Variabilă Mediatoare - Ce Este? Cum Să Efectuezi Analiza de Mediere în SPSS [Baron & Kenny + PROCESS Macro]

Analiza de mediere este o metodă statistică care te ajută să înțelegi cum și de ce o variabilă independentă afectează o variabilă dependentă. În loc să testezi doar dacă X influențează Y, analiza de mediere explorează mecanismul de bază — variabila mediatoare (M) care transmite efectul de la X la Y.

În acest tutorial complet pentru analiza de mediere în SPSS, vei învăța două metode practice:

1. Metoda Baron & Kenny (cu Sobel Test) — Abordarea tradițională în 3 pași cu regresie
2. Metoda PROCESS Macro (cu bootstrapping) — Standardul modern recomandat pentru cercetare

Set de date pentru practică: Descarcă setul nostru gratuit de date pentru a urma fiecare pas. Setul include trei variabile: Relație (calitatea relației), Reducere (reduceri personalizate primite) și Satisfacție (satisfacția clientului).

Ce Este Analiza de Mediere?

Analiza de mediere (numită și analiză mediator) testează dacă relația dintre o variabilă independentă (X) și o variabilă dependentă (Y) are loc printr-o a treia variabilă numită mediator (M).

Gândește-te astfel: X nu influențează direct Y. În schimb, X influențează M, care apoi influențează Y. Variabila mediatoare servește ca mecanism sau cale prin care X afectează Y.

Exemplu de întrebare de cercetare: „Calitatea relației cu clientul (X) crește satisfacția (Y) pentru că duce la mai multe reduceri personalizate (M)?"

În acest exemplu:

• Variabila Independentă (X): Relație (scorul calității relației)
• Variabila Mediatoare (M): Reducere (procentul de reducere personalizată)
• Variabila Dependentă (Y): Satisfacție (scorul satisfacției clientului)

Înțelegerea Căilor de Mediere

Analiza de mediere examinează patru căi principale:

Calea A: Efectul lui X asupra lui M (Calitatea relației crește reducerile?)

Calea B: Efectul lui M asupra lui Y, controlând pentru X (Reducerile cresc satisfacția?)

Calea C: Efectul total al lui X asupra lui Y (Relația generală înainte de a adăuga mediatorul)

Calea C': Efectul direct al lui X asupra lui Y, controlând pentru M (Relația după adăugarea mediatorului)

Când are loc medierea, efectul direct (C') devine mai mic decât efectul total (C). Dacă C' scade la zero și devine nesemnificativ, ai mediere completă. Dacă C' scade dar rămâne semnificativ, ai mediere parțială.

Diagrama conceptuală a analizei de mediere care arată relația dintre variabilele X, M și Y cu căile A, B, C și C'.

Metoda 1: Abordarea Baron & Kenny

Metoda Baron & Kenny este abordarea tradițională pentru analiza de mediere, dezvoltată de cercetătorii Baron și Kenny în 1986. Această metodă folosește trei analize de regresie separate pentru a testa medierea.

Pasul 1: Testează Efectul Total (Calea C)

Mai întâi, testează dacă X prezice semnificativ Y fără mediatorul în model.

În SPSS:

1. Mergi la Analyze → Regression → Linear
2. Mută Satisfaction (Y) în caseta Dependent
3. Mută Relationship (X) în caseta Independent(s)
4. Click OK

Fereastra de dialog SPSS pentru rularea regresiei liniare pentru testarea Căii C (efectul total).

Ce să cauți:

Statistici cheie pentru interpretarea efectului total în Pasul 1.

Dacă relația dintre X și Y nu este semnificativă (p > 0.05), medierea este improbabilă. Totuși, unii cercetători susțin că poți continua să testezi efectele indirecte.

Output SPSS care arată semnificația efectului total (p = 0.000), indicând că putem continua cu analiza de mediere. Calea C = 0.472 (SE = 0.065).

Pasul 2: Testează Calea A (X → M)

Apoi, testează dacă X prezice semnificativ M.

Diagrama care evidențiază Calea A: efectul lui X (Relationship) asupra lui M (Discounts).

