Análisis de Mediación con Baron y Kenny y PROCESS en SPSS: Ejemplo Paso a Paso para TFG

thesify.team@gmail.com

·

mayo 14, 2026

Análisis de Mediación con Baron y Kenny y PROCESS en SPSS: Ejemplo Paso a Paso para TFG

El análisis de mediación responde a una de las preguntas más habituales en los TFG y tesis de ciencias sociales: ¿por qué o a través de qué mecanismo una variable independiente influye en una variable dependiente? Cuando sospechas que la relación entre X e Y no es directa sino que pasa por una tercera variable M (el mediador), el análisis de mediación te permite cuantificar y testar estadísticamente ese efecto indirecto. El modelo más citado en la literatura es el de Baron y Kenny (1986), pero sus limitaciones son bien conocidas. Hoy, el estándar metodológico es la macro PROCESS de Hayes, que combina las cuatro condiciones clásicas con el bootstrapping para estimar intervalos de confianza del efecto indirecto.

Esta guía explica ambos enfoques, sus diferencias, cómo ejecutarlos en SPSS y cómo redactar los resultados con rigor para superar la evaluación de cualquier tribunal universitario.

Respuesta rápida: La mediación existe cuando: (1) X predice M; (2) M predice Y controlando X; y (3) el efecto de X sobre Y se reduce o anula al incluir M. El método moderno recomendado es la macro PROCESS (Modelo 4) de Hayes en SPSS, que estima el efecto indirecto (a × b) con bootstrapping (5000 muestras). Si el intervalo de confianza del 95% del efecto indirecto no incluye el cero, la mediación es estadísticamente significativa.

¿Qué es la mediación y cuándo se aplica?

En un modelo de mediación simple, se propone que la variable independiente X no solo afecta directamente a la variable dependiente Y, sino que parte de ese efecto opera a través de una variable mediadora M. El esquema conceptual es:

X → M → Y (efecto indirecto)

X → Y (efecto directo)

Ejemplos típicos en TFG de ciencias sociales y de la salud:

El estrés laboral (X) aumenta el absentismo (Y) a través del agotamiento emocional (M).
La formación docente (X) mejora el rendimiento del alumnado (Y) a través de la calidad de la enseñanza (M).
La autoestima (X) reduce la ansiedad social (Y) por medio de la autoeficacia percibida (M).

El análisis de mediación requiere:

Variables cuantitativas (o dicotómicas recodificadas) para X, M e Y.
Un tamaño muestral mínimo de N ≥ 100 (recomendable ≥ 200 para bootstrapping estable).
Una hipótesis teórica previa que justifique el papel mediador de M: el análisis de mediación es confirmatorio, no exploratorio.

Fuente: José Antonio: Estadística Aplicada — Mediación Simple en SPSS y Reporte Estilo APA

El modelo Baron y Kenny: los cuatro pasos clásicos

Baron y Kenny (1986) propusieron un procedimiento secuencial de cuatro pasos basado en regresiones lineales. Aunque hoy está superado metodológicamente, sigue apareciendo en la literatura y algunos tutores todavía lo exigen como referencia histórica.

Paso	Regresión	Condición requerida	Coeficiente
1	X → Y	X predice Y (p < 0.05)	c (efecto total)
2	X → M	X predice M (p < 0.05)	a
3	X + M → Y	M predice Y controlando X (p < 0.05)	b
4	X + M → Y	El coeficiente c’ < c (efecto directo reducido)	c’ (efecto directo)

El efecto indirecto se calcula como el producto a × b. Para testarlo, Baron y Kenny usaban la prueba de Sobel, que asume distribución normal del producto, lo que en la práctica es incierto.

Críticas al modelo Baron y Kenny

La revisión de Fernández-Castillo et al. en Anales de Psicología (2013) sistematizó las principales limitaciones del modelo clásico:

Falacia lógica: observar el patrón de datos predicho por el modelo no prueba que la mediación exista. Pueden darse los cuatro pasos y que la explicación real sea otra.
El paso 1 es prescindible: la mediación puede ocurrir incluso cuando X no correlaciona directamente con Y (mediación supresora). Exigir el paso 1 elimina incorrectamente situaciones de mediación real.
Baja potencia estadística: la prueba de Sobel subestima la significación con muestras pequeñas y distribuciones asimétricas del producto a×b.
No cuantifica la proporción mediada: decir que la mediación es «completa» o «parcial» basándose solo en si c’ es significativo es insuficiente sin estimar el tamaño del efecto indirecto.

