Mediación (estadística)

Duración de la relación

Realice una regresión de la variable dependiente sobre la variable independiente para confirmar que la variable independiente es un predictor estadísticamente significativo de la variable dependiente.

variable independiente${\displaystyle \to }$variable dependiente

${\displaystyle Y=\beta _{10}+\beta _{11}X+\varepsilon _{1}}$

• β ₁₁ es significativo

Realice una regresión del mediador sobre la variable independiente para confirmar que esta última es un predictor significativo del mediador. Si el mediador no está asociado con la variable independiente, entonces no puede mediar en nada.

variable independiente${\displaystyle \to }$mediador

${\displaystyle Me=\beta _{20}+\beta _{21}X+\varepsilon _{2}}$

• β ₂₁ es significativo

Realice una regresión de la variable dependiente sobre la variable mediadora y la variable independiente para confirmar que a) la variable mediadora es un predictor significativo de la variable dependiente, y b) la fuerza del coeficiente de la variable independiente previamente significativa en el Paso #1 ahora se ha reducido considerablemente, si no se ha vuelto no significativa.

Variable independiente + mediador${\displaystyle \to }$variable dependiente

${\displaystyle Y=\beta _{30}+\beta _{31}X+\beta _{32}Me+\varepsilon _{3}}$

• β ₃₂ es significativo
• β ₃₁ debería ser menor en valor absoluto que el efecto original para la variable independiente (β ₁₁ anterior).

El siguiente ejemplo, tomado de Howell (2009), ^{[ 6 ]} explica cada paso de los requisitos de Baron y Kenny para comprender mejor cómo se caracteriza un efecto de mediación. El paso 1 y el paso 2 utilizan análisis de regresión simple, mientras que el paso 3 utiliza análisis de regresión múltiple .

1. La forma en que fuiste criado (es decir, la variable independiente) predice la confianza que sientes al criar a tus propios hijos (es decir, la variable dependiente).
2. La forma en que fuiste criado (es decir, la variable independiente) predice tus sentimientos de competencia y autoestima (es decir, la variable mediadora).
3. Tus sentimientos de competencia y autoestima (es decir, variable mediadora) predicen la confianza que sientes al criar a tus propios hijos (es decir, variable dependiente), controlando la forma en que fuiste criado (es decir, variable independiente).

Estos hallazgos llevarían a la conclusión de que tus sentimientos de competencia y autoestima median la relación entre cómo fuiste criado y la confianza que sientes al criar a tus propios hijos.

Si el paso 1 no arroja un resultado significativo, aún puede haber motivos para pasar al paso 2. A veces, existe una relación significativa entre las variables independientes y dependientes, pero debido a tamaños de muestra pequeños u otros factores externos, podría no haber suficiente potencia para predecir el efecto que realmente existe. ^{[ 7 ]}

La evidencia máxima de mediación, también llamada mediación completa, se produciría si la inclusión de la variable de mediación reduce la relación entre la variable independiente y la variable dependiente (véase la vía c ′ en el diagrama anterior) a cero.

La mediación parcial sostiene que la variable mediadora explica parte, pero no la totalidad, de la relación entre la variable independiente y la variable dependiente. Esto implica que existe no solo una relación significativa entre la variable mediadora y la variable dependiente, sino también una relación directa entre ambas.

Para que se establezca una mediación total o parcial, la reducción de la varianza explicada por la variable independiente debe ser significativa, según lo determine una de varias pruebas, como la prueba de Sobel . ^{[ 10 ]} El efecto de una variable independiente sobre la variable dependiente puede volverse no significativo cuando se introduce el mediador, simplemente porque se explica una cantidad trivial de varianza (es decir, no hay una verdadera mediación). Por lo tanto, es imperativo demostrar una reducción significativa de la varianza explicada por la variable independiente antes de afirmar una mediación total o parcial. Es posible tener efectos indirectos estadísticamente significativos en ausencia de un efecto total. ^{[ 11 ]} Esto puede explicarse por la presencia de varias vías de mediación que se cancelan entre sí y se hacen evidentes cuando se controla uno de los mediadores canceladores. Esto implica que los términos «mediación parcial» y «mediación total» siempre deben interpretarse en relación con el conjunto de variables presentes en el modelo. En todos los casos, la operación de «fijar una variable» debe distinguirse de la de «controlar una variable», que se ha utilizado de forma inapropiada en la literatura. ^{[ 8 ] [ 12 ]} El primero se refiere a la corrección física, mientras que el segundo se refiere al condicionamiento, ajuste o adición al modelo de regresión. Ambas nociones coinciden solo cuando todos los términos de error (no mostrados en el diagrama) no están correlacionados estadísticamente. Cuando los errores están correlacionados, se deben realizar ajustes para neutralizar dichas correlaciones antes de iniciar el análisis de mediación (véase Red bayesiana ).