În SPSS:

1. Mergi la Analyze → Regression → Linear
2. Apasă Reset pentru a șterge intrările anterioare
3. Mută Discount (M) în caseta Dependent
4. Mută Relationship (X) în caseta Independent(s)
5. Click OK

Fereastra de dialog SPSS pentru testarea Căii A (X → M).

Ce să cauți:

Statistici cheie pentru interpretarea Căii A în Pasul 2.

Dacă X nu prezice semnificativ M, medierea nu poate avea loc deoarece mediatorul nu este influențat de variabila independentă.

Output SPSS care arată unstandardized coefficient Beta = 0.413 și Std. Error = 0.084 pentru Calea A. Notează aceste valori pentru calcularea efectului indirect.

Pasul 3: Testează Căile B și C' (M → Y și X → Y)

În final, testează dacă M prezice Y în timp ce controlezi pentru X, și dacă efectul direct al lui X asupra lui Y (C') a scăzut.

Diagrama care arată modelul efectului direct cu atât X cât și M prezicând Y (Căile B și C').

În SPSS:

1. Mergi la Analyze → Regression → Linear
2. Apasă Reset pentru a șterge intrările anterioare
3. Mută Satisfaction (Y) în caseta Dependent
4. Mută atât Relationship (X) cât și Discount (M) în caseta Independent(s)
5. Click OK

Fereastra de dialog SPSS pentru testarea Căilor B și C' prin includerea atât a lui X cât și a lui M ca predictori.

Ce să cauți:

Statistici cheie pentru interpretarea Căilor B și C' în Pasul 3.

Output SPSS care arată Beta = 0.733 și Std. Error = 0.043 pentru Calea B (Discount → Satisfaction).

Calcularea Efectului Indirect

În acest moment, ai toți coeficienții necesari pentru a estima efectul indirect:

Calea A = 0.413 (SE = 0.084) — Efectul lui X asupra lui M (Pasul 2)

Calea B = 0.733 (SE = 0.043) — Efectul lui M asupra lui Y, controlând pentru X (Pasul 3)

Calea C = 0.472 (SE = 0.065) — Efectul total al lui X asupra lui Y (Pasul 1)

Calea C' = 0.169 (SE = 0.028) — Efectul direct al lui X asupra lui Y, controlând pentru M (Pasul 3)

Observație cheie: Observă că Calea C' (0.169) este mult mai mică decât Calea C (0.472). Această reducere arată că adăugarea mediatorului (Discount) explică o porțiune substanțială a relației X→Y. Diferența dintre aceste două valori este egală cu efectul indirect: 0.472 - 0.169 = 0.303.

Rezumatul coeficienților de regresie pentru toate căile de mediere. Notă: Calea C' (efectul direct) = 0.169, care este mai mică decât Calea C (efectul total) = 0.472, indicând mediere parțială.

Testarea Semnificației cu Sobel Test (Mediere SPSS)

Pentru a testa dacă efectul indirect este semnificativ statistic, folosește Sobel Test pentru mediere. Deși SPSS nu include Sobel test încorporat, poți folosi un calculator Sobel test online precum quantpsy.org/sobel.

Introdu următoarele valori în calculator și click Calculate:

• a = 0.413 (Beta pentru Calea A)
• b = 0.733 (Beta pentru Calea B)
• s_a = 0.084 (SE pentru Calea A)
• s_b = 0.043 (SE pentru Calea B)

Rezultatele Sobel Test care arată test statistic = 4.724, SE = 0.064 și p-value = 0.0000023.

Rezultate:

• Test statistic = 4.724
• Std. Error = 0.064
• p-value = 0.0000023

Deoarece p < 0.05, efectul indirect este semnificativ statistic.

Estimarea Punctuală a Efectului Indirect:

Calculează efectul indirect înmulțind Calea A × Calea B:

0.413 × 0.733 = 0.303

Aceasta înseamnă că efectul indirect al relației asupra satisfacției prin reduceri este 0.303 la p < 0.001.

