Moderador vs Mediador: Cómo Distinguirlos [+ Ejemplos] (2026)

¿Cuál es la diferencia entre las variables moderadora y mediadora? La respuesta sencilla: los mediadores explican el CÓMO o POR QUÉ ocurre un efecto, mientras que los moderadores explican el CUÁNDO o PARA QUIÉN ocurre.

Aunque las variables mediadora y moderadora cumplen roles importantes en la comprensión de las relaciones entre variables, sirven para propósitos fundamentalmente distintos en la investigación. Un mediador actúa como un "intermediario" que transmite el efecto de la variable independiente a la dependiente, mientras que un moderador cambia la fuerza o la dirección de esa relación.

Comprender esta distinción es fundamental para diseñar estudios de investigación e interpretar los resultados correctamente. Veamos las diferencias clave entre estos dos tipos de variables y cómo funcionan en el análisis estadístico.

Mediadores vs. Moderadores: Diferencias Clave

Desde un punto de vista determinista, las principales diferencias entre mediadores y moderadores son las siguientes:

• Un mediador es la razón del efecto y actúa como un "intermediario" en la relación entre las variables independiente y dependiente. Si se elimina la variable mediadora, el vínculo causal entre las variables independiente y dependiente desaparece.
• Una variable mediadora DEBE ser un resultado causal de la variable independiente y un precursor causal de la variable dependiente. En otras palabras, un mediador explica el mecanismo del efecto.
• Una variable moderadora cambia el efecto (nivel de fuerza, dirección) entre las variables independiente y dependiente.
• Una variable moderadora NO DEBE ser el efecto causal de la variable independiente.

Es normal que al principio cueste ver la diferencia. Veamos el propósito de cada variable paso a paso, con ejemplos de mediadores vs. moderadores para aclarar el asunto de una vez por todas.

Moderador vs Mediador: Tabla de Comparación Rápida

Para ayudarte a distinguir rápidamente entre estos dos tipos de variables, aquí tienes una comparación completa:

Característica	Variable Mediadora	Variable Moderadora
Responde a la pregunta	¿CÓMO o POR QUÉ afecta X a Y?	¿CUÁNDO o PARA QUIÉN afecta X a Y?
Función	Explica el mecanismo/vía del efecto	Cambia la fuerza o dirección del efecto
Relación con X	DEBE ser causada por X	NO DEBE ser causada por X
Relación con Y	DEBE causar Y	Afecta la fuerza de la relación X→Y
Posición en el modelo	Ubicada entre X e Y (X → Me → Y)	Interactúa con X para influir en Y (X × Mo → Y)
Efecto si se elimina	La relación X→Y desaparece o se debilita	La relación X→Y permanece pero puede variar por grupo
Correlación con X e Y	DEBE correlacionar con X e Y	NO necesita correlacionar con X o Y
Prueba estadística	Análisis de mediación (Baron & Kenny, bootstrapping)	Análisis de moderación (término de interacción en regresión)
Modelo de rutas	Efecto indirecto a través del mediador	Efecto de interacción con el moderador
Ejemplo	Ejercicio → Endorfinas → Estado de ánimo	Apoyo social × Tipo de personalidad → Reducción del estrés

Objetivos de Aprendizaje

En este artículo vamos a aclarar la diferencia entre mediadores y moderadores. Estos son los principales resultados de aprendizaje que puedes esperar:

• ¿Qué es una variable mediadora?
• ¿Qué es una variable moderadora?
• Diferencias clave entre variables mediadoras y moderadoras
• Métodos estadísticos para probar mediación y moderación
• Más de 10 ejemplos prácticos de investigación real
• Cómo identificar un mediador vs. un moderador en un estudio

¡Comencemos!

¿Qué es una Variable Mediadora? [Definición + Cómo Funciona]

Definición: Una variable mediadora (o mediador) explica el "por qué" y el "cómo" de la relación entre la variable independiente (X) y la variable dependiente (Y). En otras palabras, la mediación revela el mecanismo o vía a través de la cual ocurre un efecto.

En el análisis de mediación, la variable independiente no infiere directamente la variable dependiente, sino a través de una tercera variable mediadora o "intermediaria" entre ambas. Es decir, si eliminamos la variable mediadora, el efecto causal entre las variables X e Y dejará de existir.

Un modelo de mediación consta de dos trayectorias: la trayectoria del efecto directo (c o c') de X a Y, y la trayectoria del efecto indirecto (a y b) de X → Me → Y, tal como se muestra en la siguiente figura.

