Master en Intervencin Familiar

Anlisis de datos en investigacin en contextos familiares: las

hiptesis de moderacin y mediacin

Ana Mara Lpez

rea de Metodologa de las Ciencias del Comportamiento. Departamento de Psicologa Experimental.

Introduccin

Las hiptesis de investigacin que queremos poner a prueba

condicionan el diseo de recogida y de anlisis de datos que
debemos utilizar. La madurez de un rea de conocimiento se
evala, en parte, por la capacidad para proponer hiptesis que
indiquen los mecanismos a travs de los que unas variables
influyen en otras. Dos de los mecanismos ms importantes en
investigacin en contextos de familia son los de moderacin y
mediacin. Al estudio de los modelos estadsticos que nos permitan
probar hiptesis de moderacin y de mediacin dedicaremos este
curso.

Tipos bsicos de relacin entre variables

Relacin espuria
Relacin sin analizar

X
Y

Relacin causal moderada

Relacin causal directa

Y
X

Relacin causal bidireccional

Y
Relacin causal mediada o indirecta

Efectos de moderacin y de mediacin: Definicin

Habitualmente existe una gran confusin entre lo que significa moderacin y
mediacin. Confusin desafortunada porque ambos tipos de efectos son muy
importantes para entender muchos fenmenos psicolgicos.
Una hiptesis de moderacin intenta determinar bajo que condiciones una relacin
se hace ms fuerte, ms dbil, desaparece o cambia de sentido. Una variable
moderadora es una variable cualitativa o cuantitativa que afecta a la magnitud y/o
sentido de una relacin entre una variable independiente o predictora y una variable
dependiente o criterio. A los efectos moderadores se les denomina tambin efectos
de interaccin.
La mediacin hace referencia a la influencia indirecta que una variable
independiente ejerce sobre una dependiente. Por ello a los efectos de mediacin se
les denomina tambin efectos indirectos.
Hay mltiples formas, desde el punto de vista metodolgico, de probar hiptesis de
mediacin y moderacin pero la ms sencilla, y a la vez flexible, consiste en utilizar
el modelo de regresin mltiple

Ejemplos de moderacin

VM: Sexo

VI: Motivacin

VM: Implicacin

VD: Rendimiento

VI:Turno

VD: Conflicto

Ejemplos de moderacin

Ejemplos de moderacin
PROTECTIVE EFFECT OF SUPPORTIVE FAMILY RELATIONSHIPS ON THE
INFLUENCE OF STRESSFUL LIFE EVENTS ON ADOLESCENT EXTERNALIZING
PROBLEMS
ALFREDO OLIVA; Alfredo Oliva; JESUS M JIMENEZ-MORAGO; AGUEDA PARRA

Ejemplos de mediacin

Ejemplos de mediacin

Ejemplos de mediacin

El modelo de regresin mltiple

X1
X2

X3
Xk
Como en la regresin simple las variables predictoras o independientes pueden ser cuantitativas o cualitativas

Ejemplos de investigacin en los que se utiliza el modelo de regresin clsico:

Deseamos estudiar la relacin entre sntomas de estrs, aos trabajados y salario.

En este caso las variables predictoras son cuantitativas.

Deseamos estudiar la relacin entre cansancio emocional, el sexo y el tipo de

contrato laboral distinguindose entre contrato indefinido y temporal.

Deseamos estudiar la relacin entre sobrecarga en el trabajo, falta de recursos, sexo

y tipo de contrato distinguindose para la variable tipo de contrato los siguientes
funcionario, laboral indefinido y temporal.

Expresin matemtica del modelo en la poblacin

Yi f X

ij

Y i 0 1 X
Y Y
i

0 1 X
2 X

i1

i1

2 X

... k X

i2

i2

... k X

ik

Y1

Y2
Y3

YN

1

1
1

1

X
X
X
X

11
21
31
N 1

X 12
X 22
X 32
X N2

X
X
X
X

Y XB e

1K
2K
3K
NK

0 1

1 2
3 3

K N

ik

i Y i i

Ejemplo:

