A menudo, cuando intentamos obtener información de nuestros datos, comprender que dos variables están relacionadas no es suficiente. Necesitamos profundizar más y hacer preguntas como: bajo qué circunstancias están relacionadas? Para a quien ¿Están relacionados, por qué ¿Están relacionados y cómo ? La moderación, la mediación y la mediación moderada nos permiten responder exactamente a este tipo de preguntas.
Estas técnicas analíticas, denominadas modelos de procesos condicionales (Hayes, 2022; Predicador et al., 2007), son populares e importantes, pero difíciles de ajustar. Además, las visualizaciones que son esenciales para comprender las interacciones, incluidas las gráficas de Johnson-Neyman y las gráficas de pendientes simples, son difíciles de crear y requieren cálculos propensos a errores.
El complemento JMP de moderación y mediación que se describe en esta publicación permite una fácil especificación, ajuste y sondeo visual de las interacciones en tres modelos populares: moderación, mediación moderada en la primera etapa y mediación moderada en la segunda etapa. Estos modelos se pueden ajustar con mínimos cuadrados ordinarios o con software de modelado de ecuaciones estructurales (SEM); el complemento se basa en SEM, que maneja los datos faltantes con métodos de vanguardia y permite la estimación simultánea del modelo. (Este complemento requiere JMP Pro 16.0 o posterior).
La forma más sencilla de describir estos modelos de procesos condicionales es mediante un ejemplo. Consideremos este clip de un artículo en cienciadelagente.com sobre cómo mejorar la satisfacción laboral:
“¿Conoces la misión de tu empresa? ¿Conoces el impacto de tu trabajo? Cuando no tenemos nuestro "por qué" al frente de nuestra mente, puede ser difícil sentirse motivado y entusiasmado con lo que estamos haciendo... Cuando estamos ocupados o abrumados, el “por qué” parece desvanecerse”.
Ejemplo básico de moderación
¿Bajo qué circunstancias el significado de nuestro trabajo está relacionado con la satisfacción laboral?
El clip anterior sugiere que el significado de nuestro trabajo está relacionado con una mayor satisfacción laboral, pero si estamos demasiado abrumados en el trabajo, esta relación disminuye. En otras palabras, abrumar modera la relación entre el significado y la satisfacción laboral (es decir, hay un efecto de interacción). Conceptualmente, podemos representar esto con un diagrama de ruta:
Entonces, ¿cómo probamos este efecto de interacción y, si es estadísticamente significativo, entendemos su significado? Los pasos a continuación describen cómo hacer esto con el complemento de moderación y mediación.
Entrada del usuario
Primero, la ventana de entrada del usuario ilustra el diagrama de ruta conceptual junto con el modelo estadístico que se ajustará a la plataforma SEM de JMP Pro. Hacer la conexión entre estas dos representaciones de modelo puede ser difícil, por lo que esta función busca ayudar al usuario a comprender el modelo estadístico que se ajusta.
Todo lo que se requiere del usuario es indicar qué variable asume cada rol en el modelo: el predictor (X), el moderador (Z) y el resultado (Y). Opcionalmente, se puede incluir cualquier número de covariables para controlar sus efectos. Todas las variables deben ser continuas.
Todo lo que se requiere del usuario es indicar qué variable asume cada rol en el modelo: el predictor (X), el moderador (Z) y el resultado (Y).
Por defecto, X y Z estarán centrados en la media. Las variables centradas en la media se utilizarán para calcular un término de producto (X*Z) para el ajuste del modelo. Si lo desea, esta función se puede desactivar y X y Z permanecerán descentrados. Además, X y Z se pueden centrar alrededor de un valor especificado por el usuario.
La sección final de la ventana de entrada del usuario se refiere a lo que se mostrará en el informe de salida. De forma predeterminada, el texto y los gráficos para la moderación de sondeo solo se mostrarán si el término de interacción (X*Z) es significativo en alfa = 0,05. El usuario puede optar por ver estos resultados incluso si el término de interacción no es significativo (por ejemplo, si se desea un nivel de significación alfa = .10).
