Jamovi | Análisis de mediación avanzada (JAMM)

Anteriormente vimos cómo se realiza un análisis de mediación básico con el módulo medmod. Hoy vamos a aprender a realizar una mediación elemental de una manera más avanzada. En este caso emplearemos un módulo nuevo llamado JAMM. Además, también será necesario obtener algunas regresiones lineales. Por último, conoceremos una manera de redactar los resultados.

Módulo JAMM

Para realizar este tipo de análisis es preciso tener instalado el módulo JAMM. Este módulo se instala dentro de la macro llamada medmod. En una entrada anterior se explicó como se pueden instalar módulos en Jamovi. Haz clic en el siguiente botón para acceder al contenido y recordarlo.

La instalación del módulo estará completa cuando aparezca el icono medmod en el menú, tal y como se muestra en la siguiente imagen. Si ya has instalado previamente el módulo medmod, el módulo JAMM aparecerá en forma de menú haciendo clic en el incono medmod.

Análisis de mediación

Una introducción al análisis de mediación se ha realizado anteriormente, precisamente con el módulo medmod. Lo importante del análisis de mediación es que tenemos que tener en cuenta tres variables diferentes: una variable predictora, una variable moderadora y una variable dependiente o outcome. En la siguiente ilustración se muestra la relación que se establece entre estas tres variables. 

En esencia, con el análisis de mediación, se pretende examinar tres tipos de efectos: indirecto, directo y total. Además, también se establece el grado de relación entre las variables (que corresponde con las letras en minúsculas azules de la ilustración anterior).

Caso práctico

Para este ejemplo, nos vamos a basar en uno expuesto en la guía de Lurie (2021). En Educación y Psicología se sabe que las rabietas (tantrum en inglés) es una característica propia que está presente en los primeros años de crecimiento del niño antes del desarrollo de la regulación emocional. También se sabe que muchos causantes de estas rabietas suelen ser factores aparentemente triviales. Por supuesto, el rol de las familias a la hora de lidiar con rabietas influye mucho en el nivel de rabieta final que exteriorizará el niño. Como bien es sabido, cuando el padre ríe la rabieta del niño, puede estar influyendo en el nivel final de rabieta. Es por ello que una investigación que se ha realizado con 72 familias pretende analizar la relación que existe entre el causante de una rabieta con la intensidad de la rabieta teniendo en cuenta el grado de supresión de la risa de los progenitores.

La información ficticia ha sido introducida en una base de datos en Jamovi (formato .omv) denominada Rabietas. En ella podrás observar tres variables distintas que configuran este modelo de mediación básica: el nivel de trivialidad o absurdez que ocasiona la rabieta (en una escala de 0 -muy absurdo- a 30 -muy serio-), el grado de supresión del apoyo indirecto de la rabieta por parte de las familias (en una escala de 0 -no hay apoyo- a 10 -se apoya y refuerza la rabieta-) y la intensidad de la rabieta exteriorizada del niño (de 0 -bajo- a 20 -muy alto-). Puedes acceder a los datos haciendo clic en el siguiente botón. Por supuesto, el análisis se realizará en el software Jamovi (versión 2.3.28) con el módulo JAMM en un ordenador Windows 10. No obstante, se recuerda que este mismo procedimiento se puede realizar idénticamente en un ordenador Mac.

Procedimiento

En primer lugar es recomendable realizar un dibujo como el que se ha mostrado en la ilustración anterior que recoja la relación de las variables. En él habría que poner el nombre de la variable predictora (Intensidad en nuestro caso), el de la variable moderadora (Apoyo siguiendo el ejemplo) y el de la variable dependiente (Absurdez en este caso). Ahora veremos que este esquema se dibujará automáticamente en el módulo de JAMM bajo el nombre Path model. 

Puesto que debemos hacer varios procedimientos, esta sección la dividiremos en varias partes.

PRIMERA PARTE

Accedemos al módulos a través de Análisis, medmod y GLM Linear Models, tal y como se muestra en la siguiente imagen:

A continuación, introduciremos las variables objeto de análisis en sus correspondientes casillas:

- En Dependent variable introduciremos el outcome (en este caso Absurdez)

- En Mediators introducidmos precisamente la variable mediadora (en este caso Apoyo)

- En Covariates (y no en Factors*) introducimos la variable predictora (en este caso Intensidad).

Es aquí, en el Path Model donde se muestra el esquema del modelo (conceptual diagram en inglés) de mediación. 

Ahora, en el bloque Mediation options debemos marcar la opción Bootstrap (Percent), IE Components y Beta (B) [estas dos últimas están ya marcadas], tal y como se muestra en la siguiente ilustración. Aquí, las siglas IE hace referencia al efecto indirecto.

SEGUNDA PARTE

A continuación, antes de pasar a los resultados que automáticamente nos da Jamovi, debemos realizar varios procedimientos en Análisis, en el icono de Regresiones y en Regresión lineal. Aquí deberemos hacer dos modelos distintos.

El primer modelo consistirá en estudiar la relación (path) entre la variable predictora y el mediador. Esto nos dará la senda (path) a que hemos visto en la primera ilustración. Para ello, debemos ir a Regresión lineal e introducir en el espacio de Variable Dependiente el mediador (Apoyo en este caso) y en el espacio de Covariables la variable predictora (Absurdez en este ejemplo). Los resultados aparecerán en la parte lateral derecha.