Estas limitaciones hacen que la macro PROCESS de Hayes (2013, 2022) sea el estándar actual en metodología de investigación.

La macro PROCESS de Hayes: el estándar actual

La macro PROCESS, desarrollada por Andrew F. Hayes (Universidad de Ohio), implementa más de 100 modelos de mediación y moderación para SPSS y SAS. Para la mediación simple, usa el Modelo 4 y estima el efecto indirecto (a×b) mediante bootstrapping no paramétrico: remuestrea la base de datos miles de veces (se recomiendan 5000 muestras) y calcula el intervalo de confianza empírico del efecto indirecto.

Ventajas respecto al modelo clásico:

No asume normalidad del efecto indirecto.
Mayor potencia estadística con muestras modestas.
Estima directamente la magnitud del efecto indirecto con IC al 95%.
Permite mediación múltiple (varios mediadores simultáneos) y mediación serial (M1 → M2).
No requiere que el paso 1 de Baron y Kenny se cumpla.

La macro PROCESS es gratuita y se descarga desde el sitio oficial de Hayes (processmacro.org). Se instala como extensión (.spe) en SPSS 18 o superior.

Ejemplo completo en SPSS con PROCESS

Planteamiento: ¿Media la autoeficacia académica (M) la relación entre el apoyo social percibido (X) y el bienestar psicológico (Y) en estudiantes universitarios? N = 210.

Paso 1: Instalar PROCESS en SPSS

Descargar PROCESS v4.3 de processmacro.org. En SPSS: Extensiones → Instalar extensión local → seleccionar el archivo .spe descargado. PROCESS aparecerá en Analizar → Regresión → PROCESS v4.3 by Andrew F. Hayes.

Paso 2: Configurar el análisis

En el diálogo de PROCESS:

Y: Bienestar_Psicologico
X: Apoyo_Social
M: Autoeficacia_Academica
Model Number: 4 (mediación simple)
Bootstrap samples: 5000
Confidence interval: 95
Marcar «Standardized coefficients»

Paso 3: Interpretar el output de PROCESS

El output de PROCESS proporciona tres bloques de resultados:

Bloque 1 — Ecuación M ~ X (trayecto a):

Apoyo_Social → Autoeficacia_Academica: B = 0.43, SE = 0.08, t(208) = 5.37, p < 0.001. El apoyo social predice significativamente la autoeficacia. Coeficiente a = 0.43.

Bloque 2 — Ecuación Y ~ X + M (trayectos b y c’):

Autoeficacia_Academica → Bienestar: B = 0.51, SE = 0.09, t(207) = 5.67, p < 0.001. Coeficiente b = 0.51.
Apoyo_Social → Bienestar (controlando M): B = 0.18, SE = 0.09, t(207) = 2.00, p = 0.047. Coeficiente c’ = 0.18 (efecto directo).

Bloque 3 — Efecto indirecto (a × b) con bootstrapping:

Efecto indirecto = 0.43 × 0.51 = 0.22; IC 95% bootstrapped [0.11, 0.34]. El intervalo no incluye el cero → la mediación es estadísticamente significativa.

Efecto total (c): B = 0.40, SE = 0.08, t(208) = 5.00, p < 0.001.

Paso 4: Calcular la proporción mediada

Proporción mediada = efecto indirecto / efecto total = 0.22 / 0.40 = 55%. La autoeficacia explica más de la mitad del efecto del apoyo social sobre el bienestar.

Mediación completa vs parcial

La distinción entre mediación completa y parcial ya no se hace en función de si c’ es significativo (criterio de Baron y Kenny), sino de la magnitud relativa del efecto directo residual:

Mediación completa: el efecto directo c’ no es significativo (p > 0.05) Y el efecto indirecto sí lo es. Todo el efecto de X sobre Y opera a través de M.
Mediación parcial: tanto el efecto directo c’ como el efecto indirecto son significativos. X afecta a Y tanto directamente como a través de M.

Importante: No concluyas que la mediación es «completa» basándote únicamente en que c’ tiene p = 0.06. Con muestras pequeñas, la falta de significación puede ser un problema de potencia, no de ausencia de efecto directo. Reporta siempre los coeficientes y el tamaño del efecto.

