Jamovi | Introducción al análisis de mediación (medmod)

En Estadística es muy habitual analizar un efecto directo entre dos variables. Por ejemplo, el grado de motivación autodeterminada con el rendimiento escolar: la motivación predice en un determinado grado el rendimiento escolar del alumnado. Pero en la mayoría de situaciones, la vida no solo funciona con efectos directos teniendo en cuenta una sola variable. En ocasiones, se hace necesario investigar la relación existente con una tercera variable. Por seguir con el ejemplo anterior, la metodología empleada puede tener relación en la motivación del alumnado que a su vez tiene relación en el rendimiento escolar. A este procedimiento le llamamos análisis de mediación, que se puede efectuar con el módulo medmod de Jamovi.

Módulo medmod

Para realizar este tipo de análisis es preciso tener instalado el módulo medmod. En la entrada anterior, se ha explicado cómo se pueden instalar módulos adicionales en Jamovi. Puedes hacer clic en el siguiente botón para acceder a la entrada.

La instalación del módulo estará completa cuando aparezca el icono medmod en el menú, tal y como se muestra en la siguiente imagen. Precisamente, el icono es un diagrama característico de las mediaciones.

Análisis de mediación básico

Una variable mediadora explica parte de la relación entre otras dos variables. Por ello se le suele representar con un diagrama en forma de triángulo, tal y como se muestra en la siguiente ilustración. Este tipo de variables mediadoras son las causantes de los efectos indirectos en las otras dos variables. Expongamos el ejemplo que Howard (2024) muestra en su página web: al estudiar la asociación entre las variables satisfacción laboral y rendimiento laboral podremos darnos cuenta que la motivación media entre estas dos variables. Según la literatura (y el sentido común), si hay mayor satisfacción laborar es posible que haya una mayor motivación que se puede asociar con un mayor rendimiento laboral. En efecto, la motivación tiene un efecto indirecto entre la satisfacción laboral y el rendimiento en el  trabajo.

Las mediaciones estadísticas más básicas tienen una sola variable predictora (satisfacción laboral, por seguir con el ejemplo anterior), un solo mediador o variable mediadora (motivación en el caso anterior) y una variable resultante, variable dependiente o, también denominada, outcome (rendimiento en el trabajo en el ejemplo anterior). Llegados a este punto puede ser interesante realizar una representación de la forma en la que estas variables se relacionan entre sí:

Por tanto, en este tipo de análisis vemos las relaciones de las tres variables (X, Z e Y ó predictora, mediadora y dependiente) en conjunto. Nótese que el efecto total se compara con el modelo de mediación teniendo en cuenta la variable mediadora.

Caso práctico

En un colegio de Educación Primaria se quiere estudiar el papel que juega la motivación más autodeterminada con las ganas de ir al colegio y con el rendimiento escolar. Para ello, se ha escogido a una muestra representativa de 30 alumnos al azar entre los seis cursos de Primaria. A continuación, tras la aprobación por parte de las familias para realizar esta investigación, se les solicitó que realizasen tres cuestionarios con una duración de menos de 20 minutos con el fin de no trastocar en exceso la rutina escolar. 

La información ficticia ha sido introducida en una base de datos en Jamovi (formato .omv) denominada Mediación. En dicho análisis tendremos que tener en cuenta que tan solo se usarán las variables Colegio (ganas de ir al colegio; puntuación hasta 100), Motivación (grado de motivación autodeterminada; puntuación hasta 15) y Rendimiento (calificación final de los alumnos; puntuación hasta 10). Puedes acceder a los datos haciendo clic en el siguiente botón. El análisis de esta entrada se realizará en el software Jamovi (versión 2.3.28) en un ordenador Windows 10. No obstante, se recuerda que este mismo procedimiento se puede realizar en un ordenador Mac.

Procedimiento

Lo que debemos de hacer en primer lugar es saber ubicar cada una de las variables en el gráfico de medicación básico que hemos visto anteriormente. Esto nos lo indicará la naturaleza de los datos y cuando realicemos nuestras propias investigaciones podremos saberlo mediante la literatura especializada existente. En nuestro caso, la variable predictora es Ganas de ir al colegio, la variable mediadora es Motivación autodeterminada y la variable resultado (outcome) es el Rendimiento escolar.

