La mediación y la moderación son dos conceptos que se confunden constantemente en la investigación en psicología, a pesar de que responden a preguntas fundamentalmente diferentes. La mediación pregunta por qué o a través de qué mecanismo una variable X afecta a una variable Y. La moderación pregunta cuándo o bajo qué condiciones esa relación cambia. Son preguntas distintas que requieren modelos distintos, y confundirlas puede llevar a conclusiones erróneas sobre los mecanismos psicológicos que se están estudiando.
Un ejemplo ayuda a aclarar la distinción. Supongamos que estás estudiando la relación entre estrés laboral y síntomas depresivos. Un modelo de mediación preguntaría: ¿el estrés laboral produce síntomas depresivos a través de la rumiación? Es decir, ¿el estrés lleva a rumiar, y la rumiación es lo que realmente produce la depresión? Un modelo de moderación preguntaría algo diferente: ¿la relación entre estrés y depresión es más fuerte en personas con bajo apoyo social que en personas con alto apoyo social? En el primer caso, la rumiación es el mecanismo explicativo. En el segundo, el apoyo social es una condición que modifica la intensidad de la relación.
El análisis de mediación y sus supuestos
El modelo de mediación clásico, popularizado por Baron y Kenny en 1986, establecía cuatro condiciones para demostrar mediación: que X prediga Y, que X prediga el mediador M, que M prediga Y controlando por X, y que la relación directa entre X e Y disminuya (mediación parcial) o desaparezca (mediación total) al incluir M en el modelo. Este enfoque tiene problemas serios que la metodología moderna ha ido corrigiendo. El más importante es que el método de Baron y Kenny tiene muy baja potencia estadística y puede no detectar efectos indirectos que realmente existen.
El enfoque actual preferido es el test del efecto indirecto mediante bootstrap, popularizado por Preacher y Hayes. En lugar de comprobar las cuatro condiciones secuencialmente, este método estima directamente el producto de los coeficientes del camino a (de X a M) y del camino b (de M a Y), y utiliza remuestreo bootstrap para construir un intervalo de confianza para ese producto. Si el intervalo no incluye el cero, se concluye que existe un efecto indirecto significativo. Este método es más potente, no requiere el supuesto de normalidad del efecto indirecto (que casi nunca se cumple), y se puede implementar fácilmente con la macro PROCESS de Andrew Hayes en SPSS o con el paquete lavaan en R.
Sin embargo, hay un problema fundamental que ningún método estadístico puede resolver: la mediación implica un modelo causal, y los datos transversales no pueden confirmar relaciones causales. Cuando mides estrés, rumiación y depresión en el mismo momento temporal, no puedes saber si el estrés causa rumiación que causa depresión, si la depresión causa rumiación que amplifica la percepción de estrés, o si las tres variables se influyen mutuamente de formas complejas. Maxwell y Cole (2007) demostraron que los modelos de mediación transversales pueden producir estimaciones gravemente sesgadas del efecto indirecto longitudinal real, incluso con el signo cambiado. Esto debería hacer reflexionar a cualquier investigador que interprete un análisis de mediación transversal como evidencia de un mecanismo causal.
Moderación e interacciones
El análisis de moderación es conceptualmente más sencillo, ya que se reduce a un análisis de interacción. Si la relación entre X e Y depende del nivel de una tercera variable W, entonces existe una interacción entre X y W en la predicción de Y. En un modelo de regresión múltiple, esto se traduce en incluir el producto X*W como predictor adicional. Si el coeficiente de ese producto es significativo, hay moderación.
La interpretación de la interacción requiere algo más que mirar el valor p del término de interacción. Es necesario descomponer la interacción para entender cómo cambia la relación entre X e Y en diferentes niveles del moderador. La técnica más común es el análisis de pendientes simples (simple slopes), que estima la relación entre X e Y en valores específicos de W (típicamente la media y una desviación típica por encima y por debajo). La técnica de Johnson-Neyman va un paso más allá e identifica los valores exactos del moderador en los que la relación entre X e Y pasa de ser significativa a no significativa, lo cual ofrece información más precisa que el análisis de pendientes simples.
Mediación moderada y moderación mediada
En la práctica, muchos modelos en psicología combinan mediación y moderación. La mediación moderada ocurre cuando el efecto indirecto de X sobre Y a través de M depende del nivel de un moderador W. Por ejemplo, el efecto del estrés sobre la depresión a través de la rumiación podría ser más fuerte en personas con tendencia al neuroticismo. La moderación mediada, por su parte, ocurre cuando un efecto de interacción entre X y W sobre Y se explica por un mediador. Estos modelos, conocidos como modelos condicionales de proceso, se pueden implementar con relativa facilidad usando PROCESS o lavaan (consulta nuestro comparador de modelos SEM), pero su interpretación es considerablemente más compleja que la de los modelos simples.
Mi recomendación para los investigadores que trabajan con estos modelos es triple. Primero, piensa en la teoría antes que en la técnica. El modelo estadístico debería derivarse de una hipótesis teórica clara sobre los mecanismos, no al revés. Segundo, sé honesto con las limitaciones de tus datos. Si tus datos son transversales, no hables de mecanismos causales ni de procesos temporales, porque tus datos no pueden respaldar esas afirmaciones. Y tercero, reporta toda la información relevante, incluyendo los efectos directos, indirectos y condicionales, los intervalos de confianza bootstrap, y los análisis de pendientes simples cuando haya interacciones significativas. Un análisis transparente y bien reportado siempre será más convincente que uno que solo muestra los resultados favorables. Si necesitas apoyo con estos modelos, consulta nuestro servicio de análisis para tesis.