متغیر میانجی

متغیر میانجی (Mediator Variable) متغیری است که به صورت غیرمستقیم بر جهت یا میزان رابطه متغیرهای مستقل و وابسته تاثیر می‌گذارد. تحلیل میانجی‌گری به پژوهشگر کمک می‌کند ماهیت واقعی روابط علّی را درک کند و بفهمد کدام سازه‌ها نقش «حلقه واسط» را در فرآیند اثرگذاری ایفا می‌کنند. در این مقاله تعریف دقیق، مثال‌های کاربردی، شیوه محاسبه و در نهایت مقایسه روشن بین متغیر میانجی و متغیر تعدیلگر ارائه خواهد شد.

تعریف متغیر میانجی

متغیر میانجی سازه‌ای است که مسیر اثرگذاری میان متغیر مستقل و وابسته را توضیح می‌دهد و نشان می‌دهد اثر X چگونه و از طریق چه فرایندی به Y منتقل می‌شود. در واقع، میانجی‌گری مشخص می‌کند که رابطه میان دو متغیر مستقیم نیست، بلکه از یک مکانیسم یا مرحله میانی عبور می‌کند.

مثال کاربردی: در پژوهش‌های مدیریت، «اعتماد» می‌تواند میانجی رابطه بین «کیفیت خدمت» و «وفاداری مشتری» باشد. یعنی کیفیت خدمت ابتدا اعتماد را افزایش می‌دهد و سپس اعتماد موجب افزایش وفاداری می‌شود.

میانجی به‌دنبال تبیین رابطه است، نه تغییر دادن آن. بنابراین برخلاف متغیر تعدیلگر، میانجی شدت یا جهت رابطه را تغییر نمی‌دهد بلکه چرایی و چگونگی رابطه را روشن می‌کند.

حالت‌های متغیر میانجی

در یک مدل کلاسیک می‌توان سه متغیر X، Y و M  را در نظر گرفت. متغیر مستقل X بر متغیر M اثر می‌گذارد و متغیر M نیز بر متغیر وابسته Y اثر می‌گذارد. در این حالت متغیر M در رابطه بین X و Y نقش میانجی دارد. میزان اثر میانجی را اثر غیرمستقیم گویند.

بگذارید مدل را بسط دهیم. ممکن است متغیر X به صورت مستقیم نیز بر متغیر Y تاثیر داشته باشد. بازهم تغییری در نقش متغیر M بوجود نخواهد آمد و همچنان باید اثر غیرمستقیم متغیر یا میانجیگر متغیر M در رابطه بین X و Y در نظر گرفته شود. انواع حالت‌های مختلف نقش میانجی متغیرها در شکل زیر ترسیم شده است.

برای سنجش انواع حالت‌های نقش میانجی می‌توان از شمول واریانس (VAF) استفاده کرد. با استفاده از مقدار VAF می‌توان میزان میانجی‌گری عناصر را در رابطه بین متغیرهای مختلف تبیین کرد. چنانچه ثابت شود که عنصری حالت میانجی دارد این نقش می‌تواند جزئی یا کامل باشد.

همچنین برای آنکه ثابت شود اثر میانجی معنادار است محاسبه آماره سوبل راهگشا است. اگر در سطح اطمینان ۹۵% این آزمون انجام شود آماره سوبل باید از ۱/۹۶ بیشتر باشد. در این صورت نقش میانجی عنصر مورد بررسی قابل قبول است.

محاسبه اثر میانجی متغیرها

متغیر میانجی یک متغیر مستقل درونزا است یعنی این متغیر نسبت به متغیر مستقل حالت وابسته دارد و نسبت به متغیر وابسته حالت مستقل دارد. همانطور که در شکل مشخص است اگر متغیر مستقل با X و متغیر وابسته با Y نمایش داده شود آنگاه :

• رابطه بین متغیر مستقل و وابسته را با XY نمایش می‌دهیم.
• رابطه بین متغیر مستقل و میانجی را با XM نمایش می‌دهیم.
• رابطه بین متغیر میانجی و وابسته را با MY نمایش می‌دهیم.

اثر کل متغیر X بر متغیر Y = XM + (XM*XY)

اثر مستقیم (Direct Effect): اثر مستقیم زمانی است که متغیر مستقل بدون واسطه بر متغیر وابسته تأثیر می‌گذارد. این همان ضریب مسیری است که مستقیماً از X به Y ترسیم می‌شود و نشان می‌دهد اگر X تغییر کند، Y چه مقدار و در چه جهتی تحت تأثیر قرار می‌گیرد.

