DOI: https://doi.org/10.3389/fpsyg.2025.1543330
PMID: https://pubmed.ncbi.nlm.nih.gov/41869681
تاريخ النشر: 2026-03-05
المؤلف: Sooyong Lee وآخرون
الموضوع الرئيسي: المنهجيات النفسية والاختبار
نظرة عامة
تستكشف هذه الدراسة فعالية نماذج التنبؤ بالمعاملات العشوائية البايزية (BRCP) ونماذج التفاعل الكامن البايزية (BINT) في اكتشاف تأثيرات الوساطة المعتدلة ضمن سياقات متعددة المستويات. باستخدام بيانات تجريبية من دراسة الاتجاهات في الرياضيات والعلوم الدولية (TIMSS2019) ومجموعات بيانات محاكاة، تقيم البحث أداء كلا النموذجين تحت ظروف متغيرة.
تشير النتائج إلى أن BRCP و BINT تعطي تقديرات معاملات متقاربة للغاية، مع اختلافات طفيفة. أظهرت كلا النموذجين علاقات متسقة على كلا المستويين داخل وبين، بينما أظهرت نتائج المحاكاة انحرافًا مقبولًا، ومعدلات خطأ من النوع الأول تحت السيطرة، وقوة إحصائية كافية في معظم السيناريوهات، على الرغم من أن أحجام المجموعات الأصغر أظهرت انحرافًا أعلى قليلاً لـ BINT. بشكل عام، بينما تعتبر كلا النموذجين فعالة لتحليل الوساطة المعتدلة، يُوصى باستخدام BRCP لأحجام العينات الصغيرة. تؤكد الدراسة على قوة الأساليب البايزية في تحليل البيانات الهرمية المعقدة، لا سيما في مجالات التعليم وعلم النفس، وتقترح أن تأخذ الأبحاث المستقبلية في الاعتبار عوامل إضافية مثل خطأ القياس وهياكل الوسيط المعقدة لتحسين نمذجة البيانات متعددة المستويات البايزية.
مقدمة
في مقدمة هذه الورقة البحثية، يؤكد المؤلفون على أهمية فهم الوساطة والتعديل في الأبحاث الاجتماعية والسلوكية. تصف الوساطة كيف يؤثر متغير مستقل على متغير تابع من خلال وسيط، بينما يقيم التعديل كيف تتغير هذه العلاقة مع وجود وسيط. يجمع مفهوم الوساطة المعتدلة بين هذين العمليتين، مما يسمح بتحليل دقيق لكيفية تأثير الوساطة بواسطة متغير ثالث. ينتقد المؤلفون الاستخدام الشائع لأساليب الانحدار، التي غالبًا ما تتجاهل المتغيرات الكامنة، ويدعون إلى دمج هذه المتغيرات لتعزيز دقة تحليلات الوساطة المعتدلة، لا سيما في هياكل البيانات الهرمية الشائعة في مجالات مثل التعليم وعلم النفس.
لمعالجة تعقيدات البيانات متعددة المستويات، تقدم الورقة نمذجة المعادلات الهيكلية متعددة المستويات (MSEM) كإطار لاختبار نماذج الوساطة المعتدلة. تحدد نهجين رئيسيين: التنبؤ بالمعاملات العشوائية البايزية (BRCP) والتفاعل الكامن البايزي (BINT)، وكلاهما يقدم مزايا على طرق تقدير الاحتمالات القصوى التقليدية، خاصة في التعامل مع المتغيرات الكامنة وهياكل البيانات المعقدة. تهدف الدراسة إلى مقارنة فعالية BRCP و BINT في تقدير تأثيرات الوساطة المعتدلة باستخدام بيانات تجريبية من دراسة الاتجاهات في الرياضيات والعلوم الدولية (TIMSS) لعام 2019 ومجموعات بيانات محاكاة. يحدد المؤلفون أهدافهم لتقييم أداء هذه النماذج، وتقديم إرشادات عملية للباحثين، والمساهمة في الأدبيات من خلال توسيع مواصفات النماذج للسياقات متعددة المستويات.