Modelo de mediación con las trayectorias a, b y c (c'). Adaptación de Baron y Kenny (1986).

Cuando hablamos de mediación, tu modelo de investigación debe cumplir las siguientes condiciones:

• Las variables X e Y (trayectoria c) deben correlacionar significativamente antes de probar los efectos del mediador.
• X, Me e Y (trayectorias a y b) deben mostrar correlaciones significativas.
• Cuando se añade una variable mediadora, la fuerza entre X e Y (trayectoria c) debe disminuir parcial o completamente (convirtiéndose en c').
• Se espera que las variables del análisis de mediación compartan varianza, ya que tanto X como Me explican la variable dependiente Y.

Nota: Las correlaciones pueden ser positivas o negativas dependiendo de tu modelo teórico. Lo importante es que sean estadísticamente significativas.

Es importante recordar que la correlación no implica causalidad entre variables, pero la correlación es una condición necesaria (aunque no suficiente) para establecer relaciones causales en el análisis de regresión.

Basándonos en las condiciones anteriores, podemos decir que el efecto de una variable mediadora en la relación entre las variables independiente y dependiente puede ser parcial o completo.

• La mediación parcial ocurre cuando el mediador explica parcialmente la relación entre X e Y. El efecto directo (trayectoria c') disminuye pero sigue siendo significativo.

• La mediación completa ocurre cuando el efecto directo (trayectoria c') se vuelve no significativo, lo que significa que toda la relación X→Y queda explicada por la trayectoria indirecta a través del mediador (trayectorias a y b).

Cómo Probar la Mediación: Métodos Estadísticos

Probar la mediación requiere procedimientos estadísticos específicos para determinar si una variable realmente actúa como mediadora. Estos son los principales enfoques:

1. Enfoque de 4 Pasos de Baron & Kenny (1986)

El método clásico de Baron & Kenny implica cuatro pasos de regresión:

Paso 1: Prueba si X predice significativamente a Y (el efecto total, trayectoria c)

• Regresión: $Y = b_0 + b_1X + e$
• Resultado: $b_1$ debe ser significativo (p < 0.05)

Paso 2: Prueba si X predice significativamente a Me (trayectoria a)

• Regresión: $Me = b_0 + b_1X + e$
• Resultado: $b_1$ debe ser significativo (p < 0.05)

Paso 3: Prueba si Me predice significativamente a Y al controlar X (trayectoria b)

• Regresión: $Y = b_0 + b_1X + b_2Me + e$
• Resultado: $b_2$ debe ser significativo (p < 0.05)

Paso 4: Compara el efecto directo (trayectoria c') con el efecto total (trayectoria c)

• Mediación parcial: Si c' es menor que c pero sigue siendo significativo
• Mediación completa: Si c' se vuelve no significativo al añadir Me

Nota importante: Aunque fue popular históricamente, el enfoque de Baron & Kenny tiene limitaciones. Los investigadores modernos recomiendan los métodos de bootstrapping en su lugar (Hayes, 2009).

2. Prueba de Sobel

La prueba de Sobel examina si el efecto indirecto (a × b) es significativamente diferente de cero:

Fórmula:

Donde:

• $a$ = coeficiente de X → Me
• $b$ = coeficiente de Me → Y (controlando X)
• $SE_a$ y $SE_b$ = errores estándar

Limitación: La prueba de Sobel asume distribución normal del efecto indirecto, lo cual se viola frecuentemente en muestras pequeñas. El bootstrapping es ahora el método preferido.

3. Método de Bootstrapping (Hayes, 2009) - Recomendado

El bootstrapping es el estándar de oro para probar la mediación porque:

• No hace suposiciones sobre la distribución del efecto indirecto
• Proporciona intervalos de confianza más precisos
• Tiene mayor potencia estadística que la prueba de Sobel

Cómo funciona:

1. Remuestrea tus datos con reemplazo miles de veces (por ejemplo, 5.000 iteraciones)
2. Calcula el efecto indirecto (a × b) para cada conjunto de datos remuestreado
3. Crea un intervalo de confianza del 95% a partir de la distribución de efectos indirectos
4. Si el IC no incluye cero, la mediación es significativa

Interpretación:

• Si el IC del 95% excluye cero → Efecto de mediación significativo
• Ejemplo: IC [0.12, 0.54] indica mediación significativa

4. PROCESS Macro para SPSS, SAS y R

La forma más sencilla de realizar un análisis de mediación es usando el PROCESS macro desarrollado por Andrew Hayes. Consulta nuestra guía de instalación paso a paso en SPSS para comenzar.

