Sunteți pe pagina 1din 23

Curs 8 – Analiza de mediere

Lect. univ. dr. Adrian Gorbănescu

8.1 Introducere

De cele mai multe ori, atunci când desfășurăm o cercetare se pornește de la premisa că
între variabile există cauzalitate. Cu alte cuvinte, ne așteptăm să existe o probabilitate mai mică
sau mai mare ca un anumit fenomen să se producă în anumite circumstanțe. Majoritatea
studenților, atunci când trebuie să realizeze un studiu, se gândesc la o cercetare de tip cauzal.
De exemplu, în fiecare an universitar, cel puțin un student dorește să studieze efectul
experiențelor adverse din copilărie (ACE) asupra comportamentului infracțional. Astfel, ei
doresc să studieze în ce măsură persoanele care au fost expuse la experiențe adverse în perioada
copilăriei sunt mai predispuse să aibă probleme cu legea. Mai exact, într-o astfel de cercetare
se presupune că ACE reprezintă un presupus predictor al comportamentului infracțional.
Literatura de specialitate este plină cu cercetări care au studiat relația dintre cele două variabile
(Fagan & Novak, 2017; Wolff et al., 2015).
Acest exemplu de studiu se suprapune cu modelul Stimul (S) – Răspuns (R) dezvoltat de
Woodworth (1928, apud Fuchs & Milar, 2003). Totuși, existența unei relații între două variabile
nu se traduce în existența unui model cauzal între acestea. Așa cum între S și R intervine
organismul (O), care procesează informația venită de la S, este ușor de înțeles faptul că pe lângă
efectul pe care o variabilă îl are asupra alteia, trebuie să cunoaștem și alte variabile care pot
mijloci acest efect sau în ce circumstanțe se produce el. Având ca model exemplul prezentat
mai sus, între ACE și comportamentul infracțional pot apărea și alte variabile cum ar fi: suportul
social, nivelul de școlarizare, consumul de substanțe, tulburări de personalitate etc. În concluzie,
prin intermediul unei cercetări nu este suficient să stabilim dacă există un efect între variabile,
dacă o formă de terapie este mai eficientă decât alte metode în a trata o anumită problemă sau
dacă persoanele care au trecut prin experiențe traumatice în copilărie au o probabilitate mai
mare de a dezvolta o serie de tulburări de personalitate sau de a suferi de stres post-traumatic.
Este la fel de important să înțelegem condițiile în care se produc aceste efecte și cum se
manifestă ele. Contează mecanismul prin care un efect este transmis, contextul sau categoriile
de oameni pentru care efectul există și cei pentru care nu se manifestă acest efect (Hayes &
Rockwood, 2017).
Variabilele mediatoare ocupă un rol central deoarece contribuie la explicarea
fenomenelor psihologice. Medierea este un proces prin care variabila independentă (X)
influențează variabila dependentă (Y). Astfel, variabilitatea lui X determină o variație la nivelul
uneia sau mai multor variabile mediatoare (M), care cauzează, mai departe, variația variabilei
Y. Un exemplu clasic de mediere în psihologie este reprezentat de Teoria Comportamentului
Planificat (Ajzen, 1991). Conform acestei teorii, atitudinea față de un anumit comportament
determină un efect asupra intenției, care, la rândul ei, acționează asupra comportamentului
imediat. De exemplu, conștientizarea consecințelor fumatului pot determina o schimbare a
intenției de a renunța la fumat, care apoi acționează asupra deciziei de a renunța sau nu la fumat.
Conform teoriei învățării sociale (Bandura, 1977), când un copil privește un comportament care
este recompensat, el va produce mai târziu același comportament în aceleași condiții. În
domeniul psihologiei dezvoltării, teoria atașamentului postulează faptul că experiențele adverse
din copilărie conduc la probleme în dezvoltare, iar acestea au ca efect abilități parentale precare.

1
Primii autori interesați de rolul jucat de o altă variabilă în relația dintre X și Y au fost
Hyman (1955) și Lazarsfeld (1955). Totuși, cel mai citat articol care descrie analiza de mediere
este cel al lui Baron și Kenny (1986), în care au dezvoltat pașii analizei de mediere descriși în
lucrările anterioare (Hyman, 1955; Lazarsfeld, 1955).
8.2 Modelul de mediere simplă
Cel mai simplu model de mediere este format dintr-o variabilă independentă (X), o
variabilă mediatoare (M) și o variabilă dependentă (Y) și este prezentat în Figura 8.1. Astfel,
înțelegem că variabila mediatoare este un construct comportamental, biologic, psihologic sau
social care transmite către variabila dependentă efectul pe care îl primește de la variabila
independentă. Cloitre et al. (2018) au analizat într-un studiu rolul mediator al dificultăților în
reglarea emoțională asupra relației dintre ACE și depresie. Conform modelului de mediere,
ACE au un efect asupra dificultăților în reglarea emoțională, care, la rândul lor, au un efect
asupra depresiei. Cu alte cuvinte, ne așteptăm ca un număr ridicat al experiențelor adverse din
copilărie să determine apariția dificultăților la nivelul reglării emoționale, iar acestea din urmă
să conducă spre depresie.

X Y

Figura 8.1 – Reprezentarea grafică a modelului de mediere

Acest model de mediere conține: a) două variabile dependente (M și Y), care primesc
efectul variabilei X; b) două variabile independente (X și M) care au un efect asupra variabilei
Y. Astfel, variabila independentă exercită un efect asupra variabilei dependente prin
intermediul mediatorului. Cea mai cunoscută metodă de a testa efectul de mediere a fost
propusă de Baron și Kenny (1986) și are la bază principiile analizei de regresie. Metoda propusă
de ei este cunoscută sub numele de Metoda pașilor cauzali (causal steps approach) și are ca
obiectiv să determine dacă M poate fi considerată o variabilă mediatoare a efectului lui X asupra
lui Y. Ei au descris o serie de pași și criterii care trebuie îndeplinite pentru a stabili relația de
mediere. Dacă aceste criterii sunt îndeplinite se va stabili prin intermediul coeficienților de
regresie ai lui X și M obținuți în trei modele de regresie. În două dintre aceste modele Y are rol
de variabilă dependentă, iar în unul dintre ele M joacă rolul de criteriu. Cele trei criterii care
trebuie îndeplinite sunt:

1. Între variabila independentă (care poate fi atât dihotomică, cât și de tip continuu) și
variabila dependentă (care trebuie să fie de tip continuu) trebuie să existe o relație
semnificativă statistic. Relația existentă între X și Y este notată cu litera c și poartă
denumirea de efect total (efectul pe care îl are X asupra lui Y atunci când mediatorul
nu este ținut sub control). Calea c este dată de coeficientul ecuației de regresie X → Y.

