¿Qué es el análisis de mediación simple?
Cuando observamos una fuerte relación entre dos variables, es natural preguntarse: ¿por qué sucede esto? El análisis de mediación ayuda a responder esta pregunta al examinar si el efecto de una variable predictora en un resultado fluye, al menos en parte, a través de otra variable: la mediadora.
En un modelo de mediación simple, el mediador actúa como una vía a través de la cual el predictor influye en el resultado. Este enfoque es especialmente útil cuando se desea comprender el mecanismo subyacente a una relación observada. Por ejemplo, supongamos que nos interesa comprender el papel de la autonomía en la mediación de cómo los sentimientos de pertenencia escolar afectan el interés por la escuela en los estudiantes de secundaria. Al emplear el modelo de mediación simple, podemos evaluar la importancia del efecto indirecto y comprender si la autonomía de los estudiantes media el impacto de la pertenencia en el interés, y en qué medida.
Figura 1. Diagrama conceptual de un modelo de mediación simple
Como se muestra en la Figura 1, el modelo de mediación simple implica:
- Vaticinador: La variable inicial (a veces llamada variable causal).
- Mediador: La variable intermediaria que transmite parte del efecto.
- Resultado: El resultado final que queremos explicar.
El Predictor puede afectar el resultado de dos maneras:
- Efecto directo ( do'
La parte de la relación entre X e Y que no es explicada por el Mediador.
- Efecto indirecto ( desde La parte de la relación que pasa por el Mediador, calculada como el producto de:
- Ruta a : Predictor → Mediador
- Ruta b : Mediador → Resultado
Efecto total ( c La suma de los efectos directos e indirectos.
Entendiendo los efectos
- Efecto directo ( c ′): Considere dos observaciones. Ambas tienen el mismo valor del mediador, pero una tiene un valor mayor en el predictor. Se proyecta que esta variación en el predictor causará un cambio de unidad do' en el resultado. Si el efecto directo muestra un valor positivo, al aumentar el predictor, también aumentará el resultado. Por otro lado, si el efecto es negativo, un aumento en el predictor resultaría en una disminución en el resultado.
- Efecto indirecto ( desde The indirect effect captures the chain reaction – how much of the Predictor’s influence on the Outcome happens porque it changes the Mediator, which in turn changes the Outcome. So, if you have two observations with a tiny difference in the Predictor, they could show a change of desde units in the Outcome. This happens because the Predictor first makes a splash on the Mediator, and then the Mediator ripples that effect onto the Outcome.
- Ruta a : Si tiene dos observaciones con una diferencia de solo una unidad en el Predictor, la Ruta a nos indica cómo podrían diferir en el Mediador. El signo (positivo o negativo) nos da una pista: si el Predictor sube, es probable que el Mediador suba, y viceversa.
- Ruta b : Imagine dos observaciones con una diferencia de una unidad en el Mediador, pero iguales en el Predictor. Este ligero cambio en el Mediador puede provocar un cambio de b unidades en el Resultado. El signo de b (positivo o negativo) nos indica si tener más en el Mediador significa que veremos más o menos en el Resultado.
- Efecto total ( c = c′ + ab ) : Imagine dos observaciones prácticamente iguales, pero con una diferencia de una unidad en el predictor. En el análisis de mediación, este ligero cambio puede afectar al resultado. El efecto total nos ayuda a determinar cuánto podría afectar al resultado este ligero cambio en el predictor. Es como medir el impacto de un ligero cambio midiendo la diferencia prevista en el resultado entre dos observaciones con una variación de una unidad en el predictor.
Ejemplo: Pertenencia, autonomía e interés en la escuela
Ahora que hemos abordado la idea básica, veamos cómo funciona en la práctica un análisis de mediación simple. Para este ejemplo, exploraremos datos de estudiantes de secundaria de diversos orígenes en Estados Unidos, centrándonos en tres variables clave:
- Pertenencia: Percepción de pertenencia dentro de la escuela, incluyendo sentimientos de conexión e inclusión (Predictor).
- Autonomía: Grado en el que un individuo siente un sentido de independencia y control sobre sus elecciones, decisiones y acciones académicas (Mediador).
- Interés: Medida de entusiasmo y compromiso en las materias escolares (Resultado).
Nuestra pregunta de investigación: ¿Ayuda la autonomía a explicar la relación entre la pertenencia escolar y el interés? En otras palabras, ¿el efecto de la pertenencia sobre el interés se transmite parcialmente a través de la autonomía?
Comenzamos abriendo la tabla de datos Estudiantes de secundaria.jmp , que puede encontrar en la carpeta Sample Data de JMP. Con los datos abiertos, vaya a Analyze > Multivariate Methods > Structural Equation Models . En la ventana de inicio, seleccione Interés , Pertenencia y Autonomía como las variables del modelo, luego haga clic en DE ACUERDO para abrir la plataforma. Desde allí, haga clic en el triángulo rojo Atajos de modelo y elija Cross-Sectional Classics > Mediation Analysis . En la ventana Especificar el modelo de mediación , establezca Pertenencia como la Causal Variable, Autonomía como la Mediator Variable e Interés como la Outcome Variable. Finalmente, haga clic en Run para ajustar el modelo de mediación simple. Para obtener estimaciones estandarizadas, haga clic derecho en cualquier parte del Path Diagram y seleccione Show > Show Estimates > Standardized . De manera similar, puede seleccionar Show y seleccionar o deseleccionar índices sugeridos, como valores R-squared.
