Mediación en estadística

En estadística, el modelo de mediación busca identificar y explicar el mecanismo subyacente a la relación observada entre la variable independiente y la variable dependiente al incluir una tercera variable hipotética conocida como variable mediadora o variable intermedia. En lugar de una relación causal directa entre la variable independiente y la variable dependiente, el modelo de mediación supone que la variable independiente afecta a la variable mediadora no observada, que a su vez afecta a la variable dependiente. Así, la variable mediadora sirve para aclarar la naturaleza de la relación entre las variables independientes y dependientes [1] .

El análisis de mediación es necesario para comprender una relación conocida examinando el mecanismo subyacente por el cual una variable afecta a otra variable a través de la variable mediadora.

Efectos directos e indirectos

El efecto directo mide el grado en que cambia la variable dependiente cuando la variable independiente aumenta en uno y la variable mediadora permanece sin cambios. Por el contrario, el efecto indirecto mide el grado en que cambia la variable dependiente cuando la variable independiente permanece fija y la variable mediadora cambia en la cantidad que cambiaría si la variable independiente aumentara en un valor [2] . Un efecto indirecto caracteriza el grado en que la variable X influye en la variable Y a través de un mediador. En el diagrama, el efecto indirecto es el producto de los coeficientes y . El efecto directo es el coeficiente . En sistemas lineales, el efecto total es igual a la suma de directos e indirectos ( en el diagrama). En los modelos no lineales, el efecto global no suele ser igual a la suma de los efectos directos e indirectos, sino que es una combinación modificada de estos dos efectos [3] .

Mediación total y parcial

Una variable mediadora puede explicar total o parcialmente la relación observada entre dos variables.

En la mediación completa, la inclusión de la variable mediadora reduce a cero la relación entre la variable independiente y la dependiente (en el diagrama).

En la mediación parcial, la variable mediadora explica parte, pero no toda, la relación entre las variables independiente y dependiente. La mediación parcial implica no solo una relación significativa entre el mediador y la variable dependiente, sino también cierto grado de relación directa entre las variables independiente y dependiente. Para establecer el tipo de mediación, la disminución de la varianza de la variable independiente debe ser significativa. En este caso, se utiliza la prueba de Sobel [4] para determinar el nivel de significación .

La influencia de la variable independiente sobre la variable dependiente puede volverse insignificante cuando se introduce un mediador debido a un ligero cambio en la varianza . Así, es necesario demostrar una reducción significativa en la varianza explicada por la variable independiente antes de reclamar la mediación total o parcial. Es posible tener efectos indirectos estadísticamente significativos en ausencia de un efecto completo, lo que se explica por la presencia de varias vías intermedias que se anulan entre sí y se vuelven notorias cuando uno de los mediadores es fijo [2] . Esto significa que los términos mediación "parcial" y "total" siempre deben interpretarse en relación con el conjunto de variables presentes en el modelo [5] . Se debe distinguir entre fijar una variable y ajustarla, o ajustarla según el modelo de regresión. Estos conceptos sólo coinciden cuando todos los términos de error que no se muestran en el diagrama no están correlacionados estadísticamente . Cuando los errores están correlacionados, se deben hacer ajustes para neutralizar estas correlaciones antes de proceder con el análisis de mediación.

Prueba de Sobel

Se realiza la prueba de Sobel para determinar si la relación entre la variable independiente y dependiente se redujo significativamente tras la inclusión de la variable mediadora. En otras palabras, esta prueba evalúa si el efecto de la mediación es significativo [4] .

La prueba de Sobel es más precisa que los pasos de Baron y Kenny [6] - otro método para determinar la importancia de la mediación, sin embargo, el primero tiene un bajo poder estadístico . Esto significa que se necesitan tamaños de muestra grandes para detectar efectos significativos. Esto se debe a que el supuesto subyacente de la prueba de Sobel es el supuesto de normalidad. Debido a que la prueba de Sobel evalúa una muestra de acuerdo con una distribución normal , los tamaños de muestra pequeños y la asimetría en la distribución de la muestra pueden ser problemáticos. Por lo tanto, para esta prueba, se propuso una regla general que consiste en que para detectar un efecto pequeño, se requiere un tamaño de muestra de 1000, para detectar un efecto medio, a partir de 100, para detectar un efecto grande, a partir de 50 [ 7] .