Interpretarea Rezultatelor Baron & Kenny

Mediere Completă:

• Calea C este semnificativă (X → Y)
• Calea A este semnificativă (X → M)
• Calea B este semnificativă (M → Y)
• Calea C' nu este semnificativă (X → Y controlând pentru M)

Mediere Parțială:

• Calea C este semnificativă
• Calea A este semnificativă
• Calea B este semnificativă
• Calea C' este încă semnificativă dar mai mică decât Calea C

Fără Mediere:

• Una sau mai multe căi nu sunt semnificative
• Calea C' nu scade în mod semnificativ

Metoda 2: PROCESS Macro pentru Analiza de Mediere în SPSS (Recomandat)

PROCESS Macro pentru SPSS, dezvoltat de Andrew Hayes, este standardul modern pentru rularea analizei de mediere în SPSS. PROCESS oferă estimări mai precise ale efectelor indirecte folosind bootstrapping și calculează automat intervalele de încredere.

Instalarea PROCESS Macro

Înainte de a putea folosi PROCESS, trebuie să îl instalezi în SPSS. Procesul de instalare durează aproximativ 5 minute.

Pentru instrucțiuni detaliate de instalare, vezi ghidul nostru: Cum să Instalezi PROCESS Macro în SPSS.

Rularea Analizei de Mediere cu PROCESS în SPSS

În SPSS:

1. Mergi la Analyze → Regression → PROCESS v5.0 by Andrew F. Hayes
2. Mută Satisfaction (Y) în caseta Outcome Variable (Y)
3. Mută Relationship (X) în caseta Independent Variable (X)
4. Mută Discount (M) în caseta Mediator(s) (M)
5. Selectează Model 4 (modelul simplu de mediere)
6. Bifează „Long variable names" dacă variabilele tale au mai mult de 8 caractere
7. Click Options

Fereastra de dialog PROCESS Macro configurată pentru analiza simplă de mediere folosind Model 4.

În fereastra Options:

1. Bifează „Show total effect model (only models 4, 6, 80, 81, 82)"
2. Bifează „Standardized effect(s) (mediation-only models)"
3. Setează bootstrap samples la 5000 (implicit)
4. Click Continue, apoi OK

Fereastra de opțiuni PROCESS care arată setările recomandate pentru analiza de mediere.

PROCESS va dura câteva secunde să ruleze din cauza calculelor bootstrap.

Înțelegerea Output-ului PROCESS

Output-ul PROCESS oferă rezultate complete pentru toate căile de mediere și efectul indirect.

Rezumatul Modelului

Output PROCESS care arată prezentarea generală a modelului cu variabilele X, Y, M și dimensiunea eșantionului.

Calea A: X → M

Output PROCESS pentru Calea A care arată efect semnificativ (p = 0.000) al lui Relationship asupra lui Discount.

Efectul direct al lui Relationship asupra lui Discount este semnificativ (p < 0.001).

Căile B și C': M → Y și X → Y

Output PROCESS care arată că atât Relationship cât și Discount prezic semnificativ Satisfaction (ambele p = 0.000).

Ambii predictori (Relationship și Discount) afectează semnificativ Satisfaction (ambele p < 0.001).

Efectele Indirecte și Directe

Output PROCESS care arată efectul indirect = 0.303 cu intervalul de încredere bootstrap.

Rezultate cheie:

• Efectul Indirect = 0.303
• Intervalul de Încredere Bootstrap: NU include zero
• Concluzie: Există mediere semnificativă

Interpretarea Rezultatelor PROCESS

Mediere Semnificativă:

• Calea a (X → M) este semnificativă (p < 0.05)
• Calea b (M → Y) este semnificativă (p < 0.05)
• Intervalul de încredere bootstrap pentru efectul indirect NU include zero

Tipul de Mediere:

• Mediere Completă: Calea c' (efectul direct) nu este semnificativă (p > 0.05) SAU intervalul său de încredere include zero
• Mediere Parțială: Calea c' rămâne semnificativă (p < 0.05) ȘI intervalul de încredere nu include zero

Intervalul de încredere bootstrapped este standardul de aur pentru testarea efectelor indirecte. Este mai fiabil decât Sobel test deoarece nu presupune normalitatea distribuției de eșantionare.