Hayes (2009) criticó el enfoque de los pasos de mediación de Baron y Kenny, ^{[ 11 ]} y, en 2019, David A. Kenny afirmó en su sitio web que la mediación puede existir en ausencia de un efecto total "significativo" (a veces denominado "mediación inconsistente"), y por lo tanto, el paso 1 del enfoque original de 1986 podría no ser necesario. Publicaciones posteriores de Hayes cuestionaron los conceptos de mediación completa y mediación parcial, y abogaron por el abandono de estos términos y de los pasos de la mediación clásica (1986).

Los enfoques experimentales de mediación deben llevarse a cabo con precaución. En primer lugar, es importante contar con un sólido respaldo teórico para la investigación exploratoria de una posible variable mediadora. Una crítica al enfoque de mediación radica en la capacidad de manipular y medir una variable mediadora. Por lo tanto, se debe poder manipular el mediador propuesto de manera aceptable y ética. En consecuencia, se debe poder medir el proceso de intervención sin interferir con el resultado. El mediador también debe poder establecer la validez de constructo de la manipulación. Una de las críticas más comunes al enfoque de medición de la mediación es que, en última instancia, se trata de un diseño correlacional. Por consiguiente, es posible que alguna otra tercera variable, independiente del mediador propuesto, sea responsable del efecto propuesto. Sin embargo, los investigadores se han esforzado por aportar pruebas en contra de esta crítica. Específicamente, se han presentado los siguientes contraargumentos: ^{[ 4 ]}

Precedencia temporal

Por ejemplo, si la variable independiente precede a la variable dependiente en el tiempo, esto proporcionaría evidencia que sugiere un vínculo direccional, y potencialmente causal, de la variable independiente a la variable dependiente.

Ausencia de espurios y/o ausencia de factores de confusión

Por ejemplo, si se identifican otras variables externas y se demuestra que no alteran la relación entre la variable independiente y la variable dependiente, se tendrá un argumento más sólido a favor de su efecto mediador. Véase la sección sobre otras variables externas a continuación.

La mediación puede ser una prueba estadística sumamente útil y potente; sin embargo, debe utilizarse correctamente. Es importante que las medidas empleadas para evaluar la variable mediadora y la variable dependiente sean teóricamente distintas y que la variable independiente y la mediadora no interactúen. Si existiera una interacción entre la variable independiente y la mediadora, habría motivos para investigar la moderación .

Otro modelo que se suele probar es aquel en el que las variables en competencia son mediadores potenciales alternativos o una causa no medida de la variable dependiente. Una variable adicional en un modelo causal puede enmascarar o confundir la relación entre las variables independientes y dependientes. Los posibles factores de confusión son variables que pueden tener un impacto causal tanto en la variable independiente como en la dependiente. Estos incluyen fuentes comunes de error de medición (como se mencionó anteriormente), así como otras influencias compartidas por ambas variables.

En los estudios experimentales, existe una preocupación particular por los aspectos de la manipulación o el entorno experimental que puedan explicar los efectos del estudio, más que por el factor teórico que lo motiva. Cualquiera de estos problemas puede generar relaciones espurias entre las variables independientes y dependientes medidas. Ignorar una variable de confusión puede sesgar las estimaciones empíricas del efecto causal de la variable independiente.

