Cómo Realizar un Análisis de Mediación en SPSS [Baron & Kenny + PROCESS Macro]

El análisis de mediación es un método estadístico que te ayuda a entender cómo y por qué una variable independiente afecta a una variable dependiente. En lugar de simplemente analizar si X influye en Y, el análisis de mediación explora el mecanismo subyacente: la variable mediadora (M) que transmite el efecto de X hacia Y.

En este tutorial completo de análisis de mediación en SPSS aprenderás dos métodos prácticos:

1. Método de Baron & Kenny (con prueba de Sobel): enfoque tradicional de regresión en 3 pasos
2. Método de PROCESS Macro (con bootstrapping): estándar moderno recomendado para investigaciones

Dataset de práctica: Descarga el conjunto de datos de muestra gratuito para seguir cada paso. El dataset incluye tres variables: Relación (calidad de la relación), Descuento (descuentos personalizados recibidos) y Satisfacción (satisfacción del cliente).

¿Qué es el análisis de mediación?

El análisis de mediación (también llamado análisis de la variable mediadora) analiza si la relación entre una variable independiente (X) y una variable dependiente (Y) ocurre a través de una tercera variable llamada mediadora (M).

La idea central es: X no influye directamente en Y. En su lugar, X influye en M, y M influye en Y. La variable mediadora actúa como el mecanismo o trayectoria a través del cual X afecta a Y.

Pregunta de investigación de ejemplo: "¿La calidad de la relación con el cliente (X) aumenta la satisfacción (Y) porque genera más descuentos personalizados (M)?"

En este ejemplo:

• Variable Independiente (X): Relación (puntuación de calidad de la relación)
• Variable Mediadora (M): Descuento (porcentaje de descuento personalizado)
• Variable Dependiente (Y): Satisfacción (puntuación de satisfacción del cliente)

Trayectorias en el análisis de mediación

El análisis de mediación examina cuatro trayectorias clave:

Trayectoria A: Efecto de X sobre M (¿La calidad de la relación aumenta los descuentos?)

Trayectoria B: Efecto de M sobre Y, controlando X (¿Los descuentos aumentan la satisfacción?)

Trayectoria C: Efecto total de X sobre Y (relación general antes de agregar la mediadora)

Trayectoria C': Efecto directo de X sobre Y, controlando M (relación después de agregar la mediadora)

Cuando existe mediación, el efecto directo (C') se vuelve más pequeño que el efecto total (C). Si C' cae a cero y se vuelve no significativo, tienes mediación completa. Si C' disminuye pero sigue siendo significativo, tienes mediación parcial.

Diagrama conceptual del análisis de mediación con las trayectorias A, B, C y C' entre las variables X, M e Y.

Método 1: Enfoque de Baron & Kenny

El método de Baron & Kenny es el enfoque tradicional del análisis de mediación, desarrollado en 1986. Este método utiliza tres análisis de regresión separados para probar la mediación.

Paso 1: Probar el efecto total (Trayectoria C)

Primero, analiza si X predice significativamente a Y sin incluir la variable mediadora en el modelo.

En SPSS:

1. Ve a Analizar → Regresión → Lineal
2. Mueve Satisfacción (Y) al cuadro Variable dependiente
3. Mueve Relación (X) al cuadro Variable(s) independiente(s)
4. Haz clic en Aceptar

Cuadro de diálogo en SPSS para ejecutar la regresión lineal y probar la Trayectoria C (efecto total).

Qué buscar:

Estadísticos clave para interpretar el efecto total en el Paso 1.

Si la relación entre X e Y no es significativa (p > 0.05), la mediación es poco probable. Sin embargo, algunos investigadores argumentan que aún se puede proceder a probar los efectos indirectos.

Resultados en SPSS que muestran la significancia del efecto total (p = 0.000), lo que indica que podemos continuar con el análisis de mediación. Trayectoria C = 0.472 (EE = 0.065).

Paso 2: Probar la Trayectoria A (X → M)

A continuación, analiza si X predice significativamente a M.

Diagrama que resalta la Trayectoria A: el efecto de X (Relación) sobre M (Descuentos).

