در جلسه تحلیل پایان‌نامه، ممکن است یک متغیر «کنترلی»، «واسطه» یا «تعدیل‌کننده» نامیده شود، بی‌آنکه روشن باشد در سؤال پژوهش چه نقشی دارد. این نام‌ها مترادف نیستند. سن می‌تواند در یک سؤال مخدوشگر و در سؤال دیگر بخشی از تعریف جمعیت باشد؛ نقش متغیر از جای آن در جدول SPSS یا معنادار شدن ضریب تعیین نمی‌شود. باید فرضیه علمی، ترتیب زمانی و هدف برآورد را روشن کرد.
یک سؤال، سه نقش متفاوت
فرض کنید می‌خواهیم ارتباط فعالیت بدنی با یک پیامد سلامت را بررسی کنیم. برای تعریف نقش‌ها از مثال‌های ساده و آموزشی استفاده می‌کنیم؛ این نمودارها ادعای اثبات رابطه واقعی میان متغیرهای پزشکی نیستند. X مواجهه، Y پیامد، C مخدوشگر، M میانجی و Z تعدیلگر فرضی است.
| نقش | پرسش اصلی | ساختار ساده |
|---|---|---|
| مخدوشگر | آیا عامل دیگری علت مشترک مواجهه و پیامد است؟ | C → X و C → Y |
| میانجی | آیا بخشی از مسیر اثر از این متغیر می‌گذرد؟ | X → M → Y |
| تعدیلگر | آیا اندازه ارتباط یا اثر در سطوح آن متفاوت است؟ | رابطه X با Y در سطوح Z مقایسه می‌شود |
مخدوشگر؛ علت مشترک پیش از مواجهه
در یک سناریوی فرضی، وضعیت سلامت پایه می‌تواند هم بر امکان فعالیت بدنی و هم بر پیامد بعدی اثر بگذارد. اگر آن را نادیده بگیریم، مقایسه افراد فعال و غیرفعال ممکن است بخشی از تفاوت سلامت اولیه را به فعالیت نسبت دهد. کنترل مخدوشگری باید بر دانش موضوعی و ساختار علّی متکی باشد، نه فقط فهرست متغیرهایی که در تحلیل تک‌متغیره P-value کوچک دارند.
ارتباط آماری با مواجهه و پیامد به‌تنهایی برای نامیدن یک متغیر به‌عنوان مخدوشگر کافی نیست. یک متغیر ممکن است پیامد مشترک آن دو یا بخشی از مسیر اثر باشد. همچنین تغییر اندازه ضریب پس از ورود یک متغیر، به‌خصوص در برخی مدل‌های غیرخطی، به‌تنهایی اثبات مخدوشگری نیست. ابتدا باید معلوم باشد کدام اثر، در چه جمعیت و با چه فرض‌هایی هدف است.
میانجی؛ مسیری که اثر از آن می‌گذرد
در فرضیه‌ای دیگر، فعالیت بدنی ابتدا کیفیت خواب را تغییر می‌دهد و کیفیت خواب بر پیامد بعدی اثر می‌گذارد. در این ساختار، خواب میانجی بالقوه است. برای بررسی آن، تقدم زمانی مواجهه، میانجی و پیامد و کنترل عوامل مخدوش‌کننده مسیرهای مربوط اهمیت دارد. اندازه‌گیری همه متغیرها در یک مقطع، به‌خودی‌خود ترتیب زمانی یا جهت اثر را ثابت نمی‌کند.
اگر هدف برآورد اثر کل فعالیت باشد، کنترل خودکار میانجی می‌تواند بخشی از مسیر مورد نظر را حذف کند. اگر هدف اثر مستقیم یا غیرمستقیم است، باید تعریف آن اثر و فرض‌های قوی‌تر تحلیل میانجی‌گری مشخص شوند. اجرای چند رگرسیون و مشاهده کاهش ضریب X برای نتیجه‌گیری قطعی درباره سازوکار کافی نیست. فاصله اطمینان و تحلیل حساسیت نیز جای فرض‌های طراحی را نمی‌گیرند.
تعدیلگر؛ رابطه در چه کسانی یا شرایطی فرق می‌کند؟
فرض کنید ارتباط فعالیت و پیامد در دو گروه سنی متفاوت باشد. این تفاوت می‌تواند با جمله تعامل در یک مدل مناسب بررسی شود. تعدیلگری به معنی قرارگرفتن متغیر در مسیر میان X و Y نیست؛ سؤال درباره تفاوت اندازه رابطه در سطوح Z است.
اینکه نتیجه در یک زیرگروه «معنادار» و در زیرگروه دیگر «غیرمعنادار» باشد، به‌تنهایی اختلاف آن دو را ثابت نمی‌کند. باید تفاوت اثرها مستقیماً و با روش مناسب ارزیابی شود. مقیاس نیز مهم است: تعامل روی مقیاس اختلاف خطر ممکن است با تعامل روی مقیاس نسبت خطر یا نسبت شانس یکسان نباشد. ازاین‌رو نوع مدل و مقیاس تفسیر باید در گزارش دیده شوند.
