STATISTIK-FORUM.de

[Kharn]

Hi, ich soll eine Mediation rechnen.
Der Sinn ist zu gucken, ob der Zusammenhang von Unternehemensgröße mit Gesundheit von bestimmten Arbeitsbedingungen mediiert wird.

UV = Betriebsgröße = Kategorial = klein, mittel , groß
Mediator = Arbeitsbedingung = metrisch = Unternehmensdurchschnitt
AV1 = psychische Gesundheit = metrisch = Unternehmensdurchschnitt
AV2 = körperliche Gesundheit = metrisch = Unternehmensdurchschnitt

Ich arbeite in R.

ich habe mich an dieser Anleitung orientiert:
https://towardsdatascience.com/doing-an ... e423b92171

Erstes Problem ist, das durch die Dummycodierung nie die Beziehung von der Kategorei klein zu irgendeiner Variable ausgegeben wird.
Zweites Probelm wie gehe ich vor, wenn nicht alle Kategorien von Größe signifikant werden, beim Überprüfen der Bedingungen
Das letzte Problem ist der "mediation" Befehl geht nur für eine UV die binär oder metrisch ist.

Erste Frage wie rechne ich die Mediation am besten in R mit der UV mit 3 Kategroien?
Zweite Frage, wie komme ich an Ergebnisse für alle Kategorien der UV?

Ich kenn das Paper von Hayes und Preacher zu multinominalen UV, aber das hilft mir gerade gar nicht bei R
http://quantpsy.org/pubs/hayes_preacher_2014.pdf


Anbei mein R Code

##############################################
############## MEDIATION #####################
##############################################

#############################################
##Schritt 1: UV muss Einfluss haben auf AV ##
############################################

#Totaler Effekt Größe auf psychische Gesundheit
TE_psy <-lm(psyg~Groesse, data = Data_Z6.na)
summary(TE_psy)
#Coefficients:
##############Estimate Std.Error t value Pr(>|t|)
#(Intercept) 7.6267 0.1011 75.405 < 2e-16 ***
#Groessemittel -0.2322 0.1181 -1.967 0.0509 .
#Groessegross -0.6077 0.1512 -4.020 8.8e-05 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Residual standard error: 0.6152 on 166 degrees of freedom
#Multiple R-squared: 0.08958, Adjusted R-squared: 0.07861
#F-statistic: 8.167 on 2 and 166 DF, p-value: 0.000414

#-> nur Gruppe Groß signifikant = Mediation möglich ?


#Totaler Effekt Größe auf körperliche Gesundheit
TE_bod <-lm(bod1~Groesse, data = Data_Z6.na)
summary(TE_bod)
#Coefficients:
##############Estimate Std.Error t value Pr(>|t|)
#(Intercept) 7.9868 0.1244 64.187 < 2e-16 ***
#Groessemittel -0.3643 0.1453 -2.508 0.013101 *
#Groessegross -0.6546 0.1860 -3.520 0.000557 ***
#---
#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Residual standard error: 0.7569 on 166 degrees of freedom
#Multiple R-squared: 0.07133, Adjusted R-squared: 0.06014
#F-statistic: 6.375 on 2 and 166 DF, p-value: 0.00215

#-> signifikant = Mediation möglich



##################################################
##Schritt 2: UV muss Einfluss haben auf Mediator ##
##################################################

#Effekt von Größe auf Arbeitsbedingung
E_G.Q <-lm(quanti~Groesse, data = Data_Z6.na)
summary(E_G.Q)
#-> nicht signifikant = keine Mediation möglich

E_G.H <-lm(Handlungsspielraum~Groesse, data = Data_Z6.na)
summary(E_G.H)
#Coefficients:
############## Estimate Std.Error t value Pr(>|t|)
#(Intercept) 0.3086 0.1139 2.709 0.00746 **
#Groessemittel -0.3570 0.1330 -2.684 0.00802 **
#Groessegross -0.5577 0.1703 -3.275 0.00129 **
#---
#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Residual standard error: 0.693 on 166 degrees of freedom
#Multiple R-squared: 0.06582, Adjusted R-squared: 0.05456
#F-statistic: 5.848 on 2 and 166 DF, p-value: 0.003514

#-> signifikant = Mediation möglich

E_G.T <-lm(Teamgeist~Groesse, data = Data_Z6.na)
summary(E_G.T)
#-> nicht signifikant = keine Mediation möglich

E_G.L <-lm(leader~Groesse, data = Data_Z6.na)
summary(E_G.L)
#-> nicht signifikant = keine Mediation möglich

E_G.A <-lm(Arbeitsplatz~Groesse, data = Data_Z6.na)
summary(E_G.A)
#-> nicht signifikant = keine Mediation möglich

E_G.K <-lm(ka~Groesse, data = Data_Z6.na)
summary(E_G.K)
#-> nicht signifikant = keine Mediation möglich



####################################################################
##Schritt 3: UV hat keinen Einfluss mehr auf AV bei kompletter Mediation ##
## + Mediator hat Einfluss. ##
## UV hat immer noch einen Einfluss auf AV bei teilweiser Mediation##
## + Mediator hat Einfluss. ##
##################################################################


#Effekt von Arbeitsbedingung auf psychische Gesundheit
E_H.psy <-lm(psyg~Groesse+Handlungsspielraum, data = Data_Z6.na)
summary(E_H.psy)
#Coefficients:
###################Estimate Std.Error t value Pr(>|t|)
#(Intercept) 7.52867 0.09681 77.768 < 2e-16 ***
# Groessemittel -0.11889 0.11297 -1.052 0.29414
#Groessegross -0.43063 0.14608 -2.948 0.00366 **
#Handlungsspielraum 0.31751 0.06454 4.920 2.08e-06 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Residual standard error: 0.5763 on 165 degrees of freedom
#Multiple R-squared: 0.206, Adjusted R-squared: 0.1916
#F-statistic: 14.27 on 3 and 165 DF, p-value: 2.586e-08

