تحليل الوساطة والتعديل: من الارتباط إلى الاستدلال السببي

تحليل الوساطة والتعديل يجيب عن سؤالين مختلفين يجب عدم خلطهما. الوساطة Mediation تسأل عن مسار محتمل تنتقل عبره علاقة أو أثر من متغير إلى نتيجة، مثل أن يؤثر تدخل في سلوك وسيط ثم يرتبط السلوك بالنتيجة. أما التعديل Moderation فيسأل هل تختلف العلاقة أو الأثر باختلاف مستوى متغير آخر أو فئة أخرى؛ إحصائيًا يظهر ذلك غالبًا في صورة تفاعل. كلا التحليلين يمكن أن يكون وصفيًا أو سببيًا بحسب التصميم والافتراضات، ولا يكفي وجود معامل دال أو برنامج يعطي «indirect effect» كي نثبت آلية سببية. الصفحة تشرح الفرق، تصميم السؤال، الافتراضات، النماذج، التفاعل، عدم اليقين وتحليل الحساسية بصورة قابلة للتدقيق.

الفرق الأساسي بين الوسيط والمعدّل

المتغير الوسيط Mediator يقع، في النظرية السببية المقترحة، على مسار بين التعرض أو التدخل والنتيجة. السؤال يكون «كيف أو عبر ماذا قد يحدث الأثر؟». المتغير المعدّل Moderator يحدد متى أو لمن أو تحت أي ظروف تتغير علاقة معينة؛ السؤال يكون «هل يختلف الأثر حسب W؟». قد يكون المتغير نفسه وسيطًا في سؤال ومعدّلًا في سؤال آخر تبعًا للترتيب الزمني والنظرية، لذلك الاسم ليس صفة ثابتة للمتغير.

خلط المصطلحين يؤدي إلى أخطاء عملية. إذا أضفت متغيرًا إلى نموذج وانخفض معامل X فلا يعني ذلك تلقائيًا أنه وسيط. وإذا قسمت العينة إلى مجموعتين ووجدت أن العلاقة «دالة» في مجموعة وغير دالة في الأخرى فلا يثبت ذلك وجود تعديل؛ يجب اختبار الفرق أو التفاعل نفسه.

الوساطة ليست مجرد ثلاث انحدارات

الطريقة التقليدية الشائعة كانت تفحص علاقة X بـY، ثم X بـM، ثم M بـY بعد ضبط X، وتستنتج الوساطة من تغير المعاملات أو دلالتها. هذه الخطوات مفيدة تاريخيًا لفهم الفكرة، لكنها لا تكفي لبناء استنتاج سببي حديث. مراجعات منهجية مثل MacKinnon وزملائه، ثم أطر Imai وKeele وTingley، أوضحت أن الأثر غير المباشر يحتاج تعريفًا واضحًا وافتراضات تعريف Identification لا تظهر من معاملات الانحدار وحدها.

كما أن اشتراط أن يكون الأثر الكلي X→Y دالًا إحصائيًا قبل اختبار الأثر غير المباشر ليس قاعدة عامة. قد توجد مسارات في اتجاهات متعاكسة تجعل الأثر الكلي صغيرًا رغم وجود مكونات غير مباشرة، وقد تكون القوة الإحصائية مختلفة بين الاختبارات. لذلك يجب التركيز على السؤال وحجم الأثر وعدم اليقين لا على سلسلة «دال/غير دال» ميكانيكية.

ما هو الأثر المباشر وغير المباشر؟

في نماذج خطية بسيطة بلا تفاعل وبافتراضات قوية، يعبّر حاصل ضرب المسار X→M والمسار M→Y غالبًا عن أثر غير مباشر، بينما يمثل المسار المتبقي من X إلى Y بعد إدخال M أثرًا مباشرًا مشروطًا بالنموذج. لكن في النماذج غير الخطية، أو عند وجود تفاعل بين X وM، أو عند استخدام تعريفات سببية بالمخرجات المحتملة، تصبح هذه العلاقات أكثر تعقيدًا.