En SPSS:

1. Ve a Analizar → Regresión → Lineal
2. Haz clic en Restablecer para limpiar los datos anteriores
3. Mueve Descuento (M) al cuadro Variable dependiente
4. Mueve Relación (X) al cuadro Variable(s) independiente(s)
5. Haz clic en Aceptar

Cuadro de diálogo en SPSS para probar la Trayectoria A (X → M).

Qué buscar:

Estadísticos clave para interpretar la Trayectoria A (X → M) en el Paso 2.

Si X no predice significativamente a M, no puede ocurrir mediación porque la variable mediadora no es influenciada por la variable independiente.

Resultados en SPSS con coeficiente no estandarizado Beta = 0.413 y Error Estándar = 0.084 para la Trayectoria A. Anota estos valores para calcular el efecto indirecto.

Paso 3: Probar las Trayectorias B y C' (M → Y y X → Y)

Finalmente, analiza si M predice a Y controlando X, y si el efecto directo de X sobre Y (C') ha disminuido.

Diagrama que muestra el modelo de efecto directo con X y M prediciendo Y (Trayectorias B y C').

En SPSS:

1. Ve a Analizar → Regresión → Lineal
2. Haz clic en Restablecer para limpiar los datos anteriores
3. Mueve Satisfacción (Y) al cuadro Variable dependiente
4. Mueve tanto Relación (X) como Descuento (M) al cuadro Variable(s) independiente(s)
5. Haz clic en Aceptar

Cuadro de diálogo en SPSS para probar las Trayectorias B y C' incluyendo tanto X como M como predictores.

Qué buscar:

Estadísticos clave para interpretar las Trayectorias B y C' en el Paso 3.

Resultados en SPSS con Beta = 0.733 y Error Estándar = 0.043 para la Trayectoria B (Descuento → Satisfacción).

Cálculo del efecto indirecto

En este punto tienes todos los coeficientes necesarios para estimar el efecto indirecto:

Trayectoria A = 0.413 (EE = 0.084): Efecto de X sobre M (Paso 2)

Trayectoria B = 0.733 (EE = 0.043): Efecto de M sobre Y, controlando X (Paso 3)

Trayectoria C = 0.472 (EE = 0.065): Efecto total de X sobre Y (Paso 1)

Trayectoria C' = 0.169 (EE = 0.028): Efecto directo de X sobre Y, controlando M (Paso 3)

Observación clave: La Trayectoria C' (0.169) es mucho menor que la Trayectoria C (0.472). Esta reducción muestra que agregar la variable mediadora (Descuento) explica una parte sustancial de la relación X→Y. La diferencia entre estos dos valores equivale al efecto indirecto: 0.472 - 0.169 = 0.303.

Resumen de los coeficientes de regresión para todas las trayectorias de mediación. La Trayectoria C' (efecto directo) = 0.169 es menor que la Trayectoria C (efecto total) = 0.472, lo que indica mediación parcial.

Prueba de significancia con la Prueba de Sobel (mediación en SPSS)

Para probar si el efecto indirecto es estadísticamente significativo, utiliza la Prueba de Sobel. Aunque SPSS no incluye esta prueba de forma integrada, puedes usar nuestra Calculadora de Prueba de Sobel gratuita.

Ingresa los siguientes valores en la calculadora y haz clic en Calcular:

• a = 0.413 (coeficiente no estandarizado para la Trayectoria A)
• b = 0.733 (coeficiente no estandarizado para la Trayectoria B)
• s_a = 0.084 (EE para la Trayectoria A)
• s_b = 0.043 (EE para la Trayectoria B)

Resultados de la Prueba de Sobel: Sobel z = 4.7241 (EE = 0.0641), Aroian z = 4.7166 (EE = 0.0642), Goodman z = 4.7316 (EE = 0.0640). Todos con p < .001.

Resultados (Prueba de Sobel):

• Valor z = 4.7241
• Error Estándar = 0.0641
• Valor p < .001

Las tres variantes de la prueba (Sobel, Aroian, Goodman) confirman significancia con p < .001. El efecto indirecto es estadísticamente significativo.