Estimulacin materna

Nivel de desarrollo a
los 3 aos

0,48
0,01

Nivel de desarrollo a
los 6 aos

0,62
Estimulacin paterna

Yi 2 0 , 8 0 0 , 4 8 X 1 0 , 0 1 X 2 0 , 6 2 X

Coeficientesa

Sexo

Vlidos

Frecuencia
,00 Mujer
142
1,00 Hombre
173
Total
315

Modelo
1

(Constante)
Cansancio emocional
Sexo

Coeficientes no
estandarizados
B
Error tp.
1,987
,292
,157
,011
-,700
,248

Coeficientes
estandarizad
os
Beta
,614
-,124

t
6,812
14,001
-2,820

Sig.
,000
,000
,005

a. Variable dependiente: emesttotal

y 1,987 0,157 CE 0,700 SEXO

Para las mujeres Sexo 0
y 1,987 0,157 CE
Para los hom bres Sexo 1
y 1,987 0,700 0,157 CE

Coeficientesa

Modelo
1

(Constante)
Sexo
Personal

Coeficientes no
estandarizados
B
Error tp.
5,206
,281
-,915
,328
-,096
,336

Coeficientes
estandarizad
os
Beta
-,162
-,017

t
18,509
-2,787
-,285

Sig.
,000
,006
,776

a. Variable dependiente: emesttotal

Personal

y 5,206 0,915 SEXO 0,096 PERSONAL

Para las mujeres del PAS
y 5,206 0,915 0 0,096 0 5,206

Vlidos

Para las mujeres del PDI

y 5,206 0,915 0 0,096 1 5,206 0,096
Para los hom bres del PAS
y 5,206 0,915 1 0,096 0 5,206 0,915

,00 PAS
1,00 PDI
Total

Frecuencia
122
193
315

Sexo

Vlidos

Para los hom bres del PDI

y 5,206 0,915 1 0,096 1 5,206 0,915 0,096

,00 Mujer
1,00 Hombre
Total

Frecuencia
142
173
315

Efectos de moderacin: anlisis de datos mediante el

modelo de regresin mltiple

Para que el modelo de regresin mltiple permita responder a hiptesis de moderacin,

adems de las variables independiente y moderadora, debemos incluir una nueva variable
obtenida mediante el producto de las variables moderadora e independiente. La inclusin del
producto de las variables permite al investigador probar la presencia de relaciones
moderadas. Esquemticamente el modelo de regresin para el problema de moderacin ms
simple sera:

Relacin causal moderada

e
b1
b2

b3
XxZ

Yi b0 b1 X i b2 Z i b3 X i Z i

Efectos de moderacin: anlisis de datos mediante el

modelo de regresin mltiple

La hiptesis de moderacin se confirma si b3 es estadsticamente

significativo y en ese caso, reordenando los trminos de la ecuacin
anterior, es fcil ver como cambia la magnitud de la relacin entre X e Y
cuando vara Z

Yi b0 b1 X i b2 Z i b3 X i Z i

Yi b0 b2 Z i b1 b3 Z i X i

Efectos de moderacin: anlisis de datos mediante el

modelo de regresin mltiple

Consideraremos cuatro casos de moderacin segn el tipo de variables:

Variable Moderadora

Variable
Independiente

Cualitativa

Cuantitativa

Cualitativa

Caso 1

Caso 3

Cuantitativa

Caso 2

Caso 4

Efectos de moderacin: anlisis de datos mediante el

modelo de regresin mltiple
Etapas en el anlisis de datos:
1. Codificacin de las variables cualitativas
2. Diferenciacin o estandarizacin de las variables
cuantitativas
3. Creacin de la variable producto
4. Estimacin de los parmetros de la regresin
5. Interpretacin de los resultados y representacin de la
interaccin
6. Significacin de pendientes simples

Caso 1: Codificacin de las variables cualitativas Efectos

de moderacin
utilizaremos la codificacin dummy o ficticia para las variables cualitativas. En este caso
hemos creado dos variables (familiar e institucional) asignando un 1 a los sujetos que reciben
apoyo familiar y un 1 a los sujetos que reciben apoyo institucional. Para ambas variables el 0
representa ausencia de apoyo. La siguiente tabla es una porcin de la matriz de datos que
vamos a analizar.

Apoyo Institucional

Apoyo familiar

caso1.sav

Calidad de vida

Caso 1: Creacin de la variable producto

1 Seleccionamos Calcular del men Transformar

2 Escribimos un nombre para la variable de

destino: Interaccin.
3 Seleccionamos la variable familiar y la
insertamos en el cuadro
4 Seleccionamos el operador producto
5 Seleccionamos la variable institucional y la
insertamos a continuacin del operador

Caso 1. Estimacin de parmetros mediante regresin

jerrquica
Cuando se utilice el modelo de regresin con trminos de interaccin conviene introducir en primer
lugar a las variables predictora y moderadora y en una segunda Etapa se introducen las variables
1 Seleccionamos la opcin de Regresin
producto.
Lineal del men Analizar

2 Insertamos VD
3 Insertamos VI y VM
4 Pulsamos Siguiente e incluimos
la interaccin

5 Pulsamos en Estadsticos y
seleccionamos Matriz de covarianzas y
Cambio en R2

Caso 1. Interpretacin de los resultados y

representacin de la interaccin
b
Variables introducidas/eliminadas

Modelo
1
2

Variables
introducidas
institucional,
a
familiar
interaccina

Variables
eliminadas

Mtodo
.

Introducir

Introducir

a. Todas las variables solicitadas introducidas

b. Variable dependiente: calidad

La hiptesis de moderacin se confirma si el incremento en proporcin de variabilidad

debida a la interaccin es significativo como as ocurre en este caso.
Resumen del modelo
Estadsticos de cambio
Modelo
1
2

R
R cuadrado
,787a
,619
b
,813
,661

R cuadrado
corregida
,611
,650

Error tp. de la
estimacin
1,89726
1,79907

Cambio en
R cuadrado
,619
,042

Cambio en F
78,731
11,876

a. Variables predictoras: (Constante), institucional, familiar

b. Variables predictoras: (Constante), institucional, familiar, interaccin
c
ANOVA

Modelo
1

Regresin
Residual
Total
Regresin
Residual
Total

Suma de
cuadrados
566,800
349,160
915,960
605,240
310,720
915,960

gl
2
97
99
3
96
99

Media
cuadrtica
283,400
3,600
201,747
3,237

F
78,731

Sig.
,000a

62,332

,000b

a. Variables predictoras: (Constante), institucional, familiar

b. Variables predictoras: (Constante), institucional, familiar, interaccin
c. Variable dependiente: calidad

gl1

gl2
2
1

97
96

Sig. del
cambio en F
,000
,001

Caso 1. Interpretacin de los y representacin de la

interaccin
Coeficientesa

Modelo
1

(Constante)
familiar
institucional
(Constante)
familiar
institucional
interaccin

Coeficientes no
estandarizados
B
Error tp.
2,740
,329
4,040
,379
2,520
,379
3,360
,360
2,800
,509
1,280
,509
2,480
,720

Correlaciones de los coeficientesa

Coeficientes
estandarizad
os
Beta
,667
,416
,463
,211
,355

a. Variable dependiente: calidad

Modelo
1

t
8,338
10,647
6,641
9,338
5,503
2,515
3,446

Sig.
,000
,000
,000
,000
,000
,014
,001

Correlaciones
Covarianzas

Correlaciones

Covarianzas

institucional
familiar
institucional
familiar
institucional
familiar
interaccin
institucional
familiar
interaccin

institucional
1,000
,000
,144
,000
1,000
,500
-,707
,259
,129
-,259

familiar
,000
1,000
,000
,144
,500
1,000
-,707
,129
,259
-,259

interaccin

-,707
-,707
1,000
-,259
-,259
,518

a. Variable dependiente: calidad

Familiar

Institucional

Y ajustada

0 (No)

0 (No)

3,36

1 (Si)

0 (No)

6,16

0 (No)

1 ( Si)

4,64

1 (Si)

1 (Si)

9,92

Yi 3,36 2,8 X 1,28 Z 2,4 XZ

Yi 3,36 1,28 Z 2,8 2,4 Z X
Si Z 0 entonces Yi 3,36 2,8 X
Si Z 1 entonces Yi 4,64 5,28 X

Caso 1. Interpretacin de los y representacin de la

interaccin
Para representar la interaccin en el caso 1 podemos utilizar el men de Grficos interactivos de
SPSS

