Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 PB
1 PB
Murcia (Espaa)
ISSN edicin impresa: 0212-9728. ISSN edicin web (http://revistas.um.es/analesps): 1695-2294
anales de psicologa
2011, vol. 27, n 2 (mayo), 550-561
Universidad de Murcia
Universidad de Oviedo
Introduccin
Una vez establecida una relacin que se asume causal entre
una variable independiente (variable X) y una variable de
respuesta (variable Y), una cuestin de inters para el investigador aplicado es considerar el papel que juegan terceras
variables (o variables Z) en tal relacin. En la Figura 1 se
representan con diagramas path (Kenny, 1979) varias situaciones de la investigacin en psicologa que incorporan una
tercera variable, algunas de las cuales han despertado gran
inters (p.e., los diagramas B y F), como lo demuestra el
incremento en la ltima dcada en el nmero de trabajos
publicados en revistas tan representativas de la investigacin
espaola como Psicothema, Psicolgica, International Journal of
Clinical and Health Psychology o Anales de Psicologa. En el rea
de la psicologa clnica y de la salud la atencin se centra en
comprender los procesos y mecanismos causales por los que
ciertos factores psicolgicos y sociales influyen en la salud y
el bienestar (Jandasek, Holmbeck y Rose, 2008) y en los
programas de prevencin de la salud con el objeto de conocer los procesos por los que un programa logra su efecto y
los motivos por los que es ms efectivo en unos subgrupos
que en otros (Fairchild y MacKinnon, 2009).
Direccin para correspondencia [Correspondence address]: Manuel Ato Garca. Departamento de Psicologa Bsica y Metodologa.
Facultad de Psicologa. Universidad de Murcia. 30100 Murcia (Espaa).
E-mail: matogar@um.es
- 550 -
551
tamos algunas inconsistencias en el uso de los procedimientos estadsticos e incluso en uno de ellos se confundan claramente los conceptos de mediacin y moderacin.
Ante esta tesitura, el objeto fundamental que este trabajo persigue es reforzar la comprensin y el uso adecuado de
los efectos debidos a terceras variables para el caso ms simple que involucra tres variables (una variable independiente o
predictor, una variable de respuesta y una tercera variable),
mediante un anlisis detallado de las situaciones de mediacin y moderacin y, en menor medida, de las situaciones de
covariacin, espuriedad y supresin. En todas estas situaciones se requiere una consideracin cuidadosa por parte del
investigador para detectar el efecto que una tercera variable
Z juega en la relacin entre X e Y y para aplicar despus los
procedimientos estadsticos apropiados para comprobar tal
efecto. En este trabajo se utiliza como apoyo grfico los
diagramas path procurando mantener adems el nivel matemtico del material dentro de unos lmites tolerables para
una revista aplicada.
Puesto que los efectos de mediacin, moderacin, supresin, covariacin y espuriedad son posibles efectos causales alternativos acerca del mecanismo a travs del cual una
tercera variable Z opera en conjuncin con una causa X y un
efecto Y, el contexto ideal para realizar un anlisis causal se
produce cuando X es una variable manipulada mediante
diseo experimental (Greenland, 2000; Pearl, 2009a,b,
2010a; Rubin, 2005; Spencer, Zanna & Fong, 2005). Conviene precisar adems que las inferencias con terceras variables son inferencias causales, cuya validez descansa en el
cumplimiento de tres condiciones bsicas (Ato y Vallejo,
2007, p. 31; Bollen, 1989, pp. 40-79; Cohen, Cohen, West y
Aiken, 2003, pp. 454-455; Kenny, 1979, pp. 2-4): asociacin (X
e Y covaran), direccin (X precede en el tiempo a Y) y aislamiento (el efecto que ejerce X sobre Y no se debe a una tercera variable Z que ha sido omitida del modelo).