Estimación puntual del efecto indirecto:

Calcula el efecto indirecto multiplicando la Trayectoria A × Trayectoria B:

0.413 × 0.733 = 0.303

El efecto indirecto de Relación sobre Satisfacción a través de Descuentos es 0.303 con p < 0.001.

Interpretación de los resultados de Baron & Kenny

Mediación completa:

• Trayectoria C es significativa (X → Y)
• Trayectoria A es significativa (X → M)
• Trayectoria B es significativa (M → Y)
• Trayectoria C' no es significativa (X → Y controlando M)

Mediación parcial:

• Trayectoria C es significativa
• Trayectoria A es significativa
• Trayectoria B es significativa
• Trayectoria C' sigue siendo significativa pero menor que la Trayectoria C

Sin mediación:

• Una o más trayectorias no son significativas
• La Trayectoria C' no disminuye de forma significativa

Método 2: PROCESS Macro para análisis de mediación en SPSS (recomendado)

El PROCESS Macro para SPSS, desarrollado por Andrew Hayes, es el estándar moderno para ejecutar análisis de mediación en SPSS. PROCESS proporciona estimaciones más precisas del efecto indirecto mediante bootstrapping y calcula automáticamente los intervalos de confianza.

Instalación de PROCESS Macro

Antes de usar PROCESS, necesitas instalarlo en SPSS. El proceso de instalación toma unos 5 minutos.

Para las instrucciones detalladas de instalación, consulta nuestra guía: Cómo Instalar PROCESS Macro en SPSS.

Ejecución del análisis de mediación con PROCESS en SPSS

En SPSS:

1. Ve a Analizar → Regresión → PROCESS v5.0 by Andrew F. Hayes
2. Mueve Satisfacción (Y) al cuadro Outcome Variable (Y)
3. Mueve Relación (X) al cuadro Independent Variable (X)
4. Mueve Descuento (M) al cuadro Mediator(s) (M)
5. Selecciona el Modelo 4 (modelo de mediación simple)
6. Marca "Long variable names" si tus variables tienen más de 8 caracteres
7. Haz clic en Options

Cuadro de diálogo de PROCESS Macro configurado para el análisis de mediación simple con el Modelo 4.

En la ventana de Options:

1. Marca "Show total effect model (only models 4, 6, 80, 81, 82)"
2. Marca "Standardized effect(s) (mediation-only models)"
3. Establece las muestras bootstrap en 5000 (valor por defecto)
4. Haz clic en Continue, luego en OK

Ventana de opciones de PROCESS con la configuración recomendada para el análisis de mediación.

PROCESS tardará unos segundos en ejecutarse debido a los cálculos de bootstrapping.

Comprensión de los resultados de PROCESS

Los resultados de PROCESS ofrecen información completa sobre todas las trayectorias de mediación y el efecto indirecto.

Resumen del modelo

Resultados de PROCESS con la descripción general del modelo, las variables X, Y, M y el tamaño de muestra.

Trayectoria A: X → M

Resultados de PROCESS para la Trayectoria A con efecto significativo (p = 0.000) de Relación sobre Descuento.

El efecto directo de Relación sobre Descuento es significativo (p < 0.001).

Trayectorias B y C': M → Y y X → Y

Resultados de PROCESS que muestran que Relación y Descuento predicen significativamente Satisfacción (ambos p = 0.000).

Ambos predictores (Relación y Descuento) afectan significativamente a Satisfacción (ambos p < 0.001).

Efectos indirecto y directo

Resultados de PROCESS con efecto indirecto = 0.303 e intervalo de confianza bootstrap.

Resultados clave:

• Efecto indirecto = 0.303
• Intervalo de confianza bootstrap: NO incluye el cero
• Conclusión: Existe mediación significativa

Interpretación de los resultados de PROCESS

Mediación significativa:

• Trayectoria a (X → M) es significativa (p < 0.05)
• Trayectoria b (M → Y) es significativa (p < 0.05)
• El intervalo de confianza bootstrap del efecto indirecto NO incluye el cero

Tipo de mediación:

• Mediación completa: Trayectoria c' (efecto directo) no es significativa (p > 0.05) o su IC incluye el cero
• Mediación parcial: Trayectoria c' sigue siendo significativa (p < 0.05) y su IC no incluye el cero

El intervalo de confianza bootstrapped es el estándar de oro para probar los efectos indirectos. Es más confiable que la Prueba de Sobel porque no supone normalidad en la distribución del muestreo.