الأطر السببية تميز بين تأثيرات مباشرة وغير مباشرة طبيعية أو تدخلية أو مضبوطة، وكل تعريف يجيب عن سؤال مختلف. لا ينبغي اختيار المصطلح بعد الحصول على النتائج. يجب أن يحدد البروتوكول ما الذي يعنيه «من خلال M» في سياق الدراسة وما التدخل الافتراضي الذي يمثله التقدير إن كان الادعاء سببيًا.

الترتيب الزمني شرط منطقي مهم

إذا كانت الوساطة تعني أن X يؤثر في M ثم M يؤثر في Y، فيجب أن يكون هذا الترتيب ممكنًا زمنيًا. القياس المتزامن لـX وM وY في استبيان مقطعي واحد قد يسمح بتحليل ارتباطات أو نماذج مسار، لكنه لا يوفر وحده دليلاً على أن M حدث بعد X وقبل Y. قد يكون Y هو الذي يؤثر في M، أو توجد أسباب مشتركة لكليهما.

البيانات الطولية أفضل عندما تقيس التعرض ثم الوسيط ثم النتيجة في أوقات مناسبة، لكنها لا تمنح السببية تلقائيًا. توقيت القياس يجب أن يطابق الزمن الحقيقي للآلية، وإلا قد يفوت التحليل وساطة سريعة أو يخلطها بتغيرات لاحقة.

التحيز والمربكات في الوساطة

تؤكد AGReMA أن تفسير آثار الوساطة سببيًا يحتاج اهتمامًا بالمربكات بين التعرض والوسيط، وبين التعرض والنتيجة، وبين الوسيط والنتيجة. حتى إذا كان X عشوائيًا في تجربة، فإن M لا يكون عشوائيًا عادة، ولذلك قد تبقى علاقة M→Y مربكة بعوامل سابقة أو لاحقة.

المشكلة أصعب عندما يوجد مربك للعلاقة بين M وY يتأثر بدوره بـX. الضبط التقليدي لهذا المتغير قد يفتح أو يغلق مسارات بطريقة غير مناسبة، وبعض تعريفات natural direct/indirect effects تحتاج افتراضات لا تتحقق حين توجد مثل هذه المربكات اللاحقة. هنا قد تكون تأثيرات تدخلية أو أساليب وزن/نمذجة أخرى أقرب إلى السؤال.

مخطط سببي قبل المعادلات

من المفيد رسم Directed Acyclic Graph قبل التحليل: X التعرض، M الوسيط، Y النتيجة، والمتغيرات السابقة التي قد تسبب اثنين منها. الرسم لا يحل المسألة لكنه يجبر الفريق على إعلان افتراضاته. يجب التمييز بين المربك Confounder، والوسيط، والـcollider؛ ضبط collider قد يخلق تحيز اختيار بدل إصلاحه.

لا يمكن تمثيل التفاعل ببساطة كسهم إضافي في DAG التقليدي، لكنه يبقى جزءًا من تعريف النموذج والأثر. لذلك يجمع التحليل الجيد بين بنية سببية واضحة ونموذج إحصائي يطابق السؤال.

افتراضات التعريف السببي

الأثر غير المباشر السببي لا يُستخرج من البيانات بمجرد وجود ثلاث متغيرات. يحتاج، وفق التعريف والطريقة، إلى افتراضات عن عدم وجود مربكات غير مقاسة للعلاقات ذات الصلة، وصحة ترتيب الزمن، والاتساق، والإيجابية، وصحة النماذج المستخدمة. بعض natural effects تعتمد أيضًا على افتراضات counterfactual أو cross-world قوية يصعب اختبارها مباشرة.

لهذا يجب كتابة الافتراضات صراحة لا إخفاؤها داخل اسم الأداة. دراسة رصدية جيدة قد تقدم تقديرًا متسقًا مع وساطة محتملة مع تحليل حساسية، لكنها لا تصبح تجربة آلية لمجرد استخدام causal mediation package.

