Efekt pośredni (ang. indirect effect) to pojęcie odnoszące się do analizy mediacji, określające w jakim stopniu zmienna objaśniająca (niezależna) oddziałuje na zmienną objaśnianą (zależną) za pośrednictwem jednej lub więcej zmiennych pośredniczących (mediatorów).

Poniżej przedstawiono graf dotyczący najprostszego modelu mediacji wraz z poszczególnymi efektami:

W modelu tym mamy cztery ścieżki, które oznaczają odpowiednio:

• a – efekt główny predyktora na mediator (związek między zmienną niezależną a mediatorem);
• b – efekt wpływu mediatora na główną zmienną wyjaśnianą (związek między mediatorem a zmienną zależną);
• c’ – (czyt. c-prim) – efekt bezpośredni: oddziaływanie zmiennej niezależnej na zależną, przy odseparowaniu efektu mediatora (bezpośredni związek między zmienną zależną a niezależną);
• c – efekt całkowity zmiennej niezależnej na zmienną zależną (związek między zmienną niezależną a zależną zarówno bezpośredni jak i przy uwzględnieniu mediatora).

W tym ujęciu wzór na efekt pośredni będzie następujący: efekt pośredni = c – c’. Odejmując od efektu całkowitego efekt bezpośredni otrzymujemy efekt pośredni. Do obliczenia efektu pośredniego możemy skorzystać również ze wzoru na iloczyn: a*b.

Efekty pośrednie możemy wyliczać za pomocą różnych metod statystycznych np. PROCESS autorstwa Hayes’a lub modelowania równań strukturalnych (SEM), a same metody dostępne są w niemal każdym pakiecie statystycznym: SPSS, JAMOVI, JASP , czy środowisku R.

Efekty pośredniego wpływu pośredniego zazwyczaj bywają analizowane w oparciu o podejście bootstrapowe, jednak niektóre pakiety statystyczne dają także wgląd w wartość p znaną dla podejścia częstościowego (NHST).

W statystyce analiza wpływu pośredniego umożliwia lepsze zrozumienie złożonych zależności między zmiennymi, w szczególności wtedy, gdy efekt jednej zmiennej jest przekazywany przez inne pośredniczące zmienne. Takie badania są kluczowe do identyfikowania mechanizmów stojących za obserwowanymi zjawiskami dotyczącymi zależności między dwiema zmiennymi.