Caso 1. Interpretacin de los y representacin de la

interaccin

N0

Si

Regresin lineal

12,50

10,00

1calidad = 4,64 + 5,28 * familiar

R-cuadrado = 0,63

7,50

5,00

1calidad = 3,36 + 2,80 * familiar

R-cuadrado = 0,48

2,50

0,00

0,25

0,50

familiar

0,75

1,00

0,00

0,25

0,50

0,75

1,00

familiar

graficocaso1.xls

Caso 1. Significacin de pendientes simples

Con la significacin de la interaccin ya se sabe que las pendientes de las rectas son estadsticamente
distintas. Pero las dos corresponden a relaciones significativas entre apoyo familiar y calidad o por el
contrario slo una de ellas es significativa. Para responder a esta cuestin recurrimos a un test de
pendientes simples basado en el estadstico t de Student

b1 b3 Z i

SEb21 2 Z i cov b1b3 Z i2 SEb23

Se rechaza la H0 si: t >+tc

o de manera equivalente si:
p<

Por el contrario, se acepta la H 0 si: t +tc

o de manera equivalente si:
p

Caso 1. Significacin de pendientes simples

t

t1
t2

b1 b3 Z i

SE b21 2 Z i cov b1b3 Z i2 SE b23

2,8

0,259 2 0 0,259 0 0,518

5,503

5,28

0,259 2 1 0,259 1 0,518

Correlaciones de los coeficientesa

Modelo
1

Correlaciones
Covarianzas

Correlaciones

Covarianzas

institucional
familiar
institucional
familiar
institucional
familiar
interaccin
institucional
familiar
interaccin

institucional
1,000
,000
,144
,000
1,000
,500
-,707
,259
,129
-,259

familiar
,000
1,000
,000
,144
,500
1,000
-,707
,129
,259
-,259

interaccin

10,39

>

t (0,05, 96) =2

>
Rechazo de H0: el apoyo familiar
mejora significativamente la
calidad de vida cuando hay apoyo
institucional y cuando no hay
apoyo institucional.

-,707
-,707
1,000
-,259
-,259
,518

a. Variable dependiente: calidad

Para facilitar los clculos puedes utilizar la hoja: significacin de

pendientes simples

Efectos de moderacin: anlisis de datos mediante el

modelo de regresin mltiple

Consideraremos cuatro casos de moderacin segn el tipo de variables:

Variable Moderadora

Variable
Independiente

Cualitativa

Cuantitativa

Cualitativa

Caso 1

Caso 3: prcticas

Cuantitativa

Caso 2: prcticas

Caso 4

Caso 4: Variable predictora y moderadora cuantitativas

Planteamos la siguiente hiptesis: la calidad de la relacin con los padres modera la relacin entre la presin
que reciben los adolescentes de sus iguales en relacin al consumo de drogas y la actitud de los
adolescentes ante el consumo. Es decir plantemos una hiptesis correspondiente a una relacin moderada
en donde la influencia de los iguales sobre la actitud va a depender del clima familiar. Esquemticamente la
hiptesis que planteamos es:

Clima

Presin

Actitud

Las variables clima y presin se miden en una escala tipo Likert de 5 puntos. La escala del clima familiar va desde
muy malo: 1 punto hasta muy bueno: 5 puntos. La escala de actitud oscila desde muy desfavorable: 1punto hasta
muy favorable: 5puntos.

Caso 4: Variable predictora y moderadora cuantitativas

Seguiremos los pasos o etapas planteados antes para contrastar hiptesis de moderacin
con regresin lineal mltiple. En este caso trabajamos con la matriz que se muestra a
continuacin:

caso4.sav

Caso 4: Diferenciacin o estandarizacin de las variables

cuantitativas
1. Calculamos descriptivos bsicos: media y desviacin tipo para las variables predictora y moderadora.
Cmo?:
1.1 Seleccionamos Estadsticos descriptivos del men Analizar
1.2 Seleccionamos Descriptivos
1.3 Insertamos las variables presin y clima en el cuadro Variables
1.4 Seleccionamos Aceptar

Caso 4: Diferenciacin o estandarizacin de las variables

cuantitativas
Con la secuencia anterior obtenemos la siguiente Tabla

Estadsticos descriptivos
N
presion
climafa
N vlido (segn lista)

125
125
125

Mnimo
1,00
1,00

Mximo
5,00
5,00

Media
3,0000
3,0000

Desv. tp.
1,41990
1,41990

Para obtener las puntuaciones diferenciales (tambin se denominan centradas) de presin y clima creamos
en el editor de datos dos nuevas variables restndoles a las originales sus media respectivas. Es decir la
variable presin en diferenciales se obtiene restando 3 a las puntuaciones directas y lo mismo con clima. Los
pasos para obtener estas nuevas variables son:

Caso 4: Diferenciacin o estandarizacin de las variables

cuantitativas
2 Creamos las nuevas variables centradas
2.1 Seleccionamos Calcular del men Transformar

2.2 Escribimos un nombre para la variable de destino

en el cuadro Variable de destino: presiondif.
2.3 Seleccionamos la variable presin y la insertamos
en el cuadro Expresin numrica
2.4 Seleccionamos el operador diferencia
2.5 Insertamos la media de la variables presin
2.6 Seleccionamos Aceptar

Caso 4: Diferenciacin o estandarizacin de las variables

cuantitativas

Para la creacin de la variable clima en diferenciales repetimos la secuencia anterior. El resultado es una matriz de datos con
dos nuevas columnas

Caso 4: Creacin de la variable producto

1 Volvemos a Seleccionar Calcular del men Transformar

2 Escribimos un nombre para la variable de destino:

Interaccin.
3 Seleccionamos la variable presiondif y la
insertamos en el cuadro Expresin Numrica
4 Seleccionamos el operador producto
5 Seleccionamos la variable climadif y la insertamos
a continuacin del operador en el cuadro de
Expresin numrica
6 Seleccionamos Aceptar

Caso 4: Creacin de la variable producto

Con las operaciones de diferenciacin de variables y creacin de la variable producto de las etapas anteriores, tenemos
la matriz de datos preparada para probar hiptesis de moderacin cuando las variables son cuantitativas:

Caso 4. Estimacin de parmetros mediante regresin

jerrquica
1 Seleccionamos la opcin de Regresin
Lineal del men Analizar

2 Insertamos Actitud en el cuadro Dependiente

3 Insertamos presiondif y climadif en el cuadro
Independientes

4 Pulsamos Siguiente e incluimos

la interaccin

5 Pulsamos en Estadsticos y
seleccionamos Matriz de covarianzas y
Cambio en R2

Caso 4. Interpretacin de los resultados y

representacin de la interaccin
b
Variables introducidas/eliminadas

Modelo
1
2

Variables
introducidas
presiondif,
a
climadif
interacciona

Variables
eliminadas

Mtodo
.

Introducir

Introducir

a. Todas las variables solicitadas introducidas

b. Variable dependiente: actitud

La hiptesis de moderacin se confirma si el incremento en proporcin de variabilidad

debida a la interaccin es significativo como as ocurre en este caso.
Resumen del modelo
Estadsticos de cambio
Modelo
1
2

R
R cuadrado
,901a
,813
,968b
,938

R cuadrado
corregida
,809
,936

Error tp. de la
estimacin
2,47942
1,43740

Cambio en
R cuadrado
,813
,125

a. Variables predictoras: (Constante), presiondif, climadif

b. Variables predictoras: (Constante), presiondif, climadif, interaccion

Cambio en F
264,333
242,000

gl1
2
1

gl2
122
121

Sig. del
cambio en F
,000
,000

Caso 4. Interpretacin de los y representacin de la

interaccin
ANOVAc
Modelo
1

Regresin
Residual
Total
Regresin
Residual
Total

Suma de
cuadrados
3250,000
750,000
4000,000
3750,000
250,000
4000,000

gl
2
122
124
3
121
124

Coeficientesa
Media
cuadrtica
1625,000
6,148
1250,000
2,066

F
264,333

605,000

a. Variables predictoras: (Constante), presiondif, climadif

b. Variables predictoras: (Constante), presiondif, climadif, interaccion
c. Variable dependiente: actitud

Coeficientes
Coeficientes no
estandarizad
estandarizados
os
B
Error tp.
Beta
11,000
,222
-2,000
,157
-,500
3,000
,157
,750
11,000
,129
-2,000
,091
-,500
3,000
,091
,750
-1,000
,064
-,354

Sig.
,000a

,000b

Modelo
1
(Constante)
climadif
presiondif
2
(Constante)
climadif
presiondif
interaccion

a. Variable dependiente: actitud

Yi b0 b1 X b2 Z b3 XZ 11 3 X 2 Z 1 XZ
Yi 11 2 Z 3 1Z X

Presiondiif

Climadif

XZ

Interaccin

t
49,602
-12,754
19,131
85,560
-22,000
33,000
-15,556

Sig.
,000
,000
,000
,000
,000
,000
,000

Caso 4. Interpretacin de los y representacin de la

interaccin
Para representar la interaccin cuando, las variables son cuantitativas, se suelen utilizar los valores predichos de las
rectas resultantes de sustituir la variable moderadora por valores especficos. Normalmente se suele representar las
rectas correspondientes a valores de la variable X y Z correspondientes a: -1Sd, 0, 1Sd. Estos valores corresponden a
sujetos representativos dentro de la distribucin: son sujetos que se encuentran a una desviacin tpica por debajo de
la media, en la media o a una desviacin tipo por encima de la media. Aunque tambin podemos representar, en este
caso dado que trabajamos slo con 5 valores, todas las rectas. Para obtener estos grficos vamos a utilizar la hoja de
clculo Excel. graficocaso4.xls