El método bootstrap

El método de arranque tiene algunas ventajas sobre la prueba de Sobel, principalmente un aumento de potencia. Es no paramétrico . Por lo tanto, el método bootstrap no viola la suposición de normalidad y, por lo tanto, se recomienda para tamaños de muestra pequeños. El bootstrap implica un muestreo aleatorio múltiple de observaciones con reemplazo de datos para calcular la estadística deseada en cada remuestreo. Los cálculos sobre cientos o miles de remuestreos de arranque proporcionan una aproximación de la distribución de muestreo de las estadísticas en estudio. Hay una macro especial para usar bootstrap en SPSS [8] . Este método proporciona estimaciones puntuales e intervalos de confianza con los que evaluar la importancia del efecto de la mediación. Las estimaciones puntuales muestran la media sobre el número de muestras de arranque, y si el cero no se encuentra entre los intervalos de confianza resultantes, es seguro concluir que existe un efecto de mediación significativo.

Enfoques de la mediación

Bootstrap se está convirtiendo en el método de prueba de mediación más popular porque no requiere la hipótesis de normalidad y se puede usar de manera efectiva con tamaños de muestra más pequeños (N < 25) [9] . Sin embargo, la mediación todavía se define con mayor frecuencia utilizando la lógica de Baron y Kenny o la prueba de Sobel. Cada vez es más difícil publicar pruebas de mediación basadas únicamente en el método de Baron y Kenny, o pruebas que hacen suposiciones distributivas, como la prueba de Sobel. Por lo tanto, es importante considerar los datos de entrada al elegir un método.

En la regulación experimental del mediador se utiliza un esquema de causa y efecto. Implica que el investigador tiene el control de una tercera variable que puede ser el mecanismo subyacente de esta relación.

El modelo de medición de la mediación implica que se mide una posible variable intermedia y luego se utiliza el análisis estadístico para establecer la mediación . Este enfoque no implica cambiar el valor del mediador [10] .

Variables adicionales

Confundidor

En el entrelazamiento, las variables en competencia ( confundidores ) son mediadores potenciales alternativos o una causa no medida de la variable dependiente. Una variable adicional puede confundir la relación entre las variables independientes y dependientes. Las posibles variables de confusión pueden afectar tanto a la variable independiente como a la variable dependiente. Incluyen fuentes comunes de error de medición , así como otros factores compartidos por variables independientes y dependientes .

En los estudios experimentales se presta especial atención a los aspectos de regulación o fijación que puedan explicar los efectos del estudio. Cualquiera de estos problemas puede conducir a asociaciones falsas entre variables independientes y dependientes. Ignorar una variable de confusión puede sesgar las estimaciones empíricas del efecto causal de la variable independiente.

Supresor

Una variable supresora aumenta el poder predictivo de otra variable incluida en la ecuación de regresión. La supresión puede ocurrir cuando una variable causal está relacionada con la variable objetivo a través de dos variables mediadoras separadas, y cuando una de ellas es positiva y la otra es negativa. En este caso, cada variable mediadora suprime u oculta el efecto que se produce a través de la otra variable mediadora. Por ejemplo, puntajes de inteligencia más altos ( variable predictora ) pueden conducir a un aumento en la detección de errores (variable mediadora ), lo que a su vez puede conducir a una disminución en los errores de la línea de montaje (variable objetivo ); al mismo tiempo, la inteligencia también puede provocar un aumento del aburrimiento ( ), lo que a su vez puede conducir a un aumento de los errores ( ).

Así, por un camino de causalidad , la inteligencia reduce los errores, y por el otro los aumenta. Cuando ninguno de los mediadores se incluye en el análisis, la inteligencia parece tener poco o ningún efecto sobre los errores. Sin embargo, cuando se regula el aburrimiento, la inteligencia reduce los errores, y cuando se regula la detección de errores, la inteligencia aumenta los errores. Si se pudiera aumentar la inteligencia manteniendo constante sólo el aburrimiento, los errores disminuirían; si se pudiera aumentar la inteligencia manteniendo constante solo la detección de errores, los errores aumentarían.

En general, la omisión de supresores o variables de confusión conduce a la subestimación o sobreestimación del efecto sobre , por lo que disminuye o aumenta artificialmente la relación entre las dos variables.

Moderador

Los moderadores son variables que pueden hacer que la relación entre dos variables sea más fuerte o más débil. Tales variables caracterizan aún más las interacciones en la regresión al influir en la dirección y/o la fuerza de la relación entre y . Una relación moderada puede considerarse como una interacción. Esto sucede cuando la relación entre las variables y depende del nivel .

Mediación moderada

La mediación y la moderación pueden coexistir en modelos estadísticos .