Modelos más complejos: moderación y mediación moderada

PROCESS permite combinar mediación y moderación en el mismo modelo. Los modelos más usados en TFG avanzados son:

Modelo 7 (mediación moderada «first stage»): la trayectoria a (X → M) está moderada por una variable W. Ejemplo: el apoyo social influye sobre la autoeficacia solo cuando la variable moderadora W (carga académica) es baja.
Modelo 14 (mediación moderada «second stage»): la trayectoria b (M → Y) está moderada por W.
Modelo 8 (mediación moderada completa): tanto a como b están moderadas. Este modelo exige N ≥ 300 para estimaciones estables.

Para el análisis de moderación simple, el Modelo 1 de PROCESS permite testar la interacción X × W sobre Y directamente. Si tu TFG plantea hipótesis estructurales más complejas con múltiples variables latentes, considera el modelo de ecuaciones estructurales con AMOS.

Cómo redactar los resultados en APA 7

«Se realizó un análisis de mediación simple utilizando la macro PROCESS v4.3 de Hayes (Modelo 4) para SPSS, con 5000 muestras de bootstrapping no paramétrico e intervalos de confianza al 95%. Los resultados mostraron que el apoyo social percibido predijo significativamente la autoeficacia académica (a = 0.43, p < 0.001) y que la autoeficacia académica predijo el bienestar psicológico controlando el apoyo social (b = 0.51, p < 0.001). El efecto directo del apoyo social sobre el bienestar fue significativo (c’ = 0.18, p = 0.047), indicando una mediación parcial. El efecto indirecto fue estadísticamente significativo (ab = 0.22, IC 95% bootstrapped [0.11, 0.34]), lo que evidencia que la autoeficacia académica media parcialmente (55%) la relación entre el apoyo social y el bienestar psicológico. La cita correcta es: Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis (3.ª ed.). Guilford Press.»

Preguntas frecuentes sobre el análisis de mediación

¿Es necesario que X correlacione con Y para hacer el análisis de mediación?

No. El Paso 1 de Baron y Kenny (correlación X-Y significativa) es una exigencia que hoy se considera innecesaria y en muchos casos incorrecta. La macro PROCESS de Hayes no requiere este paso. La mediación puede existir incluso cuando el efecto total de X sobre Y es nulo, gracias a efectos mediadores de signo contrario (mediación supresora). Lo que importa es que los trayectos a (X→M) y b (M→Y) sean significativos y que el efecto indirecto tenga IC bootstrapped que no incluya el cero.

¿Cuántas muestras de bootstrapping se recomiendan?

La recomendación estándar en la literatura es 5000 muestras de bootstrapping, que ofrece intervalos de confianza suficientemente estables para la mayoría de los diseños. Hayes recomienda 10.000 muestras para el informe final de una publicación, pero 5000 es aceptable para un TFG. Con 1000 muestras los resultados pueden ser inestables entre ejecuciones.

¿Cómo se interpreta el intervalo de confianza del efecto indirecto?

Si el intervalo de confianza del 95% del efecto indirecto (a×b) no contiene el cero, se concluye que el efecto indirecto es estadísticamente significativo al nivel α = 0.05. Si contiene el cero, no se puede rechazar la hipótesis nula de que el efecto indirecto es cero en la población. Por ejemplo: IC 95% [0.11, 0.34] → significativo; IC 95% [−0.03, 0.28] → no significativo.

¿Puedo hacer el análisis de mediación con variables ordinales tipo Likert?

El análisis de mediación con PROCESS asume variables continuas (o aproximadamente continuas). Las escalas Likert de 5–7 puntos se suelen tratar como cuasi-continuas en la práctica de los TFG, especialmente cuando se usan puntuaciones totales de subescalas (suma de varios ítems), lo que reduce el efecto de la discretización. Si X o Y son dicotómicas, PROCESS permite especificarlo. Para variables estrictamente ordinales, se recomienda el SEM con estimadores robustos (WLSMV) o la macro PROCESS con bootstrap como alternativa pragmática.

¿Cuál es la diferencia entre mediación y moderación?

La mediación explica el mecanismo por el que X afecta a Y (responde a «¿por qué?» o «¿cómo?»). La moderación explica en qué condiciones o para qué grupos el efecto de X sobre Y es más fuerte o más débil (responde a «¿para quién?» o «¿cuándo?»). En la moderación, la variable moderadora W interactúa con X (producto X×W) para predecir Y. PROCESS implementa la moderación con el Modelo 1.

Redacta tu sección de resultados con Tesify

Si tienes los outputs de PROCESS y necesitas transformarlos en una sección de resultados rigurosa y en formato APA 7, Tesify te ayuda a interpretar los coeficientes, construir las tablas de efectos y redactar la discusión del modelo de mediación con el lenguaje académico que espera tu tribunal.