Desde la perspectiva de dos de las teoras generales de la
causacin ms prominentes, el modelo de los resultados potenciales
propuesto por Rubin (2005) y el modelo causal estructural de
Pearl (2009b), bajo circunstancias controladas tambin pueden considerarse otras situaciones de investigacin no experimentales. Los mtodos cuasiexperimentales incluyen aspectos de diseo que se proponen para eliminar variables no
deseadas (Shadish, Cook y Campbell, 2002). Los mtodos
observacionales se proponen para medir las variables no
deseadas y eliminar o parcializar despus sus efectos (Rosenbaum, 2002). Pero en todas las situaciones no experimentales, el investigador aplicado debe ser consciente de que se
precisa un ejercicio lgico y sustantivo adicional que le permita aislar las variables extraas y conseguir las mejores
condiciones posibles para abordar un riguroso anlisis causal.
Como apuntan Cohen et al. (2003, p. 457) la estrategia
bsica del anlisis causal implicado en el anlisis con terceras
variables consiste en representar una teora mediante una red
de variables, especificando la direccin causal (signo + o )
y la magnitud de la relacin entre todos los pares de varia-
552
Y o1 cX e1
Z o2 + aX + e2
Y o3 c' X bZ
(1)
(2)
e3
(3)
553
S 2ab
a2 Sb2
b2 Sa2
(5)
a *b
Sab
(6)
depresin (Y) era mediada por los pensamientos automticos (Z). Basndose en un estudio previo, utilizaron tres diferentes medidas de esquemas cognitivos, privacin emocional
(X1), abandono (X2) y fracaso (X3) y como mediador
mltiple un conjunto de medidas simultneas compuesto
por pensamientos de insatisfaccin (Z1), dificultad de afrontamiento (Z2) y positivos (Z3). Los resultados demostraron
la presencia de mediacin mltiple parcial para los predictores X1 y X2 y de mediacin mltiple completa para el predictor X3.
B) El enfoque SEM
Para probar modelos de mediacin simple y otros modelos ms complejos, muchos autores (Cheung y Lau, 2008;
Iacobucci, Saldanha y Deng, 2007; James y Brett, 1984) recomiendan emplear modelos de ecuaciones estructurales,
entre otras razones, por la posibilidad de controlar el error
de medida, por la facilidad para utilizar indicadores mltiples
de los constructos y por la variedad de medidas de ajuste de
modelos que proporcionan. El enfoque SEM simplifica notablemente el procedimiento B-K, porque se aplica en una
nica etapa (al menos en su forma ms simple), y es especialmente til cuando se dispone de un predictor latente, una
hipottica variable latente mediadora y una respuesta latente,
para cada uno de los cuales se registran dos o ms indicadores. Como sucede con el enfoque de regresin, se ajustan 3
modelos alternativos (Holmbeck, 1997, p. 602):
a)el modelo con el efecto total (X
Y) debe obtener un
ajuste aceptable. El ajuste del modelo se considera acepta2
554
(8)
En segundo lugar, el problema de la causalidad. Las conclusiones que genera el anlisis de la mediacin solo son vlidas
si los supuestos causales en que se basan son tambin vlidos (vase Pearl, 2010; Spencer et al., 2005; Wu y Zumbo,
2008). Un supuesto esencial es que la variable mediadora Z
se mida despus de X pero antes de Y. En caso contrario,
puede producirse alguna forma de error de especificacin, y es
necesario asumir que no existe ninguna variable espuria que
pueda ser la causa de Z e Y, que no se presenta causacin
invertida (es decir, que Z sea causa de Y y sta la causa de Z)
y que no existe error de medida en la variable mediadora, ya
que de ser as se reducira la potencia estadstica de la prueba
del efecto indirecto.
En tercer lugar, el nivel de medida de las variables implicadas.
Hemos asumido que las variables X, Z e Y son numricas.
No constituye ningn problema si X es un factor experimental, pero si tambin son categricas Z e Y, que durante
el proceso etpico actan como variables de respuesta, entonces deber utilizarse regresin logstica (con funcin de
Se han distinguido tambin dos enfoques analticos generales para probar efectos de moderacin (Holmbeck,
1997, pp. 600-601), el enfoque de regresin y el enfoque
SEM.
