چگونه یک متغیر میانجی مسیر علی را توضیح می‌دهد، در حالی که یک متغیر تعدیل‌گر شدت آن را تغییر می‌دهد

در سال ۱۹۸۶، دو روان‌شناس به نام‌های روبن ام. بارون و دیوید ای. کنی، چارچوبی روش‌شناختی را در «مجله شخصیت و روان‌شناسی اجتماعی» منتشر کردند که نحوه سنجش علت و معلول توسط پژوهشگران را برای همیشه تغییر داد. مقاله آن‌ها با ایجاد یک مرز دقیق ریاضیاتی میان متغیرهایی که یک مسیر را توضیح می‌دهند و متغیرهایی که شدت آن را تغییر می‌دهند، دستور زبانی جهان‌شمول برای داده‌های مشاهده‌ای فراهم کرد. این تمایز، علوم اجتماعی را دگرگون ساخت، بیش از ۹۰٬۶۰۰ ارجاع علمی به دست آورد و ساختار هزاران طرح آزمایشی را تعیین کرد.[1]

پیش از چارچوب سال ۱۹۸۶، پژوهشگران اغلب اصطلاحات «میانجی» و «تعدیل‌گر» را به‌جای یکدیگر برای توصیف هر متغیر سومی که وارد یک رابطه دومتغیره می‌شد، به کار می‌بردند. اما بارون و کنی یک تفکیک ساختاری را الزامی کردند. آن‌ها متغیر میانجی را به‌عنوان سازوکاری تعریف کردند که از طریق آن، یک متغیر مستقل بر یک متغیر وابسته تأثیر می‌گذارد. این متغیر به پرسش‌های «چگونه» یا «چرا» در یک پدیده پاسخ می‌دهد. اگر یک مداخله پزشکی سلامت بیمار را بهبود می‌بخشد، متغیر میانجی همان تغییر خاص بیولوژیکی یا رفتاری (مانند کاهش التهاب یا افزایش ورزش) است که این فایده را به‌طور فیزیکی منتقل می‌کند.[3]

برای اثبات وجود میانجی‌گری بر اساس قواعد کلاسیک، یک پژوهشگر باید سه معادله رگرسیون متوالی را اجرا کند. نخست، متغیر مستقل باید تأثیر معناداری بر متغیر وابسته داشته باشد. دوم، متغیر مستقل باید به‌طور معناداری بر متغیر میانجی اثر بگذارد. سوم، متغیر میانجی باید در حالی که متغیر مستقل کنترل شده است، بر متغیر وابسته تأثیر بگذارد. همان‌طور که مؤسسه پژوهشی «استاتیستیکس سولوشنز» خاطرنشان می‌کند: «میانجی‌گری کامل زمانی رخ می‌دهد که پس از کنترل متغیر میانجی، متغیر مستقل دیگر هیچ تأثیری بر متغیر وابسته نداشته باشد.» اگر اثر مستقیم تنها کاهش یابد اما از بین نرود، نتیجه یک میانجی‌گری جزئی است.[6]

یک متغیر تعدیل‌گر عملکرد ریاضیاتی کاملاً متفاوتی دارد. تعدیل‌گر به‌جای توضیح دادن مسیر، شدت یا جهت رابطه میان دو متغیر را تغییر می‌دهد و به این پرسش پاسخ می‌دهد که یک اثر «چه زمانی» یا «برای چه کسی» رخ می‌دهد. برای نمونه، رابطه میان استرس محیط کار و مصرف الکل ممکن است برای افرادی که راهبردهای مقابله‌ای اجتنابی دارند بسیار معنادار باشد، اما برای کسانی که راهبردهای مقابله‌ای پیشگیرانه دارند از نظر آماری صفر باشد. در اینجا، سبک مقابله‌ای باعث ایجاد استرس نمی‌شود و استرس نیز سبک مقابله‌ای را به وجود نمی‌آورد؛ بلکه این دو با یکدیگر تعامل دارند.[2]

از منظر آماری، تعدیل‌گری از طریق یک جمله تعاملی تشخیص داده می‌شود؛ به این صورت که متغیر مستقل در متغیر تعدیل‌گر ضرب شده و بررسی می‌شود که آیا این معیار ترکیبی می‌تواند پیامد را به‌طور معناداری پیش‌بینی کند یا خیر. اگر ضریب جمله تعاملی غیرصفر باشد، متغیر تعدیل‌گر در حال افزایش یا کاهش فعالانه رابطه اولیه است. این تمایز کاملاً قطعی است: متغیرهای میانجی ویژگی‌های پویایی هستند که درون زنجیره علی قرار دارند، در حالی که متغیرهای تعدیل‌گر شرایط زمینه‌ای مستقلی هستند که این زنجیره را از بیرون هدایت می‌کنند.[2]