Interpretarea Efectului Indirect: Ce Înseamnă?

Găsirea unui efect indirect semnificativ este excelentă, dar trebuie să înțelegi ce îți spune numărul de fapt despre întrebarea ta de cercetare.

Înțelegerea Valorii Efectului Indirect

În exemplul nostru, efectul indirect este 0.303. Iată ce înseamnă aceasta:

Interpretare: Pentru fiecare creștere de 1 unitate în Relație, Satisfacția Clientului crește cu 0.30 unități prin calea Reducerilor. Aceasta este porțiunea din relația totală care operează prin mediator.

Calcularea Proporției Mediate

Pentru a înțelege cât din efectul total operează prin mediator, calculează proporția mediată:

Formula: Proporția Mediată = Efectul Indirect / Efectul Total

În exemplul nostru:

• Efectul Indirect = 0.303
• Efectul Total (Calea C) = 0.169 + 0.303 = 0.472
• Proporția Mediată = 0.303 / 0.472 = 64.2%

Ce îți spune: Aproximativ 64% din relația dintre Relație și Satisfacție operează prin Reduceri. Restul de 36% este efectul direct (clienții cu relații mai bune sunt mai satisfăcuți chiar și fără reduceri suplimentare).

Ghiduri pentru Mărimea Efectului

Cât de mare este un efect indirect de 0.303?

Deși nu există praguri universale, iată câteva ghiduri generale bazate pe cercetarea lui Kenny (2018):

Ghiduri pentru mărimea efectului pentru efecte indirecte standardizate (Kenny, 2018).

În exemplul nostru: Un efect indirect de 0.303 reprezintă un efect mare, însemnând că mediatorul joacă un rol substanțial în transmiterea relației X→Y.

Notă Importantă: Interpretarea mărimii efectului depinde de domeniul tău. În psihologia experimentală, efectele peste 0.20 sunt considerate substanțiale. În cercetarea de afaceri observațională, efectele peste 0.15 sunt notabile. Compară întotdeauna mărimea efectului tău cu studii similare din domeniul tău.

Interpretarea Efectelor Indirecte Negative

Dacă efectul tău indirect este negativ, înseamnă că mediatorul inversează sau suprimă relația X→Y. Aceasta se numește mediere inconsistentă sau supresie.

Exemplu: Dacă X prezice pozitiv M (calea a > 0), dar M prezice negativ Y (calea b < 0), efectul indirect (a × b) va fi negativ. Aceasta înseamnă că mediatorul lucrează împotriva efectului direct.

Ce Se Întâmplă Dacă Intervalul de Încredere Este Foarte Larg?

Un interval de încredere larg (de ex., [0.05, 0.80]) indică:

• Variabilitate ridicată în estimarea efectului tău indirect
• Dimensiune mică a eșantionului (ai nevoie de mai multe date pentru estimări precise)
• Eroare de măsurare în variabilele tale

Soluție: Crește dimensiunea eșantionului sau îmbunătățește fiabilitatea măsurării variabilelor tale. Analiza de mediere necesită putere adecvată—țintește n > 200 pentru estimări stabile.

De Ce Bootstrapping Mediere în SPSS Este Superior Față de Sobel Test

Dacă folosești analiza de mediere pentru publicare, înțelegerea de ce bootstrapping este preferat față de Sobel test este critică.

Problema cu Sobel Test

Sobel test face o presupunere puternică pe care mulți cercetători nu o realizează: presupune că efectul indirect este distribuit normal.

De ce aceasta este problematică:

Efectul indirect este calculat ca a × b (produsul a doi coeficienți de regresie). Când înmulțești două variabile, distribuția rezultată este:

• Asimetrică (nu simetrică)
• Non-normală (mai ales în eșantioane mici)
• Leptokurtică (cu cozi grele)

Cum Rezolvă Bootstrapping Aceasta

Bootstrapping nu presupune normalitate. În schimb:

1. Reeșantionează datele tale de 5.000 de ori (cu înlocuire)
2. Recalculează efectul indirect pentru fiecare reeșantionare
3. Construiește o distribuție empirică a efectului indirect din datele tale reale
4. Calculează un interval de încredere din percentilele 2.5 și 97.5 ale acestei distribuții

Avantajul Cheie: Intervalul de încredere bootstrap se bazează pe distribuția reală a datelor tale, nu pe presupuneri teoretice despre normalitate.

Când Să Folosești Fiecare Metodă

Compararea metodelor de testare a medierii cu cerințele de dimensiune a eșantionului.

Concluzie: Dacă ai date brute, folosește întotdeauna bootstrapping. Sobel test este depășit și acceptabil doar când metodele bootstrap nu sunt disponibile.

Câte Eșantioane Bootstrap?

PROCESS are implicit 5.000 de eșantioane bootstrap. Este suficient?

Recomandări pentru dimensiunea eșantionului bootstrap pentru analiza de mediere.

Recomandare: Folosește 5.000 pentru majoritatea cercetărilor. Crește la 10.000 dacă ai un eșantion mic (n < 100) sau dacă trimiți la un jurnal de top.

Notă Computațională: Mai multe eșantioane bootstrap = timp de calcul mai lung. Pe computerele moderne, 5.000 de eșantioane durează 5-10 secunde, în timp ce 10.000 durează 10-20 de secunde. Această mică investiție de timp merită pentru rezultate mai precise.

Compararea Celor Două Metode

Compararea metodelor Baron & Kenny și PROCESS Macro pentru analiza de mediere.

Ambele metode au produs rezultate similare în exemplul nostru:

• Baron & Kenny: Efectul indirect = 0.303 (Sobel test)
• PROCESS: Efectul indirect = 0.303 (Bootstrap CI)

Raportarea Rezultatelor de Mediere

Când raportezi analiza de mediere în disertația sau lucrarea ta de cercetare, include:

1. Statistici descriptive pentru toate variabilele (medii, SD-uri, corelații)
2. Coeficienții căilor pentru a, b, c și c'
3. Nivelurile de semnificație pentru fiecare cale
4. Mărimea efectului indirect cu intervalul de încredere 95%
5. Tipul de mediere (completă sau parțială)
6. Diagrama vizuală care arată modelul de mediere cu coeficienți

Exemplu de Declarație a Rezultatelor:

„Analiza de mediere folosind PROCESS Model 4 (5.000 de eșantioane bootstrap) a relevat că Reducerea (M) a mediat semnificativ relația dintre Relație (X) și Satisfacție (Y). Efectul indirect a fost semnificativ, ab = 0.30, 95% CI [0.12, 0.54]. Efectul direct al Relației asupra Satisfacției a rămas semnificativ când s-a controlat pentru Reducere (c' = 0.17, p < .001), indicând mediere parțială. Relația a prezis semnificativ Reducerea (a = 0.41, p < .001), iar Reducerea a prezis semnificativ Satisfacția (b = 0.73, p < .001)."

Tabel de Rezultate ale Medierii în Stil APA

Folosește acest șablon pentru a raporta rezultatele de mediere în format APA. Înlocuiește valorile cu coeficienții tăi reali:

Notă. N = 40. Eșantioane bootstrap = 5.000. *SE pentru efectul indirect este eroarea standard bootstrap. IC = interval de încredere.

Titlu Tabel: "Rezultatele analizei de mediere arătând efectul Calității Relației (X) asupra Satisfacției Clienților (Y) prin Reduceri Personalizate (M)."

Versiune Copy-Paste pentru Microsoft Word:

Copiază textul de mai jos și inserează-l în Word. Apoi folosește Tabel → Conversie → Text în Tabel pentru a crea un tabel formatat.

Cale                    Coeficient    SE      t       p         IC 95%
Efect total (c)         0.47          0.07    7.25    < .001    [0.34, 0.60]
Efect direct (c')       0.17          0.03    6.02    < .001    [0.11, 0.23]
Calea a (X → M)         0.41          0.08    4.94    < .001    [0.24, 0.58]
Calea b (M → Y)         0.73          0.04    17.24   < .001    [0.65, 0.82]
Efect indirect (ab)     0.30          0.11*   —       —         [0.12, 0.54]

Notă: SE pentru efectul indirect este eroarea standard bootstrap bazată pe 5.000 de eșantioane.