El segundo modelo consiste en observar el modelo completo teniendo en cuenta la variable dependiente con la variable predictora y la mediadora. Esto nos dará la senda (path) b, c y c' que hemos visto en la primera ilustración de esta entrada. Para ello, solicitaremos una nueva Regresión lineal (volvemos a clicar sobre Regresiones y sobre Regresión lineal). Para ellos introduciremos la variable dependiente (Intensidad en este caso) en Variable Dependiente, y en Covariables el resto de variables (Apoyo y Absurdez en este ejemplo).

• Para obtener la senda c es necesario solicitar regresiones jerárquicas. Para ello debemos solicitar que la variable independiente se ubique en el primer bloque (para obtener c) y luego añadir la variable mediadora en el segundo bloque (para obtener b y c'). Entonces, en el apartado Constructor del Modelo, debemos hacemos clic en Añadir nuevo bloque. Arrastramos la variable mediadora del Bloque 1 al nuevo Bloque 2, tal y como se muestra en la siguiente ilustración. Ahora, debemos tener en el Bloque 1 solo la variable predictora (Absurdez en este caso) y en el Bloque 2 la variable mediadora.

• Por último, en el apartado Ajuste del Modelo, haremos clic en R² corregida y en Prueba F, tal y como muestra la siguiente ilustración.

Resultados

Este apartado va a comenzar por lo último que hemos visto (Segunda parte), puesto que es lo primero que se debe mirar para determinar si merece la pena analizar la mediación.

SEGUNDA PARTE

Debemos fijarnos en la tabla de Regresión lineal, que se solicitó en la primera parte del apartado anterior. En concreto, nos tenemos que fijar en el modelo 2 y más concretamente en el que el p-valor sea inferior a 0,050. Esto significará que la relación entre la variable predictora y el outcome (o variable dependiente) está influida por el efecto mediador de la variable mediadora. 

Por tanto hay que ver la varianza explicada en  R²

PRIMERA PARTE

Debemos fijarnos en la tabla de Mediation, fue lo primero que se solicitó y que estará en la parte de arriba de todas las tablas de resultados. En concreto en los estimadores (B) y en el intervalo de confianza al 95% teniendo en cuenta la técnica del percentil boostrap. Por supuesto, el p-valor también nos dará información sobre la significatividad de cada uno de los efectos. Lo recomendable es reportar en forma de gráfico todas estas sendas, tal y como se observa en la siguiente ilustración. Obviamente si todos los p-valores son superiores a 0,050, no tiene sentido representar el modelo. 

Redacción e interpretación final

Al igual que en el apartado anterior, vamos a comenzar por la segunda parte que hemos realizado en procedimiento y concluiremos con la primera parte que corresponde con la mediación propiamente dicha:

SEGUNDA PARTE

En primer lugar, debemos reportar los resultados del modelo completo que se ha extraído en los primeros pasos de las secciones anteriores. Aquí debemos indicar los valores de la regresión lineal del modelo 2. En concreto el estadístico F junto con los grados de libertad y el p-valor. A continuación, se recomienda reportar el tamaño del efecto en forma de R² 

• Se han analizado los datos para explorar si hay apoyo estadístico a la hipótesis de que la relación entre la variable predictora y el outcome está mediada por los grados de la variable mediadora. Con el modelo completo de regresión lineal, el x% [es el porcentaje de R²] (R² ajustado = valor) de la varianza del outcome queda explicado por la combinación de la variable predictora y la variable mediadora. Este hecho representa una cantidad de varianza explicada significativa que requiere ser analizada pormenorizadamente [F(grados de libertad 1, grados de libertad 2) = estadístico F, p-valor].

• Data were analysed to explore whether there was statistical support for the hypothesis that the relationship between the predictor variable and the outcome is mediated by the degree of the mediator. Within the the full regresion model, x% [percentage of R²] (R² adjusted = value) of the variance ratings of outcome was explained by the combination of the predictor variable and the mediator variable. This represents a signficant amount of variance explained [F(degrees of freedom 1, degrees of freedom 2) = Statistic, p-value].

PRIMERA PARTE

A continuación, debemos reportar si el modelo de mediación es significativo (y por lo tanto) podemos continuar con el análisis. Para ello debemos mirar si el efecto indirecto es significativo (p-valor) puesto que nos da información sobre si la mediación está presente.

• Empleando la técnica de boostraping con 1000 muestras, el efecto indirecto (no) ha sido significativo, apoyando la idea de que la mediación está presente [B = Valor del estimador del modelo directo; IC BCp al 95% (Bajo, Alto), valor Beta].

• Using 1000 bootstrapped samples, the indirect effect was (not) significant, providing statistical support for the argument that mediation is present [B = Estimator value of the indirect effect; 95% BCp CI (Lower, Upper), Beta value].

Por último, se deberá hacer referencia a la Figura que contendrá el modelo y que se puede observar en la primera ilustración del apartado de resultados. Una forma para referenciarlo en el texto puede ser:

• La Figura X ofrece una representación visual de las vías o sendas del modelo de mediación.

• Figure X below provides a visual representation of the various pathways of the mediation model. 

Referencia bibliográfica

Estilo APA-7:

• Lurie, J. (2021). Conducting a Simple mediation in Jamovi. Statistic Working Group of University of Queensland.

Jacob Sierra Díaz y Alti