En estadística, la moderación y la mediación pueden ocurrir juntas en el mismo modelo. [1] La mediación moderada , también conocida como efectos indirectos condicionales , [2] ocurre cuando el efecto del tratamiento de una variable independiente A sobre una variable de resultado C a través de una variable mediadora B difiere dependiendo de los niveles de una variable moderadora D. Específicamente, la El efecto de A sobre B, y/o el efecto de B sobre C depende del nivel de D.
Langfred (2004) fue el primero en brindar un tratamiento integral de la cuestión de cómo conceptualizar la mediación moderada, clasificar diferentes tipos de modelos de mediación moderada y desarrollar la lógica y la metodología para el análisis estadístico de dichos modelos utilizando regresión múltiple. [3]
Debido a que no existía un procedimiento establecido para analizar modelos con mediación moderada, Langfred (2004) describe primero los diferentes tipos de modelos de mediación moderada que podrían existir, señalando que existen dos formas principales de mediación moderada. Tipo 1, en el que el moderador opera sobre la relación entre la variable independiente y el mediador, y Tipo 2, en el que el moderador opera sobre la relación entre el mediador y la variable dependiente. Langfred revisa las perspectivas existentes sobre la mediación moderada (James y Brett, 1984), [4] y señala que ya existe un enfoque estadístico aceptado para la mediación moderada de Tipo 1, como lo demuestran Korsgaard, Brodt y Whitener (2002). [5] La moderación de tipo 2, sin embargo, es más difícil estadísticamente, por lo que Langfred revisa tres posibles enfoques diferentes para el análisis y, en última instancia, recomienda uno de ellos como la técnica correcta.
A menudo se pasa por alto a Langfred (2004) porque el artículo académico en sí no trata sobre metodología estadística. Más bien, debido a que el modelo del artículo implicaba mediación moderada, se incluyó un apéndice muy extenso en el que se desarrollaron las definiciones y procedimientos para el análisis de regresión.
Muller, Judd e Yzerbyt (2005) proporcionaron claridad y definición adicionales de mediación moderada. [1] Las siguientes ecuaciones de regresión son fundamentales para su modelo de mediación moderada, donde A = variable independiente, C = variable de resultado, B = variable mediadora y D = variable moderadora.
Esta ecuación evalúa la moderación del efecto general del tratamiento de A sobre C.
Esta ecuación evalúa la moderación del efecto del tratamiento de A sobre el mediador B.
Esta ecuación evalúa la moderación del efecto del mediador B sobre C, así como la moderación del efecto del tratamiento residual de A sobre C.
Esta igualdad fundamental existe entre estas ecuaciones:
Para tener una mediación moderada, debe haber un efecto general del tratamiento de A sobre la variable de resultado C ( β 41 ), que no depende del moderador ( β 43 = 0). Además, el efecto del tratamiento de A sobre el mediador B depende del moderador ( β 53 ≠ 0) y/o el efecto del mediador B sobre la variable de resultado C depende del moderador ( β 65 ≠ 0).
Al menos uno de los productos en el lado derecho de la ecuación anterior no debe ser igual a 0 (es decir, β 53 ≠ 0 y β 64 ≠ 0, o β 65 ≠ 0 y β 51 ≠ 0). Además, dado que no hay una moderación general del efecto del tratamiento de A sobre la variable de resultado C ( β 43 = 0), esto significa que β 63 no puede ser igual a 0. En otras palabras, el efecto directo residual de A sobre la variable de resultado C, controlando por el mediador, está moderado.
Además de las tres formas propuestas por Muller y colegas en las que puede ocurrir la mediación moderada, Preacher, Rucker y Hayes (2007) propusieron que la variable independiente A en sí misma puede moderar el efecto del mediador B sobre la variable de resultado C. También propuso que una variable moderadora D podría moderar el efecto de A sobre B, mientras que un moderador diferente E modera el efecto de B sobre C. [2]
La mediación moderada se basa en los mismos modelos subyacentes (especificados anteriormente) que la moderación mediada. La principal diferencia entre los dos procesos es si existe una moderación general del efecto del tratamiento de A sobre la variable de resultado C. Si la hay, entonces hay moderación mediada. Si no hay moderación general de A sobre C, entonces hay mediación moderada. [1]
Para probar la mediación moderada, algunos recomiendan examinar una serie de modelos, a veces llamado enfoque gradual, y observar el patrón general de resultados. [1] Este enfoque es similar al método de Baron y Kenny para probar la mediación mediante el análisis de una serie de tres regresiones. [6] Estos investigadores afirman que una sola prueba general sería insuficiente para analizar los complejos procesos en juego en la mediación moderada y no permitiría diferenciar entre mediación moderada y moderación mediada.
También se ha sugerido el bootstrapping como método para estimar las distribuciones muestrales de un modelo de mediación moderada con el fin de generar intervalos de confianza. [2] Este método tiene la ventaja de no requerir que se hagan suposiciones sobre la forma de la distribución muestral.
Preacher, Rucker y Hayes también analizan una extensión del análisis de pendientes simples para la mediación moderada. Según este enfoque, se debe elegir un número limitado de valores condicionales clave del moderador que se examinarán. Además, se puede utilizar la técnica de Johnson-Neyman para determinar el rango de efectos indirectos condicionales significativos. [2]
Preacher, Rucker y Hayes (2007) han creado una macro de SPSS que proporciona estimaciones de arranque, así como resultados de Johnson-Neyman. Su macro quedó obsoleta con el lanzamiento de PROCESS para SPSS y SAS, descrito en Introducción a la mediación, moderación y análisis de procesos condicionales (Hayes, 2013) [7]