1) Enfoque de regresin
Puesto que la interaccin X*Z es el producto de las dos
variables, es conveniente que tal producto refleje el valor
cero para facilitar la interpretacin de los coeficientes de
regresin, lo que con variables numricas puede conseguirse
mediante un simple centrado, o sea, obteniendo puntuaciones
diferenciales de X y Z respecto de sus medias. Si X y Z son
variables dicotmicas y se emplea codificacin ficticia (cdigos 0 y 1), el path a es el efecto de X sobre Y cuando Z = 0,
el path b es el efecto de Z sobre Y cuando X = 0 y el path c es
555
556
Y o a1 X a2 X 2
bZ
c1 XZ
c2 X 2 Z
e (11)
donde en lugar de 3 deben especificarse 5 componentes, y
en general la complejidad del modelo determina el nmero
de componentes que se requieren. Un serio problema que
plantea esta complejidad es el alto grado de multicolinealidad que puede generar, lo que en opinin de muchos autores (Aiken y West, 1991; Cohen et al., 2003) puede aliviarse
con el centrado de la variable numrica X, aunque en absoluto existe consenso general sobre temtica (vase Echambadi y Hess, 2007).
c) En el tercer caso, siendo X es una variable categrica y Z
una variable numrica, y el anlisis es tambin regresin
jerrquica. En este caso tambin es conveniente que se
proceda primero a centrar la variable Z para facilitar la interpretacin de los parmetros. Despus debe procederse a
seleccionar para qu valores de Z se desea determinar el
efecto de X sobre Y, lo que debe realizarse siguiendo criterios lgico-sustantivos. En algunas ocasiones puede utiliza
un criterio estadstico, por ejemplo tomar una desviacin
tpica por encima y por debajo de la media, pero en otras
ocasiones es necesario definir los valores ms adecuados
por criterios no estadsticos, por ejemplo si Z es inteligencia y se trabaja con universitarios, tomando por ejemplo
los valores puntuales de 145 (nivel superior de inteligencia)
y 100 (nivel medio de inteligencia). En cualquier caso, se
asume que la variable Z se mide sin error, un supuesto ms
que discutible en la investigacin psicolgica.
d) Finalmente, en el ltimo caso, X y Z se asumen variables
numricas y el anlisis es nuevamente regresin jerrquica.
En este caso es imprescindible centrar las dos variables para que el nivel cero sea un valor significativo. Se asume
tambin que ambas variables se miden sin error. La seleccin de los valores de Z sigue las mismas pautas que se indicaron en el caso anterior.
En cualquiera de los cuatro casos citados, la variable de
respuesta es numrica, y el procedimiento encaja dentro del
modelo lineal clsico. Si no fuera numrica, entonces sera
necesario utilizar los procedimientos del modelo lineal generalizado, y ms concretamente anlisis de regresin logstica
o anlisis logit, en lugar de anlisis de regresin, ANOVA o
ANCOVA.
Un interesante estudio de Quiles et al. (2006) se propuso
determinar el papel moderador y/o mediador de las variables percepcin de presin para cambiar (Z1), actitud global
(Z2), paranoia social (Z3) y xenofobia (Z4) en la relacin
entre percepcin de diferencias (X) y ansiedad intergrupal
(Y). Puesto que todas las variables tenan naturaleza numrica, decidieron estandarizar las variables, emplearon anlisis
557
diacin. Ms detalles sobre el proceso analtico pueden consultarse en Muller et al. (2005).
La tercera variable como variable espuria
Una variable espuria o variable de confundido es una tercera
variable Z, relacionada tanto con X como con Y, que oscurece o anula la relacin entre X e Y (Meinert, 1986, p. 285)
convirtindola en una relacin espuria. El modelo de espuriedad o
de confundido resultante permite estimar la relacin autntica
que existe entre X e Y (Greenland y Morgenstern, 2001).
