Análisis de regresión y mediación: automatiza tu pipeline estadístico de investigación
Guía práctica de regresión, mediación y moderación para investigación con encuestas: cuándo usar cada método y cómo cambia el flujo cuando se automatiza.
El análisis de regresión y el de mediación están entre los métodos más usados en investigación con encuestas. Si tu estudio comprueba si una variable predice otra, o si esa relación opera a través de un mecanismo intermedio, casi seguro que necesitarás una de estas técnicas (o ambas).
Este artículo explica los conceptos centrales, los errores comunes y cómo cambia el flujo práctico cuando un pipeline automatizado se hace cargo de la mecánica.
Regresión múltiple: la herramienta de cabecera
La regresión múltiple predice una variable de resultado a partir de dos o más predictoras. En investigación con encuestas suele tomar formas como:
- ¿La utilidad percibida y la facilidad de uso percibida predicen la intención de adopción tecnológica?
- ¿Qué factores (entorno laboral, satisfacción salarial, calidad de la dirección) predicen mejor la intención de rotación?
La ecuación de regresión estima un coeficiente para cada predictora, indicando la dirección y la fuerza de su relación con el resultado, mientras se controla el efecto del resto de predictoras.
Supuestos clave a comprobar
Los resultados solo son válidos si se cumplen ciertos supuestos:
- Linealidad: la relación entre predictoras y resultado debe ser aproximadamente lineal
- Sin multicolinealidad: las predictoras no deben correlacionar demasiado entre sí (revisa el VIF: por encima de 10 es problemático)
- Homocedasticidad: la varianza de los residuos debe ser razonablemente constante en todos los niveles de predicción
- Normalidad de los residuos: los residuos deben distribuirse de forma aproximadamente normal
- Sin outliers influyentes: revisa la distancia de Cook para puntos extremos
Saltarse las comprobaciones de supuestos es de las causas más frecuentes de rechazos o revisiones mayores. Los revisores saben qué buscar.
Cómo reportar los resultados de regresión
Una tabla de regresión estándar incluye:
- Coeficientes no estandarizados (B) con sus errores estándar
- Coeficientes estandarizados (β) para comparar la importancia relativa
- Valores t y p-values para el contraste de significación
- R² y R² ajustado para el ajuste del modelo
- F del modelo para la significación global
La interpretación tiene que ir más allá de «X predice significativamente a Y (p < 0,05)»: discute la significación práctica, compara tamaños de efecto y vincula los hallazgos a tus hipótesis.
Análisis de mediación: testar el mecanismo
El análisis de mediación responde a una pregunta más específica: ¿el efecto de X sobre Y opera a través de una tercera variable M?
Por ejemplo:
- ¿El estilo de liderazgo (X) afecta al desempeño del equipo (Y) a través de la confianza intra-equipo (M)?
- ¿El uso de redes sociales (X) influye en la intención de compra (Y) a través del conocimiento de marca (M)?
El planteamiento clásico de Baron y Kenny (1986) exigía cumplir cuatro condiciones en modelos de regresión separados. La práctica actual ha migrado en gran medida a métodos de bootstrapping, en particular el enfoque de Hayes (2013) con la macro PROCESS para SPSS o el paquete mediation en R.
El reto de la macro PROCESS
En SPSS, el análisis de mediación suele requerir instalar PROCESS (un complemento de terceros) y luego especificar el modelo por número (Modelo 4 para mediación simple, Modelo 7 para mediación moderada, etc.).
Para quien no domina la nomenclatura de PROCESS, esto plantea varios obstáculos:
- Saber qué número de modelo encaja con tu marco teórico
- Distinguir entre efecto total, efecto directo y efecto indirecto
- Interpretar los intervalos de confianza bootstrap del efecto indirecto
- Saber cuándo centrar variables o aplicar centrado a la media
El análisis en sí puede llevar 10 minutos cuando ya sabes lo que haces, pero llegar a ese punto puede llevar horas de documentación y tutoriales.
