Dos etapas
Estima primero las puntuaciones de las variables latentes y luego forma el término de interacción a partir de ellas. Robusto y el valor por defecto en OpenPLS; funciona con constructos reflectivos y formativos.
MÉTODO PLS-SEM
Moderación en PLS-SEM: cuando un efecto depende de una tercera variable
El análisis de moderación comprueba si la fuerza o la dirección de una relación entre dos constructos cambia según el valor de un tercer constructo, el moderador. Esta página explica el efecto de interacción, cómo leerlo y las pendientes simples, los enfoques de estimación y los errores comunes.
Qué prueba un análisis de moderación
En un modelo simple, un predictor afecta a un objetivo con un coeficiente fijo. La moderación pregunta si ese coeficiente depende a su vez de una variable moderadora. Por ejemplo, el efecto de la utilidad percibida sobre la adopción podría ser más fuerte en usuarios jóvenes que en mayores: la edad modera la ruta de utilidad a adopción.
Mecánicamente, la moderación añade un término de interacción, el producto del predictor y el moderador, como predictor adicional del objetivo. Un efecto de interacción significativo significa que la relación de predictor a objetivo cambia cuando cambia el moderador.
Un ejemplo resuelto
Se prueba el efecto de la confianza sobre la lealtad con la satisfacción como moderador. El término de interacción es positivo y significativo (coeficiente de interacción 0,16, p = 0,01). Al representar las pendientes simples, la pendiente de confianza a lealtad es plana cuando la satisfacción es baja y pronunciada cuando es alta.
Así que la confianza importa más para la lealtad entre los clientes muy satisfechos: la satisfacción refuerza la relación.
Cómo leer el resultado
La moderación informa el efecto de interacción: su coeficiente, error estándar, valor t y valor p, normalmente por bootstrapping.
- Interacción p < 0,05
- Moderación significativa: el efecto de predictor a objetivo depende realmente del moderador. Interpreta la interacción, no solo los efectos principales.
- Interacción positiva
- La relación de predictor a objetivo se fortalece a medida que aumenta el moderador.
- Interacción negativa
- La relación se debilita, o se invierte, a medida que aumenta el moderador.
- Interacción p ≥ 0,05
- No hay evidencia de moderación. Informa el efecto directo y no interpretes la interacción.
Lee una interacción significativa con un gráfico de pendientes simples: muestra la pendiente de predictor a objetivo en valores bajos, medios y altos del moderador, lo que concreta la dirección y el tamaño de la moderación.
Enfoques de estimación
Indicador de producto
Construye la interacción multiplicando los indicadores del predictor y del moderador. Requiere constructos reflectivos y funciona mejor con el mismo número de indicadores.
Ortogonalización
Una variante del enfoque de indicador de producto que elimina la correlación entre el término de interacción y sus componentes para reducir la colinealidad.
Pendientes simples
No es un método de estimación sino la forma estándar de interpretar una interacción significativa: representar la relación de predictor a objetivo en distintos niveles del moderador.
Ejecutar una moderación paso a paso
- Especifica la ruta directa de predictor a objetivo que crees moderada.
- Añade el moderador y el término de interacción (predictor por moderador) como predictores del objetivo.
- Estima el modelo y aplica bootstrapping al efecto de interacción para obtener su valor t y su valor p.
- Si la interacción es significativa, representa las pendientes simples para ver cómo cambia el efecto según los niveles del moderador.
- Informa el coeficiente de interacción, su significación y la interpretación de las pendientes simples, y el tamaño del efecto f² de la interacción cuando sea posible.
Errores habituales
- Interpretar el efecto principal como incondicional cuando hay una interacción significativa. Con moderación, el efecto principal es solo el efecto en la media del moderador.
- Dividir un moderador continuo en grupos y hacer una comparación de grupos en su lugar. Eso descarta información; suele ser mejor un término de interacción continuo.
- Informar solo el coeficiente de interacción sin un gráfico de pendientes simples, lo que deja poco clara la dirección y la magnitud.
- Ignorar el tamaño del efecto f² de la interacción, que suele ser pequeño aunque la interacción sea significativa.
Moderación en OpenPLS
OpenPLS incluye un panel de moderación que usa el enfoque de dos etapas. Elige el predictor, el moderador y el objetivo, y añade el término de interacción, informa las rutas del modelo base y del modelo con interacción, y da el efecto de interacción con su valor t y valor p por bootstrapping, junto con un gráfico de pendientes simples. Gratis y en el navegador.
Prueba una moderación en tu propio modelo
Construye tu modelo en el editor visual, añade un moderador y obtén el efecto de interacción y las pendientes simples en una ejecución. Gratis, sin instalación.
Preguntas frecuentes
- ¿Cuál es la diferencia entre moderación y mediación?
- La moderación cambia la fuerza o la dirección de una relación según una tercera variable. La mediación explica una relación a través de una variable interviniente situada en la ruta entre predictor y resultado. La moderación trata de cuándo se da un efecto; la mediación, de cómo funciona.
- ¿Cuándo debo usar moderación en lugar de análisis multigrupo?
- Usa un término de interacción continuo (moderación) cuando el moderador es continuo, porque dividirlo en grupos para un MGA desaprovecha información. Usa el MGA cuando la agrupación es genuinamente categórica, como país o género.
- ¿Qué es un gráfico de pendientes simples?
- Un gráfico de la relación de predictor a objetivo calculada en valores bajos, medios y altos del moderador. Convierte un coeficiente de interacción significativo en una imagen concreta de cómo cambia el efecto.
Lecturas adicionales
Un tratamiento práctico en Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling, 3.ª ed., Sage. Sobre los enfoques de estimación: Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82-109. Véase también Memon, M. A., et al. (2019). Moderation analysis: issues and guidelines. Journal of Applied Structural Equation Modeling, 3(1), i-xi.