Resultados
Salida SEM: La primera sección del informe de salida muestra los resultados de la plataforma SEM, incluidas las estadísticas de ajuste del modelo, las estimaciones de parámetros, una diagrama de ruta del modelo, y la proporción de varianza explicada en el resultado. En el diagrama de ruta, las covarianzas no aparecerá si se han incluido 1 o más covariables (para reducir el desorden de la imagen). Las covarianzas y otras estimaciones se pueden mostrar haciendo clic con el botón derecho en el diagrama y seleccionando Mostrar > Covarianzas.
Detalles de moderación: Esta sección proporciona explicaciones de texto sucintas de los resultados que se pueden pegar fácilmente en publicaciones o informes, incluidos los límites de importancia calculados por la técnica de Johnson-Neyman (JN). La técnica JN calcula los valores del moderador en los que la pendiente simple de X pasa de significativa a no significativa. Puede haber cero, uno o dos límites de importancia dentro del rango observado por el moderador. En algunos casos, los límites no se pueden calcular porque la pendiente simple de X es significativa o no significativa en todo el rango posible del moderador. En estos casos, esta información se mostrará y el gráfico JN seguirá apareciendo en el informe.
La sección Detalles de la moderación proporciona explicaciones de texto sucintas de los resultados que se pueden pegar fácilmente en publicaciones o informes.
Gráfico interactivo de Johnson-Neyman: El gráfico JN se considera la herramienta más informativa y de última generación para las interacciones de sondeo visual. Aquí, el moderador está en el eje x y el pendiente simple que relaciona X con Y está en el eje y. Entonces, podemos ver cómo la pendiente simple que relaciona X con Y cambia a medida que cambia el moderador. Las bandas de confianza indican si la pendiente simple en cada valor del moderador es significativa (azul) o no significativa (roja) en alfa = .05.
En nuestro ejemplo, vemos que el significado está significativamente relacionado con la satisfacción laboral en niveles bajos a medios de abrumador (recuerde que el eje x tiene valores centrados). A medida que aumenta el agobio, disminuye la asociación entre el significado y la satisfacción laboral. De hecho, el gráfico JN nos ayuda a identificar el valor preciso de abrumador (1,75) en el que esta asociación deja de ser estadísticamente significativa.
A pesar de toda la información que brindan, los diagramas JN pueden ser difíciles de digerir porque un pendiente sencilla está en el eje y. ¡Para resolver este problema, hice esta trama interactiva! Pase el cursor sobre la línea para ver un gráfico de Y frente a X en ese valor particular del moderador. A medida que pasa el mouse sobre diferentes puntos de la línea, se vuelve fácil ver cómo cambia la relación entre X e Y a medida que cambia el moderador.
Pase el cursor sobre la línea para ver un gráfico de Y frente a X en ese valor particular del moderador.
Diagrama de pendientes simples: Finalmente, aparecerá un diagrama de pendientes simple en la parte inferior del informe. Aquí, la relación entre X e Y se muestra en tres valores del moderador: 1 SD por debajo de la media, la media y 1 SD por encima de la media. Este diagrama no es estático, así que no dude en modificar los títulos de los ejes, las etiquetas de las leyendas o el tipo y el color de las líneas, ¡lo que necesite para su publicación o informe! Consejo: use el doble clic y el menú contextual para encontrar estas opciones.
Ejemplos de mediación moderada de primera y segunda etapa
¿Por qué, cómo y para quién está relacionado el significado de nuestro trabajo con la satisfacción laboral?
Tanto para la mediación moderada de primera como para la segunda, la ventana de entrada del usuario y el informe de salida tendrán un aspecto casi idéntico al del modelo de moderación básico. Las diferencias clave aquí tienen que ver con la interpretación de los resultados. En lugar de pendientes simples, los gráficos mostrarán efectos indirectos condicionales en cada valor del moderador. Un efecto indirecto condicional es similar a una pendiente simple en que depende del valor del moderador. Pero ahora, estamos describiendo el efecto de X sobre Y a través del mediador, M. Estos informes no sondean partes de la vía (por ejemplo, X-a-M, M-a-Y), sino la vía completa de X a Y pasando por M (es decir, el efecto indirecto). Todo este efecto indirecto está moderado por Z y, por lo general, es de gran interés para las pruebas de sondeo y de significación.
