Słownik

Supresja

Supresja – efekt pośredni efekt, który występuje, gdy wprowadzenie trzeciej zmiennej do modelu analizy relacji między zmienną objaśniającą (niezależną) a zmienną objaśnianą (zależną) sprawia, że związek między tymi dwoma zmiennymi ulega zmianie. Mechanizm ten może działać w dwu kierunkach:

• Częściej spotykaną sytuacją jest, gdy supresor wzmacnia związek między dwoma zmiennymi. Dzieje się tak, gdy zmienna supresyjna “usuwa” zakłócenia w analizie, dzięki czemu relacja między zmiennymi staje się bardziej wyraźna.
• Z drugiej strony, supresor może osłabić związek między zmiennymi, gdy jego obecność ujawnia, że wcześniej zaobserwowany związek był tylko iluzją (korelacja pozorna), wynikającą z innych, niezbadanych wcześniej czynników. W takim przypadku, po uwzględnieniu zmiennej supresyjnej, pierwotny związek staje się słabszy, a czasem całkowicie zanika.

Choć efekt supresji tak jak mediacja jest efektem pośrednim między zmiennymi, to nie są to tożsame terminy:

• Supresor nie wyjaśnia mechanizmu, przez który zachodzi związek między zmiennymi, ale zmienia naszą interpretację tego związku, poprawiając jego przejrzystość lub siłę. Jest to zmienna odkryta post hoc, czyli po zebraniu danych.
• Mediacja dotyczy efektu przyczynowego, wyjaśnia dlaczego zachodzi związek między zmiennymi, pełniąc rolę “pośrednika”. Jest to zmienna ustalona w modelu ad hoc, czyli przed zbieraniem danych.

Przykładem supresji może być przewidywanie wyniku egzaminu (zmienna objaśniana Y) na podstawie dwóch zmiennych objaśniających: liczby godzin poświęconych nauce (X1) oraz poziomu stresu (X2). Na początku, po przeprowadzeniu analizy regresji prostej, czyli osobno dla każdego predyktora, może się okazać, że:

• Model 1: liczba godzin nauki ma niewielki wpływ (siłę efektu) na wynik egzaminu.
• Model 2: poziom stresu nie jest istotny na przyjętym poziomie istotności.

W takiej sytuacji możemy sprawdzić, jak wygląda model regresji wielorakiej, w której obliczamy korelację wielokrotną dla wszystkich predyktorów jednocześnie, uwzględniając też ich współliniowość. Po dodaniu zmiennej stresu (X2), może się okazać, że liczba godzin nauki (X1) zacznie mieć znacznie silniejszy i bardziej istotny wpływ na wynik egzaminu (Y). Poziom stresu działać będzie właśnie jako zmienna supresyjna, ponieważ eliminuje zakłócenia, wynikające z oddziaływania stresu (redukuje „szum”), które mogłyby wypaczyć wpływ liczby godzin nauki na wynik egzaminu.

Bez uwzględnienia supresji (osobne modele), moglibyśmy dojść do błędnych wniosków, ponieważ:

• Związek między godzinami nauki a wynikiem egzaminu mógłby wydawać się słaby lub nieistotny.
• Poziom stresu mógłby nie wykazywać istotnego wpływu na wynik egzaminu.

Natomiast po uwzględnieniu supresji:

• Związek między liczbą godzin nauki a wynikiem egzaminu staje się silniejszy i bardziej istotny, ponieważ kontrolujemy wpływ stresu.
• Poziom stresu, mimo że może być związany z godzinami nauki, nie wpływa już bezpośrednio na wynik egzaminu, ale pomaga w lepszym zrozumieniu wpływu samego czasu nauki.

Supresja pokazuje, jak dodatkowa zmienna, która na pierwszy rzut oka może wydawać się niezbyt ważna, zmienia naszą interpretację innych zmiennych i ich wpływ na wynik. Dlatego istotne w planowaniu badania jest uwzględnienie maksymalnej możliwej liczby zmiennych kontrolowanych, które mogą nam redukować czynniki zakłócające.