Causal mediation analysis with two mediators: A comprehensive guide to estimating total and natural effects across various multiple mediators setups.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mediation analysis is widely used in psychology to assess how an independent variable transmits its causal effect on an outcome both directly and indirectly through intermediary variables known as mediators. Causal mediation analysis addresses numerous criticisms of product-of-coefficients approach, often regarded as the primary method for estimating indirect effects in psychological research. However, navigating causal mediation analysis, especially in settings with multiple mediators, can be challenging for those unfamiliar with its concepts, assumptions, and estimation strategies. In this tutorial, we therefore offer a comprehensive guide to conducting causal mediation analysis with two mediators across three data-generating mechanisms: setups with causally dependent mediators, independent mediators, and noncausally dependent mediators. For each of these mechanisms, we provide formal mathematical definitions and assumptions for the natural direct and indirect effects, along with less technical explanations of these concepts. We also provide R and Stata codes for estimating the natural direct effect, the joint natural indirect effect, and the path-specific natural indirect effects using four different estimators: the imputation approach, the extended imputation approach, the inverse probability weighted approach, and the extended quasi-Bayesian Monte Carlo approach. Additionally, we illustrate each of these methods with examples from the International Dating Violence Study. This tutorial aims to equip applied researchers in psychology with all the necessary tools to conduct causal mediation analysis involving two mediators across various multiple mediators setups. (PsycInfo Database Record (c) 2026 APA, all rights reserved).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle