Análisis de mediación y moderación con la macro PROCESS de Hayes en 2026: modelos 4 y 1 paso a paso (SPSS)
El análisis de mediación y moderación con PROCESS Hayes ha pasado de ser una técnica reservada a estadísticos experimentados a convertirse en un estándar metodológico exigido en tesis doctorales, artículos JCR y proyectos de investigación competitivos. El problema es que muchos investigadores confunden los dos tipos de análisis —o aplican el modelo incorrecto— con consecuencias que los revisores de revistas detectan de inmediato.
Mediación y moderación responden a preguntas distintas: la primera pregunta cómo o por qué una variable afecta a otra; la segunda pregunta cuándo o para quién ese efecto ocurre. Aplicar uno cuando el marco teórico exige el otro no es un error menor: invalida la interpretación de los resultados y compromete la solidez de las conclusiones.
Esta guía desglosa los fundamentos conceptuales, la lógica del bootstrapping y la ejecución práctica de los modelos 4 (mediación simple) y 1 (moderación simple) de la macro PROCESS de Andrew Hayes en SPSS, con la sintaxis exacta, la interpretación de la salida y el formato de reporte según la 7.ª edición de las normas APA.
Respuesta rápida. El modelo 4 de PROCESS prueba mediación simple (X → M → Y): ejecuta tres regresiones y calcula el efecto indirecto a × b mediante bootstrapping (5 000 remuestras, IC 95 %). El modelo 1 prueba moderación simple (X × W → Y): introduce el término de interacción y usa la pendiente de Johnson–Neyman para identificar la región de significación. Ambos modelos están disponibles en PROCESS v5.0 para SPSS, SAS y R y se citan como Hayes (2022).
Mediación vs. moderación: diferencia conceptual
La mediación describe el mecanismo causal por el que una variable independiente (X) influye en una variable dependiente (Y) a través de una tercera variable intermedia, la mediadora (M). La pregunta es mecanicista: ¿qué proceso subyacente explica el efecto de X sobre Y?
La moderación describe la condición bajo la cual varía la magnitud o la dirección del efecto de X sobre Y. La variable moderadora (W) no media el proceso; lo condiciona. La pregunta es contextual: ¿el efecto de X sobre Y es igual en todos los subgrupos o contextos, o depende del valor de W?
| Dimensión | Mediación | Moderación |
|---|---|---|
| Pregunta central | ¿Cómo / por qué funciona X? | ¿Cuándo / para quién funciona X? |
| Variable adicional | Mediadora (M), intermedia en la cadena causal | Moderadora (W), condicional sobre el efecto |
| Modelo PROCESS | Modelo 4 (y otros: 6, 14, 58…) | Modelo 1 (y otros: 2, 3…) |
| Efecto de interés | Efecto indirecto a × b | Término de interacción X × W |
| Posición temporal | M ocurre entre X e Y | W es simultánea o anterior a X |
Variable mediadora y variable moderadora
La variable mediadora se sitúa causalmente entre X e Y. Para que la mediación sea plausible, X debe preceder temporalmente a M y M a Y, y debe existir un fundamento teórico que justifique la cadena causal. Un ejemplo clásico en psicología educativa: la formación docente (X) mejora el rendimiento del alumnado (Y) porque incrementa la autoeficacia del profesorado (M). Sin esa justificación teórica, el análisis estadístico no establece causalidad por sí solo.
La variable moderadora puede ser una variable de diferencias individuales (sexo, edad, nivel socioeconómico), un factor contextual (tipo de institución, región geográfica) o incluso otra variable experimental. Su función es cambiar la pendiente de la relación X → Y. En el ejemplo anterior, el apoyo institucional percibido (W) podría moderar el efecto de la formación sobre el rendimiento: el efecto sería mayor en centros con alta cultura de colaboración y menor —o inexistente— en centros con escasa cohesión directiva.
Una confusión frecuente es tratar como mediadora a una variable que solo está correlacionada con X e Y sin estar causalmente intermedia. La mediación requiere que el investigador pueda defender la precedencia temporal de M sobre Y y la plausibilidad del mecanismo, no únicamente la correlación.