تحليل الحساسية للوساطة

Imai وزملاؤه جعلوا الحساسية لخرق افتراض عدم وجود مربك غير مقاس للوسيط–النتيجة جزءًا من إطارهم. الفكرة هي سؤال: ما قوة الترابط غير المرصود أو الانتهاك المطلوب لتغيير استنتاج الأثر غير المباشر؟ تختلف مقاييس الحساسية حسب الطريقة، ولا توجد قيمة واحدة تصلح لكل تصميم.

تحليل الحساسية لا «يثبت» عدم وجود مربكات، لكنه يكشف مدى هشاشة الاستنتاج. إذا اختفى الأثر غير المباشر تحت انحراف صغير ومعقول، يجب أن ينعكس ذلك في لغة الخلاصة. وإذا كان الاستنتاج متينًا عبر نطاق واسع، فهذا يزيد الثقة المشروطة بالافتراضات الأخرى.

ما هو التعديل Moderation؟

التعديل يعني أن أثر أو ارتباط X مع Y يختلف بحسب قيمة W. في الانحدار الخطي قد يكتب النموذج Y = β0 + β1X + β2W + β3XW، ويكون β3 معامل التفاعل. عند وجود التفاعل، معنى β1 هو أثر X عند القيمة المرجعية لـW، وليس «الأثر العام» لـX. لذلك تفسير المعاملات الرئيسية من دون مراعاة الترميز والمرجع قد يكون مضللًا.

إذا كان W مستمرًا، فإن أثر X يتغير عبر مدى W. إذا كان فئويًا، يمكن عرض الآثار داخل المستويات. المهم تقديم تقديرات وفواصل ثقة، لا الاكتفاء بعبارة «وجدنا moderation».

التفاعل ليس شيئًا واحدًا على كل المقاييس

في الوبائيات قد يظهر interaction على المقياس الإضافي ولا يظهر على المقياس الضربي أو العكس. توصي Knol وVanderWeele بعرض مقاييس التفاعل وفواصل الثقة بوضوح، مع التمييز بين effect modification لسؤال عن أثر تعرض واحد داخل طبقات عامل آخر، وبين causal interaction لسؤال تدخل مشترك على تعرضين.

لذلك نتيجة interaction term في نموذج لوجستي لا تجيب تلقائيًا عن كل سؤال بشأن التعديل. يجب تحديد المقياس الذي يهم القرار: فرق المخاطر، نسبة المخاطر، odds ratio أو مقياس آخر.

لماذا «دال هنا وغير دال هناك» لا يثبت التعديل؟

إذا كان معامل X دالًا في مجموعة A وغير دال في B، فقد يكون الفرق بين المعاملين نفسه غير دال. تعتمد الدلالة على حجم العينة والتباين، لذلك المقارنة الصحيحة تحتاج اختبار interaction أو فرق مناسب. هذا خطأ شائع في أوراق subgroup analyses.

وبالمثل، غياب دلالة التفاعل لا يعني أن الأثر متطابق تمامًا في كل مكان. فاصل الثقة قد يسمح بتعديلات ذات أهمية عملية. يجب عرض حجم الفرق وعدم يقينه لا تحويله إلى حكم ثنائي.

Centering والترميز

توسيط المتغير المستمر حول المتوسط قد يجعل المعامل الرئيسي أسهل في التفسير لأن X عند W=0 يصبح أثرًا عند متوسط W بدل قيمة صفر غير معقولة. لكنه لا يغير اختبار التفاعل الأساسي في النموذج الخطي المعتاد، ولا «يعالج» التعدد الخطي بطريقة تجعل تصميمًا سيئًا جيدًا.

للقياسات الفئوية يجب توثيق المجموعة المرجعية أو contrast coding. تغيير المرجع يغير معنى المعاملات المفردة لكنه لا يغير البيانات نفسها. التقرير الجيد يشرح الترميز كي يستطيع القارئ إعادة بناء الآثار الشرطية.