La existencia de una variable espuria es crtica por su caracterstica de confundir la relacin X
Y. En la parte superior izquierda de la Figura 5 (modelo (A)), Z es una variable que explica completamente la relacin entre X e Y, mientras que en la parte derecha (modelo (B)), Z es una variable
necesaria para estimar correctamente el efecto de X sobre Y.
Ntese que en el modelo (A), el efecto directo es c = 0, es
decir, la relacin causal X
Y desaparece cuando se controla Z y el resultado es un efecto espurio completo, mientras que
en el modelo (B), la relacin X
Y se debilita (pero no es
nula), el efecto directo es c 0 y el resultado es un efecto
espurio parcial. Los efectos espurios son en este sentido similares a los efectos de mediacin.
En un modelo de moderacin mediada, el proceso de moderacin resulta mediado por una variable W. El diagrama (C) de
la Figura 4 presenta un modelo de moderacin bsico, sobre
el que se ha insertado un modelo de mediacin. Es imprescindible que c 0 para que pueda probarse el efecto de me-
Pero a diferencia de los efectos de mediacin, que asumen una relacin causal X
Z, los efectos espurios asumen
tanto una relacin causal Z
X (o tambin una correlacin
significativa entre X y Z) como una relacin causal Z
Y.
En cualquier caso, para probar la existencia de espuriedad se
pueden emplear cualquiera de los mtodos utilizados para
probar la mediacin con el procedimiento B-K. El ms relevante de todos es la diferencia c c , pero conviene tener
presente que mientras que en un modelo de mediacin la
diferencia es una estimacin del efecto indirecto, en un modelo de espuriedad o confundido la diferencia es una estimacin del sesgo de la variable espuria (MacKinnon, Krull y Lockwood, 2002).
558
(MacKinnon, 2008, p. 7). El caso ms fecuente ocurre cuando X es un factor experimental y Z una variable numrica
incluida con el objeto de reducir la variacin en Y debida a
alta heterogeneidad de las unidades experimentales (diagrama (C) de la Figura 1). El papel que juega en este caso la
tercera variable es el de una variable concomitante o covariante en
el contexto de un modelo de covariacin.
La tcnica estadstica clsica para estimar el efecto de
una covariante con el modelo de covariacin es ANCOVA
con pendientes paralelas (Ato y Vallejo, 2007; Milliken y
Johnson, 2002), donde es esperable que se produzca una
reduccin significativa de la varianza de error y que las comparaciones entre tratamientos sean ms precisas que si no se
incluyera la tercera variable. El modelo ANCOVA con pendientes paralelas asume que la interaccin X*Z no es significativa y que la covariante Z se mide sin error y antes de que
se asignen al azar unidades experimentales a tratamientos
(Miller y Chapman, 2001). Si se cumplen estos supuestos, la
inclusin de Z probablemente no alterar significativamente
la relacin entre X e Y, lo que permitir concluir con facilidad que la variable Z es una covariante.
Sin embargo, otros modelos alternativos al modelo de
covariacin clsico podran complicar este panorama. Por
ejemplo, si la interaccin entre X y Z es significativa, el modelo de covariacin suele analizarse mediante alguna de las
tcnicas derivadas del modelo ANCOVA con pendientes no
paralelas (Milliken y Johnson, 2002), una situacin que requerira que previamente el investigador decidiera si Z acta
como covariante o como variable moderadora. Otro tanto
sucede cuando X es una variable numrica y se utiliza un
modelo de regresin cuyos predictores exhiben un alto grado de multicolinealidad, de cuya magnitud depende asmismo que Z represente un efecto de covariacin o un efecto
de moderacin. En todos estos casos podra concluirse que
se trata de una covariante siempre que la relacin entre X e
Y no se altere de forma significativa despus de incluir Z o
de una variable moderadora en caso contrario. Pero es conveniente remarcar de nuevo que esta decisin debe basarse
en aspectos eminentemente tericos y no en criterios estadsticos.