Considerații Importante

Corelație vs. Cauzalitate: Analiza de mediere este corelațională. Chiar dacă găsești mediere semnificativă, nu poți susține cauzalitatea decât dacă folosești date experimentale cu atribuire aleatorie.

Dimensiunea Eșantionului: Analiza de mediere necesită o dimensiune adecvată a eșantionului. Țintește cel puțin 200 de participanți pentru estimări stabile, deși eșantioane mai mici (n > 100) pot funcționa cu efecte puternice.

Mediatori Multipli: Poți testa mediatori multipli simultan folosind PROCESS. Acest lucru te ajută să înțelegi care mecanisme sunt cele mai importante.

Presupuneri ale Analizei de Mediere

Ca toate metodele statistice, analiza de mediere se bazează pe mai multe presupuneri cheie. Încălcarea acestor presupuneri poate duce la estimări denaturate ale efectului indirect.

1. Liniaritate

Presupunere: Relațiile dintre X→M, M→Y și X→Y trebuie să fie liniare.

Cum se Testează: Creează diagrame de dispersie pentru fiecare relație. Caută pattern-uri curbilinii. Dacă relațiile sunt curbe, consideră:

• Transformarea variabilelor (logaritm, rădăcină pătrată sau termeni polinomiali)
• Folosirea modelelor de mediere neliniare (disponibile în pachete R precum mediation)

Ce Se Întâmplă Dacă Este Încălcată: Efectul indirect va fi subestimat dacă relația adevărată este curbilinie.

2. Absența Confuziei Nemăsurate

Presupunere: Nu există variabile omise care afectează atât M cât și Y (sau atât X cât și M).

Cum se Testează: Această presupunere nu poate fi testată statistic. Trebuie să te bazezi pe:

• Cunoștințe teoretice ale domeniului tău de cercetare
• Includerea variabilelor de control care ar putea confunda relațiile
• Analiza de sensibilitate pentru a evalua cât de robuste sunt rezultatele față de potențialii factori de confuzie

Ce Se Întâmplă Dacă Este Încălcată: Estimarea efectului indirect va fi denaturată. Dacă o variabilă nemăsurată cauzează atât M cât și Y, poți găsi mediere falsă.

3. Precedență Temporală

Presupunere: X trebuie să apară înaintea lui M, iar M trebuie să apară înaintea lui Y.

Cum să Asiguri: Folosește:

• Date longitudinale (măsoară X la Timpul 1, M la Timpul 2, Y la Timpul 3)
• Designuri experimentale cu atribuire aleatorie la X
• Date transversale cu teorie puternică (doar când datele longitudinale nu sunt fezabile)

Ce Se Întâmplă Dacă Este Încălcată: Nu poți face afirmații cauzale. Medierea transversală poate arăta doar pattern-uri statistice, nu mecanisme cauzale.

4. Absența Erorilor de Măsurare

Presupunere: X, M și Y sunt măsurate fără eroare (sau eroarea de măsurare este minimă).

Cum se Testează: Calculează fiabilitatea (alfa Cronbach pentru scale). Țintește α > 0.70.

Ce Se Întâmplă Dacă Este Încălcată: Eroarea de măsurare în M denaturează efectul indirect în jos (bias de atenuare). Aceasta înseamnă că ai mai multe șanse să ratezi efecte reale de mediere.

Soluție: Folosește mediere cu variabile latente (modelare cu ecuații structurale) care corectează erorile de măsurare.

5. Independența Observațiilor

Presupunere: Datele fiecărui participant sunt independente (fără aglomerare sau imbricare).

Ce Se Întâmplă Dacă Este Încălcată: Dacă participanții sunt imbricate (de ex., elevi în școli), erorile standard vor fi prea mici, ducând la semnificație inflată.

Soluție: Folosește modele de mediere multinivel dacă datele sunt aglomerate.