Una variable supresora aumenta la validez predictiva de otra variable cuando se incluye en una ecuación de regresión. La supresión puede ocurrir cuando una única variable causal se relaciona con una variable de resultado a través de dos variables mediadoras distintas, y cuando uno de esos efectos mediados es positivo y el otro negativo. En tal caso, cada variable mediadora suprime u oculta el efecto que se transmite a través de la otra variable mediadora. Por ejemplo, puntuaciones de inteligencia más altas (una variable causal, A ) pueden causar un aumento en la detección de errores (una variable mediadora, B ), lo que a su vez puede causar una disminución en los errores cometidos en el trabajo en una línea de montaje (una variable de resultado, X ); al mismo tiempo, la inteligencia también podría causar un aumento en el aburrimiento ( C ), lo que a su vez puede causar un aumento en los errores ( X ). Por lo tanto, en una ruta causal la inteligencia disminuye los errores, y en la otra los aumenta. Cuando ninguna de las mediadoras se incluye en el análisis, la inteligencia parece no tener efecto o tener un efecto débil sobre los errores. Sin embargo, cuando se controla el aburrimiento, la inteligencia parecerá disminuir los errores, y cuando se controla la detección de errores, la inteligencia parecerá aumentarlos. Si se pudiera aumentar la inteligencia manteniendo constante el aburrimiento, los errores disminuirían; si se pudiera aumentar la inteligencia manteniendo constante la detección de errores, los errores aumentarían.

En general, la omisión de supresores o factores de confusión dará lugar a una subestimación o una sobreestimación del efecto de A sobre X , reduciendo o inflando artificialmente la magnitud de la relación entre dos variables.

Otras variables importantes son las variables moderadoras . Las variables moderadoras pueden fortalecer o debilitar la relación entre dos variables. Estas variables caracterizan aún más las interacciones en la regresión al afectar la dirección y/o la intensidad de la relación entre X e Y. Una relación moderadora puede considerarse una interacción . Ocurre cuando la relación entre las variables A y B depende del nivel de C. Consulte la sección sobre moderación para obtener más información.

Existen cinco posibles modelos de mediación moderada, como se ilustra en los diagramas a continuación. ^{[ 20 ]}

1. En el primer modelo, la variable independiente también modera la relación entre la variable mediadora y la variable dependiente.
2. El segundo modelo posible de mediación moderada implica una nueva variable que modera la relación entre la variable independiente y el mediador (la ruta A ).
3. El tercer modelo de mediación moderada implica una nueva variable moderadora que modera la relación entre la variable mediadora y la variable dependiente (la ruta B ).
4. La mediación moderada también puede ocurrir cuando una variable moderadora afecta tanto la relación entre la variable independiente y el mediador (la ruta A ) como la relación entre el mediador y la variable dependiente (la ruta B ).
5. El quinto y último modelo posible de mediación moderada implica dos nuevas variables moderadoras, una que modera la ruta A y la otra que modera la ruta B.

Además de los modelos mencionados anteriormente, también puede existir una nueva variable que modere la relación entre la variable independiente y el mediador (la ruta A) y, al mismo tiempo, que modere la relación entre la variable independiente y la variable dependiente (la ruta C). ^{[ 22 ]}

El siguiente es un ejemplo publicado de moderación mediada en la investigación psicológica. ^{[ 23 ]} A los participantes se les presentó un estímulo inicial (un priming) que les hizo pensar en moralidad o en poder. Luego participaron en el Juego del Dilema del Prisionero (PDG), en el que los participantes simulan que ellos y su cómplice han sido arrestados y deben decidir si permanecer leales a su compañero o competir con él y cooperar con las autoridades. Los investigadores encontraron que los individuos prosociales se vieron afectados por los primings de moralidad y poder, mientras que los individuos pro-yo no. Por lo tanto, la orientación de valores sociales (pro-yo vs. prosocial) moderó la relación entre el priming (variable independiente: moralidad vs. poder) y el comportamiento elegido en el PDG (variable dependiente: competitivo vs. cooperativo).

A continuación, los investigadores analizaron la presencia de un efecto de moderación mediada. Los análisis de regresión revelaron que el tipo de estímulo (moralidad frente a poder) mediaba la relación moderadora de la orientación de valores sociales de los participantes sobre el comportamiento en el juego de roles. Los participantes prosociales que experimentaron el estímulo de moralidad esperaban que su pareja cooperara con ellos, por lo que optaron por cooperar. Los participantes prosociales que experimentaron el estímulo de poder esperaban que su pareja compitiera con ellos, lo que los hizo más propensos a competir con su pareja y cooperar con las autoridades. Por el contrario, los participantes con una orientación de valores sociales centrada en sí mismos siempre actuaron de forma competitiva.