Figura 2. Informe del modelo de análisis de mediación
Entendiendo el resultado
De inmediato (ver Figura 2), la tabla de Estimaciones de Parámetros nos informa sobre los efectos directos:
- Camino a (Pertenencia → Autonomía): 0,298, lo que significa que para dos estudiantes que difieren en una unidad en Pertenencia, se estima que difieren en 0,298 unidades en Autonomía.
- Camino b (Autonomía → Interés, controlando Pertenencia): 0,337, lo que significa que para dos estudiantes iguales en puntuaciones de Pertenencia pero que difieren en una unidad en sus puntuaciones de Autonomía, se estima que difieren en 0,337 unidades en Interés.
- Ruta do' (Pertenencia → Interés, controlando por Autonomía): 0,624, lo que significa que para dos estudiantes que difieren en una unidad en Pertenencia pero son iguales en Autonomía, se estima que difieren en 0,624 unidades en Interés.
Estos resultados sugieren que los estudiantes con mayor Pertenencia tienden a tener mayor Autonomía (Ruta positiva a ), y que una mayor Autonomía está asociada con un mayor Interés en la escuela (Ruta positiva b ).
De efectos directos a efectos totales
Para ver el efecto total ( c ) y el efecto indirecto ( desde ), haga clic en el triángulo rojo Análisis de mediación y seleccione Efectos totales y Efectos indirectos .
Figura 3. Estimaciones de efectos totales e indirectos
Esto es lo que indica la Figura 3:
- Efectos indirectos ( desde ) = 0,298 × 0,337 = 0,100, lo que significa que para dos estudiantes que difieren en una unidad en su Pertenencia, se estima que difieren en 0,100 unidades en Interés como resultado de la tendencia de aquellos con mayor Pertenencia a tener mayor Autonomía (Ruta positiva a ), lo que se traduce en mayor Interés (Ruta positiva b ). Este efecto significativo sugiere que los cambios en Pertenencia tienen un impacto en el Interés, mientras que parte de esta influencia se canaliza a través de cambios en el mediador Autonomía.
- Efectos totales ( c ) = 0,624 + 0,100 = 0,724, lo que significa que cada aumento de una unidad en Pertenencia se asocia con un aumento estimado de 0,724 unidades en Interés, mientras se controla la variable Autonomía. Parte de este efecto se explica por la Autonomía (0,100), lo que significa que la Autonomía desempeña un papel mediador pequeño pero significativo en la relación Pertenencia-Interés. Como era de esperar, el efecto total es un valor mayor en comparación con el efecto directo ( c′ = 0,624), porque ambas Rutas a y b fueron positivas y, por lo tanto, su producto será un valor positivo. Como resultado, el efecto total, c = do' + desde , será mayor que el efecto directo ( do' ). Este resultado se produjo porque:
- Una mayor pertenencia resulta en una mayor autonomía (camino positivo a ).
- Una mayor autonomía significa un mayor interés cuando se controla la pertenencia (ruta positiva b ).
Añadiendo confianza estadística
Para obtener evidencia más sólida, podemos usar bootstrap para estimar los intervalos de confianza del efecto indirecto. Este método proporciona errores estándar e intervalos de confianza más precisos para el efecto indirecto. Haga clic con el botón derecho en la columna Estimación de la tabla Efectos Indirectos y seleccione Oreja .
- Introduzca el número de muestras: 500
- Ingrese semilla aleatoria: 1234
- Click DE ACUERDO.
Figura 4. Distribuciones bootstrap y límites de confianza
Como indica la Figura 4, la media de las estimaciones bootstrap es 0,101, que es casi igual a los efectos indirectos estimados que se muestran en la Figura 3. Los límites de confianza Bootstrap resultantes muestran que el intervalo de confianza del efecto indirecto no incluye cero, lo que confirma que es estadísticamente significativo.
Conclusión
Al analizar este ejemplo, demostramos cómo el análisis de mediación en JMP Pro facilita la separación de los efectos directos e indirectos, la cuantificación de la mediación y la comprobación de su significancia estadística, todo ello sin salir de la plataforma SEM. El análisis de mediación es como ser detective; se trata de averiguar el " cómo " y el " por qué ". El análisis de mediación ayudó a explicar por qué el sentimiento de pertenencia en la escuela aumenta el interés de los estudiantes por sus estudios: ¿La pertenencia genera directamente el interés de los estudiantes por la escuela? ¿O funciona de forma indirecta? En términos de mediación, los llamamos efectos directos e indirectos. Así, vislumbramos lo que ocurre entre bastidores: ¿cómo exactamente este sentimiento de pertenencia impulsa el entusiasmo de los estudiantes por aprender? Se trata de descubrir el mecanismo oculto que vincula la pertenencia con el interés.
Recursos adicionales
Hayes, AF (2017). Introducción a la mediación, moderación y análisis de procesos condicionales: Un enfoque basado en la regresión . Publicaciones de Guilford.