Simple Slopes وJohnson–Neyman

بعد وجود تفاعل قابل للتفسير، يمكن فحص أثر X عند قيم مختارة من W، مثل نقاط ذات معنى سريري أو كميات محددة مسبقًا. اختيار المتوسط ± انحراف معياري شائع لكنه قد يعطي قيمًا نادرة أو لا معنى لها في توزيع منحرف. الأفضل اختيار قيم واقعية مرتبطة بالسؤال.

تقنية Johnson–Neyman تحدد مناطق W التي يختلف فيها الأثر الشرطي عن الصفر وفق معيار إحصائي محدد بدل اختيار ثلاث نقاط فقط. هي أداة تفسير، وليست طريقة لصناعة تفاعل لم يكن مدعومًا أو لتحويل البحث الاستكشافي إلى تأكيدي. كما أن البحث عن مناطق كثيرة بعد النتائج قد يضيف مشكلة تعدد المقارنات إذا لم يُضبط سياق الاستدلال.

الوساطة المعدلة Moderated Mediation

قد يختلف الأثر غير المباشر نفسه حسب W، مثل أن يكون مسار X→M أو M→Y أقوى في بعض الظروف. هذا يسمى moderated mediation أو conditional indirect effect. لا يكفي إثبات أن أحد المسارات يحتوي تفاعلًا ثم وصف كل الوساطة بأنها معدلة؛ يجب تعريف الأثر غير المباشر الشرطي وتقديره مع عدم اليقين عبر القيم ذات الصلة.

عندما يتفاعل X مع M في نموذج النتيجة، لا يعود الفصل البسيط بين mediation وinteraction كافيًا. قدم VanderWeele تفكيكًا رباعيًا يقسم الأثر الكلي إلى مكونات تمثل لا وساطة ولا تفاعل، تفاعلًا فقط، وساطة وتفاعلًا معًا، ووساطة فقط تحت افتراضات محددة. هذه أداة متقدمة ولا ينبغي تطبيقها دون فهم سؤال كل مكوّن وشروط التعريف.

Bootstrap وفواصل الثقة

توزيع حاصل ضرب معاملات الوساطة قد يكون غير متماثل، لذلك تستخدم طرق bootstrap كثيرًا لبناء فواصل ثقة للأثر غير المباشر. لكن bootstrap يعالج شكل عدم اليقين في العينة تحت النموذج؛ لا يصحح مربكًا غير مقاس أو ترتيبًا زمنيًا خاطئًا أو نموذجًا سببيًا غير معرف.

يجب ذكر نوع bootstrap وعدد الإعادات وطريقة الفاصل، أو الطريقة البديلة المستخدمة. والاعتماد على قيمة p وحدها يهمل حجم الأثر ومدى عدم اليقين.

القياس والخطأ في المتغير الوسيط

إذا كان M مقياسًا نفسيًا أو سلوكيًا به خطأ قياس، فقد يتشوه تقدير المسارات المباشرة وغير المباشرة. استخدام مجموع درجات كأنه قياس بلا خطأ قد يؤدي إلى attenuation أو أنماط أعقد. النماذج الكامنة SEM قد تساعد عندما تكون بنية القياس مدعومة، لكنها تضيف افتراضات عن النموذج والهوية وحجم العينة.

يجب التحقق من صلاحية المقياس في السكان واللغة والسياق، وعدم اعتبار معامل ثبات وحده إثباتًا لصلاحية الوسيط السببي.

المتغيرات الثنائية والبقاء والنماذج غير الخطية

في logistic أو survival أو count models لا تعمل قواعد التفكيك الخطية دائمًا كما يتوقع الباحث. تغير معامل X بعد إدخال M قد ينتج جزئيًا من rescaling لا من وساطة. الأطر السببية الحديثة تسمح بتعريف effects عبر أنواع نتائج مختلفة، لكن اختيار estimand وطريقة الحساب يصبح أكثر أهمية.