#--> komplette Mediation bei Mittleren Unternehmen
#--> teilweise Mediation bei Großen Unternehmen


E_H.bod <-lm(bod1~Groesse+Handlungsspielraum, data = Data_Z6.na)
summary(E_H.bod)
#Coefficients:
###################Estimate Std.Error t value Pr(>|t|)
#(Intercept) 7.81361 0.10941 71.414 < 2e-16 ***
#Groessemittel -0.16400 0.12768 -1.284 0.2008
#Groessegross -0.34168 0.16510 -2.070 0.0401 *
#Handlungsspielraum 0.56115 0.07294 7.693 1.24e-12 ***
#---
#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Residual standard error: 0.6513 on 165 degrees of freedom
#Multiple R-squared: 0.3165, Adjusted R-squared: 0.3041
#F-statistic: 25.47 on 3 and 165 DF, p-value: 1.362e-13

#--> komplette Mediation bei Mittleren Unternehmen
#--> teilweise Mediation bei Großen Unternehmen



#########################################
##Schirtt 4: Kausale Mediations Analyse##
#########################################
library (mediation)

#Kausale Mediations Analyse psychische Gesundheit
results.psy = mediate(E_G.H, E_H.psy, treat='Groesse', mediator='Handlungsspielraum', boot=T)
summary(results.psy)
#Causal Mediation Analysis
#Nonparametric Bootstrap Confidence Intervals with the Percentile Method
#############Estimate 95% CI Lower 95% CI Upper p-value
#ACME--------- -0.113 -0.241 -0.02 0.014 *
#ADE------------- -0.119 -0.363 0.14 0.380
#Total Effect--- -0.232 -0.488 0.04 0.096 .
#Prop. Mediated 0.488 -1.493 2.37 0.110
#---
#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Sample Size Used: 169
#Simulations: 1000

#ACME = Indirekter Effekt von UV über Mediator auf AV
#ADE = Direkter Effekt der UV auf die AV
#Total Effect = DIrekter +INdirekter Effekt der UV auf AV
#Prop. Mediated: Anteil des Effekts der von UV durch Mediator geht


#Kausale Mediations Analyse körperliche Gesundheit
results.bod = mediate(E_G.H, E_H.bod, treat='Groesse', mediator='Handlungsspielraum', boot=T)
summary(results.bod)
#Causal Mediation Analysis
#Nonparametric Bootstrap Confidence Intervals with the Percentile Method
#############Estimate 95% CI Lower 95% CI Upper p-value
#ACME-------------0.2003 -0.3793 -0.03 0.020 *
#ADE --------------0.1640 -0.4540 0.13 0.284
#Total Effect-----0.3643 -0.6872 -0.02 0.038 *
#Prop. Mediated 0.5498 0.0505 2.43 0.046 *
#---
#Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#Sample Size Used: 169
#Simulations: 1000

[strukturmarionette]

Hi,

http://www.r-forum.de/

hierzu:

UV = Betriebsgröße = Kategorial = klein, mittel , groß
Mediator = Arbeitsbedingung = metrisch = Unternehmensdurchschnitt
AV1 = psychische Gesundheit = metrisch = Unternehmensdurchschnitt
AV2 = körperliche Gesundheit = metrisch = Unternehmensdurchschnitt

- es stellte sich zumindest die Frage nach korrekter Modellspezifikation
- N?

Gruß
S.

[Holgonaut]

Hi,

1) du verstehst die Hintergründe einer dummy-regression noch nicht ganz. Der Koeffizient, der bei einer level-Ausprägung steht, ist die mittlere Differenz zwischen diesem level und dem intercept, der das Y-Mittel der Referenzgruppe wiederspiegelt. R macht es einem user hier leider zu einfach, da eine Faktor-Variable automatisch in k-1 dummies übersetzt wird. Wenn man die Variable selbst basteln muss, wird einem das klarer.
2) Was ist die Ursprungsmessung der Betriebsgröße? Wenn die metrisch ist und die Kategorisierung später vorgenommen würde, würd ich unbedingt dazu raten, die Ursprungsversion zu benutzen.
3) Du wendest das Baron-Kenny-Modell an, das outdated ist, siehe

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408-420.

Daher würde ich der einfachheit halber das ganze mit eine Pfadmodell in lavaan rechnen wo du über bootstrapping den indirekten Effekt berechnen kannst. Der Schritt von lm() zu sem() ist nur noch ein Klacks, wenn du das eh schon kannst. Tutorials findest du auf lavaan.org

4) Dazu hat ein Regresssionansatz das riesige Problem, dass wegen der Nicht-Möglichkeit, auf 0-fixierte Effekte zu spezifizieren, automatisch ein partielles Mediatormodell drauß wird (ein weiteres Argument für SEM/lavaan). Dadurch machst du aber noch mehr Annahmen und kannst nichts wirklich strukturell testen, als sowieso schon mit der Implikation, dass man alle Effekte drehen könnte und du würdest es nicht merken.

Thoemmes, F. (2015). Reversing arrows in mediation models does not distinguish plausible models. Basic and Applied Social Psychology, 37(4), 226-234. doi:10.1080/01973533.2015.1049351

Grüße
Holger