Con ello, podremos ir a Análisis, hacer clic en el icono medmod y clic en la opción Mediation. Al ser un módulo de terceros, la interfaz no está traducida la castellano.

A continuación, con lo que hemos hecho en el primer paso (dibujar un gráfico similar a la primera imagen donde ponemos la relación de nuestras variables y sustituimos el nombre de las letras por el de nuestra variables), debemos alojar en cada casilla la variable correspondiente:

- Dependent variable: Variable dependiente (Outcome). En este caso, Rendimiento.

- Mediator: Mediador. En este caso, Motivación.

- Predictor. Predictor. En este caso, Colegio (ganas de ir al colegio).

De momento, al ser una entrada introductoria no vamos a especificar más opciones, aunque se podría hacer clic en Path estimates (estimaciones de recorrido o de sendas) y Estimate plot (gráficos de estimaciones) en la sección Additional Output. 

• El Path estimates permitirá conocer la relación de cada una de las variables (las letras minúsculas en la primera ilustración sobre el modelo de mediación básico). 

Resultados

Como ya es bien sabido, en Jamovi los resultados se generan automáticamente en la ventana derecha. En este caso, debemos ir a la única tabla que nos calcula que tiene por nombre Mediation. 

• La primera fila de la tabla es el efecto indirecto (indirect en inglés). Debemos observar si se trata de un mediador significativamente estadístico observando que el p-valor sea inferior a 0,050.

• La segunda fila de la tabla es el efecto directo (direct en inglés). Este efecto hace referencia a la relación entre la variable predictora y la variable dependiente (outcome) teniendo en cuenta la variable mediadora. Es decir, es el efecto que se desprende de estudiar la variable predictora sobre el outcome considerando la variable mediadora. Nuevamente, debemos observar si la significatividad (el p-valor) es inferior a 0,050 para determinar que hay una influencia significativa considerando la variable mediadora. 

• Por último, nos encontramos con el efecto total (total en inglés), que hace referencia a la relación entre la variable predictora y la variable dependiente (outcome). Se llama total porque es la suma del efecto indirecto más el efecto directo y se emplea para compararlo con el modelo de mediación simple que acabamos de ver.. En efecto, para que haya una relación significativa entre ambas variables el p-valor debe ser inferior a 0,050. 

Si se ha clicado en la opción Path estimates, se podrá ver una segunda tabla denominada Path estimates (no se muestra en la siguiente ilustración). Dicha tabla se utiliza para escribir la relación de cada una de las flechas del modelo junto con su significatividad.

En nuestro ejemplo, observamos que la variable motivación autodeterminada es una variable mediadora estadísticamente significativa (p = 0,006) entre la variable predictora y el outcome. Por otro lado, se observa una relación positiva entre las ganas de ir al colegio y el rendimiento escolar (p = 0,026).

Redacción e interpretación final

Existen varias formas de redactar el apartado de resultados de las mediaciones. Lo más recomendable es realizar el gráfico que se muestra en la ilustración anterior, característico del análisis de mediación. A continuación se puede proceder a explicarlo. Aquí proponemos uno que no tiene por qué ser el que se tenga que usar. En azul las partes que se deben adaptar:

• La relación entre la variable predictora (independiente) y el outcome ha sido mediada a través de la variable mediadora. Tal y como la Figura X ilustra, el coeficiente de regresión estandarizado entre la variable predictora y el outcome es estadísticamente significativo (Coeficiente; p-valor), al igual que lo es la relación entre las variable mediadora con el resto de las variables (Coeficiente; p-valor).

• The relationship between predictor (independent) variable and the outcome was mediated by the mediation variable. As Figure X illustrates, the standardized regression coefficient between predictor variable and the outcome was statistically significant (Coefficient; p-value), as well as the relationship between the mediator variable and the rest of the variables (Coefficient; p-value).

Fuente bibliográfica

Estilo APA-7º edición:

• Howard, M. (2024). Mediation in Jamovi. https://mattchoward.com/mediation-in-jamovi/