اگرچه معیارهای بارون و کنی این حوزه را استانداردسازی کرد، اما اتکای خشک و انعطاف‌ناپذیر آن‌ها به رگرسیون خطی، نقاط کوری را به وجود آورد. این الزام که متغیر مستقل باید پیش از بررسی میانجی‌گری، اثر مستقیم و معناداری بر پیامد نشان دهد، باعث شد پژوهشگران سازوکارهای معتبری را صرفاً به این دلیل که اثرهای غیرمستقیم رقیب یکدیگر را خنثی می‌کردند، کنار بگذارند. در اوایل دهه ۲۰۱۰، آمارشناسان شروع به ساخت ابزارهای محاسباتی کردند تا از این روش اکتشافی سه‌مرحله‌ای عبور کرده و سیستم‌های پیچیده را به‌طور هم‌زمان ارزیابی کنند.[7]

در سال ۲۰۱۳، اندرو اف. هیز، روان‌شناس کمّی، ماکروی PROCESS را منتشر کرد؛ یک افزونه محاسباتی برای نرم‌افزارهای SPSS و SAS که تحلیل فرایند شرطی را خودکار می‌کرد. این نرم‌افزار به‌جای وادار کردن پژوهشگران به محاسبه دستی رگرسیون‌های مجزا، ۷۴ مدل مسیر متمایز را یکپارچه کرد. این امر به تحلیلگران اجازه داد تا «میانجی‌گری تعدیل‌شده» را آزمایش کنند؛ سناریوهایی که در آن‌ها قدرت یک سازوکار میانجی، خود توسط یک متغیر تعدیل‌گر کنترل می‌شود. این ماکرو با استفاده از بازه‌های اطمینان بوت‌استرپ به‌جای مقادیر احتمال استاندارد، برآورد دقیق‌تری از اثرهای غیرمستقیم ارائه داد.[4]

هم‌زمان، ظهور استنتاج علی رسمی، محدودیت‌های اتکای صرف به رگرسیون آماری را آشکار کرد. در سال ۲۰۱۲، جودیا پرل، دانشمند علوم کامپیوتر، «فرمول میانجی‌گری علی» را منتشر کرد و این تحلیل را به دینامیک‌های غیرخطی گسترش داد. پرل نشان داد که روش‌های پارامتریک سنتی، هنگام اعمال بر داده‌های طبقه‌ای یا سیستم‌های غیرخطی، نتایج تحریف‌شده‌ای به بار می‌آورند؛ حتی زمانی که پارامترها بدون هیچ نقصی اندازه‌گیری شده باشند.[5]

چارچوب پرل، ریاضیات احتمالات را از منطق علیت جدا کرد. فرمول او با بهره‌گیری از مدل‌های علی ساختاری، امکان ارزیابی اثرهای خاص هر مسیر را با حداقل پیش‌فرض‌ها درباره توزیع داده‌های زیربنایی فراهم کرد. همان‌طور که پرل در متون بنیادین خود استدلال کرد: «اطلاعات علی و آماری دو گونه متفاوت هستند که با هم ترکیب نمی‌شوند و نباید هم ترکیب شوند.» فرمول میانجی‌گری راهی برای سنجش کمّی اجزای لازم و کافی یک اثر ارائه داد، بدون آنکه داده‌ها را در چارچوب محدودکننده مدل‌های خطی گرفتار کند.[5]

امروزه، تمایزی که در سال ۱۹۸۶ رسمیت یافت، همچنان خط پایه مفهومی برای طراحی آزمایش‌هاست، اما اجرای ریاضیاتی آن کاملاً تغییر کرده است. پژوهشگران دیگر برای اعتبارسنجی یک مسیر به مراحل رگرسیون تکه‌تکه متکی نیستند. در عوض، آن‌ها مدل‌های محاسباتی یکپارچه‌ای را به کار می‌گیرند که سیستم‌های پیوسته و در حال تعامل را نقشه‌برداری می‌کنند. چالش تحلیل داده‌های مدرن دیگر محاسبه تعامل نیست، بلکه توجیه نظری جهت علی پیش از پردازش اعداد توسط نرم‌افزار است.[7]