Ventajas:

• Realiza bootstrapping automáticamente (recomendado: 5.000 muestras)
• Proporciona intervalos de confianza con corrección de sesgo
• Prueba efectos directos e indirectos
• Disponible para SPSS, SAS y R
• Gratuito para descargar

Sintaxis de PROCESS (SPSS):

PROCESS y=VD/x=VI/m=Mediador/model=4/boot=5000/conf=95.

Interpretación del resultado:

• Efecto total (c): Efecto global de X sobre Y
• Efecto directo (c'): Efecto de X sobre Y controlando el mediador
• Efecto indirecto (a×b): Efecto transmitido a través del mediador
• IC Bootstrap: Si el IC excluye cero, la mediación es significativa

Para un tutorial detallado sobre análisis de mediación, consulta nuestra guía sobre cómo realizar un análisis de mediación en SPSS.

Ahora veamos qué es la moderación y cuándo debe usarse en la investigación estadística.

¿Qué es una Variable Moderadora? [Definición + Cómo Funciona]

Definición: Una variable moderadora (o moderador) es una tercera variable que afecta la fuerza o dirección de la relación entre las variables independiente (X) y dependiente (Y). La moderación se cuantifica mediante el coeficiente de regresión lineal del término de interacción.

En términos sencillos, los moderadores responden a la pregunta "CUÁNDO" o "PARA QUIÉN" es válida la relación entre X e Y.

Modelo de moderación que muestra cómo el moderador Mo influye en la fuerza de la relación X→Y. Adaptación de Baron y Kenny (1986).

En regresión, el término de interacción (también conocido como término producto) se refiere al efecto observado en una variable dependiente basado en cómo una tercera variable (Mo) afecta la relación entre X e Y.

El diagrama muestra cómo el moderador (Mo) influye en la relación X→Y. Una variable moderadora puede afectar la fuerza de esta relación y, con menos frecuencia, cambiar la dirección del efecto (Whisman & McClelland, 2005).

Dado que el efecto de moderación básicamente prueba la varianza residual en un modelo, es importante investigar los efectos principales entre las variables X e Y antes de comprobar si el término de interacción es significativo (p-valor < 0.05).

Para ello, debemos verificar el coeficiente beta (β) que indica cuánto varía la relación entre X e Y en función de un cambio de una unidad en la variable Mo.

Ten en cuenta que, estadísticamente, es difícil detectar efectos de moderación. Una razón es que puedes no detectar un efecto que realmente existe (Error de Tipo 2).

Una forma de evitar este problema es usar muestreo intencional (purposive sampling) en lugar de muestreo por conveniencia. En otras palabras, tu muestra debe contener casos conjuntamente extremos; es decir, casos que sean extremos en ambos niveles. ¿Qué significa eso?

Observa el siguiente diagrama que muestra cómo la variable moderadora (Mo) cambia la fuerza de la relación X→Y. La gráfica muestra tres niveles de moderador (Bajo, Medio, Alto), demostrando que a medida que el moderador aumenta, la pendiente de la relación se vuelve más pronunciada. Para el análisis de moderación, necesitas recopilar datos que representen variación entre los niveles del moderador, con valores distribuidos normalmente.

Efecto de moderación: la gráfica muestra cómo la relación entre X e Y se fortalece a medida que el moderador aumenta de nivel bajo a alto.

Esto puede ser bastante difícil si usamos muestreo por conveniencia (sin un patrón de selección al muestrear una población), a menos que el tamaño de la muestra sea lo suficientemente grande para ajustar el modelo.

Un mejor enfoque sería el muestreo intencional, donde podemos elegir miembros de una población basándonos en criterios de selección específicos (por ejemplo, edad, género, etc.).

Cómo Probar la Moderación: Métodos Estadísticos

Probar la moderación implica examinar si la relación entre X e Y cambia en función de una tercera variable (el moderador). Así es como se hace:

1. Regresión Múltiple Jerárquica

El enfoque estándar para probar la moderación usa regresión jerárquica con un término de interacción:

Paso 1: Centra tus variables (recomendado)

• Crea versiones centradas en la media de X y Mo
• $X_{centrado}$ es igual a $X - Media(X)$
• $Mo_{centrado}$ es igual a $Mo - Media(Mo)$
• ¿Por qué? Reduce la multicolinealidad y facilita la interpretación