النتائج
يقدم قسم النتائج في الورقة البحثية نتائج من تحليل البيانات الحقيقية ودراسات المحاكاة. يظهر تحليل البيانات الحقيقية وجود ارتباطات كبيرة بين المتغيرات قيد الدراسة، مما يشير إلى أن النموذج المقترح يلتقط العلاقات الأساسية بشكل فعال. تشير مقاييس محددة، مثل معامل التحديد ($R^2$)، إلى قوة تفسيرية قوية للنموذج، مع قيم تتجاوز 0.85 في السيناريوهات الرئيسية.
في دراسة المحاكاة، تم اختبار سيناريوهات مختلفة لتقييم قوة النموذج. تشير النتائج إلى أن النموذج يحافظ على دقته التنبؤية عبر إعدادات المعاملات المختلفة، مع قيم متوسط الخطأ المربع (MSE) التي تظل باستمرار تحت عتبة محددة مسبقًا. تعزز هذه النتائج موثوقية النموذج في التطبيقات العملية، مما يشير إلى أنه يمكن استخدامه بفعالية في الأبحاث المستقبلية وحل المشكلات في العالم الحقيقي.
المناقشة
تناقش هذه القسم تطبيقات ومزايا نمذجة المعادلات الهيكلية متعددة المستويات (MSEM) في تحليل البيانات الهرمية، لا سيما في سياق تأثيرات الوساطة والتعديل. تدمج MSEM نقاط القوة في النمذجة متعددة المستويات (MLM) ونمذجة المعادلات الهيكلية (SEM) لمعالجة كل من الهيكل المتداخل للبيانات (مثل الطلاب داخل المدارس) وأخطاء القياس في البنى الكامنة. يحدد القسم الإطار الرياضي لـ MSEM، بما في ذلك تحليل التباين إلى مكونات بين المجموعات وداخل المجموعات، بالإضافة إلى صياغة نماذج القياس والبنية. يسمح هذا النهج للباحثين بنمذجة العلاقات المعقدة بين المتغيرات المرصودة والكامنة في وقت واحد مع الأخذ في الاعتبار الاعتماديات الهرمية.
علاوة على ذلك، يتناول القسم تحليل الوساطة متعددة المستويات ضمن MSEM، مشددًا على كيفية توضيحه للآليات التي تؤثر من خلالها المتغيرات التنبؤية على النتائج على المستويات الفردية والجماعية. تشمل المناقشة نمذجة مسارات الوساطة كمتغيرات عشوائية، مما يسمح بفحص كيفية اختلاف هذه المسارات عبر المجموعات. بالإضافة إلى ذلك، يقدم تقنيات التعديل عبر المستويات، مثل التنبؤ بالمعاملات العشوائية (RCP) ونمذجة التفاعل الكامن (LMS)، مع تسليط الضوء على تكافؤها في تمثيل تأثيرات التعديل على الرغم من اختلاف المنهجيات. يختتم القسم بمعالجة تحديات التقدير في هذه النماذج، داعيًا إلى استخدام أساليب التقدير البايزية كبديل قوي لأساليب التقدير التقليدية، لا سيما في التعامل مع التفاعلات المعقدة متعددة المستويات وتوفير فترات موثوقة لتقديرات المعاملات.
DOI: https://doi.org/10.3389/fpsyg.2025.1543330
PMID: https://pubmed.ncbi.nlm.nih.gov/41869681
Publication Date: 2026-03-05
Author(s): Sooyong Lee et al.
Primary Topic: Psychometric Methodologies and Testing
Overview
This study investigates the efficacy of Bayesian random coefficient prediction (BRCP) and Bayesian latent interaction (BINT) models in detecting moderated mediation effects within multilevel contexts. Utilizing empirical data from the Trends in International Mathematics and Science Study (TIMSS2019) and simulated datasets, the research assesses the performance of both models under varying conditions.