2
2. A doua condiție constă ca între X și M (care trebuie să fie de tip continuu) să existe o
relație semnificativă statistic. Această relație ne indică calea a și este obținută prin a
calcula coeficientul ecuației de regresie X → M.
3. Următoarea condiție solicită existența unei relații semnificative statistic între M și Y
atunci când X este controlat statistic. În acest pas se folosește o analiză de regresie
multiplă în care X și M au rol de variabilă independentă. Coeficientul obținut pentru
relația M → Y indică calea b, iar coeficientul de regresie obținut pentru relația X → Y
este calea c’ (efectul direct). Noțiunea de „c prim” provine ca urmare a faptului că în
prezența mediatorului doar o parte din efectul lui X asupra lui Y se transmite în mod
direct. Prin efect direct înțelegem efectul pe care îl are X asupra lui Y atunci când M
este ținut sub control.

c
X Y

a b

X c’ Y

Figura 8.2 – Reprezentarea grafică a efectelor testate în analiza de mediere


Dacă cele trei condiții sunt îndeplinite, iar efectul lui X asupra lui Y este mai apropiat de
0 în situația în care variabila M este ținută sub control comparativ cu efectului lui X asupra lui
Y când M nu este controlat statistic, putem afirma că M poate juca rol de mediator în relația
dintre X și Y. Cu alte cuvinte, M are rol de mediator atunci când efectul direct este mai mic
decât efectul total (c’ < c) (Hayes & Rockwood, 2017). Atunci când c’ este semnificativ statistic
vom concluziona că avem o mediere parțială. În situația în care c’ este nesemnificativ statistic
avem o mediere totală (Little et al., 2007). Deoarece comportamentul unei persoane poate fi
rezultatul unei varietăți largi de cauze, să considerăm că un singur mediator explică total relația
dintre variabila independentă și cea dependentă, de cele mai multe ori, este nerealistic (Judd &
Kenny, 1981).
Figura 8.2. evidențiază faptul că efectul lui X asupra lui Y se transmite pe două căi: a) pe
calea c’ (efectul direct); b) pe traiectoria X → M (calea a) și pe traiectoria M → Y (calea b).
Efectul transmis prin intermediul mediatorului se numește efect indirect (a*b). Efectul total se
obține ca sumă dintre efectul direct și efectul indirect (c = c’ + a*b).
Coeficienții ecuațiilor de regresie pot fi obținuți utilizând procedurile existente în cadrul
softurilor de analiză statistică (de exemplu: SPSS, JAMOVI, JASP, STATA etc) sau prin

3
intermediul programelor de modelare a ecuației de structură (SEM). De asemenea, Hayes
(2013) a conceput PROCESS, un program care testează 76 de modele și este compatibil cu
SPSS și SAS. Versiunea actualizată a PROCESS (Hayes, 2018) analizează 92 de modele.
În cazul analizei de mediere ipoteza de nul susține că efectul indirect este egal cu 0. În
concluzie, un model de mediere este confirmat atunci când efectul indirect este diferit
semnificativ față de 0. Atunci când testăm medierea utilizând metoda clasică propusă de Baron
și Kenny (1986) suntem tentați să considerăm că dacă a și b sunt semnificativ diferiți de 0,
atunci și produsul a*b va fi semnificativ diferit de 0. Conform lui Hayes și Rockwood (2017)
acest raționament este greșit, deoarece efectul indirect este cuantificat de a*b. Adică, a*b
cuantifică cu cât se modifică Y, prin intermediul lui M, atunci când X se modifică cu o unitate.
Nici a și nici b nu pot cuantifica acest efect. PROCESS (Hayes 2013, 2018) dispune de un test
care verifică dacă efectul indirect este semnificativ diferit de 0. De asemenea, el afișează și
intervalul de încredere al efectului indirect. Atunci când acesta nu îl cuprinde pe 0 înțelegem că
efectul de mediere este semnificativ statistic.
Modelele care cuprind un singur mediator ilustrează medieri simple. În situațiile în care
există cel puțin doi mediatori discutăm despre mediere multiplă. Acestea din urmă pot
surprinde mediatori între care există o relație semnificativă statistic, dar și mediatori care nu
relaționează între ei.
Pentru a putea testa un model de mediere, conform lui Baron și Kenny (1986) trebuie să
existe o relație semnificativă între X și Y. Cu alte cuvinte, efectul total trebuie să fie
semnificativ statistic. Mulți cercetători cred că un efect de mediere nu are cum să existe atât
timp cât nu există efectul total. Această problemă provine din credința greșită că efectul direct
este întotdeauna cea mai bună estimare a efectului lui X asupra lui Y. Concret, eroarea provine
din interpretarea faptului că dacă c = 0, înseamnă că X nu are efect asupra lui Y. Dar c = 0 este
doar un rezultat obținut prin adunarea tuturor căilor de influență dintre X și Y (Hayes &
Rockwood, 2017). Așa cum spunea Bollen (1989) „corelația nu este necesară și nici suficientă
pentru cauzalitate” (p. 52). De exemplu, efectul mediat al lui X asupra lui Y poate fi pozitiv, iar
efectul direct dintre X și Y ar putea fi negativ. Dacă cele două efecte au aceeași mărime și semn
opus, atunci efectul total este 0. Într-o astfel de situație variabila mediatoare poartă denumirea
de variabilă supresoare. Într-un studiu realizat de Seehaus, Clifon și Rellini (2015) a fost
descoperit un efect de mediere chiar dacă efectul total era nesemnificativ statistic. Mai exact,
efectul total dintre coeziunea familiei în care a crescut persoana nu are un efect semnificativ
asupra satisfacției sexuale la vârsta adultă. În momentul în care a fost introdusă variabila
mediatoare (abuzurile din copilărie) s-a descoperit un efect indirect pozitiv (0.16) și un efect
direct negativ (-0.19). În ultima perioadă, tot mai mulți autori care scriu despre analiza de
mediere au adoptat perspectiva lui Bollen (Cerin & MacKinnon, 2009; Hayes & Rockwood,
2017; MacKinnon, 2008). În concluzie, în conformitate cu perspectivele moderne, nu este
necesară existența unei asocieri semnificative între X și Y pentru a testa efectul de mediere.