Moderación de la relación entre la variable independiente (X) y la variable dependiente (Y), también llamada efecto general del tratamiento (trayectoria C en el diagrama).

${\displaystyle Y=\beta _{40}+\beta _{41}X+\beta _{42}Mo+\beta _{43}XMo+\varepsilon _{4}}$

• Para establecer la moderación general, el peso de regresión β ₄₃ debe ser significativo (primer paso para establecer la moderación mediada).
• Para establecer una mediación moderada, es necesario que no exista un efecto de moderación, por lo que el coeficiente de regresión β ₄₃ no debe ser significativo.

Moderación de la relación entre la variable independiente y el mediador (ruta A ).

${\displaystyle Me=\beta _{50}+\beta _{51}X+\beta _{52}Mo+\beta _{53}XMo+\varepsilon _{5}}$

• Si el coeficiente de regresión β ₅₃ es significativo, el moderador afecta la relación entre la variable independiente y el mediador.

Moderación tanto de la relación entre las variables independientes y dependientes (ruta A ) como de la relación entre el mediador y la variable dependiente (ruta B ).

${\displaystyle Y=\beta _{60}+\beta _{61}X+\beta _{62}Mo+\beta _{63}XMo+\beta _{64}Me+\beta _{65}MeMo+\varepsilon _{6}}$

• Si tanto β ₅₃ en el paso 2 como β ₆₃ en el paso 3 son significativos, el moderador afecta la relación entre la variable independiente y el mediador (ruta A ).
• Si tanto β ₅₃ en el paso 2 como β ₆₅ en el paso 3 son significativos, el moderador afecta la relación entre el mediador y la variable dependiente (ruta B ).
• Una o ambas de las condiciones anteriores pueden ser ciertas.

El análisis de mediación cuantifica el grado en que una variable participa en la transmisión del cambio de una causa a su efecto. Es inherentemente un concepto causal, por lo que no puede definirse en términos estadísticos. Sin embargo, tradicionalmente, la mayor parte del análisis de mediación se ha realizado dentro del marco de la regresión lineal, donde la terminología estadística enmascara el carácter causal de las relaciones involucradas. Esto generó dificultades, sesgos y limitaciones que se han mitigado con los métodos modernos de análisis causal, basados ​​en diagramas causales y lógica contrafactual.

La raíz de estas dificultades reside en definir la mediación en términos de cambios inducidos al añadir una tercera variable a una ecuación de regresión. Dichos cambios estadísticos son epifenómenos que a veces acompañan a la mediación, pero que, en general, no logran capturar las relaciones causales que el análisis de mediación pretende cuantificar.

La premisa básica del enfoque causal es que no siempre es apropiado "controlar" el mediador M cuando buscamos estimar el efecto directo de X sobre Y (ver la figura anterior). La justificación clásica para "controlar" M es que, si logramos evitar que M cambie, entonces cualquier cambio que midamos en Y es atribuible únicamente a variaciones en X y estamos justificados para proclamar el efecto observado como "efecto directo de X sobre Y ". Desafortunadamente, "controlar M " no impide físicamente que M cambie; simplemente limita la atención del analista a los casos de valores de M iguales . Además, el lenguaje de la teoría de la probabilidad no posee la notación para expresar la idea de "evitar que M cambie" o "mantener M físicamente constante". El único operador que proporciona la probabilidad es el "condicionamiento", que es lo que hacemos cuando "controlamos" M , o agregamos M como regresor en la ecuación para Y. El resultado es que, en lugar de mantener M físicamente constante (digamos en M = m ) y comparar Y para unidades bajo X  =  1' con aquellas bajo X = 0, permitimos que M varíe pero ignoramos todas las unidades excepto aquellas en las que M alcanza el valor M  = m . Estas dos operaciones son fundamentalmente diferentes y producen resultados diferentes, ^{[ 24 ] [ 25 ]} excepto en el caso de que no haya variables omitidas. Un condicionamiento inadecuado de los efectos mediados puede ser un tipo de mal control . 

Para ilustrarlo, supongamos que los términos de error de M e Y están correlacionados. En tales condiciones, los coeficientes estructurales B y A (entre M e Y y entre Y y X ) ya no pueden estimarse mediante la regresión de Y sobre X y M. De hecho, las pendientes de regresión pueden ser distintas de cero incluso cuando C es cero. ^{[ 26 ]} Esto tiene dos consecuencias. Primero, deben idearse nuevas estrategias para estimar los coeficientes estructurales A, B y C. Segundo, las definiciones básicas de efectos directos e indirectos deben ir más allá del análisis de regresión y deberían invocar una operación que imite la "fijación de M ", en lugar de "el condicionamiento a M ".

