Dit is een contaminatie van moderatie en mediatie.
Moderaties zijn zelfs bijzonder goed mogelijk bij afwezigheid van een hoofdeffect, of zelfs beide hoofdeffecten. Als een interactie sterk genoeg is kan het over groepen heen effecten uitmiddelen. Bij een moderatiehypothese is er dus geen randvoorwaarde van een 'basisrelatie'.
In een mediatieanalyse is dit een van de beslisstappen die besproken worden in de context van het analyseproces van Baron & Kenny. Moderatie is geen mediatie. En zelfs daar is de randvoorwaarde van de 'basisrelatie' erg controversieel. Zelfs Baron & Kenny zelf komen met het geval van 'inconsistent mediation' waarbij de basisrelatie X->Y afwezig is, maar verschijnt zodra de mediator wordt toegevoegd. Dit is een situatie waar de M een suppressorvariabele is.
Even een edit door Gjalt-Jorn omdat dit erg belangrijk is:
Voor 'inconsistent mediation' en alle andere vormen van 'suppressor effects' (dus situaties waarin een effect in bivariate analyses afwezig is, maar wel verschijnt in een multivariate analyse) geldt dat je in je je analyseplannen, die je opstelde voordat je data ging verzamelen, moet onderbouwen waarom je dat effect verwacht en hoe je het gaat analyseren.
Als je na dataverzameling dit patroon ziet ('inconsistent mediation' of een andere vorm van suppression, oftewel, een verband wordt significant in multivariate analyses maar was dat bivariaat niet) dan is dat in bijna alle gevallen een statistisch artefact. Je mag dit dan niet rapporteren als 'inconsistent mediation' of 'suppression'.
Dat geldt voor alle effecten die pas verschijnen in multivariate analyses, maar waarvan je niet van te voren expliciet hebt vastgelegd dat je ze verwacht.
Als je dit soort verbanden aantreft als je aan het 'exploren' bent (i.e. analyses doet die je niet van te voren hebt vastgelegd), mag je in je discussie hoogstens noemen dat ze verder onderzoek waard zijn. Dit soort verbanden kunnen geen evidentie leveren voor je onderzoeksvragen of hypothesen, omdat je vaak heeeeel weinig power hebt om dergelijke effecten aan te tonen, en in combinatie met de theoretische onwaarschijnlijkheid (anders had je er immers wel van te voren analyseplannen voor gemaakt) betekent dat dat als je zo'n "spurious effect" aantreft, het hoogstwaarschijnlijk een statistisch artefact is (een type 1-fout).