It is likely you have correlation between the independent variables which means the direct effect has no variance left to explain given the variation is likely explained by the two new variables you added.

I'd suggest running a simple correlation analysis on your X variables and asking for multicollinearity diagnostics for your regression model to confirm this is the source of the bias.

If this happens when you add the mediator without this two other IVs that is to be expected as the indirect effect is explaining the variation as you would hope in mediation models.

Hope that helps

Paul.

Statically speaking it's could be mediation; nevertheless without theoratical foundation statical results have no sense.

Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of personality and social psychology, 51(6), 1173

372Revista de Educación, 354. Enero-Abril 2011, pp. 369-397Fecha de entrada: 09-04-2008 Fecha de aceptación: 07-10-2008López González, E., Pérez Carbonell, A. y Ramos Santana, G. modeLoscompLementariosaLanáLisis FactoriaLenLaconstruccióndeescaLasordinaLes: unejempLoapLicadoaLamedidadeL cLima sociaLauLaDe las opciones señaladas, la (c) es la que aquí exponemos con más detalle: aplicamos un modelo de AF de componentes principales con rotación oblicua a una escala de categorías ordinal –una escala Likert– y, a partir de los resultados, la solución factorial se comenta y amplía con otras estrategias.Conviene aclarar que hablamos de modelos multivariantes de interdependencia porque analizan todas las variables en conjunto sin mediar funciones de depen-dencia entre ellas (seguimos la clasificación de Hair, Anderson, Tatham y Black, 1999, p. 15). Son modelos que, lejos de suponer un panorama de alternativas esta-dísticas al AF entre las que el investigador se vea obligado a optar, pueden usarse de forma complementaria, de manera que la interpretación y configuración dimen-sional del Análisis Factorial, entre otros resultados, se ve mejorada. Es más, son mo-delos diseñados para trabajar con escalas no métricas que no reflejan cantidades relativas o de grado, lo que viene a resolver el inconveniente de detectar estructu-ras subyacentes con valores ordinales. Nos estamos refiriendo a modelos como el Escalamiento Multidimensional (EMD) no métrico, el Análisis de Conglomerados (AC) jerárquicos o el Análisis de Componentes Principales No Lineal (ACPNL).Problemas asociados al uso del Análisis Factorial y procedimientos propuestosEl esfuerzo por encontrar una estructura subyacente en un conjunto total de es-tímulos, como puede suponer una escala, es un proceso ineludible en el estudio de las propiedades métricas de instrumentos que se elaboran. A ello debe aña-dirse la gran profusión en la investigación educativa, en psicología aplicada, en estudios de opinión, de marketing, etc., del empleo de escalas de categorías en las que el sujeto responde a los ítems con un conjunto específico de cuantifica-dores lingüísticos (Cañadas y Sánchez, 1998), en su mayoría de cantidad (mucho, bastante, poco o nada), como sucede en una escala Likert. Así como estas esca-las aportan numerosas ventajas (son fáciles de desarrollar para el investigador, sencillas de comprender, de rápida respuesta) implican, no obstante, algunos problemas que difícilmente pueden eludirse