مثال عددی ساده برای تعامل
فرض کنید میانگین پیش‌بینی‌شده یک نمره فرضی در گروه Z=0، برای X=0 برابر ۴۰ و برای X=1 برابر ۴۳ است؛ اختلاف ۳ واحد می‌شود. در گروه Z=1، دو مقدار فرضی ۵۰ و ۵۸ هستند؛ اختلاف ۸ واحد است. اختلاف دو اختلاف برابر ۵ واحد است. این فقط نمایش مفهوم تعامل روی مقیاس جمعی است؛ بدون داده، خطای استاندارد و طراحی مناسب، نمی‌توان از آن درباره معناداری یا وجود اثر واقعی نتیجه گرفت.
Group Z=0: 43 - 40 = 3
Group Z=1: 58 - 50 = 8
Difference in differences = 8 - 3 = 5
دام مهم؛ کنترل یک برخوردگر
برخوردگر یا collider متغیری است که در یک ساختار ساده، دو پیکان به آن وارد می‌شوند. محدودکردن نمونه یا تعدیل روی چنین متغیری می‌تواند مسیر ارتباطی تازه‌ای باز کند و سوگیری بسازد. بنابراین قاعده «هرچه متغیر کنترلی بیشتر، تحلیل بهتر» معتبر نیست. برای مثال، انتخاب فقط افراد مراجعه‌کننده به یک مرکز ممکن است خودش سازوکار انتخابی داشته باشد؛ باید علت ورود به نمونه بررسی شود.
نمودار علّی قرار نیست واقعیت را از داده استخراج کند؛ فرض‌های پژوهشگر را شفاف می‌کند تا قابل بحث و نقد باشند. بهتر است پیش از تحلیل، نمودار را با استاد راهنما و فرد مسلط به روش‌شناسی مرور و متغیرهای اندازه‌گیری‌نشده را نیز مشخص کنید.
چطور برنامه تحلیل را بنویسیم؟
- سؤال و هدف را دقیق تعریف کنید: توصیف ارتباط، پیش‌بینی یا برآورد یک اثر علّی؟
- برای هر متغیر زمان وقوع و نقش فرضی را ثبت کنید.
- مجموعه تعدیل را با دلیل علمی تعیین کنید و از انتخاب صرفاً داده‌محور فاصله بگیرید.
- اگر میانجی‌گری هدف است، مسیرها، فرض‌ها، اثر مورد نظر و روش عدم قطعیت را مشخص کنید.
- اگر تعامل هدف است، زیرگروه‌ها و مقیاس اثر را از پیش تعریف کنید.
- تحلیل اکتشافی را از تحلیل ازپیش‌تعیین‌شده تفکیک و محدودیت‌ها را گزارش کنید.
در پایان‌نامه چه چیزی گزارش شود؟
به‌جای جمله «سن و جنس کنترل شد»، توضیح دهید چرا این متغیرها وارد مدل شده‌اند، چه نقشی برای آن‌ها فرض شده و چه عواملی در دسترس نبوده‌اند. در تحلیل میانجی‌گری، روش سنجش میانجی، زمان‌ها، اثر مستقیم و غیرمستقیم و فرض‌های شناسایی را بنویسید. راهنمای AGReMA برای گزارش شفاف این تحلیل‌ها مفید است، ولی چک‌لیست گزارش نمی‌تواند طراحی ضعیف را اصلاح کند.
در مدل تعاملی، ضریب اثر اصلی معمولاً برای سطح مرجع یا مقدار صفر متغیر دیگر تفسیر می‌شود. ارائه مقادیر پیش‌بینی‌شده یا نمودار مناسب با فاصله اطمینان می‌تواند فهم را بهتر کند. از جدول طولانی ضرایب بدون توضیح مقیاس و گروه مرجع پرهیز کنید.
برای ادامه، راهنمای رگرسیون خطی و تنظیم سؤال و فرضیه را بخوانید. در مشاوره آنالیز آماری می‌توان برنامه تحلیل را پیش از اجرای مدل بازبینی کرد.
منابع و مطالعه بیشتر
- AGReMA: راهنمای گزارش تحلیل‌های میانجی‌گری.
- ملاحظات مخدوشگری در تحلیل میانجی‌گری.
- چالش‌های عملی و فرض‌های تحلیل میانجی‌گری.
بازبینی محتوایی: ۱۳ آبان ۱۴۰۵. تصویر اصلی، ترکیب‌بندی مفهومی اختصاصی است؛ نمودارها و مثال‌های عددی آموزشی‌اند و داده واقعی پژوهش یا تصویر مستند یک مؤسسه معرفی نشده‌اند.
