılır.
- Kovaryatları yalnız bir modele koymak istemek. Bu panelde kovaryatlar hem aracı hem sonuç modeline girer; kovaryatın yalnız Y'ye girdiği bir yapı için Aracılık panelinin "Kovaryatların girdiği denklemler" seçeneği kullanılır.
125.10 Kaynaklar
- Imai, K., Keele, L., & Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. https://doi.org/10.1037/a0020761
- Imai, K., Keele, L., & Yamamoto, T. (2010). Identification, inference and sensitivity analysis for causal mediation effects. Statistical Science, 25(1), 51–71. https://doi.org/10.1214/10-STS321
- King, G., Tomz, M., & Wittenberg, J. (2000). Making the most of statistical analyses: Improving interpretation and presentation. American Journal of Political Science, 44(2), 347–361. https://doi.org/10.2307/2669316
- Pearl, J. (2001). Direct and indirect effects. Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence içinde (ss. 411–420). Morgan Kaufmann.
- Phipson, B., & Smyth, G. K. (2010). Permutation p-values should never be zero: Calculating exact p-values when permutations are randomly drawn. Statistical Applications in Genetics and Molecular Biology, 9(1), Article 39. https://doi.org/10.2202/1544-6115.1585
- Robins, J. M., & Greenland, S. (1992). Identifiability and exchangeability for direct and indirect effects. Epidemiology, 3(2), 143–155. https://doi.org/10.1097/00001648-199203000-00013
- Tingley, D., Yamamoto, T., Hirose, K., Keele, L., & Imai, K. (2014). mediation: R package for causal mediation analysis. Journal of Statistical Software, 59(5), 1–38. https://doi.org/10.18637/jss.v059.i05
- Valeri, L., & VanderWeele, T. J. (2013). Mediation analysis allowing for exposure–mediator interactions and causal interpretation: Theoretical assumptions and implementation with SAS and SPSS macros. Psychological Methods, 18(2), 137–150. https://doi.org/10.1037/a0031034
- VanderWeele, T. J. (2014). A unification of mediation and interaction: A 4-way decomposition. Epidemiology, 25(5), 749–761. https://doi.org/10.1097/EDE.0000000000000121
- VanderWeele, T. J., & Vansteelandt, S. (2009). Conceptual issues concerning mediation, interventions and composition. Statistics and Its Interface, 2(4), 457–468. https://doi.org/10.4310/SII.2009.v2.n4.a7