매개효과 분석

[이한숙]

매개효과 분석을 진행하려면 여러 단계를 거쳐야 합니다. 주로 사용되는 절차는 아래와 같습니다:

1. 독립변수(X)와 종속변수(Y)의 관계 확인: 우선 'group'이 각 보행 변수에 미치는 영향을 확인합니다.

2. 독립변수(X)와 매개변수(M)의 관계 확인: 'group'이 'condition'에 미치는 영향을 분석합니다.

3. 매개변수(M)와 종속변수(Y)의 관계 확인: 'condition'이 보행 변수에 미치는 영향을 분석합니다.

4. 간접효과 및 총효과 계산: 간접효과는 'group' → 'condition' → 'Y' 경로를 통해 나타나는 영향을 측정하고, 총효과는 독립변수(X)가 종속변수(Y)에 미치는 전체적인 영향을 평가합니다.

• 독립변수: group (인지기능: 정상군 vs 인지손상군)
• 매개변수: condition (보행조건: 1=평지, 2=물컵, 3=숫자세기)
• 종속변수: loadingresponsetime, preswingtime, firstdsp, swingphasetime, seconddsp, cofsi: MANOVA와 ANOVA 결과값에서 종속변수를 선정할 수 있음

# X → M → Y 형식으로 경로 설정
# X: group, M: condition, Y: loadingresponsetime, preswingtime, firstdsp, swingphasetime, seconddsp, cofsi

# 필요한 패키지 로드
library(lavaan)
library(openxlsx)

# 변수 정의
independent_var <- "group"  # 독립변수
mediator_var <- "condition"  # 매개변수
dependent_vars <- c("loadingresponsetime", "preswingtime", "firstdsp", 
                    "swingphasetime", "seconddsp", "cofsi")  # 종속변수들

# 데이터 구조 확인 (수치형 여부 확인)
str(data)  # 데이터 구조 확인
summary(data)  # 요약 통계 확인

# 수치형 변수 확인
is_numeric <- sapply(data, is.numeric)  # 데이터프레임의 각 변수에 대해 수치형인지 확인
print(is_numeric)

# 수치형 변수만 확인
numeric_vars <- names(data)[is_numeric]  # 수치형 변수의 이름을 추출
print(numeric_vars)

# 모델 정의
model <- '
  # 독립변수(X) -> 매개변수(M)
  condition ~ c1*group
  
  # 매개변수(M) -> 종속변수(Y)
  loadingresponsetime ~ c2*condition
  preswingtime ~ c3*condition
  firstdsp ~ c4*condition
  swingphasetime ~ c5*condition
  seconddsp ~ c6*condition
  cofsi ~ c7*condition
  
  # 독립변수(X) -> 종속변수(Y) (간접효과)
  loadingresponsetime ~ c8*group
  preswingtime ~ c9*group
  firstdsp ~ c10*group
  swingphasetime ~ c11*group
  seconddsp ~ c12*group
  cofsi ~ c13*group
'

# 모델 적합
fit <- sem(model, data = data)

# 필요한 패키지 로드
library(lavaan)
library(openxlsx)

# 데이터 구조 확인 (수치형 여부 확인)
str(data)  # 데이터 구조 확인
summary(data)  # 요약 통계 확인

# 수치형 변수 확인
is_numeric <- sapply(data, is.numeric)  # 데이터프레임의 각 변수에 대해 수치형인지 확인
print(is_numeric)

# 수치형 변수만 확인
numeric_vars <- names(data)[is_numeric]  # 수치형 변수의 이름을 추출
print(numeric_vars)
# 변수 정의
independent_var <- "group"  # 독립변수
mediator_var <- "condition"  # 매개변수
dependent_vars <- c("loadingresponsetime", "preswingtime", "firstdsp", 
                    "swingphasetime", "seconddsp", "cofsi")  # 종속변수들

1단계 
> model_1 <- paste(mediator_var, "~ c1*", independent_var)

> fit_1 <- sem(model_1, data = data)

> summary(fit_1, fit.measures = TRUE, standardized = TRUE)

# openxlsx 패키지 로드
library(openxlsx)

# 엑셀 파일 생성
wb <- createWorkbook()

# 시트 추가 (회귀 계수)
addWorksheet(wb, "Model_1_Regression")
capture.output(summary(fit_1, fit.measures = TRUE, standardized = TRUE), 
               file = "model_1_summary.txt")
writeData(wb, sheet = "Model_1_Regression", x = read.table("model_1_summary.txt", sep="\n", header = FALSE))

# 파일 저장
saveWorkbook(wb, "model_1_results.xlsx", overwrite = TRUE)

1단계 결과 해석

모델 적합도 및 주요 지표 해석:

1. 모델 종료 정보:

   • "lavaan 0.6-19 ended normally after 9 iterations": 모델은 9번의 반복 후 정상적으로 종료되었습니다. 이는 모델이 정상적으로 수렴했음을 의미합니다.

