mediatorvariabelen

Mediatorvariabelen zijn variabelen die de mechanismen of processen beschrijven waardoor een onafhankelijke variabele X een afhankelijke variabele Y beïnvloedt. Ze vormen een tussenliggende stap in de causale keten: X beïnvloedt M, en M beïnvloedt vervolgens Y. Het indirecte effect is het product van de X→M en M→Y paden, terwijl er ook een direct effect van X op Y kan bestaan dat niet via M verloopt.

Het doel van mediationanalyse is om te verklaren hoe en waarom een effect optreedt, niet alleen of het bestaat. Mediatorvariabelen komen veel voor in vakgebieden als psychologie, sociologie, gezondheidszorg en marketing. Ze helpen bij het identificeren van mogelijke mechanismen en bij het testen van theoretische aannames over causaliteit.

Methoden en benaderingen variëren. Traditioneel beschreef Baron en Kenny (1986) stappen zoals: (1) X voorspelt Y, (2) X voorspelt M, (3) M voorspelt Y wanneer X gecontroleerd wordt, en (4) het indirecte effect is significant. Hedendaagse analyses maken vaker gebruik van bootstrap-resampling om betrouwbaarheidsintervallen voor het indirecte effect te schatten, of werken met pad- of structurele-equatiemodellen (SEM) die meerdere mediatoren en relaties tegelijk modelleren.

Interpretatie en beperkingen: causale conclusies vereisen temporele volgorde en controle voor confounding; bij kruislingse data is interpretatie beperkt. Mediatoren kunnen ook verstoord raken door meetfouten, en complexe modellen met meerdere mediatoren vereisen aandacht voor identificeerbaarheid en interpretatie. Velden zoals psychologie, geneeskunde en beleid blijven mediatorvariabelen centraal gebruiken om mechanistische inzichten te vergroten.

Let op: mediatorvariabelen onderscheiden zich van moderatorvariabelen, die de sterkte of richting van een relatie beïnvloeden maar het mechanisme niet expliciet beschrijven.