Paso 2: Crea el término de interacción

• $Interacción$ es igual a $X_{centrado} \times Mo_{centrado}$

Paso 3: Ejecuta la regresión jerárquica

Modelo 1 (Solo efectos principales):

Modelo 2 (Añade la interacción):

Interpretación:

• Si $b_3$ es significativo (p < 0.05), existe moderación
• El cambio en $R^2$ del Modelo 1 al Modelo 2 indica la varianza explicada por la moderación
• El coeficiente β del término de interacción muestra el tamaño del efecto de moderación

2. Análisis de Pendientes Simples

Después de encontrar una interacción significativa, realiza un análisis de pendientes simples para comprender la naturaleza de la moderación:

Qué hace: Examina la relación entre X e Y a diferentes niveles del moderador:

• Mo bajo (típicamente Media - 1 DE)
• Mo medio (Media)
• Mo alto (Media + 1 DE)

Ejemplo de interpretación:

• Con apoyo social bajo (Mo), el estrés (X) predice fuertemente la depresión (Y): β = 0.65, p < 0.001
• Con apoyo social alto (Mo), el estrés predice débilmente la depresión: β = 0.22, p = 0.08
• Conclusión: El apoyo social modera la relación estrés-depresión

3. Visualización de Efectos de Moderación

Siempre grafica la interacción para facilitar la interpretación:

• Eje X: Variable independiente
• Eje Y: Variable dependiente
• Líneas: Diferentes niveles del moderador (Bajo, Medio, Alto)

Patrones de interacción:

• Potenciador: Las pendientes se vuelven más pronunciadas a medida que Mo aumenta
• Amortiguador: Las pendientes se vuelven más planas a medida que Mo aumenta
• Cruce: Las líneas se cruzan, indicando inversión de dirección

4. PROCESS Macro para Moderación

Al igual que para la mediación, el PROCESS macro simplifica el análisis de moderación. Para un tutorial completo paso a paso, consulta nuestra guía sobre cómo realizar análisis de moderación en SPSS usando PROCESS.

Sintaxis de PROCESS (SPSS):

PROCESS y=VD/x=VI/w=Moderador/model=1/plot=1.

Ventajas:

• Centra las variables automáticamente
• Calcula el término de interacción
• Realiza análisis de pendientes simples
• Genera gráficos de interacción
• Proporciona regiones de significancia Johnson-Neyman

El resultado incluye:

• Efecto de interacción: Prueba si X × Mo es significativo
• Efectos condicionales: Efecto de X sobre Y con Mo bajo, medio y alto
• Visualización: Gráfico de interacción

5. Moderadores Categóricos

Cuando el moderador es categórico (por ejemplo, género, grupo de tratamiento):

Enfoque 1: Análisis de Grupos Múltiples

• Divide la muestra por grupos del moderador
• Ejecuta regresiones separadas para cada grupo
• Compara coeficientes de regresión

Enfoque 2: Codificación Dummy

• Crea variables dummy para las categorías
• Prueba la interacción con las variables dummy

Ejemplo:

Donde Género se codifica 0 para Hombre, 1 para Mujer

Si $b_3$ es significativo, la relación X→Y difiere entre hombres y mujeres.

Consideraciones Importantes

Potencia estadística: Los efectos de moderación son notoriamente difíciles de detectar. Puede que necesites:

• Tamaños de muestra más grandes (se recomienda n > 200)
• Muestreo intencional para asegurar variación en el moderador
• Medidas confiables para reducir el error de medición

Tamaños del efecto: Incluso los efectos de moderación significativos tienden a ser pequeños:

• $\Delta R^2 = 0.01$ se considera pequeño
• $\Delta R^2 = 0.04$ se considera mediano
• $\Delta R^2 = 0.09$ se considera grande

Ejemplos de Moderador vs Mediador [Casos de Investigación Real]

Hasta ahora solo cubrimos las variables mediadoras y moderadoras desde un punto de vista teórico. Veamos ejemplos prácticos de investigación real que te ayudarán a identificar qué tipo de variable tienes en tus propios estudios.

Ejemplos de Mediadores

Ejemplo 1: Sueño → Capacidades Cognitivas → Rendimiento Laboral

Pregunta de investigación: ¿Por qué el sueño mejora el rendimiento laboral?

• Variable independiente (X): Calidad del sueño
• Variable dependiente (Y): Rendimiento laboral
• Mediador (Me): Capacidades cognitivas

Por qué es un mediador: El sueño no mejora directamente el rendimiento laboral. En cambio, el sueño mejora las capacidades cognitivas (memoria, atención, resolución de problemas), que a su vez mejoran el rendimiento laboral. La vía es: Sueño → Mejor función cognitiva → Mejor rendimiento laboral.

