Resumen: El efecto de terceras variables en

Psicologa
Una vez que se establece una relacin causal entre una variable independiente (Y) y una
variable dependiente (X), una cuestin de inters para el investigador psiclogo es
considerar el efecto que tienen terceras variables en tal relacin. Estas pueden ser:
variables mediadoras, moderadoras, espurias, supresoras y covariantes.

Una tercera variable como mediadora

El efecto de la variable X (independiente) sobre la variable Y (dependiente), puede ser
mediado por alguna variable Z cuando esta se inserta entre X e Y originando la cadena
causal X->Z->Y. Este modelo es conocido como modelo de mediacin simple en donde
Z es una variable mediadora. Es posible que se den los casos en donde desde la relacin
XY, se generen los efectos causales XZ y ZY, al darse dos o ms mediaciones
simultneas, se denomina un modelo de mediacin mltiple.
Hay dos enfoques generales para probar efectos indirectos con modelos de mediacin, el
enfoque de regresin y el enfoque de los modelos estructurales (SEM). El primero es
ms simple y se practica cuando se asume que no existe error de medida entre las
variables implicadas. El segundo es ms complejo pero recomendable, se asume que una
variable no observable o latente est libre de error de medida y se mide empleando
indicadores mltiples del constructo.
En el enfoque de regresin, para McKinnon, Lockwood, Hoffman, West y Sheets
son cuatro los mtodos para probar el efecto de mediacin: el procedimiento de las
etapas causales, la prueba de diferencia c-c, la prueba del efecto indirecto a*b y el
bootsrap. Baron y Kennny prefieren el mtodo etpico (procedimiento B-K), el cual consta
de cuatro etapas: 1era etapa: X es predictor significativo de Y?, 2da etapa: X es una
predictor significativo de Z?, 3era etapa: Z es una predictor significativo de Y?, 4ta etapa:
es Z un mediador en la relacin XZ.
En el enfoque SEM, se recomiendan emplear modelos de ecuaciones estructurales
por la posibilidad de controlar el error de medida por la facilidad para utilizar indicadores
mltiples de los constructos y por la variedad de modelos de ajuste que proporcionan. Se
ajustan 3 modelos para su comprobacin: modelo con el efecto total, modelo con el efecto
mediado y la prueba con el efecto indirecto.
Al realizar cualquiera de los tipos de anlisis de mediacin, encontramos que existen
varias situaciones problemticas comunes que pueden complicar el proceso. As,
encontramos el problema de la multicolinalidad, el problema de la causalidad y el nivel de
medida de las variables implicadas.

Curso: Mtodos de Investigacin Cuantitativa

UNMSM-Psicologa

Una tercera variable como moderadora

Una tercera variable que puede existir en una investigacin, es la variable moderadora,
que suele presentarse como algn rasgo estable del comportamiento o del contexto, que
altera la magnitud y/o direccin de la relacin entre las variables independiente (X) y
dependiente (Y). Consiguientemente presenta efectos, los cuales son: el efecto de
moderacin completa, que ocurre cuando el efecto causal de X sobre Y es cero, y el
efecto de moderacin parcial, que ocurre cuando el efecto se reduce pero no llega a ser
nulo. Estos efectos de moderacin tambin considerados como efectos de interaccin, se
utilizan para comprobar hiptesis causales, para lo cual utilizan una ecuacin de regresin
mltiple: Y= O4 + aX+bZ+cXZ+e4, en donde se analiza el efecto moderador de Z,
asimismo se verifica si hay efectos simples, es decir si las pendientes de regresin de Y
sobre X afectan a los valores concretos de Z.
La forma de interaccin que existe entre las variables X-Y, se pueden expresar de dos
formas, las cuales son: el empeoramiento, que acontece cuando se incrementa la
asociacin entre ambas variables, y la mejora, cuando dicha asociacin disminuye.
Por otro lado, se han diferenciado dos enfoques que analizan y comprueban el efecto
moderador, que son los siguientes:
Enfoque de regresin, seala que para lograr una mejor interpretacin de los
coeficientes de regresin, es conveniente que X*Z sea cero, pero dicha interpretacin se
puede dar segn el tipo de variable que el investigador escoja, entre ellas tenemos: la
variable numrica y la variable dicotmica, que si asume una codificacin ficticia, podr
tomar tres caminos ( Path a, Z=0 y el efecto de XY , Path b, X= 0 y el efecto de Z Y; y
Path c, efecto de X Y por unidad de cambio); sin embargo, si asumiera una codificacin
de efectos, el efecto interactivo no cambiara. Asimismo, plantea lo siguiente: para lograr
la interpretacin de X*Z, no debe existir correlacin (Z-X/Z-Y) o por lo menos, no ser
significativa. Este grado de significacin, se comprueba con la tcnica de JohnsonNeyman, quien seala que el efecto de la variable predictora X sobre la respuesta Y
puede o no resultar significativo.
Enfoque SEM, es el ms apto para evaluar la significacin del efecto moderado.
Seala que si se asume una variable moderadora que a su vez es variable categrica
dicotmica, el efecto implicara la comparacin en dos modelos: modelo no restringido, en
donde el efecto es diferente de 0, y modelo restringido, efecto es igual a 0.
Efectos combinados de mediacin y moderacin
Existen situaciones donde una cuarta variable es agregada a un modelo de mediacin o
moderacin. En un modelo de mediacin moderada, una variable de moderacin (W)
influye en una mediacin (XZY). A (W) se le llama tercera variable secundaria pues
(Z) es la tercera variable primaria. Existen dos casos mediacin moderada: 1) cuando (W)
modera a (XZ) o, 2) cuando lo hace en (ZY). En ambos, el resultado es un efecto
indirecto condicional de la variable moderadora. En el modelo de moderacin mediada,