Caso 4. Significacin de pendientes simples

Con la significacin de la interaccin ya se sabe que las pendientes de las rectas son estadsticamente distintas. Pero la
pregunta, como en el caso 1, es si en todos los casos la relacin entre la presin de los iguales y la actitud ante el
consumo es estadsticamente significativa. Ya sabemos que para responder tenemos que obtener el valor del estadstico
de contraste para cada pendiente y compararlo con el valor crtico para un determinado nivel de significacin y para N-k-1
grados de libertad. Como tendramos que calcular, al menos, la significacin de las pendientes correspondientes a valores
bajo, medio y alto de presin vamos a utilizar de nuevo la hoja de clculo Excel.

b1 b3 Z i

SE

2
b1

Se rechaza la H0 si: t >+tc

o de manera equivalente si:
p<

2
2

2 Z i cov b1b3 Z i SEb

Por el contrario, se acepta la H0 si: t +tc

o de manera equivalente si:
p

Para facilitar los clculos puedes utilizar la hoja: significacin de

pendientes simples

Caso 4. Significacin de pendientes simples

Valores de la
variable
moderadora

Ordenadas en el
origen simples

Pendientes
simples

Error estndar

Valores de t

Valor deP
(significacin)

-2,00

15,00

5,00

0,15

32,27

0,00

-1,00

13,00

4,00

0,11

36,51

0,00

0,00

11,00

3,00

0,09

33,54

0,00

1,00

9,00

2,00

0,11

18,26

0,00

2,00

7,00

1,00

0,15

6,45

0,00

Como podemos ver en la tabla todos los valores de p son menores que 0,05 y concluimos por tanto
que la relacin entre presin de los iguales y actitud ante el consumo de drogas es significativa para
todos los valores de la variable clima familiar.

Ejercicios
Contrastar las siguientes hiptesis:
Un investigador cree que la relacin de la edad con la calidad de las relaciones entre Padres/madres e hijos/hijas
est moderada por el xito acadmico. A una muestra de 96 chicos y chicas de edades comprendidas entre los 10 y
los 19 aos se les ha clasificado en dos grupos: con xito acadmico y sin xito acadmico y tambin se ha
evaluado la calidad de la relacin con sus Padres. Los datos obtenidos estn disponibles en el archivo caso2.sav.
Realizar las operaciones necesarias para contrastar la hiptesis de moderacin planteada y responder a las
siguientes cuestiones:
1. Representa esquemticamente la hiptesis planteada por el investigador.
2. Los datos confirman la hiptesis del investigador? por qu?
3. Escribe la ecuacin estimada e interpreta los coeficientes
4. Representa la interaccin.
5. Se podra afirmar que la relacin entre calidad de la relacin y edad slo es significativa cuando hay xito
acadmico.

Etapas para contrastar la hiptesis de mediacin con el

modelo de regresin mltiple
El procedimiento ms frecuente para probar mediacin en una investigacin fue desarrollado por
Kenny (Judd & Kenny, 1981; Baron & Kenny, 1986; Kenny, Kashy, & Bolger, 1998 y MacKinnon et al.
(2002)) y consta de cuatro etapas que implican la estimacion de tres ecuaciones de regresin.
Recordemos que el esquema para representar la hiptesis de mediacin ms simple es:

Relacin causal mediada o indirecta

En el esquema anterior se representa que el efecto de la variable predictora (X) sobre la variable
criterio (Y) se establece por el efecto mediador de la variable Z.

Etapas para contrastar la hiptesis de mediacin con el

modelo de regresin mltiple
1 Etapa: demostrar que la variable predictora (X) est relacionada significativamente con la variable
criterio (Y). La consecucin de esta etapa implica la estimacin de la regresin simple de Y sobre X y
la comprobacin de que la pendiente c de la regresin estimada es significativo. Esquemticamente
estimamos la relacin:

c
X

Sobre la necesidad de llevar a cabo esta etapa para probar hiptesis de mediacin existen
discrepancias en la comunidad cientfica. Hay autores que piensan que no hace falta que X est
relacionada significativamente con Y para comprobar la hiptesis de mediacin. La razn es que c
puede resultar no significativo al ser la suma de efectos de signo contrario: directo e indirecto.