8.3 Variabile confundate și variabile supresoare

Noțiunea de variabilă confundată a fost dezvoltată, în principal, în contextul științelor din


domeniul sănătății și al cercetărilor epidemiologice. O variabilă care corelează cu alte două
variabile și în mod fals atenuează sau accentuează relația dintre ele se numește variabilă
confundată (Meinert, 1986). Acest tip de variabilă reprezintă o adevărată amenințare la adresa
validității interne a studiului. Nu este o regulă ca variabila confundată să fie o „conexiune” între
X și Y, așa cum este variabila mediatoare. De asemenea, spre deosebire de mediere, în cazul

4
variabilei confundate nu este necesară relația cazuală între variabile (MacKinnon, Krull, &
Lockwood, 2000). De exemplu, faptul că există o asociere între timpul petrecut de copii în fața
televizorului și greutate, nu se poate traduce în faptul că timpul excesiv petrecut în fața
televizorului cauzează probleme cu greutatea. Probabil, părinții care nu își încurajează copiii să
adopte un stil de viață sănătos au o probabilitate mult mai mare de a-i hrăni pe copii cu alimente
bogate în grăsimi și calorii decât să îi încurajeze să facă sport sau să îi implice în alte tipuri de
comportamente care sunt mai sănătoase pentru corp comparativ cu uitatul la televizor. Astfel,
nu este obligatoriu ca abuzul de televiziune să cauzeze probleme de greutate copiilor.
Comportamentul părinților poate influența atât timpul petrecut în fața televizorului, cât și
alimentația sănătoasă a copilului. În concluzie, atitudinea părinților față de stilul de viață
sănătos este variabila confundată, făcând dificilă asumpția că timpul crescut petrecut în fața
televizorului va genera creșterea greutății (Brown, Nicholson, Broom, & Bittman, 2001, apud
Hayes, 2018). Un alt exemplu este reprezentat de vârstă care joacă rol de variabilă confundată
în relația dintre nivelul salarial și frecvența cazurilor de cancer. Persoanele cu vârsta crescută
au o probabilitate mai mare de a câștiga mai mulți bani, iar, în același timp, sunt mai predispuși
în a se îmbolnăvi de cancer. Așadar, venitul salarial și frecvența cazurilor de cancer corelează
prin intermediul unei variabile confundate – vârsta (MacKinnon et al., 2000). Așa cum se poate
observa în Figura 8.3, existența unei variabile confundate între X și Y are o reprezentare grafică
asemănătoare cu cea de la modelul de la mediere, deosebirea constând în faptul că săgeata dintre
VI și variabila confundată are sensul schimbat.

Variabilă
Confundată

X Y

Figura 8.3 – Reprezentarea grafică a modelului cu o singură variabilă confundată

De cele mai multe ori în contextul analizei de mediere, controlul statistic al variabilei
mediatoare rezultă într-o scădere a intensității relației dintre variabila independentă și cea
dependentă. Acest lucru se întâmplă deoarece mediatorul explică o parte sau toată relația dintre
X și Y, deoarece el este calea prin care variabila independentă ajunge la cea dependentă. Cu
toate acestea, există situații în care controlul unei variabile mediatoare are ca efect creșterea
relației dintre X și Y. Un astfel de mediator se numește variabilă supresoare. Efectul
variabilelor supresoare este mult mai intens discutat în contextul studiilor educaționale și a
evaluării psihologice. Conger (1974, pp. 36-37) definește variabila supresoare ca fiind „o
variabilă care prin introducerea ei în ecuația de regresie crește validitatea predictivă a unei
variabile (sau set de variabile)”, validitatea predictivă fiind estimată prin mărimea coeficientului
de regresie. Un exemplu clasic de efect supresor este descris de Horst (1941, apud MacKinnon
et al., 2000) într-un studiu referitor la predicția performanței piloților de către abilitățile

5
mecanice și cele verbale. Atunci când abilitățile verbale au fost introduse în modelul de
predicție al performanței piloților, puterea de predicție a abilităților mecanice asupra
performanței a crescut. Acest lucru se datorează faptului că abilitățile verbale explică
variabilitatea capacităților mecanice. Mai exact, abilitatea mecanică solicită abilitățile verbale
pentru a citi și înțelege instrucțiunile din cadrul testării. În cadrul unui model de mediere, un
efect supresor este prezent atunci când efectul mediat și efectul direct au semn opus (Tzelgov
& Henik, 1991).

8.4 Identificarea mediatorilor


Analiza de mediere este foarte des utilizată în domeniul cercetării psihologice. Folosind
baza de date a celor de la ScienceDirect pentru a căuta articole ce conțin în titlu termenul
„mediere”, publicate în jurnale indexate ISI cu factor de impact, din domeniul Psihologiei și
care au citat cel mai cunoscut articol al metodelor de mediere, Baron și Kenny (1986), pentru
ultimii 10 ani au fost identificate 613 articole. Utilizarea la un nivel din ce în ce mai ridicat a
analizei de mediere în cercetarea psihologică ridică o problemă – alegerea variabilelor
mediatoare. Așa cum am menționat și în prima parte a acestui capitol, variabila mediatoare
trebuie să fie „capabilă” să preia efectul lui X și să îl transmită mai departe către Y. Astfel,
variabila mediatoare este un construct tranzitoriu, care își poate schimba intensitatea în funcție
de context. În general, constructele psihologice stabile, cum ar fi trăsăturile de personalitate
(Nevrotismul, Extraversia, Conștiinciozitatea), nu pot fi utilizate ca predictori. MacKinnon
(2008) descrie șase metode prin care putem obține modele de mediere robuste:
a) Intuiția – este cea mai accesibilă resursă de care dispune un cercetător. Plecând de la
un model cu o variabilă independentă și o variabilă dependentă, cercetătorul analizează
care ar putea fi variabilele care ar putea primi un efect din partea lui X pentru a-l
transmite mai departe către Y. De exemplu, dacă analizăm relația dintre ACE și
depresie, un posibil mediator ar putea fi reziliența. În mod specific, un nivel crescut al
ACE are ca efect scăderea rezilienței, iar acesta, la rândul ei, are un efect asupra
depresiei. La fel de bine, am putea utiliza ca mediator și alte variabile: reglarea
emoțională, suportul social sau simptomele traumatice.
b) Metode calitative – grupuri de discuții în care pot fi analizate variabilele care fac
obiectul cercetării.
c) Analiza literaturii de specialitate – presupune identificarea articolelor sau meta-
analizelor care au studiat relația dintre variabilele a căror relație urmează să fie analizată.
Astfel, sunt identificate variabilele care pot intermedia relația dintre variabila
independentă și cea dependentă.
d) Analiza teoriilor existente – de exemplu, teoria comportamentului planificat (Ajzen,
1991) sau teoria depresiei formulată de Lewinsohn (1974). Potrivit acestei teorii, lipsa
satisfacțiilor în principalele domenii ale vieții determină reducerea nivelul de
funcționare, iar aceasta conduce spre depresie.
e) Identificarea variabilelor care corelează cu variabila dependentă – cu scopul de a
descoperi variabile care pot avea un efect asupra variabilei dependente, unele dintre ele
putând juca și rol de mediator.
f) Analiza cercetărilor anterioare care au testat modele de mediere – de obicei,
mediatorii cei mai buni au fost testați în cercetări anterioare. Metoda de a proiecta
designuri de cercetare pe baza mediatorilor verificați în alte studii este destul de uzuală.