Prueba: ¿Afecta el sueño las capacidades cognitivas? Sí, el sueño ayuda a recuperar las funciones cerebrales. Por tanto, las capacidades cognitivas son un mediador que explica CÓMO el sueño afecta el rendimiento.

Ejemplo 2: Ejercicio → Endorfinas → Mejora del Estado de Ánimo

Pregunta de investigación: ¿Cómo mejora el ejercicio el estado de ánimo?

• Variable independiente (X): Frecuencia de ejercicio
• Variable dependiente (Y): Estado de ánimo/bienestar emocional
• Mediador (Me): Niveles de endorfinas

Por qué es un mediador: El ejercicio provoca la liberación de endorfinas (las "hormonas del bienestar"), que luego mejoran el estado de ánimo. Si se bloqueara la producción de endorfinas, el ejercicio no mejoraría el estado de ánimo tanto.

Ejemplo 3: Educación → Ingresos → Conducta de Salud Preventiva

Pregunta de investigación: ¿Por qué las personas con mayor educación se realizan más chequeos de salud?

• Variable independiente (X): Nivel educativo
• Variable dependiente (Y): Frecuencia de chequeos de salud
• Mediador (Me): Nivel de ingresos

Por qué es un mediador: La educación lleva a empleos mejor remunerados, y los ingresos más altos proporcionan recursos para chequeos de salud. Educación → Mayores ingresos → Más chequeos de salud.

Ejemplo 4: Uso de Redes Sociales → FOMO → Ansiedad

Pregunta de investigación: ¿Por qué las redes sociales aumentan la ansiedad?

• Variable independiente (X): Uso de redes sociales
• Variable dependiente (Y): Niveles de ansiedad
• Mediador (Me): FOMO (Fear of Missing Out / Miedo a quedarse afuera)

Por qué es un mediador: La exposición a las redes sociales crea FOMO al mostrar los mejores momentos de los demás, y el FOMO provoca ansiedad. El mecanismo es: Redes sociales → FOMO → Ansiedad.

Ejemplo 5: Terapia → Reestructuración Cognitiva → Reducción de Depresión

Pregunta de investigación: ¿Cómo reduce la depresión la terapia cognitivo-conductual (TCC)?

• Variable independiente (X): Sesiones de terapia TCC
• Variable dependiente (Y): Síntomas depresivos
• Mediador (Me): Reestructuración cognitiva (cambio de patrones de pensamiento negativos)

Por qué es un mediador: La TCC funciona enseñando a los pacientes a reestructurar pensamientos negativos, y este cambio cognitivo reduce la depresión. TCC → Cambio de patrones de pensamiento → Menos depresión.

Ejemplos de Moderadores

Ejemplo 6: Entrenamiento Físico × Edad → Ganancia Muscular

Pregunta de investigación: ¿Depende el efecto del entrenamiento físico en la ganancia muscular de la edad?

• Variable independiente (X): Intensidad del entrenamiento físico
• Variable dependiente (Y): Ganancia muscular
• Moderador (Mo): Edad

Por qué es un moderador: El entrenamiento físico funciona de manera diferente para distintos grupos de edad. Las personas jóvenes (20 años) ganan músculo más fácilmente que los adultos mayores (60+ años) con el mismo régimen de entrenamiento. La edad no explica CÓMO el ejercicio desarrolla músculo; cambia la FUERZA de la relación.

Prueba: ¿Puede el ejercicio cambiar tu edad? No, no puedes cambiar tu edad haciendo ejercicio. Por tanto, la edad es un moderador que afecta PARA QUIÉN el ejercicio es más efectivo.

Ejemplo 7: Estrés × Apoyo Social → Salud Mental

Pregunta de investigación: ¿Cambia el apoyo social cómo afecta el estrés a la salud mental?

• Variable independiente (X): Niveles de estrés
• Variable dependiente (Y): Resultados de salud mental
• Moderador (Mo): Apoyo social

Por qué es un moderador: Para personas con alto apoyo social, el estrés tiene menos impacto en la salud mental (efecto amortiguador). Para quienes tienen bajo apoyo social, el mismo nivel de estrés causa problemas de salud mental más graves. El apoyo social cambia CUÁNDO/PARA QUIÉN el estrés es perjudicial.

