hayes model 4(매개모형)

진짜 많이 쓴느 매개모형이다. 개인적으로 그렇게 좋아하진 않는다. 왜냐하면 독립-종속의 관계를 설명해주는 변수를 알아보는 것은 뜻깊은 일이나 이에대한 근거를 이론적 근거에서 찾지 않고 통계에서 찾으려는 사람들이 너무 많기 때문이다. 

또한 각 변인간 관계에 대한 선행연구를 강박적으로 찾아서 모형을 억지로 맞추는 행태를 너무 많이 보았다. 어떤 모형이든 현상을 설명하는 종합적인 이론이나 논리적 흐름이 있어야 하는데 이런것이 무시되는 일이 특히 이 4번모델에서 많이 일어난다.

또한 model 1에서도 말했지만 난 부트스트래핑을 그리 좋아하지 않으며 매개모델 또한 sobel test가 맞다고 본다. 

그래도 남들이 많이 쓰니 내가 뭐라고......

 

---

가짜 데이터 만들어 보장

x<-rnorm(100)
me<-rnorm(100)+ x
y<-rnorm(100, 0,1)  + me
co1<-rnorm(100)

d<-data.frame(x,me,y,co1)

 

함수의 형태는 비슷비슷 하다. 나중에 그래프도 자동으로 그려지게 만들어야 겠다. 

boot4<-function(xxx,mmm,yyy,d,bootnum){
  ###estimate a*m
  boot4_1<-function(xxx,mmm,yyy,d){
    n<-sample(1:nrow(d),replace = T)
    nnk<-d[n,]
    nnk<-as.data.frame(nnk)
    k1<-lm(nnk[,mmm]~ nnk[,xxx], data=nnk)
    s1<-summary(k1)
    coem<-s1$coefficients
    eff<-as.data.frame(coem)
    eff<-eff[nrow(eff),1]
    k2<-lm(nnk[,yyy] ~ nnk[,xxx]+ nnk[,mmm], data = nnk)
    s2<-summary(k2)
    coem2<-s2$coefficients
    eff2<-as.data.frame(coem2)
    eff3<-as.data.frame(coem2)
    eff2<-eff2[nrow(eff2),1]
    eff3<-eff3[nrow(eff3)-1, 1]
    indi<-eff*eff2
    di<-eff3
    efff<-c(indi,di)
    efff<-matrix(efff, ncol = 2)
    efff
  }
  k<-1
  l<-matrix(rep(NA,bootnum*2),ncol = 2)
  l<-as.data.frame(l)
  repeat{
    l[k,]<-boot4_1(xxx,mmm,yyy,d)
    k<-k+1
    if(k>=bootnum+1) break
  }
  estimates<-list(l)
  ci1<-quantile(l[,1],probs = c(.001,0.01,0.05,0.10,0.90,0.95,0.99,.999))
  ci2<-quantile(l[,2],probs = c(.001,0.01,0.05,0.10,0.90,0.95,0.99,.999))
  kmkmkmkm<-list(c(mean(l[,1]),sd(l[,1])),ci1, c(mean(l[,2]),sd(l[,2])),ci2)
  names(kmkmkmkm)<-c("indirect_mean_BootSE", "indirect_CI",
                     "direct_mean_BootSE", "direct_CI")
  kmkmkmkm
}

 

결과를 보자

boot4(1,2,3,d,5000)
$indirect_mean_BootSE
[1] 0.8784139 0.1325100

$indirect_CI
     0.1%        1%        5%       10%       90%       95%       99%     99.9% 
0.4964033 0.5847602 0.6645350 0.7111847 1.0501284 1.1055232 1.1931782 1.3057117 

$direct_mean_BootSE
[1] 0.01722001 0.11904591

$direct_CI
      0.1%         1%         5%        10%        90%        95%        99%      99.9% 
-0.3470344 -0.2570686 -0.1800302 -0.1347329  0.1684458  0.2130696  0.2986578  0.4056497