Spss Analisis Regresion Variables Mediadoras Vs Moderadoras
Spss Analisis Regresion Variables Mediadoras Vs Moderadoras
Spss Analisis Regresion Variables Mediadoras Vs Moderadoras
...
Y
Y
Y
Y
X X X
X X X
X X X
X X X
N
K
K
K
N N NK K N
1
2
3
11 12 1
21 22 2
31 32 3
1 2
0
1
3
1
2
3
1
1
1
1
|
\
|
.
|
|
|
|
=
|
\
|
.
|
|
|
|
|
\
|
.
|
|
|
|
+
|
\
|
.
|
|
|
|
|
|
|
|
c
c
c
c
Y XB e = +
Ejemplo:
Nivel de desarrollo a
los 6 aos
Estimulacin paterna
Nivel de desarrollo a
los 3 aos
Estimulacin materna
0,48
0,01
0,62
, , , , Y X X X
i
= + + + 20 80 0 48 0 01 0 62
1 2 3
y = 0,157x + 1,987
y = 0,157x + 1,287
cansancio emocional
s
i
n
t
o
m
a
s
d
e
e
s
t
r
s
mujer
hombre
Coeficientes
a
1,987 ,292 6,812 ,000
,157 ,011 ,614 14,001 ,000
-,700 ,248 -,124 -2,820 ,005
(Constante)
Cansanci o emoci onal
Sexo
Model o
1
B Error tp.
Coefi ci entes no
estandari zados
Beta
Coefi ci entes
estandari zad
os
t Si g.
Variabl e dependi ente: emesttotal
a.
Sexo
142
173
315
,00 Mujer
1,00 Hombre
Total
Vli dos
Frecuencia
( ) CE y
Sexo bres los Para
CE y
Sexo mujeres las Para
SEXO CE y
+ =
=
+ =
=
+ =
157 , 0 700 , 0 987 , 1
1 hom
157 , 0 987 , 1
0
700 , 0 157 , 0 987 , 1
Coeficientes
a
5,206 ,281 18,509 ,000
-,915 ,328 -,162 -2,787 ,006
-,096 ,336 -,017 -,285 ,776
(Constante)
Sexo
Personal
Model o
1
B Error tp.
Coefici entes no
estandari zados
Beta
Coefici entes
estandari zad
os
t Sig.
Vari abl e dependi ente: emesttotal
a.
Personal
122
193
315
,00 PAS
1,00 PDI
Total
Vlidos
Frecuencia
096 , 0 915 , 0 206 , 5 1 096 , 0 1 915 , 0 206 , 5
hom
915 , 0 206 , 5 0 096 , 0 1 915 , 0 206 , 5
hom
096 , 0 206 , 5 1 096 , 0 0 915 , 0 206 , 5
206 , 5 0 096 , 0 0 915 , 0 206 , 5
096 , 0 915 , 0 206 , 5
= =
= =
= =
= =
=
y
PDI del bres los Para
y
PAS del bres los Para
y
PDI del mujeres las Para
y
PAS del mujeres las Para
PERSONAL SEXO y
Sexo
142
173
315
,00 Mujer
1,00 Hombre
Total
Vli dos
Frecuencia
Para que el modelo de regresin mltiple permita responder a hiptesis de moderacin,
adems de las variables independiente y moderadora, debemos incluir una nueva variable
obtenida mediante el producto de las variables moderadora e independiente. La inclusin del
producto de las variables permite al investigador probar la presencia de relaciones
moderadas. Esquemticamente el modelo de regresin para el problema de moderacin ms
simple sera:
Efectos de moderacin: anlisis de datos mediante el
modelo de regresin mltiple
X Y
Z
Relacin causal moderada
X
Y
Z
XxZ
b
1
b
2
b
3
e
i i i i i
Z X b Z b X b b Y
3 2 1 0
+ + + =
La hiptesis de moderacin se confirma si b
3
es estadsticamente
significativo y en ese caso, reordenando los trminos de la ecuacin
anterior, es fcil ver como cambia la magnitud de la relacin entre X e Y
cuando vara Z
Efectos de moderacin: anlisis de datos mediante el
modelo de regresin mltiple
i i i i i
Z X b Z b X b b Y
3 2 1 0
+ + + =
( ) ( )
i i i i
X Z b b Z b b Y
3 1 2 0
+ + + =
Consideraremos cuatro casos de moderacin segn el tipo de variables:
Variable Moderadora
Cualitativa Cuantitativa
Variable
Independiente
Cualitativa Caso 1 Caso 3
Cuantitativa Caso 2 Caso 4
Efectos de moderacin: anlisis de datos mediante el
modelo de regresin mltiple
Efectos de moderacin: anlisis de datos mediante el
modelo de regresin mltiple
Etapas en el anlisis de datos:
1. Codificacin de las variables cualitativas
2. Diferenciacin o estandarizacin de las variables
cuantitativas
3. Creacin de la variable producto
4. Estimacin de los parmetros de la regresin
5. Interpretacin de los resultados y representacin de la
interaccin
6. Significacin de pendientes simples
Caso 1: Codificacin de las variables cualitativas Efectos
de moderacin
utilizaremos la codificacin dummy o ficticia para las variables cualitativas. En este caso
hemos creado dos variables (familiar e institucional) asignando un 1 a los sujetos que reciben
apoyo familiar y un 1 a los sujetos que reciben apoyo institucional. Para ambas variables el 0
representa ausencia de apoyo. La siguiente tabla es una porcin de la matriz de datos que
vamos a analizar.
Apoyo familiar Calidad de vida
Apoyo Institucional
caso1.sav
Caso 1: Creacin de la variable producto
1 Seleccionamos Calcular del men Transformar
2 Escribimos un nombre para la variable de
destino: Interaccin.
3 Seleccionamos la variable familiar y la
insertamos en el cuadro
4 Seleccionamos el operador producto
5 Seleccionamos la variable institucional y la
insertamos a continuacin del operador
2 Escribimos un nombre para la variable de
destino: Interaccin.
3 Seleccionamos la variable familiar y la
insertamos en el cuadro
4 Seleccionamos el operador producto
5 Seleccionamos la variable institucional y la
insertamos a continuacin del operador
Caso 1. Estimacin de parmetros mediante regresin
jerrquica
Cuando se utilice el modelo de regresin con trminos de interaccin conviene introducir en primer
lugar a las variables predictora y moderadora y en una segunda Etapa se introducen las variables
producto.
1 Seleccionamos la opcin de Regresin
Lineal del men Analizar
2 Insertamos VD
3 Insertamos VI y VM
4 Pulsamos Siguiente e incluimos
la interaccin
5 Pulsamos en Estadsticos y
seleccionamos Matriz de covarianzas y
Cambio en R
2
Caso 1. Interpretacin de los resultados y
representacin de la interaccin
Variables introducidas/eliminadas
b
insti tuci onal,
fami liar
a
. Intr oduci r
interacci n
a
. Intr oduci r
Modelo
1
2
Vari ables
intr oduci das
Vari ables
eliminadas Mtodo
Todas las variables sol icitadas introduci das
a.
Vari able dependiente: cali dad
b.
La hiptesis de moderacin se confirma si el incremento en proporcin de variabilidad
debida a la interaccin es significativo como as ocurre en este caso.
Resumen del modelo
,787
a
,619 ,611 1,89726 ,619 78, 731 2 97 ,000
,813
b
,661 ,650 1,79907 ,042 11, 876 1 96 ,001
Modelo
1
2
R R cuadrado
R cuadrado
corregida
Error tp. de la
est imacin
Cambio en
R cuadrado Cambio en F gl1 gl2
Sig. del
cambio en F
Estadsticos de cambio
Variables predictoras: (Constante), institucional, familiar
a.
Variables predictoras: (Constante), institucional, familiar, interaccin
b.
ANOVA
c
566,800 2 283,400 78,731 ,000
a
349,160 97 3,600
915,960 99
605,240 3 201,747 62,332 ,000
b
310,720 96 3,237
915,960 99
Regresi n
Residual
Total
Regresi n
Residual
Total
Modelo
1
2
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Vari ables predi ctoras: (Constante), institucional , famil iar
a.
Vari ables predi ctoras: (Constante), institucional , famil iar, interacci n
b.
Vari able dependiente: cal idad
c.
Coeficientes
a
2,740 ,329 8,338 ,000
4,040 ,379 ,667 10,647 ,000
2,520 ,379 ,416 6,641 ,000
3,360 ,360 9,338 ,000
2,800 ,509 ,463 5,503 ,000
1,280 ,509 ,211 2,515 ,014
2,480 ,720 ,355 3,446 ,001
(Constante)
famil iar
institucional
(Constante)
famil iar
institucional
interaccin
Modelo
1
2
B Error tp.
Coefici entes no
estandari zados
Beta
Coefici entes
estandari zad
os
t Sig.
Variabl e dependiente: cal idad
a.
( )
( ) ( )
X Y entonces Z Si
X Y entonces Z Si
X Z Z Y
XZ Z X Y
i
i
i
i
28 , 5 64 , 4
1
8 , 2 36 , 3
0
4 , 2 8 , 2 28 , 1 36 , 3
4 , 2 28 , 1 8 , 2 36 , 3
+ = =
+ = =
+ + + =
+ + + =
Familiar Institucional
Y ajustada
0 (No) 0 (No) 3,36
1 (Si) 0 (No) 6,16
0 (No) 1 ( Si) 4,64
1 (Si) 1 (Si) 9,92
Caso 1. Interpretacin de los y representacin de la
interaccin
Correlaciones de los coeficientes
a
1,000 ,000
,000 1,000
,144 ,000
,000 ,144
1,000 ,500 -,707
,500 1,000 -,707
-,707 -,707 1,000
,259 ,129 -,259
,129 ,259 -,259
-,259 -,259 ,518
institucional
famil iar
institucional
famil iar
institucional
famil iar
interaccin
institucional
famil iar
interaccin
Correl aciones
Covari anzas
Correl aciones
Covari anzas
Modelo
1
2
institucional famil iar interaccin
Variable dependiente: cal idad
a.
Caso 1. Interpretacin de los y representacin de la
interaccin
Para representar la interaccin en el caso 1 podemos utilizar el men de Grficos interactivos de
SPSS
1 2
3
Regresin lineal
0,00 0,25 0,50 0,75 1,00
familiar
2,50
5,00
7,50
10,00
12,50
c
a
l
i
d
a
d
1 2 3 11
3 2 1 0
+ =
+ = + + + =
Caso 4. Interpretacin de los y representacin de la
interaccin
ANOVA
c
3250,000 2 1625,000 264,333 ,000
a
750,000 122 6,148
4000,000 124
3750,000 3 1250,000 605,000 ,000
b
250,000 121 2,066
4000,000 124
Regresi n
Residual
Total
Regresi n
Residual
Total
Modelo
1
2
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Vari ables predi ctoras: (Constante), presi ondif, cli madi f
a.
Vari ables predi ctoras: (Constante), presi ondif, cli madi f, i nteraccion
b.
Vari able dependiente: actitud
c.
Coeficientes
a
11,000 ,222 49,602 ,000
-2,000 ,157 -,500 -12,754 ,000
3,000 ,157 ,750 19,131 ,000
11,000 ,129 85,560 ,000
-2,000 ,091 -,500 -22,000 ,000
3,000 ,091 ,750 33,000 ,000
-1,000 ,064 -,354 -15,556 ,000
(Constante)
cli madi f
presiondi f
(Constante)
cli madi f
presiondi f
interaccion
Modelo
1
2
B Error tp.
Coefici entes no
estandari zados
Beta
Coefici entes
estandari zad
os
t Sig.
Variabl e dependiente: actitud
a.
X Presiondiif
Z Climadif
XZ Interaccin
Caso 4. Interpretacin de los y representacin de la
interaccin
Para representar la interaccin cuando, las variables son cuantitativas, se suelen utilizar los valores predichos de las
rectas resultantes de sustituir la variable moderadora por valores especficos. Normalmente se suele representar las
rectas correspondientes a valores de la variable X y Z correspondientes a: -1Sd, 0, 1Sd. Estos valores corresponden a
sujetos representativos dentro de la distribucin: son sujetos que se encuentran a una desviacin tpica por debajo de la
media, en la media o a una desviacin tipo por encima de la media. Aunque tambin podemos representar, en este
caso dado que trabajamos slo con 5 valores, todas las rectas. Para obtener estos grficos vamos a utilizar la hoja de
clculo Excel. graficocaso4.xls
y = 4,4199x + 13,84
y = 3x + 11
y = 1,5801x + 8,1602
0
5
10
15
20
25
-2,00 -1,50 -1,00 -0,50 0,00 0,50 1,00 1,50 2,00
clima malo clima medio clima bueno
presin
y = 5x + 15
y = 4x + 13
y = 3x + 11
y = 2x + 9
y = x + 7
0
5
10
15
20
25
30
-2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5
clima -2 clima -1 clima 0 clima 1 clima 2
Presin
Caso 4. Significacin de pendientes simples
Con la significacin de la interaccin ya se sabe que las pendientes de las rectas son estadsticamente distintas. Pero la
pregunta, como en el caso 1, es si en todos los casos la relacin entre la presin de los iguales y la actitud ante el
consumo es estadsticamente significativa. Ya sabemos que para responder tenemos que obtener el valor del estadstico
de contraste para cada pendiente y compararlo con el valor crtico para un determinado nivel de significacin y para N-k-1
grados de libertad. Como tendramos que calcular, al menos, la significacin de las pendientes correspondientes a valores
bajo, medio y alto de presin vamos a utilizar de nuevo la hoja de clculo Excel.
