Parte VIII

Análisis de Mediación (más

regresiones)
 ¿Para qué sirve?
• Modelo en el que se evalúa si
la relación entre una dos
variables
(predictoraresultado) está
explicada por una tercera
variable (mediadora)
– Predictor predice:
• Resultado
• Mediador
– Mediador predice la resultado
• Efecto indirecto de una
variable sobre otra, a través
de una tercera
 ¿Cuál es la lógica?
• La variable mediadora explica una
parte (o toda) la varianza que hay
entre la variable predictora y la
variable resultado.
• Efecto directo de XY
• Efecto indirecto de XMY

• El resultado de tres regresiones

– c = XY
– a = XM
– b = MY

http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0212-97282013000200035
Análisis de mediación usando SPSS
 Análisis de mediación
usando SPSS
• Effec size: estimación del tamaño
del efecto
• Sobel test: test de la hipótesis H0
• Total effect: efecto directo de X
sobre Y
• Compara indirect effects: cuando
hay más de un mediador
• Multicategorical: variables dummy
de forma automática
 Interpretación de resultados

Información general del modelo

Regresión sobre la mediadora

(Commit)
- Model Summary: bondad del
modelo (R2, F, p)
- Coeficientes (b, t, p)

Regresión sobre la resultado

(Phys_inf)
- Model Summary: bondad del
modelo (R2, F, p)
- Coeficientes (b, t, p)
 Interpretación de resultados

Efecto total (c)

- Efecto de X sobre Y
(aislado)
 Interpretación de resultados

Tamaños del efecto

indirecto:

- Verificar la p (<.05) y
los intervalos de
confianza (que no
contengan el cero)

- Foco sobre el efecto

estandarizado:
b = 0,041, se= ,022, IC
95%[0,002, 0,089]
 Reportar el análisis de mediación
• There was a significant
indirect effect of
pornography consumption
on infidelity through
relationship commitment,
• b = 0.127, 95% BCa CI
[0.017, 0.297].
 Otras extensiones del modelo de mediación

https://www.dovepress.com/depression-and-pain-testing-of-serial-multiple-mediators-peer-reviewed-fulltext-article-NDT
Otras extensiones del modelo de mediación
 Variables categóricas: Dummy coding
Forma de representar una variable categórica usando 0 y 1
1. Contar el número de categorías (grupos) y restarle 1
2. Crear nuevas variables por cada grupo que se quiere comparar
3. Seleccionar un grupo, con el que se van a realizar las comparaciones (e.g., control, neutral,
intermedio, minoritarios, etc.)
4. Asignar el valor 0 a todos los valores del grupo de referencia
5. Para la primera variable dummy, asignar el valor de 1 para el primer grupo (que se va a
comparar con el de la línea base) y a los demás grupos el valor de 0
6. Para la segunda variable dummy, asignar el valor de 1 para el segundo grupo y a los demás el
valor de 0.
7. Repetir este proceso para todas las variables
8. Ubicar todas las variables dummy en el modelo lineal.
 Variables multicategóricas
• Indicator coding Co X1 X2 X3
n
(Dummy): compara
1 0 0 0
cada grupo con el grupo 3 1 0 0
de referencia 4 0 1 0
6 0 0 1

• Sequential coding: Co X1 X2 X3
compara el grupo de n
1 0 0 0
menor posición con el 3 1 0 0
inmediatamente 4 1 1 0

superior 6 1 1 1
• Helmert coding: compara el Con X1 X2 X3
grupo de menor posición con 1 -3/4 0 0
todos los superiores (ej. 3 ¼ -2/3 0
control vs. experimental 1 y 2)
4 1/4 1/3 -1/2
6 ¼ 1/3 1/2
• Effect coding: Elimina el
grupo de menor posición y
mira los efectos de cada grupo
Con X1 X2 X3
1 -1 -1 -1
• La que decida quien investiga 3 1 0 0
(mcw=5)
4 0 1 0
0 0 0 1
 Estructura de la sintaxis del PROCESS 3.0
process y=yvar/x=xvar/
m=mvlist mediadoras
w=wvar moderadoras
z=zvar moderadoras
model=num número modelo
cov=covlist lista de covariables
wmodval=mval valores de moderador w
zmodval=zval valores de moderador z
boot=z(5000**) bootstrapping
maxboot=(10000)
mc=g(0**) Montecarlo simulation (med)
conf=ci(95) Intérvalos de confianza
effsize=(0 1) Efectos totales (mediación)
normal=(0 1) Test de sobel
jn=(0 1) Johnson-Neyman
hc=(0 1 2 3 4)
covmy= (0 1 2) covariables en todos
mediadores (1) o sólo en (Y)
total=(0 1)
center=(0 1) Centrar por la media
covcoeff (0 1) covariance matrix matriz de covarianz
moments= (0 1) probe interactions sd
mcx=(0 1 2 3 4 5) forma de codificar categóricas x
mcw=(0 1 2 3 4 5) forma de codificar categóricas w
mcz=(0 1 2 3 4 5) forma de codificar categóricas z
xcatcode=xcodes forma de codificar libre
wcatcode=wcodes forma de codificar libre
zcatcode=zcodes forma de codificar libre
plot= (0 1 2) datos para gráficos
seed=número para reproducir
intprobe=alpha(,10) prueba todo por debajo de esto
modelbt=(0 1) bootrap para las regresiones
decimals=dec(f10.4) número de decimales
save=(0 1 2)
contrast=(0 1 2)(wval1,zval2…) probar contrastar
Bmatrix construir modelos : efectos principales
Wmatrix construir modelos : moderaciones W
Zmatrix construir modelos : moderaciones Z
Wzmatrix construir modelos : moderaciones W*Z
Cmatriz construir modelos : covariances
matrices= 1. extrae las matrices
 Construir modelos Las que ENVÍAN el efecto

Las que RECIBEN el efecto

M X M

M 1
X Y
Y 1 1
bmatrix=1,1,1

X M1 M2
M1 M2
M1 1
M2 1 1
X Y
Y 1 1 1
bmatrix=1,1,1,1,1,1

X M1 M2
M1 M2
M1 1
M2 1 1
X Y
Y 0 0 1
bmatrix=1,1,1,0,0,1
 Construir más modelos

zmatrix
bmatrix wmatrix

X M1 M2 X M1 M2 X M1 M2

M1 1 M1 1 M1 1

M2 1 1 M2 1 1 M2 1 1

Y 1 1 1 Y 1 1 1 Y 1 1 1