6
8.5 Analiza de mediere cu SPSS
Mai jos vom descrie pașii prin care putem testa un model de mediere utilizând softul
SPSS. Astfel, să ne imaginăm că dorim să studiem rolul mediator al dificultăților în reglarea
emoțională (DERS) asupra relației dintre experiențele adverse din copilărie (ACE) și depresie.
Mai exact, experiențele adverse din copilărie au un efect asupra dificultăților în reglarea
emoțională, iar acestea din urmă vor avea determina variabilitatea depresiei. Aceste variabile
au fost măsurate în cadrul unui studiu realizat pe 245 de participanți (42 de bărbați și 203 femei).
Având în vedere condițiile care trebuie îndeplinite pentru a testa un model de mediere
(Baron & Kenny, 1986) vom analiza coeficienți de corelație dintre variabilele incluse în model.
Astfel, între ACE și DERS există o corelație semnificativă statistic (r = 0.305, p < 0.001),
corelația dintre ACE și depresie este de intensitate medie (r = 0.498, p < 0.001), iar corelația
dintre DERS și depresie este, de asemenea, semnificativă statistic (r = 0.613, p < 0,001).
În primul pas va fi calculat efectul total, reprezentat de efectul ACE asupra depresiei fără
a ține sub control variabila DERS (calea c). În acest sens, vom aplica analiza de regresie liniară
(Analyze → Regression → Linear). În secțiunea Independent(s) vom muta variabila ACE, iar
în zona Dependent vom adăuga variabila Depresie. Rezultatele obținute ne indică faptul că ACE
explică aproximativ 25% din varianța depresiei (R2 = 0.284, p < 0.001). Din tabelul Coefficients
vom prelua coeficientul ecuației de regresie pentru relația ACE → Depresie, a cărui valoare
este 7,699 (t(243) = 8.946, p < 0,001). În concluzie, c = 7,699.

Figura 8.4 – Rezultatele analizei de regresie pentru efectul ACE asupra depresiei
În pasul al doilea este calculată calea a, efectul pe care îl are variabila ACE asupra
variabilei DERS. Precum în pasul anterior, folosind analiza de regresie liniară simplă vom
obține coeficientul corespunzător pentru calea a. Setările sunt similare cu cele din primul pas,
cu excepția faptului că în secțiunea Dependent va fi introdusă variabila DERS. Rezultatele
obținute ne indică faptul că ACE explică aproximativ 9% din varianța DERS (R2 = 0.093, p <
0.001), iar coeficientul ecuației de regresie este egal cu 3,857 (t(243) = 4.986, p < 0,001). Acest
rezultat se traduce prin faptul că a = 3,857.

7
Figura 8.5 – Rezultatele analizei de regresie pentru efectul ACE asupra DERS

În ultimul pas vom aplica analiza de regresie pentru a afla coeficienții pentru ultimele
două căi ale modelului de mediere – calea b, respectiv calea c’. Calea b ne va indica efectul
DERS asupra depresiei, iar calea c’ ne va indica efectul direct (efectul ACE asupra depresiei
atunci când variabila DERS este controlată statistic). În zona Independent(s) vor fi introduse
variabilele ACE și DERS, iar în secțiunea Dependent va fi introdusă variabila Depresie.
Rezultatele obținute ne indică faptul că ACE și DERS explică aproximativ 48% din varianța
depresiei (R2 = 0.482, p < 0.001). Din tabelul Coefficients, de pe linia DERS vom citi valoarea
coeficientului pentru relația DERS → Depresie (calea b). Astfel, putem observa faptul că pentru
calea b coeficientul este egal cu 0.621 (t(242) = 10.465, p < 0.001). Linia ACE ne indică efectul
direct (calea c’) care este egal cu 5.304 (t(242) = 7,060, p < 0.001). Acest ultim rezultat, prin
faptul că este semnificativ statistic, ne indică faptul că avem DERS mediază parțial relația dintre
ACE și depresie.

Figura 8.6 – Rezultatele analizei de regresie pentru efectul ACE și DERS asupra depresiei

8
În urma aplicării analizei de regresie pentru cele trei căi ale modelului de mediere simplă
am obținut următorii coeficienți: a = 3.857, b = 0.621, c’ = 5.304 și c = 7.699. Calculând
produsul dintre a și b putem obține efectul indirect (a*b). Prin urmare a*b este egal cu
3.857*0.621, ceea ce înseamnă că efectul indirect este 2.395. Astfel, două persoane care diferă
la nivelul ACE cu o unitate vor avea o diferență la nivelul depresiei de 2.395 unități, în condițiile
în care un scor mare al experiențelor adverse va determina mai multe dificultăți în reglarea
emoțională (a este pozitiv), care la rândul lor, de traduc într-un nivel mai mare al depresiei (b
este pozitiv). Calculând efectul indirect prin metoda pașilor cauzali (Baron & Kenny, 1986) nu
putem obține și semnificația statistică a acestuia.
Efectul direct (c’ = 5.304) ne indică faptul că două persoane care au același nivel al
DERS, dar care diferă la nivelul ACE cu o unitate vor avea o diferență la nivelul depresiei de
5.304 unități. Coeficientul este pozitiv, ceea ce înseamnă că persoana care are un scor ACE mai
mare, dar cu același nivel al DERS, va avea un nivel al depresiei cu 5.304 unități mai mare. Așa
cum se poate observa în tabelul din Figura X.6, efectul direct este semnificativ statistic.
Efectul direct (c = 7.699) al ACE asupra depresiei arată că două persoane care diferă la
nivelul ACE cu o unitate vor avea o diferență la nivelul depresiei de 7.699. Efectul fiind pozitiv,
un scor ace mai mare cu o unitate se traduce într-un scor al depresiei mai mare cu 7.699 unități.

c = 7.699
X Y

a = 3.857 b = 0.621

X c’ = 5.304 Y

Figura 8.7 – Efectul mediator al DERS asupra relației dintre ACE și Depresie sub forma
diagramei statistice
Cei mai mulți cercetători calculează raportul a*b/c (efectul indirect/efectul total) pentru a
estima mărimea efectului în analiza de mediere și interpretează rezultatul obținut ca proporție
sau ca procent al efectului mediat al lui X asupra lui Y (Boden, John, Goldin, Werner,
Heimberg, & Gross, 2012; Manuel & Wade, 2013; McLean, Yeh, Rosen, & Foa, 2015). Pentru
exemplul prezentat mai sus, a*b/c = 0.3111. Prin înmulțirea rezultatului obținut cu 100
înțelegem că 31.11% din efectul ACE asupra depresiei este mediat de variabila DERS.
8.6 Mărimea efectului
Interpretarea mărimii efectului în cazul analizei de mediere ca proporție sau ca procent
este limitată la faptul că rezultatul raportului trebuie să fie cuprins între 0 și 1. Deoarece efectul