La macro PROCESS de Hayes
PROCESS es una macro de sintaxis creada por Andrew F. Hayes (Universidad Estatal de Ohio) que funciona como extensión para SPSS, SAS y R. La versión actual —PROCESS v5.0, compatible con SPSS 27 en adelante— implementa más de 92 modelos numerados de mediación, moderación y procesos condicionales combinados. Su referencia bibliográfica canónica es:
Hayes, A. F. (2022). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3.ª ed.). Guilford Press.
La macro se descarga gratuitamente desde processmacro.org. Para instalarla en SPSS: descarga el archivo process.sps, ábrelo en el editor de sintaxis y ejecútalo; en SPSS 27+ también está disponible como plugin con interfaz gráfica mediante la opción Extensiones → Instalar paquete de extensión personalizado. En versiones anteriores, es necesario incluir la línea INCLUDE 'ruta/process.sps'. al comienzo de cada sesión de sintaxis.
El seminario de la UCLA Statistical Consulting Group sobre PROCESS ofrece ejemplos adicionales de salida e interpretación que complementan la documentación oficial.
Modelo 4: mediación simple paso a paso
El modelo 4 de PROCESS estima tres ecuaciones de regresión de forma simultánea mediante mínimos cuadrados ordinarios:
- M = i₁ + a·X + e₁ — camino a: efecto de X sobre el mediador M.
- Y = i₂ + c’·X + b·M + e₂ — camino b: efecto de M sobre Y controlando X; camino c’: efecto directo de X sobre Y.
- Y = i₃ + c·X + e₃ — efecto total de X sobre Y (sin controlar M).
La sintaxis básica en SPSS es:
PROCESS y=bienestar /x=formacion /m=autoeficacia /model=4 /seed=12345 /boot=5000 /conf=95.Donde y es la variable dependiente, x la independiente y m el mediador. El argumento boot=5000 especifica el número de remuestras para bootstrapping y conf=95 el nivel de confianza. La opción seed fija la semilla aleatoria para garantizar la reproducibilidad de los resultados.
La salida de PROCESS incluye: los coeficientes de los caminos a, b, c y c’ con sus errores típicos, estadísticos t y valores p; y el efecto indirecto a × b con su intervalo de confianza bootstrap al 95 %. Para interpretar correctamente estos intervalos, conviene revisar las diferencias entre intervalo de confianza y valor p en el artículo sobre intervalos de confianza y valores p en la tesis.
Modelo 1: moderación simple paso a paso
El modelo 1 estima una sola ecuación de regresión que incorpora el término de interacción X × W:
Y = i + c₁·X + c₂·W + c₃·(X×W) + e
PROCESS centraliza automáticamente las variables X y W antes de calcular el término de producto (resta la media a cada valor), lo que elimina la multicolinealidad no esencial y hace interpretables los coeficientes simples de X y W como efectos condicionales en la media del otro. La sintaxis:
PROCESS y=bienestar /x=formacion /w=apoyo_inst /model=1 /seed=12345 /plot=1 /jn=1.El argumento /plot=1 solicita los datos para graficar las pendientes condicionales a media ± 1 desviación típica del moderador, y /jn=1 activa el análisis de Johnson–Neyman, que identifica el rango exacto de valores de W donde el efecto de X sobre Y es estadísticamente significativo al nivel α fijado.
Para decidir si el diseño requiere un modelo de mediación, de moderación o de mediación moderada (modelos como el 7, el 14 o el 58 de PROCESS), el árbol de decisión para elegir la prueba estadística en el TFG ofrece criterios prácticos según el tipo de variables y el diseño de investigación.
Bootstrapping e intervalos de confianza
El bootstrapping es un procedimiento de remuestreo no paramétrico: PROCESS extrae k muestras aleatorias con reposición de los datos originales (por defecto k = 5 000), estima el efecto indirecto en cada muestra y construye la distribución empírica del estadístico. El intervalo de confianza se obtiene a partir de los percentiles de esa distribución (método percentil) o con corrección de sesgo y aceleración (BCa), que es más preciso cuando el estimador presenta asimetría o curtosis elevada.