Cómo reportar resultados de mediación
Un informe de mediación debe incluir:
- El efecto total de X sobre Y (vía c)
- El efecto directo de X sobre Y controlando por M (vía c')
- El efecto indirecto a través de M (producto a × b)
- Intervalos de confianza bootstrap para el efecto indirecto (si el IC no incluye el cero, el efecto indirecto es significativo)
- Tamaños de efecto del efecto indirecto (por ejemplo, efecto indirecto parcialmente estandarizado)
Análisis de moderación: testar las condiciones de borde
El análisis de moderación comprueba si la relación entre X e Y cambia según el valor de una tercera variable W. A diferencia de la mediación (que pregunta «cómo»), la moderación pregunta «cuándo» o «para quién».
Por ejemplo:
- ¿El efecto de la formación sobre el desempeño laboral cambia con el nivel de experiencia?
- ¿La relación entre sensibilidad al precio e intención de compra es más fuerte entre consumidores de menores ingresos?
En términos de regresión, la moderación se contrasta incluyendo un término de interacción (X × W) en el modelo. Una interacción significativa indica que el efecto de X sobre Y depende del valor de W.
Pasos prácticos
- Centra o estandariza la predictora (X) y la moderadora (W)
- Crea el término de interacción (X × W)
- Ejecuta la regresión con X, W y X × W prediciendo Y
- Si la interacción es significativa, sondéala con análisis de pendientes simples
- Genera un gráfico de interacción para visualizar el patrón
La carga del flujo manual
Para un estudio que combine regresión, mediación y moderación, el flujo manual en SPSS implica:
- Análisis preliminares (correlaciones, descriptivos)
- Comprobación de supuestos de regresión
- Modelos de regresión principales
- Instalar y configurar PROCESS
- Modelos de mediación con bootstrapping
- Modelos de moderación con interacciones
- Sondeo de interacciones significativas
- Tablas y figuras para cada análisis
- Texto interpretativo para cada resultado
Eso son fácilmente dos o tres días de trabajo concentrado, asumiendo que ya sabes hacer cada paso.
Cómo automatiza Data2Paper este pipeline
Data2Paper se encarga del flujo completo de regresión y mediación:
- Identifica automáticamente predictoras, mediadoras, moderadoras y variable de resultado a partir de tu marco de investigación
- Ejecuta regresión con comprobación completa de supuestos (VIF, normalidad, homocedasticidad)
- Realiza análisis de mediación con intervalos de confianza bootstrap
- Contrasta moderación con términos de interacción y pendientes simples
- Genera tablas de coeficientes con formato académico
- Produce texto interpretativo que explica los resultados en su contexto
La salida incluye todo lo que necesita la sección de resultados —tablas, figuras y texto— en formato Word, PDF o LaTeX. En lugar de invertir días en la mecánica del análisis, puedes centrarte en lo que los resultados significan para tu pregunta de investigación.
Autor
Categorías
Más artículos
Más allá de SPSS: una alternativa moderna para analizar datos de encuesta
Comparativa de SPSS, Jamovi, JASP y Data2Paper para análisis de encuestas: curvas de aprendizaje, automatización y flujos de investigación de extremo a extremo.
Guía de análisis de datos clínicos: del registro hospitalario a los resultados de investigación
Recorrido práctico por el pipeline completo de análisis de datos clínicos: desde la exportación del sistema de información hospitalario hasta resultados estadísticos listos para revista.
Análisis de supervivencia: curvas Kaplan-Meier, log-rank y regresión de Cox
Guía práctica de análisis de supervivencia para investigación clínica: cuándo usarlo, cómo preparar los datos y cómo interpretar curvas KM y resultados de regresión de Cox.
Newsletter
Únete a la comunidad
Suscríbete a la newsletter para recibir noticias y novedades