Interpretación del efecto indirecto: ¿qué significa?

Encontrar un efecto indirecto significativo es positivo, pero necesitas entender qué te dice el número sobre tu pregunta de investigación.

Comprensión del valor del efecto indirecto

En nuestro ejemplo, el efecto indirecto es 0.303. Esto significa:

Interpretación: Por cada aumento de 1 unidad en Relación, la Satisfacción del cliente aumenta 0.30 unidades a través de la trayectoria de Descuento. Esta es la porción del efecto total que opera a través de la variable mediadora.

Cálculo de la proporción mediada

Para entender qué parte del efecto total opera a través de la variable mediadora, calcula la proporción mediada:

Fórmula: Proporción mediada = Efecto indirecto / Efecto total

En nuestro ejemplo:

• Efecto indirecto = 0.303
• Efecto total (Trayectoria C) = 0.169 + 0.303 = 0.472
• Proporción mediada = 0.303 / 0.472 = 64.2%

Qué te dice esto: Aproximadamente el 64% de la relación entre Relación y Satisfacción opera a través de Descuento. El 36% restante es el efecto directo: los clientes con mejores relaciones están más satisfechos incluso sin descuentos adicionales.

Guías para el tamaño del efecto

¿Qué tan grande es un efecto indirecto de 0.303?

Si bien no existen umbrales universales, las siguientes guías están basadas en investigaciones de Kenny (2018):

Guías para el tamaño del efecto indirecto estandarizado (Kenny, 2018).

En nuestro ejemplo: Un efecto indirecto de 0.303 representa un efecto grande, lo que significa que la variable mediadora desempeña un papel sustancial en la transmisión de la relación X→Y.

Nota importante: La interpretación del tamaño del efecto depende de tu campo. En psicología experimental, los efectos por encima de 0.20 se consideran sustanciales. En investigación observacional en ciencias del comportamiento, los efectos por encima de 0.15 son notables. Compara siempre tu tamaño de efecto con estudios similares en tu área.

Interpretación de efectos indirectos negativos

Si tu efecto indirecto es negativo, significa que la variable mediadora invierte o suprime la relación X→Y. Esto se llama mediación inconsistente o supresión.

Ejemplo: Si X predice positivamente a M (trayectoria a > 0), pero M predice negativamente a Y (trayectoria b < 0), el efecto indirecto (a × b) será negativo. La variable mediadora actúa en contra del efecto directo.

¿Qué pasa si el intervalo de confianza es muy amplio?

Un intervalo de confianza amplio (por ejemplo, [0.05, 0.80]) indica:

• Alta variabilidad en la estimación del efecto indirecto
• Tamaño de muestra pequeño (se necesitan más datos para estimaciones precisas)
• Error de medición en tus variables

Solución: Aumenta el tamaño de la muestra o mejora la confiabilidad de la medición de tus variables. El análisis de mediación requiere potencia estadística adecuada: apunta a n > 200 para estimaciones estables.

Por qué el bootstrapping es superior a la Prueba de Sobel

Si vas a usar el análisis de mediación para publicar, es fundamental entender por qué el bootstrapping es preferido sobre la Prueba de Sobel. El bootstrapping en SPSS (mediante PROCESS Macro) proporciona resultados más precisos y confiables.

El problema con la Prueba de Sobel

La Prueba de Sobel parte de un supuesto fuerte que muchos investigadores no consideran: asume que el efecto indirecto se distribuye normalmente.

Por qué esto es problemático:

El efecto indirecto se calcula como a × b (el producto de dos coeficientes de regresión). Al multiplicar dos variables, la distribución resultante es:

• Sesgada (no simétrica)
• No normal (especialmente en muestras pequeñas)
• Leptocúrtica (colas pesadas)

La Prueba de Sobel usa una distribución normal para calcular el valor p. Si la distribución del efecto indirecto no es normal (y generalmente no lo es), el valor p es inexacto. Esto genera:

• Menor potencia estadística (se pierden efectos de mediación reales)
• Error de Tipo II inflado (falsos negativos)
• Pruebas de significancia poco confiables cuando n < 500

Cómo el bootstrapping resuelve esto

El bootstrapping no supone normalidad. En su lugar:

1. Remuestrea tus datos 5,000 veces (con reposición)
2. Recalcula el efecto indirecto para cada remuestra
3. Construye una distribución empírica del efecto indirecto a partir de tus datos reales
4. Calcula un intervalo de confianza a partir de los percentiles 2.5 y 97.5 de esta distribución

Ventaja clave: El intervalo de confianza bootstrap se basa en la distribución real de tus datos, no en supuestos teóricos sobre normalidad.

Cuándo usar cada método

Comparación de los métodos de análisis de mediación con los requisitos de tamaño de muestra.

Conclusión: Si tienes datos brutos, siempre usa bootstrapping. La Prueba de Sobel está desactualizada y solo es aceptable cuando los métodos bootstrap no están disponibles.

¿Cuántas muestras bootstrap?

PROCESS usa por defecto 5,000 muestras bootstrap. ¿Es suficiente?

Recomendaciones de muestras bootstrap para el análisis de mediación.

Recomendación: Usa 5,000 para la mayoría de investigaciones. Aumenta a 10,000 si tienes una muestra pequeña (n < 100) o si publicas en una revista de alto impacto.

Nota computacional: Más muestras bootstrap implica mayor tiempo de cómputo. En computadoras modernas, 5,000 muestras tarda 5-10 segundos, mientras que 10,000 tarda 10-20 segundos. Esta pequeña inversión de tiempo vale la pena para obtener resultados más precisos.

Comparación de los dos métodos

Comparación de los enfoques de Baron & Kenny y PROCESS Macro para el análisis de mediación.

Ambos métodos produjeron resultados similares en nuestro ejemplo:

• Baron & Kenny: Efecto indirecto = 0.303 (Prueba de Sobel)
• PROCESS: Efecto indirecto = 0.303 (IC bootstrap)

Reporte de resultados de mediación

Al reportar el análisis de mediación en tu tesis o artículo de investigación, incluye:

1. Estadísticos descriptivos para todas las variables (medias, desviaciones estándar, correlaciones)
2. Coeficientes de trayectoria para a, b, c y c'
3. Niveles de significancia para cada trayectoria
4. Tamaño del efecto indirecto con intervalo de confianza al 95%
5. Tipo de mediación (completa o parcial)
6. Diagrama visual del modelo de mediación con los coeficientes

Ejemplo de redacción de resultados:

"El análisis de mediación con PROCESS Modelo 4 (5,000 muestras bootstrap) reveló que Descuento (M) medió significativamente la relación entre Relación (X) y Satisfacción (Y). El efecto indirecto fue significativo, ab = 0.30, IC 95% [0.12, 0.54]. El efecto directo de Relación sobre Satisfacción siguió siendo significativo al controlar Descuento (c' = 0.17, p < .001), lo que indica mediación parcial. Relación predijo significativamente Descuento (a = 0.41, p < .001), y Descuento predijo significativamente Satisfacción (b = 0.73, p < .001)."

Tabla de resultados de mediación en formato APA

Usa esta plantilla para reportar tus resultados de mediación en formato APA. Reemplaza los valores con tus coeficientes reales:

Nota. N = 40. Muestras bootstrap = 5,000. *EE del efecto indirecto corresponde al error estándar bootstrap. IC = intervalo de confianza.

Título de la tabla: "Resultados del análisis de mediación: efecto de la Calidad de la Relación (X) sobre la Satisfacción del Cliente (Y) a través de Descuentos Personalizados (M)."

Versión para copiar en Microsoft Word:

Copia el texto a continuación y pégalo en Word. Luego ve a Tabla → Convertir → Texto en tabla para crear una tabla con formato.