Hayes recomienda el bootstrapping por encima del test de Sobel porque este último asume que el producto a × b sigue una distribución normal, supuesto que raramente se cumple con muestras moderadas o cuando los caminos individuales tienen signos opuestos. Las simulaciones de Monte Carlo publicadas en la literatura de psicología metodológica muestran que el IC bootstrap mantiene tasas de error tipo I más próximas al nivel nominal α que el test de Sobel en condiciones no normales.
Criterio de significación para el efecto indirecto: el efecto se considera estadísticamente significativo si el IC 95 % no contiene el valor cero. No se reporta un valor p para el efecto indirecto; el IC bootstrap es el índice inferencial apropiado.
Efectos directo, indirecto y total
- Efecto total (c): impacto de X sobre Y sin controlar M. Equivale a la regresión bivariada X → Y.
- Efecto directo (c’): impacto de X sobre Y controlando M. Responde a cuánta varianza de Y predice X una vez eliminado el rol del mediador.
- Efecto indirecto (a × b): la porción del efecto total que transcurre a través de M. Se verifica: c = c’ + (a × b).
- Mediación completa: c’ ≈ 0 y el IC del efecto indirecto excluye el cero.
- Mediación parcial: c’ permanece significativo y el IC del indirecto excluye el cero.
La distinción mediación completa/parcial, propuesta por Baron y Kenny (1986), ha perdido prominencia en la literatura metodológica actual. Hayes (2022) la desaconseja explícitamente y recomienda centrar la interpretación en la magnitud y el IC del efecto indirecto, no en la significación de c’. El modelo subyacente es siempre la regresión lineal múltiple: comprender sus supuestos (linealidad, homocedasticidad, independencia de residuos) es indispensable para interpretar correctamente la salida de PROCESS. De modo similar, el análisis de covarianza (ANCOVA) comparte con PROCESS la lógica de controlar variables en la ecuación de regresión para obtener estimaciones ajustadas.
Cómo reportar en APA 7
La guía de publicación de la APA (7.ª ed.) no prescribe un formato único para PROCESS, pero la práctica editorial consolidada en revistas JCR recomienda la siguiente estructura en la sección de resultados:
- Descripción del modelo teórico y las variables incluidas.
- Mención explícita del software: «Se empleó la macro PROCESS v5.0 (Hayes, 2022) para SPSS con 5 000 remuestras bootstrap y un intervalo de confianza del 95 %.»
- Tabla de caminos: coeficientes no estandarizados (B), errores típicos (ET), estadístico t y p para los caminos a, b, c y c’; efecto indirecto a×b con IC 95 % bootstrap (límite inferior y superior).
- Para moderación: coeficiente de la interacción (B, ET, t, p), ΔR² atribuible a la interacción y gráfico de pendientes condicionales.
Ejemplo de redacción para mediación: «El efecto indirecto de la formación docente sobre el bienestar laboral a través de la autoeficacia del profesorado fue B = 0.18, IC 95 % [0.09, 0.31], lo que indica que el mediador explica una parte estadísticamente significativa del efecto total.»
Sobre el tamaño del efecto indirecto: Hayes recomienda el índice k² (kappa cuadrado) o la proporción del efecto total mediado (PM = a×b / c), advirtiendo que PM solo es interpretable cuando c es significativo y tiene el mismo signo que a×b. El índice k² es más robusto porque no depende de que c sea diferente de cero.
Ejemplo práctico
Consideremos una tesis doctoral en ciencias de la educación con N = 220 docentes. La hipótesis mediadora postula que la participación en programas de desarrollo profesional (X, variable continua) mejora el bienestar laboral (Y, escala 1–7) a través del incremento de la autoeficacia percibida (M, escala tipo Likert de Bandura adaptada). La hipótesis moderadora adicional propone que el apoyo institucional percibido (W) condiciona el efecto directo de la formación sobre el bienestar.