6. Absența Interacțiunii X × M

Presupunere: Efectul lui M asupra lui Y nu depinde de nivelul lui X.

Cum se Testează: Adaugă un termen de interacțiune X × M în modelul tău de regresie care prezice Y. Dacă este semnificativ, ai mediere moderată, nu mediere simplă.

Ce Se Întâmplă Dacă Este Încălcată: Efectul indirect variază pe nivelurile lui X. Trebuie să folosești PROCESS Modelul 7, 8 sau 14 (modele de mediere moderată).

Mediere vs. Moderare: Nu confunda medierea cu moderarea. În mediere, M transmite efectul lui X asupra lui Y. În moderare, M schimbă puterea relației X-Y. Află mai multe: Moderator vs Mediator.

Rezolvarea Problemelor Comune

Eroare "PROCESS command not found"

Problemă: Când rulezi PROCESS, SPSS spune că comanda nu există.

Soluții:

1. Verifică instalarea: Mergi la Analyze → Regression și verifică dacă PROCESS v5.0 by Andrew F. Hayes apare în meniu
2. Reinstalează PROCESS: Descarcă cea mai recentă versiune de pe processmacro.org și urmează instrucțiunile de instalare
3. Verifică sintaxa: Dacă rulezi PROCESS prin sintaxă, asigură-te că folosești formatul corect de comandă pentru v5.0 (sintaxa s-a schimbat de la v4.x)
4. Repornește SPSS: Uneori SPSS necesită repornire după instalare pentru ca PROCESS să apară

Intervalul de Încredere Bootstrap Include Zero

Problemă: Efectul tău indirect nu este semnificativ deoarece CI bootstrap include zero (de ex., [-0.05, 0.23]).

Ce Înseamnă: Nu există dovezi suficiente pentru mediere. Efectul indirect ar putea fi plauzibil zero.

Soluții:

1. Verifică teoria ta: Este medierea plauzibilă teoretic? Poate moderarea sau un mecanism diferit este la lucru
2. Crește dimensiunea eșantionului: Eșantioane mici (n < 100) au putere scăzută de a detecta medierea. Țintește n > 200
3. Îmbunătățește măsurarea: Fiabilitate scăzută (alfa Cronbach < 0.70) atenuează efectele de mediere. Folosește scale validate
4. Verifică supresia: Uită-te la semnele Căii a și Căii b. Dacă au semne opuse, poți avea mediere inconsistentă

Toate Căile Semnificative Dar Efectul Indirect Nu Este

Problemă: Calea a este semnificativă, Calea b este semnificativă, dar CI bootstrap pentru ab include zero.

De Ce Se Întâmplă: Produsul a × b poate fi nesemnificativ chiar când ambele căi sunt individual semnificative. Aceasta apare când:

• Mărimile efectelor sunt mici: Ambele căi sunt slabe (de ex., a = 0.15, b = 0.18), făcând produsul și mai mic (ab = 0.027)
• Variabilitate mare: Una sau ambele căi au erori standard mari
• Dimensiunea eșantionului este insuficientă: Ai nevoie de mai multe date pentru a detecta efectul indirect

Soluții:

1. Crește eșantioanele bootstrap: Încearcă 10.000 de eșantioane pentru o estimare CI mai precisă
2. Verifică eroarea de măsurare: Variabilele nefiabile atenuează efectele indirecte
3. Crește dimensiunea eșantionului: Aceasta este adesea problema primară—țintește n > 200

PROCESS Durează Prea Mult să Ruleze

Problemă: PROCESS rulează câteva minute sau pare înghețat.