9
total (c) nu este întotdeauna mai mare decât efectul indirect (a*b) și uneori cele două efecte
chiar au chiar semn opus, Hayes și Rockwood (2017) nu recomandă interpretarea raportului
a*b/c ca procent sau ca proporție, deoarece rezultatul acestui raport nu este cuprins doar între 0
și 1, putând fi orice număr real (de exemplu, 1.232). În plus, rezultatul acestui raport nu poate
fi interpretat fără existența limitelor intervalului de încredere.
Un alt minus al raportului a*b/c este reprezentat de faptul că, de cele mai multe ori,
variabilele incluse în modelul de mediere unități de măsură diferite. De asemenea, ceea ce ar
putea fi interpretat de către un cercetător ca un procent ridicat al efectului de mediere, ar putea
fi interpretat cu totul diferit într-un alt context sau de către un alt cercetător.
Cuantificarea mărimii efectului în analiza de mediere este un subiect în evoluție.
MacKinnon (2008) sugerează utilizarea efectului parțial standardizat, iar Preacher și Kelley
(2011) propun calcularea efectului complet standardizat. Mărimea efectului parțial
standardizată presupune raportarea unui efect la abaterea standard a variabilei Y, conferindu-i
astfel o interpretare mai clară. De exemplu, efectul direct calculat în exemplul de mai sus este
c = 5.304. Acest rezultat ne informează că în cazul în care două persoane există o diferență de
o experiență adversă în copilărie și având același nivel al dificultăților în reglarea emoțională,
între ei există o diferență de 5.304 puncte la nivelul depresiei. Dar ce înseamnă 5.304 puncte
pentru depresie? Este o diferență care să indice un nivel mult mai mare al depresiei sau este o
diferență neglijabilă? Dacă scorurile variabilei depresie ar varia între 0 și 100, atunci diferența
de 5.304 puncte nu ar fi foarte importantă, comparativ cu situația în care scorurile depresiei ar
fi cuprinse între 0 și 20. Mai jos prezentăm formulele de calcul pentru mărimea efectului parțial
standardizată și mărimea efectului complet standardizată pentru efectul indirect.
𝑎∗𝑏
𝑎𝑏𝑝𝑠 = , unde:
𝑆𝐷𝑌
Formula 8.1 – Mărimea efectului parțial standardizată a efectului indirect
• abps – reprezintă mărimea efectului parțial standardizată a efectului indirect.
• a*b – indică efectul indirect.
• SDY – este abaterea standard a variabilei Y.
În cazul nostru, abaterea standard a depresiei este SDY = 29.666. Introducând datele în
formula de mai sus obținem următorul rezultat:
𝑎∗𝑏 2.395
𝑎𝑏𝑝𝑠 = → 𝑎𝑏𝑝𝑠 = → 𝑎𝑏𝑝𝑠 = 0.0807
𝑆𝐷𝑌 29.666

Acest rezultat se traduce în faptul că două persoane care diferă la nivelul ACE cu o unitate
vor fi diferite la nivelul depresiei cu 0.0807 abateri standard ca urmare a efectului variabilei
DERS.
Mărimea efectului complet standardizat presupune multiplicarea unui efect cu raportul
dintre abaterea standard a variabilei X și abaterea standard a variabilei Y. Cu alte cuvinte,
efectul complet standardizat este produsul dintre abaterea standard a lui X și efectul parțial
standardizat.
𝑎∗𝑏
𝑎𝑏𝑐𝑠 = 𝑆𝐷𝑋 ∗ → 𝑎𝑏𝑐𝑠 = 𝑆𝐷𝑋 ∗ 𝑎𝑏𝑝𝑠 , unde:
𝑆𝐷𝑌
Formula 8.2 – Mărimea efectului complet standardizată a efectului indirect
• abcs – este mărimea efectului complet standardizată a efectului indirect.
• a*b – indică efectul indirect.

10
• SDX și SDY – sunt abaterea standard a variabilei X, respectiv abaterea standard a
variabilei Y.
Abaterea standard a variabilei ACE este SDX = 1.918. În aceste condiții, pentru abcs
vom obține următorul rezultat:
𝑎𝑏𝑐𝑠 = 𝑆𝐷𝑋 ∗ 𝑎𝑏𝑝𝑠 → 𝑎𝑏𝑐𝑠 = 1.918 ∗ 0.0807 → 𝑎𝑏𝑐𝑠 = 0.1549

Acest rezultat se traduce în faptul că două persoane care diferă la nivelul ACE cu o
abatere standard vor fi diferite la nivelul depresiei cu 0.1549 abateri standard ca urmare a
efectului variabilei DERS.
8.7. Analiza de mediere în PRCESS
PROCESS este un soft de analiză a modelelor de mediere, de moderare, de mediere
moderată sau de moderare mediată dezvoltat de Hayes (2018). Acest soft este gratuit și este
compatibil cu SPSS, începând cu versiunea 23 și poate fi descărcat de pe site-ul lui Andrew
Hayes (www.processmacro.org), din secțiunea download. Softul este actualizat periodic,
actualmente fiind la versiunea 3.3. Versiunile 3.0 sau 2.16 sunt compatibile și cu SPSS 22.
Fișierul care trebuie instalat în SPSS are denumirea process.spd și se găsește în folderul
PROCESS for SPSS → Custom dialog builder file. Tot în acest folder se află un document
de tip pdf care conține instrucțiunile de instalarea pentru versiunile de SPSS (cel puțin versiunea
23). Odată instalat, PROCESS va putea fi accesat din meniul Analyze → Regression.
Modelul de mediere simplă analizat anterior va fi testat folosind PROCESS 3.3. În acest
sens, se accesează meniul Analyze → Regression → PROCESS v3.3. În secțiunea X variable
este introdusă variabila independentă (ACE), în secțiunea Y variable este adăugată variabila
dependentă (Depresie), iar secțiunea Mediator(s) M este alocată variabilei mediatoare (DERS).
Tipul modelului de mediere este stabilit prin a selecta Modelul 4 în zona Model number. În
meniul Options se vor bifa opțiunile:
• Show total effect model – calculează efectul total al variabilei X asupra variabilei Y.
• Effect size – calculează mărimea efectului pentru fiecare efect analizat.
• Standardized coefficients – prezintă transformarea în scoruri standard (z) a
coeficienților de regresie calculați pentru fiecare dintre cele trei căi.