اثر غیرمستقیم (Indirect Effect): اثر غیرمستقیم از طریق یک یا چند متغیر میانجی ایجاد می‌شود و نشان می‌دهد X چگونه از مسیر M بر Y اثر می‌گذارد. این اثر با ضرب ضرایب مسیرهای میانی محاسبه می‌شود و برای فهم مکانیسم اثرگذاری متغیرها اهمیت حیاتی دارد.

اثر کل (Total Effect): اثر کل برابر است با اثر مستقیم + اثر غیرمستقیم. این مقدار نشان‌دهنده مجموع اثرگذاری واقعی X بر Y است و به پژوهشگر کمک می‌کند بفهمد سهم هر مسیر چه میزان از تغییرات متغیر وابسته را توضیح می‌دهد.

معناداری اثر میانجی متغیرها

برای بررسی معناداری این روابط نیز می‌توان از آزمون سوبل استفاده کرد.

برای سنجش معناداری اثر میانجی، یکی از روش‌های کلاسیک آزمون سوبل (Sobel Test) است. این آزمون بررسی می‌کند که آیا مسیر غیرمستقیم X → M → Y از نظر آماری معنادار است یا خیر.

در آزمون سوبل، ضرایب مسیر و خطای استاندارد دو مسیر X→M و M→Y در یک فرمول ترکیب می‌شوند تا مشخص شود اثر غیرمستقیم قابل اعتماد است یا نه. با وجود کاربرد تاریخی این آزمون، محدودیت آن وابستگی به فرض نرمال بودن توزیع اثر غیرمستقیم است.

در روش حداقل مربعات جزئی (PLS-SEM) نیازی به محاسبه دستی آزمون سوبل یا استفاده از فرمول‌های پیچیده وجود ندارد. نرم‌افزار با استفاده از بوت‌استرپینگ، اثر غیرمستقیم را همراه با مقدار t و سطح معناداری محاسبه می‌کند و به‌صورت مستقیم مشخص می‌سازد که میانجی‌گری در مدل تأیید شده است یا خیر.

تفاوت متغیر تعدیل‌کننده و میانجی

متغیر میانجی سازوکاری را توضیح می‌دهد که از طریق آن متغیر مستقل بر متغیر وابسته اثر می‌گذارد. میانجی نشان می‌دهد رابطه X→Y مستقیم نیست و از یک مسیر میانی عبور می‌کند. اثر میانجی معمولاً به‌صورت غیرمستقیم و با ضرب ضرایب دو مسیر محاسبه می‌شود. نقش اصلی میانجی توضیح و تبیین رابطه است، نه تغییر شدت یا جهت آن.

در مقابل، متغیر تعدیل‌کننده (Moderator Variable) مشخص می‌کند که رابطه بین X و Y در چه شرایطی قوی‌تر یا ضعیف‌تر می‌شود. تعدیلگر مسیر اثر را توضیح نمی‌دهد بلکه میزان یا جهت رابطه را تحت تأثیر قرار می‌دهد. اثر تعدیلگری معمولاً با متغیر تعامل (X×M) سنجیده می‌شود. تفاوت اصلی این است که میانجی «چگونگی اثرگذاری» را روشن می‌کند، اما تعدیلگر «شرایط تغییر اثرگذاری» را نشان می‌دهد.

سخن پایانی

متغیر میانجی یکی از ابزارهای مهم در تحلیل روابط علّی است، زیرا به پژوهشگر امکان می‌دهد فراتر از یک رابطهٔ ساده، سازوکارهای پنهان و فرآیندهای واقعی اثرگذاری را کشف کند. تمایز میان میانجی و تعدیلگر به‌ویژه در پژوهش‌های مدیریتی ضروری است، چراکه یکی به دنبال تبیین رابطه و دیگری به دنبال تغییر رابطه است. در این مقاله با تعریف میانجی، مثال‌های کاربردی و تفاوت آن با متغیر تعدیلگر آشنا شدیم تا چارچوبی دقیق و قابل‌اعتماد برای تحلیل پیشرفتهٔ مدل‌های پژوهشی فراهم شود.

منبع: حبیبی، آرش؛ سرآبادانی، مونا. (۱۴۰۱). آموزش کاربردی SPSS. تهران: نارون‌دانش.