Path                    Coefficient    SE      t       p         95% CI
Total effect (c)        0.47          0.07    7.25    < .001    [0.34, 0.60]
Direct effect (c')      0.17          0.03    6.02    < .001    [0.11, 0.23]
Path a (X → M)          0.41          0.08    4.94    < .001    [0.24, 0.58]
Path b (M → Y)          0.73          0.04    17.24   < .001    [0.65, 0.82]
Indirect effect (ab)    0.30          0.11    —       —         [0.12, 0.54]

Note. N = 40. Bootstrap samples = 5,000. SE for indirect effect is bootstrap standard error.

Consideraciones importantes

Correlación vs. causalidad: El análisis de mediación es correlacional. Incluso si encuentras mediación significativa, no puedes afirmar causalidad a menos que uses datos experimentales con asignación aleatoria.

Tamaño de muestra: El análisis de mediación requiere un tamaño de muestra adecuado. Apunta a al menos 200 participantes para estimaciones estables, aunque muestras más pequeñas (n > 100) pueden funcionar con efectos fuertes.

Múltiples mediadoras: Puedes analizar múltiples mediadoras simultáneamente usando PROCESS. Esto te ayuda a identificar cuáles mecanismos son los más importantes.

Supuestos del análisis de mediación

Como todos los métodos estadísticos, el análisis de mediación se basa en varios supuestos clave. Violar estos supuestos puede generar estimaciones sesgadas del efecto indirecto.

1. Linealidad

Supuesto: Las relaciones X→M, M→Y y X→Y deben ser lineales.

Cómo verificarlo: Crea diagramas de dispersión para cada relación. Busca patrones curvilíneos. Si las relaciones son curvas, considera:

• Transformar las variables (logaritmo, raíz cuadrada o términos polinomiales)
• Usar modelos de mediación no lineales (disponibles en paquetes de R como mediation)

Qué pasa si se viola: El efecto indirecto se subestimará si la relación verdadera es curvilínea.

2. Sin variables de confusión no medidas

Supuesto: No existen variables omitidas que afecten tanto a M como a Y (o tanto a X como a M).

Cómo verificarlo: Este supuesto no puede probarse estadísticamente. Debes basarte en:

• Conocimiento teórico de tu área de investigación
• Incluir variables de control que puedan confundir las relaciones
• Análisis de sensibilidad para evaluar qué tan robustos son tus resultados ante posibles variables de confusión

Qué pasa si se viola: La estimación del efecto indirecto estará sesgada. Si una variable no medida causa tanto M como Y, puedes encontrar mediación espuria.

3. Precedencia temporal

Supuesto: X debe ocurrir antes que M, y M debe ocurrir antes que Y.

Cómo asegurarlo: Usa:

• Datos longitudinales (mide X en el Tiempo 1, M en el Tiempo 2, Y en el Tiempo 3)
• Diseños experimentales con asignación aleatoria a X
• Datos transversales con teoría sólida (solo cuando los datos longitudinales no son viables)

Qué pasa si se viola: No puedes hacer afirmaciones causales. La mediación transversal solo puede mostrar patrones estadísticos, no mecanismos causales.

4. Sin error de medición

Supuesto: X, M e Y se miden sin error (o el error de medición es mínimo).

Cómo verificarlo: Calcula la confiabilidad (alfa de Cronbach para escalas). Apunta a α > 0.70.

Qué pasa si se viola: El error de medición en M sesga el efecto indirecto hacia abajo (sesgo de atenuación). Esto significa que es más probable que pierdas efectos de mediación reales.

Solución: Usa mediación con variables latentes (modelado de ecuaciones estructurales), que corrige el error de medición.

5. Independencia de las observaciones

Supuesto: Los datos de cada participante son independientes (sin agrupamiento ni anidamiento).

Qué pasa si se viola: Si los participantes están anidados (por ejemplo, estudiantes dentro de escuelas), los errores estándar serán demasiado pequeños, lo que genera significancia inflada.

Solución: Usa modelos de mediación multinivel si los datos están agrupados.

6. Sin interacción X × M

Supuesto: El efecto de M sobre Y no depende del nivel de X.