( )
( ) ( )
2 2
3 1
2
3 1
3 1
cov 2
b i i b
i
SE Z b b Z SE
Z b b
t
+ +
+
=
Se rechaza la H
0
si: t >+t
c
o de manera equivalente si:
p <
Por el contrario, se acepta la H
0
si: t +t
c
o de manera equivalente si:
p
Para facilitar los clculos puedes utilizar la hoja: significacin de
pendientes simples
Caso 4. Significacin de pendientes simples
Valores de la
variable
moderadora
Ordenadas en el
origen simples
Pendientes
simples Error estndar Valores de t
Valor deP
(significacin)
-2,00 15,00 5,00 0,15 32,27 0,00
-1,00 13,00 4,00 0,11 36,51 0,00
0,00 11,00 3,00 0,09 33,54 0,00
1,00 9,00 2,00 0,11 18,26 0,00
2,00 7,00 1,00 0,15 6,45 0,00
Como podemos ver en la tabla todos los valores de p son menores que 0,05 y concluimos por tanto
que la relacin entre presin de los iguales y actitud ante el consumo de drogas es significativa para
todos los valores de la variable clima familiar.
Ejercicios
Contrastar las siguientes hiptesis:
Un investigador cree que la relacin de la edad con la calidad de las relaciones entre Padres/madres e hijos/hijas
est moderada por el xito acadmico. A una muestra de 96 chicos y chicas de edades comprendidas entre los 10 y
los 19 aos se les ha clasificado en dos grupos: con xito acadmico y sin xito acadmico y tambin se ha
evaluado la calidad de la relacin con sus Padres. Los datos obtenidos estn disponibles en el archivo caso2.sav.
Realizar las operaciones necesarias para contrastar la hiptesis de moderacin planteada y responder a las
siguientes cuestiones:
1. Representa esquemticamente la hiptesis planteada por el investigador.
2. Los datos confirman la hiptesis del investigador? por qu?
3. Escribe la ecuacin estimada e interpreta los coeficientes
4. Representa la interaccin.
5. Se podra afirmar que la relacin entre calidad de la relacin y edad slo es significativa cuando hay xito
acadmico.
El procedimiento ms frecuente para probar mediacin en una investigacin fue desarrollado por
Kenny (Judd & Kenny, 1981; Baron & Kenny, 1986; Kenny, Kashy, & Bolger, 1998 y MacKinnon et al.
(2002)) y consta de cuatro etapas que implican la estimacion de tres ecuaciones de regresin.
Recordemos que el esquema para representar la hiptesis de mediacin ms simple es:
En el esquema anterior se representa que el efecto de la variable predictora (X) sobre la variable
criterio (Y) se establece por el efecto mediador de la variable Z.
Etapas para contrastar la hiptesis de mediacin con el
modelo de regresin mltiple
X Y Z
Relacin causal mediada o indirecta
1 Etapa: demostrar que la variable predictora (X) est relacionada significativamente con la variable
criterio (Y). La consecucin de esta etapa implica la estimacin de la regresin simple de Y sobre X y
la comprobacin de que la pendiente c de la regresin estimada es significativo. Esquemticamente
estimamos la relacin:
Sobre la necesidad de llevar a cabo esta etapa para probar hiptesis de mediacin existen
discrepancias en la comunidad cientfica. Hay autores que piensan que no hace falta que X est
relacionada significativamente con Y para comprobar la hiptesis de mediacin. La razn es que c
puede resultar no significativo al ser la suma de efectos de signo contrario: directo e indirecto.