Dicho operador, denotado do( M  = m ), fue definido en Pearl (1994) ^{[ 25 ]} y opera eliminando la ecuación de M y reemplazándola por una constante m . Por ejemplo, si el modelo de mediación básico consta de las ecuaciones: 

${\displaystyle X=f(\varepsilon _{1}),~~M=g(X,\varepsilon _{2}),~~Y=h(X,M,\varepsilon _{3}),}$

Luego, tras aplicar el operador do( M  = m ), el modelo se convierte en: 

${\displaystyle X=f(\varepsilon _{1}),~~M=m,~~Y=h(X,m,\varepsilon _{3})}$

y después de aplicar el operador do( X  = x ) el modelo se convierte en: 

${\displaystyle X=x,M=g(x,\varepsilon _{2}),Y=h(x,M,\varepsilon _{3})}$

donde las funciones f y g , así como las distribuciones de los términos de error ε ₁ y ε _3, permanecen inalteradas. Si además renombramos las variables M e Y resultantes de do( X  = x ) como M ( x ) e Y ( x ), respectivamente, obtenemos lo que se conoció como "resultados potenciales" ^{[ 27 ]} o "contrafactuales estructurales" ^{[ 28 ]} . Estas nuevas variables proporcionan una notación conveniente para definir efectos directos e indirectos. En particular, se han definido cuatro tipos de efectos para la transición de X = 0 a X = 1:     

(a) Efecto total –

${\displaystyle TE=E[Y(1)-Y(0)]}$

b) Efecto directo controlado -

${\displaystyle CDE(m)=E[Y(1,m)-Y(0,m)]}$

(c) Efecto directo natural -

${\displaystyle NDE=E[Y(1,M(0))-Y(0,M(0))]}$

(d) Efecto indirecto natural

${\displaystyle NIE=E[Y(0,M(1))-Y(0,M(0))]}$

Donde E [ ] representa la esperanza calculada sobre los términos de error.

Estos efectos tienen las siguientes interpretaciones:

• TE mide el aumento esperado en el resultado Y a medida que X cambia de X=0 a X  =1 , mientras que al mediador se le permite seguir el cambio en X según lo dictado por la función M = g(X, ε ₂ ) .
• El CDE mide el aumento esperado en el resultado Y a medida que X cambia de X = 0 a X = 1, mientras que el mediador se mantiene fijo en un nivel preespecificado M = m de manera uniforme en toda la población.
• NDE mide el aumento esperado en Y a medida que X cambia de X = 0 a X = 1, mientras que establece la variable mediadora al valor que habría obtenido bajo X = 0, es decir, antes del cambio.
• NIE mide el aumento esperado en Y cuando X se mantiene constante, en X = 1, y M cambia al valor que habría alcanzado (para cada individuo) bajo X = 1.
• La diferencia TE-NDE mide hasta qué punto la mediación es necesaria para explicar el efecto, mientras que la NIE mide hasta qué punto la mediación es suficiente para sostenerlo.

No existe una versión controlada del efecto indirecto porque no hay forma de desactivar el efecto directo fijando una variable a una constante.

Según estas definiciones, el efecto total puede descomponerse como una suma.

${\displaystyle TE=NDE-NIE_{r}}$

donde NIE _r representa la transición inversa, de X  =  1 a X = 0; se vuelve aditiva en sistemas lineales, donde la inversión de las transiciones implica una inversión de signo.

La fuerza de estas definiciones reside en su generalidad; son aplicables a modelos con interacciones no lineales arbitrarias, dependencias arbitrarias entre las perturbaciones y variables tanto continuas como categóricas.