Ejemplo 8: Diversidad de Género × Estructura de Propiedad → Divulgación Corporativa

Pregunta de investigación: ¿Depende el impacto de la diversidad de género en la transparencia corporativa de la estructura de propiedad?

• Variable independiente (X): Diversidad de género en la junta directiva
• Variable dependiente (Y): Calidad de divulgación corporativa
• Moderador (Mo): Estructura de propiedad (familiar vs. pública)

Por qué es un moderador: La diversidad de género puede mejorar más la divulgación en empresas de propiedad pública que en las de propiedad familiar. La estructura de propiedad cambia la fuerza de la relación diversidad-divulgación.

Ejemplo 9: Tiempo de Estudio × Inteligencia → Rendimiento en Exámenes

Pregunta de investigación: ¿Depende el beneficio de estudiar de la inteligencia del estudiante?

• Variable independiente (X): Horas de estudio
• Variable dependiente (Y): Calificaciones en exámenes
• Moderador (Mo): Nivel de inteligencia (CI)

Por qué es un moderador: Los estudiantes con mayor CI pueden beneficiarse más de cada hora de estudio que los estudiantes con menor CI. La inteligencia cambia PARA QUIÉN estudiar es más efectivo, pero no explica CÓMO estudiar mejora el rendimiento.

Ejemplo 10: Dosis de Medicamento × Peso Corporal → Respuesta al Tratamiento

Pregunta de investigación: ¿Depende el efecto del medicamento del peso corporal del paciente?

• Variable independiente (X): Dosis del medicamento
• Variable dependiente (Y): Efectividad del tratamiento
• Moderador (Mo): Peso corporal

Por qué es un moderador: La misma dosis puede ser muy efectiva para un paciente de 55 kg pero insuficiente para uno de 100 kg. El peso corporal modera CUÁNDO/PARA QUIÉN una dosis particular funciona.

Ejemplo 11: Programa de Capacitación × Experiencia Previa → Adquisición de Habilidades

Pregunta de investigación: ¿Depende la efectividad de la capacitación de la experiencia previa?

• Variable independiente (X): Participación en el programa de capacitación
• Variable dependiente (Y): Adquisición de nuevas habilidades
• Moderador (Mo): Nivel de experiencia previa

Por qué es un moderador: Los principiantes y los expertos aprenden de manera diferente con el mismo entrenamiento. Los aprendices avanzados pueden beneficiarse más de programas desafiantes, mientras que los principiantes necesitan formación básica. La experiencia previa modera PARA QUIÉN cada enfoque de capacitación funciona mejor.

Regla de Decisión Rápida

Para determinar si una variable es mediadora o moderadora, pregúntate:

1. ¿Puede X causar esta variable?

   • SÍ → Potencial mediadora
   • NO → Potencial moderadora

2. ¿Explica esta variable CÓMO/POR QUÉ X afecta a Y?

   • SÍ → Mediadora
   • NO → Pasa a la siguiente pregunta

3. ¿Cambia esta variable CUÁNDO/PARA QUIÉN X afecta a Y?

   • SÍ → Moderadora

Preguntas Frecuentes

Conclusión

En resumen, comprender la distinción entre mediadores y moderadores es fundamental para llevar a cabo investigaciones rigurosas y construir modelos teóricos sólidos.

Puntos clave:

• Los mediadores explican el CÓMO o POR QUÉ ocurre un efecto (el mecanismo)

  • Deben ser causados por X y deben causar Y
  • Se prueban mediante efectos indirectos y bootstrapping

• Los moderadores explican el CUÁNDO o PARA QUIÉN ocurre un efecto (las condiciones)

  • No pueden ser causados por X
  • Se prueban mediante términos de interacción en regresión

• Ambos tipos de variables aportan información valiosa pero sirven propósitos teóricos distintos

• Usa la tabla comparativa y las reglas de decisión de este artículo cuando tengas dudas

• El análisis moderno usa el PROCESS macro con bootstrapping para mediación y regresión jerárquica para moderación

Cuando hacemos investigación, estamos construyendo teoría. Identificar y probar correctamente los mediadores y moderadores nos ayuda a entender no solo que existen relaciones, sino cómo, por qué, cuándo y para quién ocurren.

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. https://doi.org/10.1037/0022-3514.51.6.1173

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408-420. https://doi.org/10.1080/03637750903310360

Whisman, M. A., & McClelland, G. H. (2005). Designing, Testing, and Interpreting Interactions and Moderator Effects in Family Research. Journal of Family Psychology, 19(1), 111-120. https://doi.org/10.1037/0893-3200.19.1.111