Un diagrama de flujo orientativo
Asumiendo que se introduce una tercera variable Z en la
relacin existente entre X e Y, la Figura 6 propone un diagrama de flujo para ayudar al investigador a tomar una decisin acerca de si la tercera variable acta como variable mediadora, moderadora, supresora, espuria o covariante, mediante las respuestas a 3 cuestiones bsicas.
La primera cuestin plantea si la variable Z es la probable causa conjunta del predictor X y de la respuesta Y. Si
as fuera, el diagrama path resultante sera XZY, donde
Z podra tambin tratarse de una variable espuria y la relacin XY quedara entonces desvirtuada. La deteccin y
aislamiento de potenciales variables espurias es un ejercicio
metodolgico que todo investigador debe abordar antes de
proceder al anlisis e interpretacin de los datos y su ausencia es una condicin bsica para el anlisis causal. Solo cuando se puede asegurar que Z no es la causa conjunta de X e
Y, la tercera variable podr descartarse como variable espuria.
La segunda cuestin plantea si la tercera variable forma
una cadena causal entre X e Y. El diagrama path sera
XZY, donde Z podra considerarse como variable mediadora o supresora en la relacin entre X e Y. En un modelo de mediacin se asume que el efecto indirecto (producto
de los coeficientes path a y b) y el efecto directo (path c)
559
tienen el mismo signo. Cuando los efectos directo e indirecto no tienen el mismo signo, entonces cabe sospechar que Z
sea una variable supresora.
La tercera cuestin concierne a si la relacin entre X e Y
cambia en funcin del nivel de Z. Si as sucediera, la variable
Z podra considerarse como variable moderadora siempre
que la interaccin X*Z resultara significativa. En caso contrario, podra tratarse de una covariante siempre y cuando la
relacin entre X e Y no cambie sensiblemente cuando se
introduzca Z. El efecto de la covariante Z suele estimarse
mediante ANCOVA con pendientes paralelas si la interaccin X*Z no es significativa, o bien mediante alguno de los
procedimientos de ANCOVA con pendientes no paralelas si
la interaccin X*Z resultara significativa (vase Milliken y
Johnson, 2002).
Tiene inters distinguir en este contexto dos grupos de
terceras variables en funcin de la teora causal subyacente y
las pruebas estadsticas requeridas para determinar la significacin del correspondiente efecto. En el primer grupo se
incluyen los efectos de mediacin, espuriedad y supresin,
que pueden estimar sus correspondientes efectos utilizando
el procedimiento B-L con enfoque de regresin o enfoque
SEM. Al segundo grupo pertenecen los efectos de moderacin y covariacin, que utilizan la prueba de la interaccin
X*Z con enfoque de regresin o enfoque SEM.
Aunque muchos de los procedimientos discutidos aqu
pueden obtenerse con un simple programa de regresin, la
prueba de los efectos de terceras variables no se ha incluido
todava en los repertorios habituales de los paquetes estadsticos profesionales, aunque existen macros que permiten
realizar este trabajo en las plataformas de software estadstico ms familiares (p.e., R, SPSS, SAS y STATA). Sin embargo, muchos programas SEM (p.e., AMOS, EQS y MPLUS)
ya han incorporado en sus versiones ms recientes la prueba
de los efectos indirectos.
En
nuestra
pgina
web
http://www.um.es/tercerasvariables/ puede consultarse
ms informacin y descargarse algunos de los macros ms
comunes para analizar efectos de mediacin y moderacin
con enfoques de regresin y SEM as como otros documentos sobre esta temtica de inters para el investigador aplicado.
Referencias
Aguinis, H. (2003). Regression Analysis for Categorical Moderators. New York:
Guilford Press.
Aiken, L.S. y West, S.G. (1991). Multiple regression: testing and interpreting interactions. Newbury Park, CA: Sage.