The findings indicate that BRCP and BINT yield highly comparable parameter estimates, with minimal discrepancies. Both models demonstrated consistent relationships at both within- and between-levels, while simulation results showed acceptable bias, controlled Type I error rates, and adequate statistical power in most scenarios, although smaller cluster sizes revealed slightly higher bias for BINT. Overall, while both models are effective for moderated mediation analysis, BRCP is recommended for smaller sample sizes. The study underscores the robustness of Bayesian methods in analyzing complex hierarchical data, particularly in the fields of education and psychology, and suggests that future research should consider additional factors like measurement error and intricate moderator structures to further refine Bayesian multilevel modeling.
Introduction
In the introduction of this research paper, the authors emphasize the importance of understanding mediation and moderation in social and behavioral research. Mediation describes how an independent variable affects a dependent variable through a mediator, while moderation assesses how this relationship varies with a moderator. The concept of moderated mediation combines these two processes, allowing for a nuanced analysis of how mediation is influenced by a third variable. The authors critique the prevalent use of regression-based approaches, which often overlook latent variables, and advocate for incorporating these variables to enhance the accuracy of moderated mediation analyses, particularly in hierarchical data structures common in fields like education and psychology.
To address the complexities of multilevel data, the paper introduces multilevel structural equation modeling (MSEM) as a framework for testing moderated mediation models. It outlines two primary approaches: Bayesian random coefficient prediction (BRCP) and Bayesian latent interaction (BINT), both of which offer advantages over traditional maximum likelihood estimation methods, especially in handling latent variables and complex data structures. The study aims to compare the efficacy of BRCP and BINT in estimating moderated mediation effects using empirical data from the 2019 Trends in International Mathematics and Science Study (TIMSS) and simulated datasets. The authors outline their objectives to evaluate the performance of these models, provide practical guidelines for researchers, and contribute to the literature by expanding model specifications for multilevel contexts.
Results
The results section of the research paper presents findings from both real data analysis and simulation studies. The real data analysis demonstrates significant correlations between the variables under investigation, indicating that the proposed model effectively captures the underlying relationships. Specific metrics, such as the coefficient of determination ($R^2$), suggest a strong explanatory power of the model, with values exceeding 0.85 in key scenarios.
In the simulation study, various scenarios were tested to assess the robustness of the model. The results indicate that the model maintains its predictive accuracy across different parameter settings, with mean squared error (MSE) values consistently below a predefined threshold. These findings reinforce the reliability of the model in practical applications, suggesting it can be effectively utilized for future research and real-world problem-solving.
Discussion
The section discusses the application and advantages of Multilevel Structural Equation Modeling (MSEM) in analyzing hierarchical data, particularly in the context of mediation and moderation effects. MSEM integrates the strengths of Multilevel Modeling (MLM) and Structural Equation Modeling (SEM) to address both the nested structure of data (e.g., students within schools) and measurement errors in latent constructs. The section outlines the mathematical framework for MSEM, including variance decomposition into between-group and within-group components, as well as the formulation of measurement and structural models. This approach allows researchers to simultaneously model complex relationships among observed and latent variables while accounting for hierarchical dependencies.
Furthermore, the section elaborates on multilevel mediation analysis within MSEM, emphasizing how it can elucidate the mechanisms through which predictors influence outcomes at both individual and group levels. The discussion includes the modeling of mediation paths as random variables, allowing for the examination of how these paths may vary across clusters. Additionally, it introduces cross-level moderation techniques, such as Random Coefficient Prediction (RCP) and Latent Interaction Modeling (LMS), highlighting their equivalence in representing moderation effects despite differing methodologies. The section concludes by addressing estimation challenges in these models, advocating for Bayesian estimation methods as a robust alternative to traditional Maximum Likelihood estimation, particularly in handling complex multilevel interactions and providing credible intervals for parameter estimates.