¿Los análisis de mediación son inherentemente causales?

Estoy interesado en probar un modelo de mediación simple con un IV, un DV y un mediador. El efecto indirecto es significativo según lo probado por la macro SPSS de Preacher y Hayes, lo que sugiere que el mediador sirve para mediar estadísticamente la relación.

Al leer sobre mediación, he leído cosas como "Tenga en cuenta que un modelo mediacional es un modelo causal". - David Kenny . Ciertamente puedo apreciar el uso de modelos de mediación como modelos causales, y de hecho, si un modelo es teóricamente sólido, puedo ver esto como muy útil.

Sin embargo, en mi modelo, el mediador (un rasgo considerado como una diátesis para los trastornos de ansiedad) no es causado por la variable independiente (síntomas de un trastorno de ansiedad). Más bien, el mediador y las variables independientes están relacionadas, y creo que la asociación entre la variable independiente y la variable dependiente puede explicarse en gran medida por la variación entre el IV-mediador-DV. En esencia, estoy tratando de demostrar que los informes anteriores de la relación IV-DV pueden ser explicados por un mediador relacionado que no es causado por la IV.

La mediación es útil en este caso porque explica cómo la relación IV-DV puede explicarse estadísticamente por la relación IV-Mediador-DV. Mi problema es la cuestión de la causalidad. ¿Podría una revisión regresar y decirnos que la mediación no es apropiada porque el IV no causa de hecho al mediador (lo cual nunca habría discutido en primer lugar)?

¿Esto tiene sentido? Cualquier comentario sobre este asunto sería muy apreciado.

Editar : Lo que quiero decir es que X está correlacionado con Y no porque cause Y, sino porque Z causa Y (parcialmente) y porque X y Z están altamente correlacionados. Un poco confuso, pero eso es todo. Las relaciones causales en este caso no están realmente en cuestión y este manuscrito no se trata tanto de causalidad. Simplemente busco demostrar que la varianza entre X e Y puede explicarse por la varianza entre Z e Y. Entonces, básicamente, esa X está correlacionada indirectamente con Y a través de Z (el "mediador" en este caso).

A. "Mediación" significa conceptualmente causalidad (como indica la cita de Kenny). Los modelos de ruta que tratan a una variable como un mediador significan que cierto tratamiento está influyendo en una variable de resultado a través de su efecto en el mediador, variación en la cual a su vez hace que el resultado varíe. Pero modelar algo como un "mediador" no significa que realmente lo seaun mediador: este es el problema de la causalidad. Su publicación y comentario en respuesta a Macro sugieren que tiene en mente un análisis de ruta en el que una variable se modela como mediador pero no se considera "causal"; Sin embargo, no entiendo por qué. ¿Está postulando que la relación es espuria, que hay una tercera variable que está causando tanto la "variable independiente" como el "mediador"? ¿Y quizás que tanto la "variable independiente" como el "mediador" en su análisis son, de hecho, mediadores de la influencia de la tercera variable en la variable de resultado? Si es así, un revisor (o cualquier persona reflexiva) querrá saber cuál es la tercera variable y qué evidencia tiene de que es responsable de las relaciones espurias entre los que en realidad son mediadores.

B. Para extender la publicación de Macro, este es un matorral notorio, cubierto de dogma y escolástica. Pero aquí hay algunos puntos destacados:

1. Algunas personas piensan que solo puede "probar" la mediación si manipula experimentalmente el mediador, así como la influencia que se supone que ejerce el efecto causal. En consecuencia, si hiciera un experimento que manipulara solo la influencia causal y observara que su impacto en la variable de resultado se reflejó en los cambios en el mediador, ¡entonces "no! ¡No es lo suficientemente bueno!" Básicamente, sin embargo, simplemente no creen que los métodos de observación respalden las inferencias causales y los mediadores no manipulados en los experimentos son solo un caso especial para ellos.

2. Sin embargo, otras personas, que no excluyen las inferencias causales de los estudios observacionales, creen que si se utilizan métodos estadísticos realmente muy complicados (incluidos, entre otros, modelos de ecuaciones estructurales que comparan la matriz de covarianza para la relación mediadora postulada con aquellos para varias alternativas), puede silenciar efectivamente las críticas que acabo de mencionar. Básicamente se trata de Baron & Kenny, pero con esteroides. Hablando empíricamente, no los han silenciado; lógicamente, no veo cómo podrían hacerlo.

3. Aún otros, más notablemente, Judea Pearl, dicen que la solidez de las inferencias causales en estudios experimentales u observacionales nunca se puede probar con estadísticas; La fuerza de la inferencia es inherente a la validez del diseño. Las estadísticas solo confirman el efecto que la inferencia causal contempla o depende.

Algunas lecturas (todas las cuales son buenas, no dogmáticas o escolásticas):

• Green, DP, Ha, SE & Bullock, JG Ya es suficiente sobre los experimentos de "caja negra": Estudiar la mediación es más difícil de lo que suponen la mayoría de los académicos. Los Anales de la Academia Americana de Ciencias Políticas y Sociales 628, 200-208 (2010).

• Sobel, ME Identificación de parámetros causales en estudios aleatorizados con variables mediadoras. Journal of Educational and Behavioral Statistics 33, 230-251 (2008) .

• Pearl, J. Una introducción a la inferencia causal. The International Journal of Biostatistics 6, Artículo 7 (2010) .