لذلك ينبغي استخدام طريقة منشورة ملائمة لنوع النتيجة وعدم نقل تفسير حاصل ضرب المعاملات من الانحدار الخطي إلى نموذج غير خطي بلا تحقق.

حجم العينة والقوة

التفاعلات والآثار غير المباشرة غالبًا تحتاج عينات أكبر من اختبار أثر رئيسي بسيط. القوة تعتمد على أحجام المسارات، تباين المتغيرات، القياس، توزيع W، نوع النتيجة والتصميم. لا توجد قاعدة مثل «100 مشارك تكفي للوساطة» تصلح للجميع.

الأفضل إجراء محاكاة أو حساب قوة خاص بالنموذج المتوقع، وتسجيل الافتراضات. عندما تكون الدراسة صغيرة يجب أن ينعكس ذلك في فواصل الثقة وفي تجنب لغة حاسمة.

تعدد الوسطاء والمعدلات

إضافة عدة وسطاء بالتوازي أو التسلسل قد تبدو أقرب للواقع، لكنها تزيد متطلبات الترتيب الزمني والمربكات والعلاقات بين الوسطاء. قد يكون وسيط سابق سببًا لوسيط لاحق، وقد يوجد مربك بينهما متأثر بالتعرض. نموذج PROCESS أو SEM معقد لا يجعل هذه البنية معرفة سببيًا تلقائيًا.

ينبغي البدء بنظرية واضحة، تعريف كل مسار، وتجنب البحث عبر عشرات النماذج حتى يظهر واحد دال. إذا كان التحليل استكشافيًا، أعلن ذلك واستخدمه لتوليد فرضيات.

أخطاء شائعة في الوساطة

من الأخطاء: إعلان «وساطة كاملة» لأن direct effect أصبح غير دال، اشتراط total effect دالًا قبل النظر في indirect effect، استخدام بيانات مقطعية مع لغة زمنية سببية، تجاهل mediator-outcome confounding، إدخال collider كمربك، تجاهل تفاعل exposure–mediator، أو تقديم proportion mediated عندما يكون الأثر الكلي قريبًا من الصفر أو المكونات متعاكسة بطريقة تجعل النسبة غير مستقرة.

كذلك لا يكفي عرض معاملات a وb وc بلا فواصل ثقة ولا تعريف effect. معيار AGReMA مفيد للإبلاغ عن السؤال، الرسم السببي، الافتراضات، التقديرات وعدم اليقين والحساسية.

أخطاء شائعة في التعديل

من الأخطاء تقسيم متغير مستمر إلى «مرتفع/منخفض» بلا سبب، لأن ذلك يفقد معلومات ويخلق حدودًا مصطنعة. ومن الأخطاء مقارنة دلالة داخل المجموعات بدل التفاعل، أو اختبار عشرات subgroup interactions بلا تصحيح أو تسجيل، أو عرض رسم جميل دون تقديرات وفواصل ثقة.

كما يجب عدم تفسير main effects بمعناها المعتاد بعد إضافة interaction دون ذكر القيمة المرجعية. وإذا كان التفاعل غير خطي، فقد يكون product term الخطي نفسه نموذجًا غير مناسب.

كيف تصمم تحليل وساطة جيدًا؟

قبل جمع البيانات

حدد X وM وY وترتيبها الزمني، وارسم فرضية سببية، وحدد المربكات التي ستقاس قبل كل علاقة. عرف الأثر الذي تريد تقديره، وهل تسمح البيانات بتفسير سببي أم وصفي فقط. اختر أوقات القياس، وحجم العينة، وخطة البيانات المفقودة، وطريقة الحساسية. سجّل الخطة مسبقًا عندما يكون التحليل تأكيديًا.