Cómo verificarlo: Agrega un término de interacción X × M a tu modelo de regresión que predice Y. Si es significativo, tienes mediación moderada, no mediación simple.

Qué pasa si se viola: El efecto indirecto varía según los niveles de X. Necesitas usar PROCESS Modelos 7, 8 o 14 (modelos de mediación moderada).

Mediación vs. moderación: No confundas mediación con moderación. En la mediación, M transmite el efecto de X sobre Y. En la moderación, M cambia la intensidad de la relación X-Y. Aprende más: Moderador vs Mediador.

Solución de problemas frecuentes

Error "PROCESS command not found"

Problema: Al ejecutar PROCESS, SPSS indica que el comando no existe.

Soluciones:

1. Verifica la instalación: Ve a Analizar → Regresión y comprueba si PROCESS v5.0 by Andrew F. Hayes aparece en el menú
2. Reinstala PROCESS: Descarga la versión más reciente desde processmacro.org y sigue las instrucciones de instalación
3. Revisa la sintaxis: Si ejecutas PROCESS desde sintaxis, asegúrate de usar el formato de comando correcto para v5.0 (la sintaxis cambió desde v4.x)
4. Reinicia SPSS: A veces SPSS necesita reiniciarse después de la instalación para que PROCESS aparezca

El intervalo de confianza bootstrap incluye el cero

Problema: Tu efecto indirecto no es significativo porque el IC bootstrap incluye el cero (por ejemplo, [-0.05, 0.23]).

Qué significa: No hay evidencia suficiente para la mediación. El efecto indirecto podría ser cero.

Soluciones:

1. Revisa tu teoría: ¿La mediación es teóricamente plausible? Quizás la moderación u otro mecanismo diferente es el que está operando
2. Aumenta el tamaño de la muestra: Las muestras pequeñas (n < 100) tienen poca potencia para detectar mediación. Apunta a n > 200
3. Mejora la medición: La baja confiabilidad (alfa de Cronbach < 0.70) atenúa los efectos de mediación. Usa escalas validadas
4. Verifica la supresión: Observa los signos de la Trayectoria a y la Trayectoria b. Si tienen signos opuestos, puedes tener mediación inconsistente

Todas las trayectorias son significativas pero el efecto indirecto no lo es

Problema: La Trayectoria a es significativa, la Trayectoria b es significativa, pero el IC bootstrap para ab incluye el cero.

Por qué ocurre: El producto a × b puede no ser significativo aunque ambas trayectorias lo sean individualmente. Esto ocurre cuando:

• Los tamaños de efecto son pequeños: Ambas trayectorias son débiles (por ejemplo, a = 0.15, b = 0.18), lo que hace que el producto sea aún más pequeño (ab = 0.027)
• Alta variabilidad: Una o ambas trayectorias tienen errores estándar grandes
• Tamaño de muestra insuficiente: Se necesitan más datos para detectar el efecto indirecto

Soluciones:

1. Aumenta las muestras bootstrap: Prueba con 10,000 muestras para una estimación de IC más precisa
2. Verifica el error de medición: Las variables poco confiables atenúan los efectos indirectos
3. Aumenta el tamaño de la muestra: Este suele ser el problema principal; apunta a n > 200

PROCESS tarda demasiado en ejecutarse

Problema: PROCESS se ejecuta durante varios minutos o parece congelado.

Causas:

• Demasiadas muestras bootstrap: Si configuras bootstrap > 50,000, tardará mucho
• Dataset muy grande: PROCESS se ralentiza con datasets muy grandes (n > 10,000)
• Modelo complejo: Los modelos con múltiples mediadoras o moderadoras tardan más

Soluciones:

1. Reduce las muestras bootstrap: 5,000 es suficiente para la mayoría de investigaciones. Solo usa 10,000 para publicación
2. Usa una muestra aleatoria: Si n > 5,000, analiza un subconjunto aleatorio (n = 1,000-2,000) para probar primero tu modelo
3. Verifica ciclos infinitos: Si PROCESS está verdaderamente congelado (> 10 minutos), fuerza el cierre y reinicia SPSS

El efecto indirecto es negativo cuando esperaba que fuera positivo

Problema: Tu modelo teórico predecía mediación positiva, pero obtuviste un efecto indirecto negativo.