Con PROCESS modelo 4 (mediación), los resultados podrían estructurarse así:
| Camino | B | ET | t | p |
|---|---|---|---|---|
| a: Formación → Autoeficacia | 0.42 | 0.08 | 5.25 | < .001 |
| b: Autoeficacia → Bienestar (controlando X) | 0.31 | 0.06 | 5.17 | < .001 |
| c’: Formación → Bienestar (efecto directo) | 0.19 | 0.09 | 2.11 | .036 |
| c: Formación → Bienestar (efecto total) | 0.32 | 0.10 | 3.20 | .002 |
| a×b: Efecto indirecto, IC 95 % [0.060, 0.215] | 0.130 | — | — | — |
El IC del efecto indirecto excluye el cero, lo que confirma mediación parcial: el desarrollo profesional sigue prediciendo directamente el bienestar (c’ significativo), pero parte de ese efecto opera a través de la autoeficacia.
Los valores numéricos de la tabla anterior son ilustrativos y no proceden de un estudio empírico publicado. Se presentan únicamente para ejemplificar la estructura del reporte.
Preguntas frecuentes
¿Cuál es la diferencia entre el modelo 4 y el modelo 6 de PROCESS?
El modelo 4 implementa mediación simple con un solo mediador (X → M → Y). El modelo 6 implementa mediación serial con dos mediadores en cadena (X → M1 → M2 → Y), lo que permite probar una hipótesis más elaborada sobre el mecanismo causal. Se elige el modelo 6 cuando la teoría predice que el primer mediador afecta al segundo antes de que ambos influyan en Y. Los modelos paralelos con varios mediadores simultáneos (sin relación entre ellos) corresponden al modelo 4 con múltiples entradas en el argumento /m.
¿Necesito que la relación X→Y sea significativa antes de probar mediación?
No. Hayes (2022) refuta explícitamente el requisito de Baron y Kenny (1986) de que el efecto total c sea significativo como condición previa. Es perfectamente posible obtener un efecto indirecto significativo con c ≈ 0 —lo que se denomina mediación encubierta o supresión—, situación que ocurre cuando los caminos a y b tienen signos opuestos y se cancelan parcialmente. El criterio correcto es evaluar directamente el IC bootstrap del efecto indirecto.
¿Cuántas remuestras bootstrap debo solicitar?
Hayes recomienda 5 000 remuestras como mínimo para análisis exploratorios y 10 000 para el manuscrito final destinado a publicación. Muchas revistas JCR exigen explícitamente 10 000 remuestras en la sección de método. El argumento boot=10000 en la sintaxis de PROCESS lo especifica. El aumento de remuestras incrementa el tiempo de cómputo pero no cambia las estimaciones puntuales, solo afina los límites del IC.
¿Puedo usar PROCESS si mi variable dependiente es dicotómica?
PROCESS v5.0 incorpora la opción /logit=1 para estimar los caminos que predicen Y binaria mediante regresión logística en lugar de mínimos cuadrados ordinarios. Los efectos indirectos se calculan entonces sobre probabilidades transformadas (logit) y se interpretan como cambios en el logaritmo de las odds. Hayes documenta esta extensión en el capítulo 17 de su manual de 2022 y advierte de las limitaciones de interpretar efectos indirectos en la escala logit.
¿Cómo se interpreta el análisis de Johnson–Neyman en el modelo 1?
El análisis de Johnson–Neyman devuelve el valor de W (el moderador centrado) a partir del cual el efecto de X sobre Y se vuelve estadísticamente significativo al nivel α elegido. Por ejemplo, si el punto de transición es W = 0.84, el efecto de la formación sobre el bienestar solo es significativo cuando el apoyo institucional supera en 0.84 unidades su media muestral. Este análisis es preferible a las simples comparaciones a ±1 DT porque no impone puntos de corte arbitrarios sobre la distribución del moderador.
¿Es necesario citar tanto la macro como el libro de Hayes?
Sí. La práctica editorial estándar exige dos referencias separadas: el software (Hayes, A. F., 2022, PROCESS macro for SPSS, SAS, and R, Version 5.0, processmacro.org) y el manual metodológico (Hayes, A. F., 2022, Introduction to Mediation, Moderation, and Conditional Process Analysis, 3.ª ed., Guilford Press). Citar solo el libro sin el software —o viceversa— es un error frecuente que los revisores corrigen en el primer ciclo de revisión.
Leave a Reply