¿Qué es la mediación estadística?

La mediación estadística es un método utilizado para comprender el mecanismo mediante el cual una variable independiente (X) influye en una variable dependiente (Y) a través de una tercera variable llamada mediador (M). En esencia, la mediación responde a la pregunta ¿Cómo cómo? o ¿Por qué? un efecto ocurre. En lugar de simplemente observar que X conduce a Y, el análisis de mediación desempaca la cadena causal: X → M → Y. Esto permite a los investigadores identificar los procesos intermedios que transmiten el efecto.

La variable mediador está influenciada por la variable independiente y, a su vez, influye en la variable dependiente. Para una variable a funcionar como un verdadero mediador, debe satisfacer tres condiciones: (1) X debe predecir significativamente M, (2) X debe predecir significativamente Y, y (3) cuando ambos X y M se utilizan para predecir Y, el camino de M a Y debe ser significativo, y el efecto directo de X en Y debe ser reducido (mediación parcial) o no señalificado.

El modelo de mediación

Un modelo clásico de mediación consiste en tres ecuaciones de regresión:

  • Efecto total (c ruta): Y = b0 + b1X + e
  • Efecto de X en mediador (un camino): M = b0 + aX + e
  • Efecto de M y X en Y (b y c' caminos): Y = b0 + bM + c'X + e

El efecto indirecto se calcula como el producto a × b. Si este producto es estadísticamente significativo, se admite la mediación. Los enfoques modernos recomiendan intervalos de confianza de arranque para el efecto indirecto, ya que este método no asume la normalidad de la distribución de muestreo y proporciona una inferencia más precisa.

Cómo probar la mediación

Se han elaborado varios métodos para poner a prueba la mediación:

  • Barón y Kenny (1986) Pasos Causales Enfoque: El método clásico más citado. Requiere un efecto total significativo (c path) y luego prueba si los caminos a y b son ambos significativos. Si c' (efecto directo) ya no es significativo, se reclama la mediación completa. Este método tiene una baja potencia estadística y no prueba directamente el efecto indirecto.
  • Prueba de Sobel: Una prueba formal del efecto indirecto usando el error estándar de un × b. Asume una distribución normal, que a menudo se viola en pequeñas muestras o datos no normales.
  • Bootstrapping (recomendado): Resampule los datos muchas veces (por ejemplo, 5.000) para generar una distribución empírica de muestreo del efecto indirecto. Si el intervalo de confianza del 95% no incluye cero, la mediación está presente. Este método no requiere normalidad y es robusto para el tamaño de la muestra.
  • Intervalos de Confianza de Monte Carlo: Utiliza estimaciones simuladas de parámetros para construir intervalos, a menudo utilizados en modelos de ecuación multinivel o estructural.

Ejemplo de mediación

Considere un estudio que examina el efecto de un nuevo método de enseñanza (X) en los puntajes de prueba de estudiantes (Y). Los investigadores hipotesisten que el método de enseñanza mejora el compromiso de los estudiantes (M), que a su vez eleva las puntuaciones de prueba. En este caso, el compromiso es el mediador. El análisis de datos probaría si el método de enseñanza predice significativamente el compromiso (un camino), si el compromiso es significativo.

¿Qué es la moderación estadística?

El análisis de moderación examina cuándo o para quién difiere una relación entre variables en la fuerza o dirección. La variable moderator (W) interactúa con la variable independiente para afectar la variable dependiente. En otras palabras, la moderación responde a la pregunta: bajo qué condiciones es el efecto fuerte o débil, o cambia de signo? A diferencia de la mediación, la moderación no explica un mecanismo causal; identifica las condiciones de los límites o los factores de contingencia.

El modelo de moderación

En su forma más simple, la moderación se prueba utilizando múltiples regresiones con un término de interacción:

Y = b0 + b1X + b2W + b3(X × W) + e

Aquí, X × W es el producto de la variable independiente y el moderador. El coeficiente b3 indica si el moderador cambia la relación entre X y Y. Un b3 significativo implica moderación. Para los moderadores categóricos, el efecto de X en Y puede ser comparado a través de los niveles del moderador (por ejemplo, machos vs. hembras). Para los moderadores continuos, las pistas simples se trazan a menudo para visualizar valores de efecto

Cómo probar moderación

  • Prededores continuos de medio centímetro antes de crear el término de interacción para reducir la multicollinealidad y mejorar la interpretabilidad.
  • Ejecutar un modelo de regresión con X, W y X×W. Un valor p- significante para el término de interacción indica moderación.
  • Probe interacciones significativas usando análisis de pistas simples (por ejemplo, usando la técnica de Johnson-Neyman o enfoque de pick-a-point) para determinar el rango del moderador donde el efecto de X en Y es significativo.
  • Parcela la interacción para ayudar a la interpretación. Las opciones comunes incluyen el trazado de valores predichos de Y en ±1 SD o en percentiles específicos del moderador.