Un par de notas: ambos modelos se basan en la suposición de que el tamaño de la muestra es grande, porque los errores estándar del efecto indirecto se calculan mediante métodos de teoría normal, no con arranque. (¡Aunque tenga cuidado con las capacidades de arranque en futuras versiones de la plataforma SEM en JMP Pro!) Además, en el modelo de primera etapa, Z se especifica como moderado ambos la ruta X-to-M y X-to-Y para garantizar la especificación adecuada del modelo en la plataforma SEM. La moderación de la ruta de X a M suele ser de interés aquí, por lo que los resultados no se centran ni brindan detalles sobre la moderación de la ruta directa de X a Y.
Mediación moderada de primera etapa
En nuestro ejemplo, abrumar modera significativamente el camino desde el significado hasta la motivación. Por lo tanto, se modera todo el efecto indirecto desde la significación hasta la satisfacción laboral. El efecto indirecto es significativo cuando el agobio es inferior a 1,63. Por lo tanto, cuando el agobio es de bajo a medio, encontrar significado en el trabajo de uno conduce a una mayor motivación, lo que a su vez conduce a una mayor satisfacción laboral.
Mediación moderada de segunda etapa
En este ejemplo, abrumar modera significativamente el camino de la motivación a la satisfacción laboral. Todo el efecto indirecto desde el significado hasta la satisfacción laboral es significativo cuando el abrumador es inferior a 1,25. Como en el ejemplo anterior, cuando el agobio es de bajo a medio, encontrar significado en el trabajo conduce a una mayor motivación, lo que a su vez conduce a una mayor satisfacción laboral.
¡Reproduzca cualquiera de estos resultados con los conjuntos de datos simulados adjuntos!
Para más detalles, consulte:
Bauer, DJ, y Curran, PJ (2005). Probando interacciones en regresión fija y multinivel: Técnicas gráficas e inferenciales.Investigación conductual multivariada , 40 (3), 373-400.
Hayes, AF (2022). Introducción a la mediación, la moderación y el análisis de procesos condicionales: un enfoque basado en la regresión (3.ª ed.). Guilford.
Predicador, KJ, Rucker, DD, y Hayes, AF (2007). Abordaje de hipótesis de mediación moderada: teoría, métodos y prescripciones.Investigación conductual multivariante , 42 (1), 185-227.
Para contactar conmigo, correo electrónico haley.e.yaremych@vanderbilt.edu
Hola @Rongyu_Kuang ,
¡Me alegro de que encuentres útil el complemento!El sufijo "_c" que está viendo en los nombres de las variables pretende transmitir que las variables se han centrado en la media. Puede controlar esto en el cuadro de diálogo de inicio (vea la sección resaltada en la captura de pantalla a continuación).
Sin embargo, se recomienda centrar las variables (como lo hace el complemento de manera predeterminada) para facilitar la interpretación de las estimaciones de los parámetros, a menos que sus datos ya tengan un valor significativo de cero. Parece que una de sus variables es un predictor binario (una "variable ficticia"), que ya tendría un valor significativo de cero y, por lo tanto, no necesita estar centrado. Si este es realmente su caso, puede marcar las casillas Centro X y Centro Z, dejar 0 para X e ingresar la media de Z:
Por último, también puede devolver los valores límite a su métrica original obteniendo la media de SE (haciendo clic en el menú principal del triángulo rojo > Estadísticas descriptivas > Estadísticas simples univariadas) y agréguelo a los valores -6.459 y -0.231.
Tenga en cuenta que es posible que los límites de importancia estén fuera del rango de los datos observados. En su caso, es posible que el límite inferior ( SE_c es igual a -6.459) está fuera del rango de los datos. Para protegerse contra la extrapolación, Johnson-Neyman Plot solo muestra los límites que están dentro de los datos observados; también muestra solo las bandas de confianza para el rango de los datos observados. Con todo, esto significa que la mejor manera de interpretar sus resultados es mirar el Gráfico JN para ver cómo la pendiente simple de su predictor principal (X) en Y cambia como una función de Z. Pase el cursor sobre los puntos de la línea para obtener gráficos que muestren una pendiente simple no significativa frente a una significativa. Es posible que ya esté haciendo esto, pero aquí hay un ejemplo de eso:
HH,
~Laura