Qué significa: Tienes mediación inconsistente (supresión). La variable mediadora actúa en contra del efecto directo en lugar de transmitirlo.

Posibles explicaciones:

1. La teoría era incorrecta: El mecanismo que hipotetizaste no es correcto
2. Signos opuestos: Verifica si la Trayectoria a y la Trayectoria b tienen signos opuestos (uno positivo, uno negativo)
3. Tercera variable: Una variable de confusión no medida puede estar creando relaciones espurias

Pasos siguientes:

1. Repórtalo con honestidad: Los efectos indirectos negativos son hallazgos científicamente válidos
2. Revisa tu teoría: Explica por qué la mediadora suprime en lugar de transmitir el efecto
3. Explora alternativas: Considera si estás midiendo la mediadora correcta

El efecto directo se fortalece al agregar la mediadora

Problema: La Trayectoria c' (efecto directo) es mayor que la Trayectoria c (efecto total).

Qué significa: Tienes supresión. La variable mediadora estaba enmascarando la verdadera relación directa.

Interpretación: Este es un hallazgo legítimo. Significa que X tiene dos efectos opuestos sobre Y:

1. Un efecto directo positivo (c')
2. Un efecto indirecto negativo a través de M (que suprime el efecto directo)

Al controlar M, eliminas la supresión y revelas el verdadero efecto directo.

Ejemplo: Una mayor educación (X) puede aumentar directamente el ingreso (Y), pero también incrementa la deuda estudiantil (M), que reduce el ingreso. Al controlar la deuda, el verdadero efecto positivo de la educación se vuelve visible.

Los valores faltantes generan tamaños de muestra diferentes entre trayectorias

Problema: La Trayectoria a usa n = 150, pero la Trayectoria b usa n = 145 por valores faltantes.

Solución: Usa eliminación por lista en SPSS:

1. Antes de ejecutar PROCESS, ve a Datos → Seleccionar casos → Si se cumple la condición
2. Ingresa: NOT MISSING(X) AND NOT MISSING(M) AND NOT MISSING(Y)
3. Haz clic en Aceptar

Esto garantiza que todas las trayectorias usen los mismos participantes. Alternativamente, usa imputación múltiple para manejar los valores faltantes antes del análisis de mediación.

Preguntas frecuentes

Conclusión

Aprendiste dos métodos para ejecutar análisis de mediación en SPSS:

1. Enfoque de Baron & Kenny: método clásico de 3 pasos con regresiones separadas (bueno para aprender la lógica)
2. PROCESS Macro: método moderno con intervalos de confianza bootstrapped (el mejor para investigación real)

Para tu tesis o proyecto de investigación, recomendamos PROCESS Modelo 4 porque proporciona resultados más precisos y defendibles a través del bootstrapping.

El análisis de mediación revela mecanismos, pero no prueba causalidad. Interpreta siempre tus resultados dentro del contexto de tu diseño de investigación y tu marco teórico.

Pasos siguientes:

• Ejecuta estadísticas descriptivas en SPSS como paso preliminar para examinar tus variables en busca de valores atípicos y problemas de normalidad
• Descarga el dataset de práctica (disponible en la barra lateral) y ejecuta ambos métodos tú mismo para reforzar tu aprendizaje
• Aprende análisis de moderación para probar cuándo ocurren las relaciones: Cómo Realizar Análisis de Moderación en SPSS
• Explora técnicas avanzadas: Cómo Realizar Análisis de Mediación en R

Referencias

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.

Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233-239.

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408-420.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). New York: Guilford Press.

Kenny, D. A. (2018). Mediation. Retrieved from http://davidakenny.net/cm/mediate.htm

Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7(4), 422-445.

Sobel, M. E. (1982). Asymptotic intervals for indirect effects in structural equations models. In S. Leinhart (Ed.), Sociological methodology 1982 (pp. 290-312). San Francisco: Jossey-Bass.