En la moderación de la mediación, el efecto sobre el mediador y/o el efecto parcial sobre la variable dependiente dependen, a su vez, del valor de otra variable, el moderador. Esencialmente, en la mediación moderada, primero se establece la mediación, y luego se examina el hecho de que el efecto de la mediación se modera, describiendo la relación entre la variable independiente y la variable dependiente, diferentes niveles de otra variable [11] .

Modelos de mediación moderada

Hay cinco modelos posibles para la mediación moderada, que se muestran en los diagramas a continuación:

1. En el primer modelo, la variable independiente también modera la relación entre el mediador y la variable dependiente.
2. El segundo modelo incluye una nueva variable que modera la relación entre la variable independiente y el mediador (camino ).
3. El tercer modelo incluye una nueva variable moderadora que modera la relación entre el mediador y la variable dependiente (camino ).
4. En el cuarto modelo, una variable moderadora afecta tanto la relación entre la variable independiente y el mediador (camino ) como la relación entre el mediador y la variable dependiente (camino ).
5. El quinto modelo incluye dos nuevas variables moderadoras, una de las cuales modera el camino y la otra el camino [12] .

Notas

1. ↑ MacKinnon, DP (2008). Introducción al Análisis de Mediación Estadística . Nueva York: Erlbaum.
2. ↑ 12 Robins , JM ; Groenlandia, S. (1992). "Identificabilidad e intercambiabilidad para efectos directos e indirectos" Archivado el 3 de marzo de 2021 en Wayback Machine . epidemiología _ 3 (2): 143–55.
3. ↑ Perla, J. (2001). "Efectos directos e indirectos" Archivado el 9 de octubre de 2014 en Wayback Machine . Actas de la Decimoséptima Conferencia sobre Incertidumbre en Inteligencia Artificial, Morgan Kaufmann , 411–420.
4. ↑ 1 2 Sobel, ME (1982). "Intervalos de confianza asintóticos para efectos indirectos en modelos de ecuaciones estructurales" . Metodología sociológica . 13 :290–312.
5. ↑ Jay S. Kaufman, Richard F. MacLehose, Sol Kaufman. Una crítica adicional de la estrategia analítica de ajustar las covariables para identificar la mediación biológica  // Perspectivas e innovaciones epidemiológicas: EP+I. — 2004-10-08. - T. 1 . - S. 4 . — ISSN 1742-5573 . -doi : 10.1186/ 1742-5573-1-4 . Archivado desde el original el 23 de mayo de 2022.
6. ↑ Baron, RM y Kenny, DA (1986) "La distinción variable moderador-mediador en la investigación psicológica social: consideraciones conceptuales, estratégicas y estadísticas", Journal of Personality and Social Psychology , vol. 51(6), págs. 1173-1182.
7. ↑ David P. MacKinnon, Chondra M. Lockwood, Jeanne M. Hoffman, Stephen G. West, Virgil Sheets. Una comparación de métodos para probar la mediación y otros efectos de variables intervinientes  // Métodos psicológicos. - 2002-3. - T. 7 , núm. 1 . - S. 83 . — ISSN 1082-989X . Archivado desde el original el 16 de diciembre de 2020.
8. ↑ Andrew F. Hayes, PhD.  (Inglés) . Andrew F. Hayes, Ph.D. . Consultado el 25 de febrero de 2021. Archivado desde el original el 14 de enero de 2016.
9. ↑ Pruebas de Modelos de Mediación en SPSS y SAS . web.archive.org (18 de mayo de 2012). Recuperado: 25 de febrero de 2021. (indefinido)
10. ↑ Spencer, SJ; Zanna, diputado; Fong, GT (2005). "Establecimiento de una cadena causal: por qué los experimentos suelen ser más efectivos que los análisis de mediación para examinar los procesos psicológicos" Archivado el 27 de septiembre de 2020 en Wayback Machine (PDF). Revista de Personalidad y Psicología Social . 89 (6): 845–51.
11. ↑ Preacher, KJ, Rucker, D.D. & Hayes, AF (2007). Evaluación de hipótesis de mediación moderada: estrategias, métodos y prescripciones. Investigación conductual multivariante, 42, 185–227.
12. ↑ Dominique Muller, Charles M. Judd, Vincent Y. Yzerbyt. Cuando la moderación es mediada y la mediación es moderada  // Journal of Personality and Social Psychology. — 2005-12. - T. 89 , núm. 6 _ — S. 852–863 . — ISSN 0022-3514 . -doi : 10.1037 / 0022-3514.89.6.852 . Archivado el 25 de mayo de 2021.