Curso: Mtodos de Investigacin Cuantitativa

UNMSM-Psicologa

la variable W (quien ahora es una mediadora) influye en una moderacin, pero se debe
cumplir que el efecto de X sobre Y no sea nula.

Una tercera variable como espuria

Una variable espuria o de confundido es aquella tercera variable (Z) que al incluirse en
un modelo XY asume una relacin causal tanto a (X) como a (Y) y termina opacando o
anulando la relacin que haba entre estas dos ltimas variables primarias. El modelo de
espuriedad permite estimar la relacin autntica que existe entre X e Y. Existen dos casos:
el modelo de espuria completo, cuando Z explica completamente XY; y el modelo de
espuria parcial, cuando Z es necesaria para estimar correctamente XY. Para probar el
efecto de espuriedad se analiza la diferencia c c la cual es llamada sesgo de variable
espuria.

Una tercera variable como supresora

A diferencia de los modelos de mediacin y de espuriedad, en donde la tercera variable
reducir o incluso anular la magnitud de la relacin XY, en el modelo de supresin
ocurre que al introducir la tercera variable, esta incrementar la magnitud de la relacin
entre X e Y, en lugar de reducirla o anularla. Ya se trate de un modelo de mediacin o un
modelo de espuriedad, si el ajuste estadstico incrementa la magnitud de la relacin
causal X Y, el efecto resultante se denomina efecto de supresin y la tercera variable
responsable del efecto se denomina variable supresora.
Conger clasific el efecto de supresin en 3 categoras, supresin tradicional, negativa y
recproca, pero en el texto clsico de Cohen y Cohen se llamaron clsica, neta y
cooperativa. La supresin clsica o tradicional ocurre cuando la tercera variable no
correlaciona con la respuesta (rZY = 0), pero presenta correlacin con X (rXY > 0), la
supresin negativa o neta ocurre cuando todas las variables tienen alta correlacin
entre s (rXY, rXZ, rZY > 0), pero el coeficiente de regresin parcial de Z es negativo, y la
supresin recproca o cooperativa ocurre cuando X y Z correlacionan negativamente
entre s (rXZ < 0), pero ambas tienen una correlacin positiva con Y (rXY, rZY > 0).
Una tercera variable como covariante
Para que una tercera variable Z se comporte como variable covariante, la variable
independiente X debe ser un factor experimental, asimismo esta variable independiente
debe tener una relacin no significativa con la tercera variable Z. Luego, el propsito de
incluir la variable Z es reducir la varianza de la variable dependiente Y.
El tratamiento de una variable covariante Z, depender de la relacin que esta variable
guarde con la variable independiente X, pues cuando la relacin entre la variable
independiente X y la variable Z es no significativa, el tratamiento estadstico se
Curso: Mtodos de Investigacin Cuantitativa
UNMSM-Psicologa

realizar mediante el ANCOVA con pendientes paralelas, donde la medicin de la

variable Z es sin error, por lo que no afecta la relacin entre la variable independiente X
y la variable dependiente Y.
Otro caso ocurre cuando la relacin entre la variable independiente X y la variable Z es
significativa, el tratamiento estadstico se realizar mediante ANCOVA con pendientes
no paralelas, el cual demanda que se defina la variable Z como covariante o
moderadora.

Diagrama de flujo orientativo

La investigacin en psicologa requiere criterios y pautas para discriminar cuando una
tercera variable puede considerarse como mediadora, moderadora, espuria, supresora o
covariante. Por esta razn, Ato y Vallejo (2011), sugirieron pautas para esta cuestin, a
travs de las respuestas a 3 cuestiones bsicas.
La primera cuestin es responder si la variable Z es causa de la relacin entre la
variable independiente X y variable dependiente Y; cuando no sea causa conjunta, se
asegura que la variable Z no funciona como espuria.
La segunda cuestin es responder si la variable Z es la cadena causal entre la
relacin de la variable independiente X y la variable dependiente Y, cuando se da esta
situacin, la variable Z puede estar actuando como una variable mediadora o supresora
en la relacin de las variables X e Y.
Por ltimo, la tercera cuestin es responder si la relacin entre las variable
independiente X y la variable dependiente Y cambia por la presencia de la variable Z;
de ser este el caso la variable Z se considera como moderadora, caso contrario funciona
como una variable covariante.

Curso: Mtodos de Investigacin Cuantitativa

UNMSM-Psicologa