Por último, pero no menos importante, parte de un interesante intercambio entre Gelman y Pearl sobre la inferencia causal en la que la mediación fue el foco central: http://andrewgelman.com/2007/07/identification/

Causalidad y mediación

• Un modelo de mediación hace afirmaciones teóricas sobre la causalidad.
  • El modelo propone que las IVcausas DVy y que este efecto se explique total o parcialmente por una cadena de causalidad por la cual las IVcausas MEDIATORque a su vez causan el DV.
• El apoyo a un modelo mediacional no prueba la vía causal propuesta.
  • Las pruebas estadísticas de mediación se basan típicamente en estudios observacionales. El rango de interpretaciones causales alternativas es amplio (p. Ej., Terceras variables, direcciones alternativas, reciprocidad, etc.)
  • Normalmente no me persuaden los argumentos (si los hay) presentados por los investigadores que proponen afirmaciones causales implícitas en los modelos de mediación.
• El apoyo a un modelo de mediación puede proporcionar evidencia para complementar otras fuentes de evidencia al construir un argumento para un reclamo causal. En resumen, la correlación no prueba la causalidad, pero puede proporcionar evidencia complementaria.
• A pesar de las limitaciones de las pruebas de mediación en los estudios observacionales, (a) los modelos de mediación son buenos para que los investigadores piensen en las vías causales, y (b) hay mejores y peores formas de redactar modelos de mediación, donde las mejores formas reconocen los matices en la interpretación y brinde una discusión teórica exhaustiva de la evidencia tanto para la vía causal propuesta como para las vías causales alternativas ( vea esta página de consejos que preparé ).
• @ dmk38 ha proporcionado algunas referencias excelentes y una discusión adicional.

Mostrar que una variable explica la predicción de otra variable

• Según su descripción, la mediación NO parece estar alineada con su pregunta de investigación. Como tal, evitaría usar el lenguaje de mediación en sus análisis.
• Según tengo entendido, su pregunta de investigación se refiere a si la predicción de una variable (vamos a llamarla en X1lugar de IV) DVse explica por una segunda variable (vamos a llamarla en X2lugar de MEDIATOR). También puede estar haciendo afirmaciones causales como X2causas, DVpero X1solo está correlacionado con X2y no causa DV.
• Hay varias pruebas estadísticas que pueden ser adecuadas para probar esta pregunta de investigación:
  • Compare el orden cero ( X1con DV) con correlaciones semi-parciales ( X1partiendo X2con DV). Me imagino que el elemento interesante sería el grado de reducción y no tanto la significación estadística (aunque, por supuesto, desearía obtener algunos intervalos de confianza en esa reducción).
  • O de manera similar, compare el R-cuadrado incremental de una regresión jerárquica donde agrega X2en el bloque 1 y X1en el bloque 2 con el R-cuadrado de un modelo con solo X1predicción DV.
  • Imagino también se puede dibujar un diagrama camino que alineado con sus supuestos causales (por ejemplo, las flechas de doble cabeza entre X1y X2y una sola flecha de dos puntas entre X2y DV.

Creo que esas variables de las que está hablando quizás deberían considerarse variables de 'control' si el IV no las causa o moderadores si espera un efecto de interacción. Pruébelo en papel y analícelo en su mente un par de veces o dibuje los efectos hipotéticos.

Quizás un mejor lenguaje, o al menos mucho menos confuso es la correlación espuria. Un ejemplo típico de esto es que el consumo de helado se correlaciona con el ahogamiento. Por lo tanto, alguien podría pensar que el consumo de helado causa ahogamiento. La correlación espuria ocurre cuando una tercera variable "moderadora" es realmente causal con respecto a las dos primeras. En nuestro ejemplo, observamos las ventas de helados y el ahogamiento a tiempo, y nos olvidamos de los efectos estacionales moderados por la temperatura, y, efectivamente, se come más helado cuando hace calor y más personas se ahogan, porque más buscan alivio del calor nadando y comiendo helado. Algunos ejemplos humorísticos .

La pregunta, entonces, se reduce a ¿para qué usaría una correlación espuria? Y resulta que se usan porque la gente no prueba sus teorías. Por ejemplo, la función renal a menudo se "normaliza" a la superficie corporal estimada, según lo estimado por una fórmula de peso y altura.

Ahora, el área de la superficie corporal no hace que se forme orina, y en la fórmula de peso y altura, el peso es causal a través de la ley de Kleiber y la altura en realidad hace que la fórmula sea menos predictiva .

Me encontré con esta publicación en mi propia investigación relacionada con la inferencia causal en el contexto de la genómica. El intento de discernir la causalidad en este dominio a menudo proviene de jugar con la forma en que el código genético de una persona puede considerarse aleatorio (debido a cómo se forman las células sexuales y, en última instancia, se emparejan). Acoplando esto con mutaciones conocidas asociadas tanto con un "mediador" como con una respuesta final, se puede razonar el efecto causal de un mediador en esa respuesta bajo ciertas definiciones de causalidad (que estoy seguro podría provocar un largo debate aquí).

En el caso de que use un modelo de mediación y no reclame causalidad, no podría pensar por qué el crítico argumentaría. Aunque es probable que tenga que descartar si el efecto de mediación que observó está confundido por una tercera variable.

Si está interesado explícitamente en la causalidad, es posible que desee buscar métodos de epidemiología como la aleatorización mendeliana o la " Prueba de inferencia causal ". O comience con el Análisis de variables instrumentales .