Etapas para contrastar la hiptesis de mediacin con el

modelo de regresin mltiple
2 Etapa: demostrar que la variable predictora (X) est relacionada significativamente con la variable mediadora (Z).
La consecucin de esta etapa implica la estimacin de la regresin simple de Z sobre X y la comprobacin de que la
pendiente a de la regresin estimada es significativa. Esquemticamente estimamos la relacin:

Z
a
X

b
Y

c
3 Etapa: demostrar que la variable mediadora (Z) est relacionada con la variable criterio (Y) manteniendo constante
el efecto de la variable X. La consecucin de esta etapa implica la estimacin de los coeficiente de la regresin
mltiple de Y sobre X y Z y la comprobacin de que el coeficiente b es significativo.

Etapas para contrastar la hiptesis de mediacin con el

modelo de regresin mltiple
4 Etapa: demostrar que la magnitud de la relacin de la variable predictora (X) con la variable criterio (Y) es
significativamente menor cuando se incluye la variable mediadora (Z). Es decir, c (efecto directo) es menor que c. Se
dice que hay mediacin completa si c es cero. En la mayora de los casos c es distinta de cero y la mediacin se dice
que es parcial. La diferencia entre c-c es el valor del efecto indirecto o mediado y es igual al producto de los
coeficientes a y b del esquema anterior. Resumiendo:

Efecto indirecto: (c-c) = ab

No es suficiente con probar que c y c son distintas hay que probar que son estadsticamente distintas para lo cual
podemos utilizar diferentes test. El ms utilizado es el test de Sobel aunque es muy exigente en cuanto al tamao de
muestra necesario (N>400). Tanto el test de Sobel como otros menos restrictivos en cuanto al tamao de muestra
podemos ejecutarlos con la hoja: test de efectos de mediacin.

Etapas para contrastar la hiptesis de mediacin con el

modelo de regresin mltiple
Utilizando el procedimiento descrito en las cuatro etapas anteriores vamos a probar la siguiente
hiptesis: el efecto de la reduccin de grasa corporal sobre la autoestima est mediada por la
coordinacin. Para probar esta hiptesis disponemos de una muestra de sujetos que practican
culturismo. A partir de los datos obtenidos:
1. Representar esquemticamente la hiptesis.
2. Calcular la magnitud del efecto indirecto o de mediacin.
3. Calcular la proporcin que del efecto total supone el efecto de mediacin.
4. Indicar si el efecto de mediacin resulta significativo.

Referencias
Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Thousand Oaks,
CA: Sage.
Baron, R. M., & Kenny, D. A. (1986). The moderatormediator variable distinction in social psychological
research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social
Psychology, 51, 11731182.
Cohen, J. (2003). Applied Multiple Regresion-Correlation Analysis for Behavioral Sciences. Mahwah, NJ:
Lawrence Erlbaum. http://0-site.ebrary.com.fama.us.es/lib/unisev
Frazier, P.A., Tix, A.P. & Baron, R.M. (2004). Testing Moderator and Mediator Effects in Counseling
Psychology Research. Journal of Counseling Psychology, Vol. 51, No. 1, 115134
Frosch, C.A., & Mangeldorf, S.C.(2001). Marital behavior, Parenting behavior, and Multiple reports of
PreschoolersBehavior Problems: Mediation or Moderator?. Develpmental Psychology, vol, 37, 4,
502-519
Jaccard, J., Turrisi, R., & Wan, C.K. (1990). Interaction Effects in Multiple Regression. Thousand Oaks: Sage.
Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating mediation in treatment
evaluations. Evaluation Review, 5, 602619.
Kenny, D. A., Kashy, D. A., & Bolger, N. (1998). Data analysis in socialpsychology. In D. T. Gilbert, S. T.
Fiske, & G. Lindzey (Eds.), The handbook of social psychology (4th ed., pp. 233265). New

York: Oxford

University Press.
MacKinnon, D. P. (1994). Analysis of mediating variables in prevention and intervention research. In A.
Cazares & L. A. Beatty (Eds.), Scientific methods for prevention intervention research (NIDA
Monograph

Research