Hónap: 2023 április
Az összemosó változókhoz szorosan kapcsolódó téma következik!
A mediációs elemzés hasznos lehet, amikor egy, két változó kapcsolatát vizsgáló, egyszerű modellt kiegészítve egy harmadik változó hatását szeretnénk igazolni. A mediátor változó olyan változó, ami kapcsolatot képez a független, és a függő változó között; valahogy így:
Egyrészt a független változó hatással van a függőre – ez természetes, ez az alapállás egy elemzésben; például az edzés mennyisége hatással van a sprintelés sebességére. Ugyanakkor a test magnézium-ellátottsága, mint mediáló változó, szintén hat a sebességre (minél kevesebb a magnézium, annál rosszabb a teljesítmény); és amitől a magnézium mediátor lesz, az nem más, minthogy az edzés elfogyasztja a szervezetből. Így tehát az edzés közvetetten (a magnéziumszint csökkentésén keresztül) IS hat a sebességre – ezért ha nem vesszük figyelembe egy elemzés során, nem fogjuk a teljes képet látni.
Egy másik példa lehet a következő hármas: matematikai képességek, és a matekszakon továbbtanulás iránti érdeklődés, mint független és függő változók – természetesnek vehetjük, hogy aki jobb matekból, azt jobban érdekli a matek-témájú továbbtanulás. És persze a harmadik változó, a példában a matekkal kapcsolatos önbizalom; ami közvetetten, a matekhoz való tehetség közvetlen hatása mellett, hat arra, vannak -e valakinek matek szakra továbbtanulási szándékai:
Az ábrán látható (a kis csillagok jelzik), hogy a közvetett és a közvetlen hatások is szignifikánsak; vagyis a matekos önbizalom általánosságban véve is (nem csak abban a mintában, amit éppen vizsgálunk) hat a továbbtanulási szándékra.
Mediációs elemzést SPSS-ben is végezhetünk, csak telepíteni kell hozzá az úgynevezett PROCESS makrót.
Összességében tehát ha túl akarunk lépni a gyakran félrevezető kétváltozós elemzéseken, érdemes a mediációs vizsgálatot is elővenni a statisztikai módszereink közül!
Fontos statisztikai alapvetés, hogy a kétváltozós elemzések nagyon félrevezetőek lehetnek,többek között az úgynevezett összemosó változók miatt. Az „összemosódás” egy olyan helyzet, amikor X és Y között a kapcsolat csak látszólagos, és csak azért találjuk meg egy elemzés során, mert egy harmadik változó jár együtt mindkettővel, egyszerre. Klasszikus példa a jelenségre a ráncok és az ősz hajszálak mennyiségének kapcsolata. Minél több a ránca valakinek, annál több az ősz hajszála is? Igen. Ha korrelációt futtatnánk, szoros kapcsolatot találnánk a két változó között? Minden bizonnyal. De mégsem a sok ránc okozza az ősz hajat, és nem is az ősz hajszálak magasabb aránya a több ráncot; hanem mindkettőt egy harmadik -mediátor, vagy itt specifikusabban összemosó változó- az életkor.
Itt van továbbá még a híres „gólya hozza a gyereket” sztori, tudományosan alátámasztva:
Itt az összemosó változó a falusias, vagy városias környezet; az urbanizáltság mértéke! A nagyvárosokban kevesebb a gólya, és átlagosan kevesebb gyereket vállalnak a párok. Érdemes megfigyelni, hogy a grafikon nem „hazudik”. Igaz, hogy minél több a gólya egy településen, annál magasabb a gyerekszám. Mindössze csupán két változó kapcsolatát boncolgatva ritkán látjuk a teljes képet-a világ általában komplexebb ennél.
Ezért minden, szakdolgozó tanítványomnak azt szoktam javasolni, hogy keressenek potenciális összemosó változókat egy-egy, a szakterületükön furcsának, meglepőnek számító, kétváltozós összefüggés mögött.