11
Figura 8.8 – Setările modelului de mediere simplă în PROCESS 3.3
Rezultatele obținute prin intermediul PROCESS 3.3 sunt identice cu cele obținute prin
intermediul procedurii clasice, dar sunt prezentate mult mai succint și ceea ce face ca
interpretarea lor să fie mult mai ușoară. În plus, sunt calculate, prin metoda bootstrap,
intervalele de încredere ale coeficienților ecuației de regresie. De asemenea, în PROCESS
rezultatele sunt afișate cu patru zecimale în mod implicit. Schimbarea numărului de zecimale
se poate face din opțiunea Decimals places in output. Pentru început, sunt afișate rezultatele
efectului variabilei X asupra variabilei mediatoare (ACE → DERS). Astfel, ACE explică
aproximativ 9% din varianța DERS (R2 = 0.0928, p < 0.001), iar coeficientul ecuației de regresie
este egal cu 3.8571 (t(243) = 4.9862, p < 0.001), având CI95% [2.334 – 5.3808]. În concluzie
a = 3.8571, iar valoarea standardizată este 0.3047.
În continuare sunt afișate rezultatele pentru calea b, respectiv calea c’. ACE și DERS
explică aproximativ 48% din varianța depresiei (R2 = 0.4821, p < 0.001). Putem observa faptul
că pentru calea b coeficientul este egal cu 0.6210 (t(242) = 10.4655, p < 0.001), iar valoarea
standardizată este 0.5083. Pentru calea b CI95% este [0.5041 – 0.7379]. De pe linia ACE citim
efectul direct (calea c’) acesta fiind egal cu 5.3038 (t(242) = 7.0599, p < 0.001), având CI95%
cuprins între 3.8239 și 6.7836. Valoarea standardizată a căii c’ este 0.3429. Deoarece efectul
direct este semnificativ statistic, înțelegem că DERS mediază parțial relația dintre ACE și
depresie.
Următoarele rezultate afișate sunt destinate efectului total (calea c). ACE explică
aproximativ 25% din varianța depresiei (R2 = 0.284, p < 0.001). Coeficientul ecuației de regresie
pentru relația ACE → Depresie este 7.699 (t(243) = 8.946, p < 0.001), având o valoare
standardizată egală cu 0.4977. Pentru efectul total CI95% este cuprins între 6.0038 și 9.3942.
În final ne sunt prezentate la un loc rezultatele pentru efectul total, efectul direct și efectul
indirect. Aceste rezultate sunt însoțite și de indicii de mărime a efectului – efectul parțial
standardizat și efectul complet standardizat. Astfel, pentru efectul total, ale cărui rezultate le-
am prezentat mai sus, indicele de mărime a efectului parțial standardizat este cps = 0.2595, ceea
ce înseamnă că schimbarea variabilei ACE cu o unitate va avea ca efect modificarea depresiei
cu 0.2595 abateri standard. Indicele de mărime a efectului complet standardizat este ccs =

12
0.4947, rezultat ce poate fi interpretat prin faptul că modificarea variabilei ACE cu o abatere
standard va genera modificarea depresiei cu 0.4947 abateri standard.
𝑐
𝑐𝑝𝑠 = 𝑆𝐷 , unde:
𝑌
Formula 8.3 – Mărimea efectului parțial standardizată a efectului total
• cps – este mărimea efectului parțial standardizată a efectului total.
• c – valoarea efectului total.
• SDY – indică abaterea standard a variabilei Y.
𝑐 7.699
𝑐𝑝𝑠 = → 𝑐𝑝𝑠 = → 𝑐𝑝𝑠 = 0.2595
𝑆𝐷𝑌 29.666

𝑐
𝑐𝑐𝑠 = 𝑆𝐷𝑋 ∗ , unde:
𝑆𝐷𝑌
Formula 8.4 – Mărimea efectului complet standardizată a efectului total
• ccs – este mărimea efectului complet standardizată a efectului total.
• c – valoarea efectului total.
• SDY – indică abaterea standard a variabilei Y.
• SDX – reprezintă abaterea standard a variabilei X.
𝑐 1.918 ∗ 7.699
𝑐𝑐𝑠 = 𝑆𝐷𝑋 ∗ → 𝑐𝑐𝑠 = → 𝑐𝑐𝑠 = 0.4977
𝑆𝐷𝑌 29.666
Pentru efectul direct (c’ = 5.3038) indicele de mărime a efectului parțial standardizat este
c’ps = 0.1788, astfel încât, atunci când există două persoane care au o diferență de o unitate la
nivelul Ace, dar prezintă același nivel al DERS, între ele există o diferență la nivelul depresiei
de 0.1788 abateri standard. Indicele de mărime a efectului complet standardizat este c’cs =
0.3429, rezultat ce ne indică faptul că dacă între două persoane există la nivelul ACE o diferență
de o abatere standard, în condițiile în care au același nivel al DERS, ele se diferențiază la nivelul
depresiei cu 0.3429 abateri standard.
𝑐′
𝑐′𝑝𝑠 = , unde:
𝑆𝐷𝑌
Formula 8.5 – Mărimea efectului parțial standardizată a efectului direct
• c’ps – este mărimea efectului parțial standardizată a efectului direct.
• c’ – valoarea efectului direct.
• SDY – indică abaterea standard a variabilei Y.
𝑐′ 5.3038
𝑐′𝑝𝑠 = → 𝑐𝑝𝑠 = → 𝑐𝑝𝑠 = 0.1788
𝑆𝐷𝑌 29.666

𝑐′
𝑐′𝑐𝑠 = 𝑆𝐷𝑋 ∗ , unde:
𝑆𝐷𝑌
Formula 8.6 – Mărimea efectului complet standardizată a efectului total
• c’cs – este mărimea efectului complet standardizată a efectului direct.
• c’ – valoarea efectului direct.

13
• SDY – indică abaterea standard a variabilei Y.
• SDX – reprezintă abaterea standard a variabilei X.
𝑐′ 1.918 ∗ 5.3038
𝑐′𝑐𝑠 = 𝑆𝐷𝑋 ∗ → 𝑐𝑐𝑠 = → 𝑐𝑐𝑠 = 0.3429
𝑆𝐷𝑌 29.666

Efectul indirect a*b = 2.3953, CI95% [1.2667 – 3.6493] este semnificativ statistic
deoarece 0 nu se află între limitele intervalului de încredere. Prezența lui 0 în interiorul
intervalului de încredere se traduce într-un efect nesemnificativ statistic. Pentru exemplul
prezentat, faptul că 0 nu este cuprins între limitele CI indică faptul că efectul indirect este diferit
de 0 în cel puțin 95% din situații. De pe linia Partially standardized indirect effect(s) of X on Y
vom citi indicele de mărime parțial standardizat a efectului pentru efectul indirect, care este
notat abps. Astfel, abps = 0.0807, CI95% fiind cuprins între 0.0439 și 0.1199 ceea ce indică un
indice de mărime a efectului semnificativ statistic. De pe linia Completely standardized indirect
effect(s) of X on Y se vor citi rezultatele pentru mărimea efectului complet standardizată a
efectului indirect și se simbolizează prin acronimul abcs. Prin urmare, abcs = 0.1549, CI95%
[0.0846 – 0.2294], fiind semnificativ statistic.