Ato, M. y Vallejo, G. (2007). Diseos Experimentales en Psicologa. Madrid:
Pirmide.
Baron, R.M. y Kenny, D. (1986). The moderator-mediator variable distinction in social psychological research: conceptual, strategic and statistical
considerations. Journal of Personality and Social Psychology, 51, 1173-1182.
Bauer, D.J. y Curran, P.J. (2005). Probing interactions in fixed and multilevel
regression: inferential and graphical techniques. Multivariate Behavioral
Research, 40, 373-400.
Bollen, K.A. (1989). Structural equations with latent variables. New York: Wiley.
Chaplin, W.F. (2007). Moderator and mediator models in personality research: a basic introduction. En R.W.Robins, R.C.Fraley y R.F.Krueger
(Eds): Handbook of Research Methods in Personality Psychology, pp. 602-630.
New York: Guilford Press.
Cheung, M.W. (2009). Comparison of methods for constructing confidence
intervals of standardized indirect effects. Behavior Research Methods, 41,
425-438.
Cheung, G.W. y Lau, R.S. (2008). Testing mediation and suppression effects
of latent variables: bootstrapping with structural equation models. Organizational Research Methods, 11, 296-325.
Cohen, J. y Cohen, P. (1983). Applied multiple regression/correlation for the behavioral sciences. 2nd Ed. Hillsdale, NJ: Lawrence Erlbaum.
560
Cohen, J., Cohen, P., West, S.G. y Aiken, L.S. (2003). Applied multiple regression correlation analysis for the behavioral sciences. 3rd Ed. Mahwah: Lawrence
Erlbaum.
Collins, L.M., Graham, J.W. y Flaherty, B.P. (1998). An alternative framework for defining mediation. Multivariate Behavioral Research, 33, 295-312.
Conger, A.J. (1974). A revised definition for suppressor variables: a guide to
their iden-tification and interpretation. Educational and Psychological Measurement, 34, 35-46.
Echambadi, R. y Hess, J.D. (2007). Mean-centering does not alleviate collinearity problems in moderate multiple regression models. Marketing
Science, 26, 438-445.
Edwards, J.R. y Lambert, L.S. (2007). Methods for integrating moderation
and mediation: a general analytical framework using moderated path
analysis. Psychological Methods, 12, 1-22.
Estvez, A. y Calvete, E. (2009). Mediacin a travs de pensamientos automticos de la relacin entre esquemas y sntomas de depresin. Anales
de Psicologa, 25, 27-35.
Fairchild, A.J. y MacKinnon, D.P. (2009). A general model for testing mediation and moderation effects. Prevention Science, 10, 87-99.
Fritz, M.S. y MacKinnon, D.P. (2007). Required sample size to detect the
mediated effect. Psychological Science, 18, 233-239.
Frazier, P.A.; Tix, A.P. y Barron, K.E. (2004). Testing moderator and mediator effects in counseling psychology research. Journal of Counseling Psychology, 51, 115-134.
Greenland, S. (2000). Causal analysis in the health sciences. Journal of the
American Statistical Association, 95, 286-289.
Greenland, S. y Morgenstern, H. (2001). Confounding in health research.
Annual Review of Public Health, 22, 189-212.
Holmbeck, G.N. (1997). Toward terminological, conceptual and statistical
clarity in the study of mediadors and moderators: examples from the
child-clinical and pediatric psychology literatures. Journal of Consulting and
Clinical Psychology, 65, 599-610.
Horst, P. (1941). A role of predictor variables which are independent of the
criterion. Social Science Research Bulletin, 48, 431-436.
Iacobucci, D. (2008). Mediation analysis. Thousand Oaks, CA: Sage.
Iacobucci, D.; Saldanha, N. Y Deng, X. (2007). A meditation on mediation:
evidence that structural equations models perform better than regressions. Journal of Consumer Psychology, 17, 140-154.
Jaccard, J. y Turrisi, R. (2003). Interaction effects in multiple regression (2nd ed.)