Etapas para contrastar la hiptesis de mediacin con el
modelo de regresin mltiple
X Y
c
2 Etapa: demostrar que la variable predictora (X) est relacionada significativamente con la variable mediadora (Z). La
consecucin de esta etapa implica la estimacin de la regresin simple de Z sobre X y la comprobacin de que la
pendiente a de la regresin estimada es significativa. Esquemticamente estimamos la relacin:
3 Etapa: demostrar que la variable mediadora (Z) est relacionada con la variable criterio (Y) manteniendo constante
el efecto de la variable X. La consecucin de esta etapa implica la estimacin de los coeficiente de la regresin mltiple
de Y sobre X y Z y la comprobacin de que el coeficiente b es significativo.
Etapas para contrastar la hiptesis de mediacin con el
modelo de regresin mltiple
X Y
Z
a
c
b
4 Etapa: demostrar que la magnitud de la relacin de la variable predictora (X) con la variable criterio (Y) es
significativamente menor cuando se incluye la variable mediadora (Z). Es decir, c (efecto directo) es menor que c. Se
dice que hay mediacin completa si c es cero. En la mayora de los casos c es distinta de cero y la mediacin se dice
que es parcial. La diferencia entre c-c es el valor del efecto indirecto o mediado y es igual al producto de los
coeficientes a y b del esquema anterior. Resumiendo:
Efecto indirecto: (c-c) = ab
No es suficiente con probar que c y c son distintas hay que probar que son estadsticamente distintas para lo cual
podemos utilizar diferentes test. El ms utilizado es el test de Sobel aunque es muy exigente en cuanto al tamao de
muestra necesario (N>400). Tanto el test de Sobel como otros menos restrictivos en cuanto al tamao de muestra
podemos ejecutarlos con la hoja: test de efectos de mediacin.
Etapas para contrastar la hiptesis de mediacin con el
modelo de regresin mltiple
Utilizando el procedimiento descrito en las cuatro etapas anteriores vamos a probar la siguiente
hiptesis: el efecto de la reduccin de grasa corporal sobre la autoestima est mediada por la
coordinacin. Para probar esta hiptesis disponemos de una muestra de sujetos que practican
culturismo. A partir de los datos obtenidos:
1. Representar esquemticamente la hiptesis.
2. Calcular la magnitud del efecto indirecto o de mediacin.
3. Calcular la proporcin que del efecto total supone el efecto de mediacin.
4. Indicar si el efecto de mediacin resulta significativo.
Etapas para contrastar la hiptesis de mediacin con el
modelo de regresin mltiple
Referencias
Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Thousand Oaks,
CA: Sage.
Baron, R. M., & Kenny, D. A. (1986). The moderatormediator variable distinction in social psychological
research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social
Psychology, 51, 11731182.
Cohen, J. (2003). Applied Multiple Regresion-Correlation Analysis for Behavioral Sciences. Mahwah, NJ:
Lawrence Erlbaum. http://0-site.ebrary.com.fama.us.es/lib/unisev
Frazier, P.A., Tix, A.P. & Baron, R.M. (2004). Testing Moderator and Mediator Effects in Counseling
Psychology Research. Journal of Counseling Psychology, Vol. 51, No. 1, 115134
Frosch, C.A., & Mangeldorf, S.C.(2001). Marital behavior, Parenting behavior, and Multiple reports of
PreschoolersBehavior Problems: Mediation or Moderator?. Develpmental Psychology, vol, 37, 4,
502-519
Jaccard, J., Turrisi, R., & Wan, C.K. (1990). Interaction Effects in Multiple Regression. Thousand Oaks: Sage.
Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating mediation in treatment
evaluations. Evaluation Review, 5, 602619.
Kenny, D. A., Kashy, D. A., & Bolger, N. (1998). Data analysis in socialpsychology. In D. T. Gilbert, S. T.
Fiske, & G. Lindzey (Eds.), The handbook of social psychology (4th ed., pp. 233265). New
York: Oxford University Press.
MacKinnon, D. P. (1994). Analysis of mediating variables in prevention and intervention research. In A.
Cazares & L. A. Beatty (Eds.), Scientific methods for prevention intervention research (NIDA
Research Monograph