En el análisis lineal, todos los efectos están determinados por sumas de productos de coeficientes estructurales, dando como resultado

${\displaystyle {\begin{aligned}TE&=C+AB\\CDE(m)&=NDE=C,{\text{ independent of }}m\\NIE&=AB.\end{aligned}}}$

Por lo tanto, todos los efectos son estimables siempre que se identifique el modelo. En sistemas no lineales, se necesitan condiciones más estrictas para estimar los efectos directos e indirectos. ^{[ 9 ] [ 29 ] [ 30 ]} Por ejemplo, si no existe confusión (es decir, ε ₁ , ε ₂ , y ε ₃ son mutuamente independientes), se pueden derivar las siguientes fórmulas: ^{[ 9 ]}

${\displaystyle {\begin{aligned}TE&=E(Y\mid X=1)-E(Y\mid X=0)\\CDE(m)&=E(Y\mid X=1,M=m)-E(Y\mid X=0,M=m)\\NDE&=\sum _{m}[E(Y|X=1,M=m)-E(Y\mid X=0,M=m)]P(M=m\mid X=0)\\NIE&=\sum _{m}[P(M=m\mid X=1)-P(M=m\mid X=0)]E(Y\mid X=0,M=m).\end{aligned}}}$

Las dos últimas ecuaciones se denominan Fórmulas de Mediación ^{[ 31 ] [ 32 ] [ 33 ]} y se han convertido en el objetivo de la estimación en muchos estudios de mediación. ^{[ 29 ] [ 30 ] [ 32 ] [ 33 ]} Proporcionan expresiones libres de distribución para los efectos directos e indirectos y demuestran que, a pesar de la naturaleza arbitraria de las distribuciones de error y las funciones f , g y h , los efectos mediados pueden estimarse a partir de datos mediante regresión. Los análisis de mediación moderada y moderadores mediadores se incluyen como casos especiales del análisis de mediación causal, y las fórmulas de mediación identifican cómo los diversos coeficientes de interacción contribuyen a los componentes necesarios y suficientes de la mediación. ^{[ 30 ] [ 31 ]}

Supongamos que el modelo toma la forma

${\displaystyle {\begin{aligned}X&=\varepsilon _{1}\\M&=b_{0}+b_{1}X+\varepsilon _{2}\\Y&=c_{0}+c_{1}X+c_{2}M+c_{3}XM+\varepsilon _{3}\end{aligned}}}$

donde el parámetro${\displaystyle c_{3}}$cuantifica el grado en que M modifica el efecto de X sobre Y. Incluso cuando todos los parámetros se estiman a partir de datos, todavía no es obvio qué combinaciones de parámetros miden el efecto directo e indirecto de X sobre Y , o, más prácticamente, cómo evaluar la fracción del efecto total.${\displaystyle TE}$eso se explica por la mediación y la fracción de${\displaystyle TE}$eso se debe a la mediación. En el análisis lineal, la primera fracción es capturada por el producto${\displaystyle b_{1}c_{2}/TE}$, este último por la diferencia${\displaystyle (TE-c_{1})/TE}$y las dos cantidades coinciden. Sin embargo, en presencia de interacción, cada fracción requiere un análisis separado, como lo dicta la fórmula de mediación, que produce:

${\displaystyle {\begin{aligned}NDE&=c_{1}+b_{0}c_{3}\\NIE&=b_{1}c_{2}\\TE&=c_{1}+b_{0}c_{3}+b_{1}(c_{2}+c_{3})\\&=NDE+NIE+b_{1}c_{3}.\end{aligned}}}$

Por lo tanto, la fracción de respuesta de salida para la cual la mediación sería suficiente es

${\displaystyle {\frac {NIE}{TE}}={\frac {b_{1}c_{2}}{c_{1}+b_{0}c_{3}+b_{1}(c_{2}+c_{3})}},}$

mientras que la fracción para la cual sería necesaria la mediación es

${\displaystyle 1-{\frac {NDE}{TE}}={\frac {b_{1}(c_{2}+c_{3})}{c_{1}+b_{0}c_{3}+b_{1}(c_{2}+c_{3})}}.}$

Estas fracciones implican combinaciones no obvias de los parámetros del modelo y pueden construirse mecánicamente con la ayuda de la fórmula de mediación. Significativamente, debido a la interacción, un efecto directo puede mantenerse incluso cuando el parámetro${\displaystyle c_{1}}$desaparece y, además, se puede mantener un efecto total incluso cuando desaparecen tanto los efectos directos como los indirectos. Esto demuestra que estimar los parámetros de forma aislada nos dice poco sobre el efecto de la mediación y, en general, la mediación y la moderación están interrelacionadas y no pueden evaluarse por separado.