Thousand Oaks, CA: Sage.
James, L.R. y Brett, J.M. (1984). Mediators, moderators and test for mediation. Journal of Applied Psychology, 69, 307-321.
James, L.R., Mulaik, S.A. y Brett, J.M. (2006). A tale of two methods. Organizational Research Methods, 9, 233-244.
Jandasek, B., Holmbeck, G.N. y Rose, B.M. (2008). Statistical considerations: moderators and mediators. En M. Hersen y A.W.Grow (Eds.):
Handbook of Clinical Psychology. Vol 2: Children and Adolescents (pp. 391320). New York: Wiley.
Jimnez, T.I., Musitu, G. y Murgui, S. (2008). Funcionamiento familiar y
consumo de sustancias en adolescentes: el rol mediador de la autoestima. International Journal of Clinical and Health Psychology, 8, 139-151.
Judd, C.M. y Kenny, D. (1981). Process analysis: estimating mediation in
treatment evaluations. Evaluation Review, 5, 602-619.
Judd, C.M. y Kenny, D. (2010). Data analysis in social psychology: recent
and recurrent issues. En S.T.Fiske, D.T. Gilbert & G.Lindzey (Eds.):
Handbook of Social Psychology, 5th Edition (pp. 115-139). New York, NY:
Wiley.
Kam, C.D. y Franzese F.J. (2007). Modeling and interpreting interactive hypotheses
in regression analysis. Ann Arbor: The University of Michigan Press.
Kenny, D. (1979). Correlation and causality. New York: Wiley.
Kenny, D. (2008). Reflections on mediation. Organizational Research Methods,
11, 353-358.
Kenny, D. (2009). Estimating and testing mediation. Documento recuperado el
7/6/2009
de
la
direccin:
http://davidakenny.net/p5130/mediationsem.ppt
Kenny, D. Kashy, D.A. y Bolger, N. (2006). Data analysis in social psychology. En D.T.Gilbert, S.T.Fiske y G. Linzey (Eds.), The Handbook of Social Psychology, 4th Ed. Vol.1,pp. 233-265. New York: Oxford University
Press.
Kraemer, H.C.; Kiernan, M.; Essex, M. y Kupfer, D.J. (2008). How and why
criteria defining moderators and mediators differ between Baron &
Kenny and MacArthur approaches. Health Psychology, 27, S101-108.
Maasen, G.H.y Baker, A.B. (2001). Suppressor variables in path models:
definitions and interpretations. Sociological Methods and Research, 30, 241270.
MacKinnon, D.P. (2008). Introduction to Statistical Mediation Analysis. New
York: Lawrence Erlbaum Associates.
MacKinnon, D.P. y Dwyer, J.H. (1993). Estimating mediated effects in
prevention studies. Evaluation Review, 17, 144-158.
MacKinnon, D.P. y Luecken, L.J. (2008). How and for whom? Mediation
and moderation in health psychology. Health Psychology, 27(2,supp), S99S100.
MacKinnon, D.P.; Fairchild, A.J. y Fritz, M.S. (2007). Mediation analysis.
Annual Review of Psychology, 58, 593-614.
MacKinnon, D.P.; Krull, J.L y Lockwood, C.M. (2000). Equivalence of the
mediation, confounding and suppression effect. Prevention Science, 1, 173181.
MacKinnon, D.P.; Krull, J.L y Lockwood, C.M. (2002). A comparison of
methods to test mediation and other intervening variable effects. Psychological Methods, 7, 83-104.
MacKinnon, D.P., Lockwood, C.M. y Williams, J. (2004). Confidence limits
for the indirect effect: distribution of the product and resampling methods. Multivariate Behavioral Research, 39, 99.128.
MacKinnon, D.P., Warsi, G. y Dwyer, J.H. (1995). A simulation study of
mediated effect measures. Multivariate Behavioral Research, 30, 41-62.
MacKinnon, D.P., Lockwood, C.M., Hoffman, J.M., West, S.G. y Sheets, V.