2. 최적화 방법:

   • "Estimator: ML": **최대우도법 (Maximum Likelihood Estimation)**을 사용하여 모델을 적합시켰습니다.
   • "Optimization method: NLMINB": 최적화 방법으로 NLMINB (Nonlinear Minimization Bound) 방법을 사용하였습니다.

3. 모델 파라미터 및 데이터:

   • "Number of model parameters: 2": 모델은 2개의 파라미터를 추정하고 있습니다.
   • "Number of observations: 267": 267개의 관측값을 사용하여 모델을 적합했습니다.

4. 모델 적합도 지표:

   • Chi-Square Test:

     • Test statistic: 0.000: 카이제곱 통계량이 0으로 나타나며, 이는 모델이 데이터에 잘 맞는다는 것을 의미할 수 있습니다.
     • Degrees of freedom: 0: 자유도는 0으로, 모델이 완전히 식별되었거나 과도한 제약이 있을 수 있음을 나타냅니다.
     • P-value: 1.000: P-value가 1.000으로, 모델이 완벽하게 적합된 것을 나타내며, 모델 적합에 문제가 없음을 의미합니다.

   • Comparative Fit Index (CFI):

     • CFI: 1.000: CFI 값이 1.000으로, 모델이 매우 잘 적합되었음을 의미합니다. CFI는 0에서 1 사이의 값으로, 0.90 이상이면 적합도가 좋다고 판단됩니다.

   • Tucker-Lewis Index (TLI):

     • TLI: 1.000: TLI도 1.000으로, 모델의 적합도가 매우 높다는 것을 나타냅니다.

   • Loglikelihood:

     • Loglikelihood user model (H0): -324.727: 모델의 로그 우도 값이 -324.727입니다. 이 값은 모델이 데이터를 얼마나 잘 설명하는지를 나타냅니다.
     • Loglikelihood unrestricted model (H1): -324.727: 제한이 없는 모델의 로그 우도 값도 같습니다. 두 값이 동일하면, 모델이 적절하게 설정되었음을 의미할 수 있습니다.

결론:

• 모델이 정상적으로 적합되었고, 적합도 지표는 매우 우수한 상태입니다 (CFI, TLI 모두 1.0).
• P-value가 1.000으로, 모델이 완벽하게 데이터에 적합되었음을 의미합니다.
• 자유도가 0이므로 모델이 식별되지 않았거나 과도한 제약을 포함하고 있을 수 있습니다.

> model_2 <-

' + loadingresponsetime ~ c2*condition

+ preswingtime ~ c3*condition

+ firstdsp ~ c4*condition

+ swingphasetime ~ c5*condition

+ seconddsp ~ c6*condition + cofsi ~ c7*condition

+ ' > fit_2 <- sem(model_2, data = data)

> model_3 <- ' + loadingresponsetime ~ c8*group + preswingtime ~ c9*group + firstdsp ~ c10*group + swingphasetime ~ c11*group + seconddsp ~ c12*group + cofsi ~ c13*group + ' > fit_3 <- sem(model_3, data = data)

> addWorksheet(wb, "Model3_Regression") > capture.output(summary(fit_3, fit.measures = TRUE, standardized = TRUE), + file = "model3_3_summary.txt") > writeData(wb, sheet = "Model3_Regression", x = read.table("model3_3_summary.txt", sep="\n", header = FALSE)) >

> model_total <- ' + # 독립변수(X) -> 매개변수(M) + condition ~ c1*group + + # 매개변수(M) -> 종속변수(Y) + loadingresponsetime ~ c2*condition + preswingtime ~ c3*condition + firstdsp ~ c4*condition + swingphasetime ~ c5*condition + seconddsp ~ c6*condition + cofsi ~ c7*condition + + # 독립변수(X) -> 종속변수(Y) (간접효과) + loadingresponsetime ~ c8*group + preswingtime ~ c9*group + firstdsp ~ c10*group + swingphasetime ~ c11*group + seconddsp ~ c12*group + cofsi ~ c13*group + ' > fit_total <- sem(model_total, data = data)