عند التحليل

ابدأ بالوصف وفحص القياس والقيم المفقودة. نفذ النماذج المتوافقة مع نوع المتغيرات. قدّم الأثر المباشر وغير المباشر أو التأثيرات المحددة مسبقًا مع فواصل ثقة. افحص التفاعل إذا كان جزءًا من السؤال لا كإضافة بعدية تلقائية. نفذ sensitivity analysis لمربكات غير مقاسة أو افتراضات رئيسية عندما تدعم الطريقة ذلك.

عند الإبلاغ

اذكر ما إذا كان التحليل primary أو secondary أو exploratory، ووصف التصميم والتوقيت والعينة. عرّف mediator وoutcome وconfounders وسبب اختيارها. اذكر estimator والبرنامج والإعدادات، وتقديرات الأثر وعدم اليقين، والانحرافات عن الخطة، والافتراضات والحدود. إذا كانت اللغة سببية، اربطها صراحة بفرضيات التعريف.

كيف تصمم تحليل تعديل جيدًا؟

حدد مسبقًا لماذا تتوقع أن يختلف الأثر حسب W وما المقياس المهم. تجنب subgroup fishing. حافظ على W مستمرًا إذا كان ذلك مناسبًا، وحدد الترميز ونقاط العرض. اختبر interaction مباشرة، ثم اعرض conditional effects أو تنبؤات مع فواصل ثقة عند قيم ذات معنى.

إذا كانت النتيجة ثنائية أو معدلًا، فكر في المقياس الإضافي والضربي حسب السؤال. وفي التحليل السببي فرّق بين effect modification لتعرض واحد وinteraction لتعرضين قابلين للتدخل لأن متطلبات ضبط المربكات قد تختلف.

كيف يقيّم القارئ ورقة وساطة أو تعديل؟

اسأل: هل السؤال محدد قبل النتائج؟ هل الترتيب الزمني ممكن؟ هل توجد نظرية تجعل M وسيطًا لا مجرد متغير مرتبط؟ هل قيست المربكات المهمة؟ هل عُرّف effect المطلوب؟ هل النموذج يناسب نوع النتيجة؟ هل التفاعل جزء من السؤال؟ هل قُدمت أحجام أثر وفواصل ثقة وحساسية؟ وهل تفصل الخلاصة بين الارتباط والسببية؟

في moderation، افحص ما إذا كان الاختبار الحقيقي هو interaction لا مقارنة p-values داخل مجموعات. وفي mediation، افحص ما إذا كانت الدراسة تتعامل مع mediator-outcome confounding بدل افتراض أن عشوائية X تكفي.

روابط داخلية مترابطة

لربط هذه الصفحة بمنظومة البحث في روافد، راجع /content/study-designs-bias-and-causality لفهم التحيز والسببية، و/content/missing-data لمعالجة الفقد، و/content/preregistration لتسجيل الفرضيات والتحليلات، و/content/registered-reports للمراجعة قبل النتائج، و/content/evidence-literacy للقراءة النقدية، و/content/certainty-of-evidence-and-recommendations لفهم يقين الدليل، و/sections/research-evidence-learning لبقية الموارد.

أسئلة شائعة

الخلاصة

الوساطة والتعديل ليسا أسماء لنماذج جاهزة بل سؤالان عن بنية العلاقة: «عبر ماذا؟» و«متى أو لمن تختلف؟». التحليل القوي يبدأ من النظرية والزمن والرسم السببي وتعريف الأثر، ثم يختار النموذج. الأثر غير المباشر يحتاج افتراضات عن المربكات والتعريف لا تظهر من قيمة p، والتفاعل يحتاج اختبارًا مباشرًا وتفسيرًا على مقياس واضح. عند الجمع بينهما تصبح الأسئلة أكثر تعقيدًا ويجب الفصل بين المكونات والافتراضات. أفضل تقرير يعرض أحجام الأثر وعدم اليقين والحساسية بوضوح، ويستخدم اللغة السببية فقط عندما يستطيع التصميم والافتراضات دعمها.