(2002). A comparison of methods to test mediation and other intervening variable effects, Psychological Methods, 7, 83-104.
Mallinckrodt, B., Abraham, W.T., Wei, M. y Russell, D.W. (2006). Advances
in testing the statistical significance of mediation effects. Journal of Counseling Psychology, 53, 372-378.
Meinert, C.L. (1986). Clinical trials: design, conduct and analysis. New York, NY:
Oxford University Press.
Miller, G.A. y Chapman, J.P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110, 40-48.
Milliken, G.A. y Johnson, D.E. (2002). Analysis of messy data. III: Analysis of
covariance. Boca Ratn, CA: Chapman & Hall.
Mller, D.; Yzerbyt, V.Y. y Judd, C.M. (2008). Adjusting for a mediator in
models with two crossed treatment variables. Organizational Research Methods, 11, 224.240.
Nguyen-Rodriguez, H.T., Chou, C.; Unger, J.B. y Spruijt-Metz, D. (2008).
BMI as a moderator of perceived stress and emotional eating in adolescents. Eating Behavior, 9, 238-246.
Pearl, J. (2009a). Causality: models, reasoning and inference. 2nd Edition. New
York, NY: Cambridge University Press.
Pearl, J. (2009b). Causal inference in statistics: an overview. Statistics Surveys,
3, 96-146.
Pearl, J. (2010a). An introduction to causal inference. International Journal of
Biostatistics, 6, issue 2, article 7.
Pearl, J. (2010b). The Mediation Formula: a guide to the assessment of causal pathways in non-linear models. UCLA Cognitive Systems Experimental Laboratory. Technical Report R-363. Documento recuperado el 3/08/2010 de
la direccin: ftp://ftp.cs.ucla.edu/pub/stat_ser/r363.pdf
Potthoff, R.F. (1964). On the Johnson-Neyman technique and some extensions thereof. Psychometrika, 29, 241-256.
Preacher, K.J. y Hayes, A.F. (2004). SPSS and SAS procedures for estimating
indirect effects in simple mediation models. Behavior Research Methods, Instruments & Computers, 36, 717-731.
Preacher, K.J. y Hayes, A.F. (2008). Asymptotic and resampling strategies
for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40, 879-891.
Preacher, K.J., Rucker, D.D. y Hayes, A.F. (2007). Addressing moderated
mediation hypotheses: Theory, methods and prescriptions. Multivariate
Behavioral Research, 42,185-227.
Quiles, M.N., Rodrguez, A., Navas, M., Rodrguez, R., Betancor,V. y Coello
E. (2006). Variables moderadoras y mediadoras de la relacin percepcin de diferencias-ansiedad intergrupal. Psicothema, 18, 105-111.
561
Spencer, S.J., Zanna, M.P. and Fong, G.T. (2005). Establishing a causal
chain: why experiments are often more effective than mediational analyses in examining psychological processes. Journal of Personality and Social
Psychology, 89, 845-51.
Stone, C.A. and Sobel, M.E. (1990). The robustness of estimates of total
indirect effects in covariance structure models estimates by maximum
likelihood. Psychometrika, 55, 337-352.
Stone-Romero, E.F. y Rosopa, P.J. (2008). The relative validity of inferences
about mediation as a function of research design characteristics. Organizational Research Methods, 11, 326-352.
Tzelgov, J. y Henik, A. (1991). Suppression situations in psychological research: definitions, implications and applications. Psychological Bulletin,
109, 534-536.
Zhao, X., Lynch, J.G. & Chen, Q. (2010). Reconsidering Baron and Kenny:
myths and truths about mediation analysis. Journal of Consumer Research,
37 (august), electronically published February 15, 2010.
Wu, A.D. y Zumbo, B.D. (2008). Understanding and using mediators and
moderators. Social Indicators Research, 87, 367-392.
(Artculo recibido: 2-9-2010; revisin: 31-12-2010; aceptado: 31-12-2010)