Análisis Mediador y Moderador

Introducción Relación bivariada simple Un simple predictor y una dependiente (X y y) Dos o más variables predictoras (X 1, X 2 )

Introducción Permite examinar el efecto de una variable predictora, mientras se controla el efecto de la otra variable predictora Dos o más variables predictoras (X 1, X 2 )

Una variable modera el efecto de una segunda variable, si el efecto de esa segunda variable depende de otra variable La primera forma es el efecto modera dor ANOVA

Ocurre si un predictor tiene su efecto en la variable dependiente a través del segundo predictor La segunda forma es la relación mediad ora

Análisis Moderador  La noción moderadora está presente en el ANOVA: análisis de interacción (variables categóricas)  Efecto moderador es usualmente utilizado para referirse a casos con al menos una de las variables independientes continuas.  Se puede decir que una tercer variable (Z) modera la relación entre las otras dos variables:  “diferente pendiente para diferente gente” (Mc Cllelan)

Análisis Moderador Si se conduce un auto hacia una pared, la velocidad afectará que tanto se lastime el conductor Habrá mayor lesión (Y) A velocidad más alta de carro (X) Usar cinturón de seguridad modera la relación entre la velocidad y la lesión (Z)

Análisis Moderador Lesión (variable de resultado continua) Velocidad del carro (Variable predictora continua) Uso del cinturón (categórica)

Dos Variables categóricas Uno de los diseños experimentales más usados en psicología es el 2X2 (ANOVA de dos factores): Dos independientes y una dependiente. El experimento mide el efecto de cada variable predictora en la VD y evalúa el efecto de interacción de las dos variables predictoras en la VD.

Ejemplo clásico de este tipo de estudio Memoria dependiente del contexto Aprender material: Tierra (seco) Bajo el agua (mojado) Dos variables predictoras (aprendizaje y la evaluación), dos valores para cada participante El resultado es el número de respuestas correctas (score) VD Evaluados en el material en los dos contextos: tierra o bajo el agua Cuatro grupos: G1: aprendizaje-eval agua, G2:aprendizaje agua-eval tierra, G3: aprendizaje tierra-eval agua y G4: aprendizaje-eval tierra Diseño clásico 2X2, grupos independientes ANOVA

Ser evaluado en una ambiente seco, conduce a un mejor desempeño que en un ambiente húmedo

Hay un efecto de interacción entre el ambiente del aprendizaje y de la evaluación que predice el puntaje obtenido Ser evaluado en un ambiente seco conducirá a un mejor desempeño que en el agua pero sólo si la persona ha aprendido en una ambiente seco. Si una persona aprende en un ambiente húmedo, será mejor si se evalúa igual. El ambiente donde se es evaluado, modera el efecto del ambiente donde se aprende. Efecto combinado de aprendizaje y evaluación

También se puede correr el análisis usando la regresión, recodificando las variables (seco1, húmedo-1) y se crea la nueva variable de interacción. Si se ingresan las tres variables al análisis de regresión como variables predictoras, se obtienen resultados significativos del modelo (R=0.845, R2=0.714, R2 ajustada=06.690, F(3,36)=29.934, p≤ 0.05: Efecto Grande con una proporción grande de varianza explicada

ANOVA y regresión, son equivalentes. ANOVA es simple y no se requieren adecuar los datos como en la regresión. ANOVA es un método muy restrictivo. El análisis de regresión se requiere en caso de necesitar realizar análisis más complejos

Diseños Balanceados y No balanceados El análisis discutido involucra un experimento con un diseño balanceado (todos los grupos tienen el mismo número de participantes) Tiene la ventaja de que todas las variables predictoras no están relacionadas, no se deben hacer ajustes debido a que los predictores tienen varianzas compartidas. Los psicólogos son marcadamente aficionados a usar diseños balanceados aunque no sea necesario, porque creen erróneamente que la ANOVA no puede usarse para diseños No balanceados.

Diseños mayores a 2X2. Es posible analizar datos de estudios que tienen varios números de variables categóricas como predictores y varios niveles en cada variable predictora y el número de interacciones, puede crecer rápidamente. En un diseño 2X2X2, se tiene tres factores: A,B,C (AXB, AXC, BXC) (AXBXC), si se tienen cuatro variables con dos niveles cada uno, se necesitan cuatro indicadores (A,B, C, D). Seis variables que representen las dos interacciones: (AXB, AXC, AXD, BXC,BXD, CXD) y tres variables para representar las tres formas de interacción: (AXBXC, AXBXD,BXDXC)… Si el diseño es 3X2, se debe representar primero el predictor usando dos indicadoresde variables (A1 y A2) y en la segunda un indicador: B Para la interacción: BXA1 y BXA2……

¡GRACIAS!