ACE → DERS

ACE → Depresie

DERS → Depresie

14
ACE → Depresie

Figura 8.9 – Rezultatele analizei de mediere simplă în PROCESS 3.3


8.8 Analiza de mediere cu JAMOVI
Pentru a realiza analiza de mediere cu softul JAMOVI trebuie instalat modulul medmod
(vezi capitolul 1). Din păcate, versiunea actuală a softului JAMOVI poate testa doar modelul
cel mai simplu de mediere. După instalarea acestui modul, el va fi vizibil în meniul Analyses.
Prin urmare, pentru a rula analiza de mediere simplă în JAMOVI, vom selecta medmod →
Mediation. Precum în PROCESS, în zona Dependent Variabile va fi introdusă variabila
depresie, zona Mediator este rezervată variabilei mediatoare (DERS), iar în zona Predictor vom
introduce variabila independentă (ACE). În următorul pas se vor bifa opțiunile:
• Path estimates – afișează coeficienții ecuației de regresie pentru calea a, calea b și calea
c’.

15
• Estimates plot – afișează un grafic al intervalelor de încredere pentru efectul total,
efectul direct și efectul indirect. Acest grafic ne poate ajuta să interpretăm semnificația
statistică a efectelor. În cazul în care 0 este cuprins în intervalul indicat de grafic, acel
efect nu este semnificativ statistic.
• Test statistics – afișează rezultatele testelor de semnificație statistică pentru cele trei
efecte și pentru căile a, b și c’.
• Confiedence interval – prezintă intervalele de încredere ale coeficienților ecuațiilor de
regresie pentru atât pentru calea a, calea b și calea c’, cât și pentru efectul direct, indirect
și total.
• Percent mediation – indică procentul efectul indirect, respectiv cel al efectului direct.

Figura 8.10 – Setările modelului de mediere simplă în JAMOVI

16
În conformitate cu opțiunile bifate secțiunea de afișare a rezultatelor este împărțită în trei
secțiuni: Mediation Estimates, Path Estimates și Estimate Plot. În secțiunea Mediation
Estimates sunt afișate rezultatele pentru cele trei tipuri de efecte.
• Effect – indică efectele pentru care sunt afișate rezultatele: indirect, direct și total.
• Estimate – afișează valoarea efectului analizat. De exemplu, efectul indirect are o
valoarea calculată egală cu 2.40, efectul direct are valoarea calculată egală cu 5.30.
• SE – prezintă eroarea standard a efectului.
• 95% Confidence Interval – afișează intervalul de încredere al celor trei efecte. Absența
valorii 0 din interiorul intervalului de încredere se traduce în respingerea ipotezei de
nul,și în existența unui efect semnificativ.
• Z și p – sunt testele de semnificație și semnificația statistică a celor trei tipuri de efecte.
Efectul total (c = 7.70) este semnificativ statistic (Z = 7.10, p < .001). Valorile testului
Z sunt similare cu cele ale testului t afișat de SPSS în tabelul Coefficients sau în
PROCESS.
Secțiunea Path Estimates afișează rezultatele pentru cele trei căi prin care se transmite
efectul variabilei ACE către depresie.
• Estimates – afișează coeficientul ecuației de regresie pentru calea indicată.
• SE – este eroarea standard a coeficientului de regresie.
• 95% Confidence Interval – indică intervalul de încredere al coeficientului ecuației de
regresie.
• Z și p – sunt testul de semnificație și semnificația statistică a coeficientului ecuației de
regresie.
În secțiunea Estimes Plot este afișat graficul intervalelor de încredere ale efectului
indirect, efectului direct, respectiv efectului total.

17
Figura 8.11 – Rezultatele analizei de mediere simplă în JAMOVI
Rezultatele afișate se interpretează precum am prezentat în secțiunile anterioare. Folosind
formulele pentru mărimea efectului parțial standardizată și pentru mărimea efectului complet
standardizată putem calcula acești indicatori pentru fiecare tip de efect.
6.9 Analiza de mediere simplă cu MPlus
Pentru a realiza analiza de mediere cu Mplus (Muthen & Muthen, 2013) este necesară
realizarea unei baze de date compatibilă cu acest soft. Spre deosebire de JAMOVI, softul MPlus
nu poate deschide baze de date realizate în SPSS. Astfel, am creat o bază de date (vezi capitolul
1) cu cele trei variabile existente în modelul de mediere (mediere.dat), pe care am salvat-o pe
desktop. Comenzile pe care le vom scrie în program pentru a obține rezultatele analizei de
mediere sunt prezentate mai jos:
title:
Analiza de mediere simplă – Model 4;

data:
file is 'C:\Users\Adrian\Desktop\mediere.dat';

variable:
name are X, M, Y; ! X = ACE, M = DERS, Y = Depresie
missing are all (999);
usevariables are X, M, Y;

ANALYSIS:
TYPE = GENERAL;
ESTIMATOR = ML;
BOOTSTRAP = 1000;

model:

Y ON X (cdash); !efectul direct al variabilei ACE asupra Depresie


M ON X (a); !efectul variabilei ACE asupra DERS
Y on M (b); !efectul variabilei DERS asupra Depresiei

18
MODEL CONSTRAINT:

NEW (ab TOTAL);

ab = a*b;
TOTAL = ab + cdash;