Cauze:

• Prea multe eșantioane bootstrap: Dacă ai setat bootstrap > 50.000, va dura mult timp
• Set de date mare: PROCESS încetinește cu seturi de date foarte mari (n > 10.000)
• Model complex: Modelele cu mediatori/moderatori multipli durează mai mult

Soluții:

1. Reduce eșantioanele bootstrap: 5.000 este suficient pentru majoritatea cercetărilor. Folosește doar 10.000 pentru publicare
2. Folosește un eșantion aleatoriu: Dacă n > 5.000, analizează un subset aleatoriu (n = 1.000-2.000) pentru a testa mai întâi modelul
3. Verifică buclele infinite: Dacă PROCESS este cu adevărat înghețat (> 10 minute), forțează închiderea și repornește SPSS

Efectul Indirect Este Negativ Dar Mă Așteptam Pozitiv

Problemă: Modelul tău teoretic prezicea mediere pozitivă, dar ai obținut un efect indirect negativ.

Ce Înseamnă: Ai mediere inconsistentă (supresie). Mediatorul lucrează împotriva efectului direct decât să-l transmită.

Explicații Posibile:

1. Teoria a fost greșită: Mecanismul tău ipotetic nu este corect
2. Semne opuse: Verifică dacă Calea a și Calea b au semne opuse (una pozitivă, una negativă)
3. Variabilă terță: Un factor de confuzie nemăsurat poate crea relații false

Pași Următori:

1. Raportează-l onest: Efectele indirecte negative sunt descoperiri științifice valide
2. Revizuiește teoria ta: Explică de ce mediatorul suprimă decât să transmită efectul
3. Explorează alternative: Consideră dacă măsori mediatorul corect

Path c' Devine Nesemnificativ Dar CI Bootstrap Include Zero

Problemă: Efectul direct (c') devine nesemnificativ după includerea mediatorului, dar efectul indirect nu este semnificativ (CI include zero).

Ce Înseamnă: Nici efectul direct, nici efectul indirect nu sunt semnificative. Aceasta sugerează că:

• Relația originală X→Y poate fi o corelație falsă
• Dimensiunea eșantionului este insuficientă
• Mediatorul nu este cel corect

Soluții:

1. Crește dimensiunea eșantionului: Ai nevoie de mai multă putere pentru a detecta efecte mici
2. Reconsideră teoria: Poate relația X→Y este cauzată de un al treilea factor
3. Testează mediatori alternativi: Mecanismul tău ipotetic poate fi greșit

Output PROCESS Arată Valori Ciudate (NaN, Inf)

Problemă: Output-ul PROCESS afișează NaN (Not a Number) sau Inf (infinit) pentru unii coeficienți.

Cauze:

• Multicolinearitate: X și M sunt foarte puternic corelate (r > 0.90)
• Variabilitate zero: Una dintre variabile nu are variație (toți participanții au aceeași valoare)
• Valori lipsă: Prea multe valori lipsă în date

Soluții:

1. Verifică corelațiile: Rulează Analyze → Correlate → Bivariate pentru a verifica multicolinearitatea
2. Verifică descriptivele: Asigură-te că toate variabilele au variație (SD > 0)
3. Gestionează valorile lipsă: Exclude cazurile cu date lipsă sau folosește imputare

Întrebări Frecvente

Concluzie

Ai învățat două metode pentru rularea analizei de mediere în SPSS:

1. Abordarea Baron & Kenny: Metoda clasică în 3 pași folosind regresii separate (bună pentru a învăța logica)
2. PROCESS Macro: Metoda modernă cu intervale de încredere bootstrapped (cea mai bună pentru cercetare reală)

Pentru disertația sau proiectul tău de cercetare, recomandăm PROCESS Model 4 deoarece oferă rezultate mai precise și mai ușor de apărat prin bootstrapping.

Ține minte: analiza de mediere relevă mecanisme, dar nu dovedește cauzalitatea. Interpretează întotdeauna rezultatele în contextul designului tău de cercetare și cadrului teoretic.

Pași Următori:

• Descarcă setul nostru de date pentru practică (disponibil în bara laterală) și rulează ambele metode singur pentru a-ți consolida învățarea
• Învață analiza de moderare pentru a testa când au loc relațiile: Cum să Efectuezi Analiza de Moderare în SPSS

Referințe

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). New York: Guilford Press.

Sobel, M. E. (1982). Asymptotic intervals for indirect effects in structural equations models. In S. Leinhart (Ed.), Sociological methodology 1982 (pp. 290-312). San Francisco: Jossey-Bass.