Ejemplo de moderación

Imagine un estudio sobre el efecto del ejercicio (X) sobre el bienestar mental (Y). Los investigadores sospechan que la relación es más fuerte para las personas con niveles altos de estrés de base (W). Aquí, el nivel de estrés modera el vínculo entre ejercicio y bienestar. El análisis de datos probaría el término de interacción (ejercicio × estrés). Si es importante, la simple pendiente de ejercicio sobre el bienestar en alta tensión sería mayor que en baja tensión.

Diferencias clave entre mediación y moderación

  • Propósito: La mediación explica proceso (como X afecta a Y); la moderación explica condiciones (cuando o para quién está presente el efecto).
  • Tercer papel variable: Un mediador es una variable intermedia en la secuencia causal; un moderador influye en la fuerza o dirección del efecto, pero no necesariamente está en la cadena causal.
  • Modelado estadístico: Mediación utiliza una serie de regresiones o análisis de ruta para probar efectos indirectos; la moderación utiliza un término de interacción en la regresión o ANOVA.
  • Interpretación: La mediación significativa sugiere un mecanismo causal; la moderación significativa sugiere la dependencia del contexto.
  • Hipótesis: Las hipótesis de mediación suelen proponer una explicación teórica; las hipótesis de moderación suelen proponer condiciones de límites.

Consideraciones avanzadas

Mediación moderada (análisis del proceso convencional)

Muchas preguntas de investigación combinan tanto mecanismos como límites. La mediación moderada ocurre cuando el tamaño de un efecto indirecto (a × b) varía a través de los niveles de un moderador. Por ejemplo, el efecto indirecto de la formación de empleo en el rendimiento mediante la adquisición de habilidades podría ser más fuerte para los empleados experimentados que para los novatos. Esto también se llama análisis de procesos condicionales y se prueba normalmente utilizando métodos de arranque que examinan el índice de mediación moderada (la pendiente del efecto indirecto en el efecto macros en el modo Andrew HaySS).

Moderación mediada

Menos común es la moderación mediada, donde el efecto de interacción entre X y un moderador W se transmite a través de un mediador M. Esto se prueba examinando si el término de interacción (X×W) predice M y si M entonces predice Y. Aunque conceptualmente posible, muchos investigadores argumentan que la distinción entre mediación moderada y moderación mediada es sutil y que el modelo apropiado depende de la teoría.

Software y métodos para la prueba

Varias herramientas estadísticas pueden manejar modelos de mediación y moderación:

  • SPSS con la macro PROCESS de Andrew Hayes (https://processmacro.org/) – ejecuta muchos modelos incluyendo simples modelos de mediación, moderación y procesos condicionales.
  • R paquetes: mediación (Imai, Keele, Tingley), lavaan para el modelado de ecuación estructural, interacciones para las pistas simples, y proceso R que replica la funcionalidad PROCESS.
  • Mplus – potente para la mediación y moderación complejas con variables latentes, arranques y estimación bayesiana.
  • Stata – comandos como , , y los comandos para gráficos de moderación.
  • JASP y Jamovi – software libre fácil de usar que incluye análisis de mediación y moderación impulsados por menús.

Para un tutorial detallado sobre la realización de análisis de mediación utilizando el macro PROCESS, vea la página del Instituto de Investigación y Educación Digital de la UCLA: https://stats.oarc.ucla.edu/spss/seminars/introduction-to-mediation-analysis/

Errores comunes y mejores prácticas

  • Confusando la mediación con moderación: Siempre esclare si está probando un mecanismo (mediación) o una condición de límite (moderación). El mal etiquetado conduce a una mala interpretación.
  • No comprobaciones: La mediación no supone error de medición, especificación correcta de modelo y no confundadores omitidos. La moderación asume linearidad y homogeneidad de la varianza.
  • Utilizando el método Baron y Kenny exclusivamente: Tiene baja potencia y no proporciona una prueba formal de efectos indirectos. La botstrapping es ahora estándar.
  • Ignorar los efectos de interacción en la moderación: Incluso si el término de interacción es significativo, los investigadores deben probarlo para entender la dirección y magnitud de la moderación.
  • Tamaños de muestra pequeños: La mediación y moderación requieren una potencia adecuada, especialmente para detectar efectos indirectos o interacciones. Use simulaciones de Monte Carlo o herramientas de análisis de potencia (por ejemplo, https://davidakenny.shinyapps.io/powerMediation/) para planificar tamaños de muestra.
  • No reportar tamaños de los efectos: Informe el tamaño de efecto indirecto (por ejemplo, efecto indirecto completamente estandarizado) y la proporción mediada para la mediación, y cambio R2 o f2 para la interacción de moderación.
  • Interpretación completa de la mediación: Incluso con efecto directo no significativo, pueden existir mediadores alternativos. La mediación es correlacional a menos que se utilicen diseños experimentales.

Conclusión

La mediación y la moderación son herramientas indispensables para entender las relaciones complejas entre variables. La mediación revela los mecanismos que vinculan la causa y el efecto, permitiendo a los investigadores definir puntos de influencia para la intervención. La moderación identifica los contextos en los que las relaciones son aplicaciones más fuertes y guiadas. Cuando se utilizan correctamente, estas técnicas transforman correlaciones simples en ideas matizadas sobre la causalidad y la variabilidad.