analisis.mediacion.fnc

Objetivo

Lleva a cabo análisis de mediación "causal" de la librería mediation, siguiendo el procedimiento definido por Baron RM, Kenny DA (1986). “The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations.” Journal ofPersonality and Social Psychology, 51(6), 1173–1182. 1

Partiremos de la base de datos jobs (Job Search Intervention Study) de la librería mediation.

Deseamos poner a prueba un modelo de mediación donde demostrar que el efecto de la variable independiente treat (sujetos que asisten o no a un programa para desempleados) sobre los valores de la dependiente depress2 (valores de depresión de los desempleados) se ve mediatizado por la variable mediadora job_seek (autoeficacia percibida en la búsqueda de empleo).

El usuario debe crear una lista (en este ejemplo (mediacion) con al menos 3 elementos: vd (la variable dependiente sobre la que se desea evaluar el efecto), vi (variable independiente sobre la que se evaluará el efecto directo y el indirecto a través de la variable mediadora) y m (variable mediadora).

Si desea que el modelo contenga además otras variables estas deben ser incluidas en el 4 elemento de esa lista con el nombre de covariante.

Si se desea probar además la interacción de la variable independiente y la moduladora se incluirá en la llamada a la función el argumento interaccion.vi.m=T.

Si se desea una mediación modulada por una covariante el usuario incluirá el argumento med.mod, que deberá ser una lista con el nombre de la variable moduladora y como valores (opcionales) aquellos dos sobre los que se desea probar la modulación. De no incluir ninguno (el usuario deberá incluir NA como valor), la función lo hará sobre los cuartiles primero y tercero de la variable moduladora (Q1 vs Q3).

MEDIACION BASICA

mediacion=list(vd='depress2',vi='treat',m='job_seek')

analisis.mediacion.fnc(jobs,mediacion)

Automáticamente se crean dos figuras. La de la izquierda nos presenta los valores estimados en los dos modelos de regresión, así como los parámetros estimados para la mediación: ACME (Average Causal Mediation Effects), ADE (Average Direct Effect) así como el efecto total. La figura de la derecha, nos ofrece los intervalos de confianza bootstrap calculados para los tres efectos. Tal y como podemos ver, todos los intervalos contienen el valor 0 con lo que concluímos que no se dan ninguno de los efectos estimados.

res_mediacion

MEDIACION CON INTERACCION TRATAMIENTO x MEDIADORA

mediacion=list(vd='depress2',vi='treat',m='job_seek')

analisis.mediacion.fnc(jobs,mediacion, interaccion.vi.m=T)

MEDIACION CON COVARIANTES

mediacion=list(vd='depress2',vi='treat',m='job_seek',

covariante=c('age','econ_hard'))

analisis.mediacion.fnc(jobs,mediacion)

MEDIACION MODULADA CON Y SIN PUNTOS DE CORTE

Cuando el investigador sospecha que el efecto de mediación puede estar modulado por una variable covariante medida antes del tratamiento puede llevar a cabo un análisis de mediación moderada por dicha variable.

Seguidamente asumiremos que la variable edad puede dar lugar a diferentes valores del parámetro de mediación estimado según el sujeto tenga 20 o 60 años. Para ello debemos incluir el argumento lista med.mod con el nombre de dicha variable y los dos valores sobre los que se desea probar la modulación. Si el usuario no indica valor alguno (incluye entonces el valor NA), la función lo hará sobre el primer y tercer cuartil de la variable (si esta es numérica) o sobre los dos primeros niveles si la modulación la realizase un factor.

mediacion=list(vd='depress2',vi='treat',m='job_seek')