Output:
STAND CINT(bcbootstrap);
Figura 8.12 – Sintaxa pentru modelul de mediere simplă în MPlus
Rezultatele afișate în fereastra de output sunt numeroase, dar ceea ce este util pentru
modelul simplu de mediere se regăsește în secțiunile MODEL RESULTS și STANDARDIZED
MODEL RESULTS. Precum în JAMOVI, Estimates și S.E. indică coeficientul ecuației de
regresie pentru efectul analizat, respectiv eroarea standard a acestuia.
• Est./S.E. – reprezintă valoarea calculată a testului de semnificație pentru efectul
analizat.
• Two-Tailed P-Value – probabilitatea asociată a testului de semnificație.
Secțiunea Y ON cuprinde rezultatele pentru efectul lui X asupra lui Y atunci când M este
controlat statistic, respectiv efectul lui M asupra lui Y. Cu alte cuvinte, sunt prezentate
rezultatele pentru calea b și pentru calea c’. Linia Y ON X cuprinde rezultatele pentru calea c’,
în timp ce pe linia Y ON M sunt afișate rezultatele pentru calea b. Astfel, c’ = 5.304 (t = 6.487;
p < 0.001), iar b = 0.621 (t = 10.237; p < 0.001).
Secțiunea M ON ne indică efectul lui X asupra variabilei mediatoare, mai precis
rezultatele pentru calea a. Prin urmare, a = 3.857 (t = 4.531; p < 0.001).
Secțiunea New/Additional Parameters este destinată rezultatelor efectului indirect și
efectului total. Linia AB cuprinde rezultatele efectului indirect (a*b), iar pe linia TOTAL sunt
prezentate rezultatele efectului total (c). Efectul indirect a*b = 2.395 este semnificativ statistic
(t = 4.062; p < 0.001), ceea ce se traduce prin faptul că DERS mediază relația dintre ACE și
Depresie.
Secțiunea Standardized Model Results prezintă rezultatele prezentate mai sus în formă
standardizată. StdYX Estimate reprezintă standardizarea prin înmulțirea coeficientului
nestandardizat cu raportul dintre abaterea standard a lui X și abaterea standard a lui Y. StdY
Estimate afișează valoarea standardizată prin raportarea coeficientului nestandardizat la
abaterea standard a lui Y. Astfel, rezultatele standardizate afișate pe linia Y ON X coincid cu
mărimea efectului complet standardizată a efectului direct (0.343), respectiv cu mărimea
efectului parțial standardizată a efectului direct (0.179).
În secțiunea CONFIDENCE INTERVALS OF MODEL RESULTS sunt afișate
intervalele de încredere ale efectelor analizate cu o precizie de 99%, 95% și 90%. De exemplu,
pe linia Y on M sunt prezentate intervalele de încredere menționate pentru efectul lui M asupra
lui Y (calea b). Astfel, b = 0.621 având CI99%: [0.460 – 0.777] și CI95%: [0.505 – 0.737].
Pentru efectul indirect (a*b = 2.395) CI95% este [1.312 – 3.606].

19
20
Figura 8.13 – Rezultatele analizei de mediere simplă în Mplus
Bibliografie
Ajzen, I. (1991). The Theory of Planned Behavior. Organiztional Behavior and Human
Decision Processes, 50, 179-211.
Bandura, A. (1977). Social learning theory. Englewood Cliffs, NJ: Prentice Hall.
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.
Boden, M. T., John, O. P., Goldin, P. R., Werner, K., Heimberg, R. G., & Gross, J. J. (2012).
The role of maladaptive beliefs in cognitive-behavioral therapy: Evidence from social
anxiety disorder. Behaviour Research and Therapy, 50, 287-291.
Bollen, K. A. (1989). Structural equation modeling with latent variables. New York: John
Wiley & Sons.
Cerin, E., & MacKinnon, D. P. (2009). A commentary on current practice in mediating variable
analyses in behavioral nutrition and physical activity. Public Health and Nutrition, 12, 1182-
1188.
Cloitre, M., Mackintosh, M. A., Henn-Haase, C. M., Khan, C., Garvert, D. W., Falvey, E. C.,
& Saito, J. (2018). Emotion Regulation Mediates the Relationship Between ACES and
Physical and Mental Health. Psychological Trauma: Theory, Research, Practice, and Policy,
11(1), 82-89.
Fagan, A. A., & Novak, A. (2017). Adverse Childhood Experiences and Adolescent
Delinquency in a High-Risk Sample: A Comparison of White and Black Youth. Youth
Violence and Juvenile Justice, 1-23.
Fuchs, A. H., & Milar, K. S. (2003). Psychology as a Science. In D. K. Freedheim (Ed.),
Handbook of psychology: History of Psychology (Vol. 1, pp. 1-26). New Jersey: John Wiley
& Sons, Inc.

21
Hayes, A. F. (2013). Introduction to mediation, moderation, and conditional process analysis:
A regression-based approach. New York: The Guilford Press.
Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis.
A Regression-Based Approach (2 ed.). New York: The Guilford Press.
Hayes, A. F., & Rockwood, N. J. (2017). Regression-based statistical mediation and moderation
analysis in clinical research: Observations, recommendations, and implementation.
Behaviour Research and Therapy, 98, 39-57.
Hyman, H. H. (1955). Survey design and analysis: Principles, cases, and procedures. Glencoe,
IL: Free Press.

Judd, C. M., & Kenny, D. A. (1981). Estimating the Effects of Social Interventions.
Cambridge, UK: Cambridge University Press.

Lazarsfeld, P. F. (1955). Interpretation of statistical relations as a research operation. In P. F.


Lazarsfeld & M. Rosenberg (Eds.), The language of social research: A reader in the
methodology of social research (pp. 115-125). Glencoe, IL: Free Press.

Little, T. D., Card, A. N., Bovaird, J. A., Preacher, J. K., & Crandall, C. (2007). Structural
equation modeling of mediation and moderation with contextual factors. In T. D.
Little, J. A. Bovaird & A. N. Card (Eds.), Modeling contextual effects in longitudinal
studies (pp. 207-230).

Lewinsohn, P. M. (1974). A behavioral approach to depression. In R. J. Friedman & M. M.


HKatz (Eds.), The psychology of depression: Contemporary theory and research (pp.
157-185). New Yoark: Wiley.

MacKinnon, D. P. (2008). An introduction to statistical mediation analysis. New York:


Routledge.

MacKinnon, D. P., Krull, J. L., & Lockwood, C. M. (2000). Equivalence of the Mediation,
Confounding and Suppression Effect. Prevention Science, 1(4), 173-182.

Manuel, A., & Wade, T. D. (2013). Emotion regulation in broadly defined anorexia nervosa:
Association with negative affective memory bias. Behaviour Research and Therapy,
51, 417-425.

McLean, C. P., Yeh, R., Rosen, D., & Foa, E. B. (2015). Changes in negative cognitions
mediate PTSD symptom reductions during client-centered therapy and prolonged
exposure for adolescents. Behaviour Research and Therapy, 68, 64-69.

Meinert, C. L. (1986). Clinical trials: Design, conduct, and analysis. New York: Oxford
University Press.

Muthén, L. K., & Muthén, B. O. (1998-2012). Mplus User’s Guide (7th ed.). Șos Angeles,
CA: Muthén & Muthén.

Preacher, J. K., & Kelley, K. (2011). Effect Size Measures for Mediation Models: Quantitative
Strategies for Communicating Indirect Effects. Psychological Methods, 16(2), 93-115.

22
Seehuus, M., Clifton, J., & Rellini, A. H. (2015). The role of family environment and multiple
forms of childhood abuse in the shaping of sexual function and satisfaction in women.
Archives of Sexual Behavior, 44, 1595-1608.

Tzelgov, J., & Henik, A. (1991). Suppression situations in psychological research:


Definitions, implications, and applications. Psychological Bulletin, 109, 524-536.

Wolff, K. T., Baglivio, M. T., & Piquero, A. R. (2015). The Relationship Between Adverse
Childhood Experiences and Recidivism in a Sample of Juvenile Offenders in Community-
Based Treatment. International Journal of Offender Therapy and Comparative Criminology,
1-33.

23

S-ar putea să vă placă și