Mediação e moderação

Definição estendida

Mediação e moderação são dois conceitos analíticos distintos que respondem a perguntas causais diferentes. Mediação investiga como uma variável independente $X$ afeta uma dependente $Y$: existe uma variável intermediária $M$ pela qual o efeito é transmitido. A decomposição clássica do efeito total $c$ é:

onde $a$ é o efeito de $X$ em $M$, $b$ o efeito de $M$ em $Y$ controlando $X$, $ab$ o efeito indireto e $c'$ o efeito direto remanescente. Moderação investiga quando ou para quem o efeito de $X$ em $Y$ ocorre: uma variável $W$ altera a magnitude ou direção desse efeito (interação $X \times W$). Baron e Kenny (1986, JPSP) formalizaram a distinção e propuseram o teste sequencial de mediação que dominou ciências sociais por décadas; abordagem moderna usa bootstrap percentílico do efeito indireto (Preacher & Hayes; Hayes, 2018, Guilford Press) por ser mais robusto e potente, além de não exigir normalidade do produto $ab$. Modelos combinam mediação e moderação em moderated mediation e mediated moderation — análise de processos condicionais.

Quando se aplica

Mediação aplica-se quando a teoria postula mecanismo causal específico: stress → cortisol elevado → desempenho cognitivo prejudicado; intervenção educacional → aumento de autoeficácia → melhoria em performance. Moderação aplica-se quando a teoria postula que efeito varia por subgrupo ou contexto: efeito de droga depende de genótipo; efeito de incentivo varia por nível de motivação intrínseca; efeito de campanha varia por idade. Ambos são padrão em ciências sociais (psicologia, sociologia, gestão), em saúde pública, em marketing. Em ML, conceitos análogos aparecem em interpretabilidade (interações entre features) e em causal inference (CATE — Conditional Average Treatment Effect).

Quando NÃO se aplica

Não se aplica em estudo puramente correlacional sem desenho que permita inferência causal: mediação assume direção causal $X \to M \to Y$; sem manipulação experimental ou controle adequado de confundidores, “mediação” estatística pode refletir associações espúrias. Não se aplica em $n$ pequeno: tanto mediação (especialmente com bootstrap) quanto moderação exigem amostras substanciais para detectar efeitos plausíveis com poder adequado. Não substitui experimento manipulativo do mediador quando a pergunta exige rigor causal — análise observacional de mediação é hipótese, não conclusão. Não se aplica em moderadores com alta colinearidade com $X$: estimativa do termo de interação fica instável.

Aplicações por área

— Psicologia: análise de processos condicionais é estrutural em pesquisa contemporânea; PROCESS macro de Hayes amplamente usado. — Saúde pública: mecanismos de intervenção (mediação) e populações que se beneficiam (moderação) em ensaios. — Marketing: moderação por demografia, atitude, contexto cultural em modelos de comportamento do consumidor. — Educação: análise de interações entre intervenção e características do aluno (moderação); processos de aprendizagem (mediação).

Armadilhas comuns

A primeira armadilha é interpretar mediação estatística em desenho observacional como evidência causal: associação $X \to M \to Y$ pode ser explicada por confundidor comum ou por causalidade reversa. A segunda é usar o teste sequencial de Baron-Kenny (1986) sem complementar com bootstrap: o produto $ab$ é raramente normal, e teste de Sobel é menos potente que bootstrap percentílico. A terceira é centralizar variáveis em testes de moderação: Aiken & West (1991) recomendam centralização de $X$ e $W$ para reduzir colinearidade do termo de interação e facilitar interpretação. A quarta é interpretar ausência de efeito direto $c'$ após mediação como “mediação completa” sem cuidado: pode refletir poder baixo, não ausência genuína. A quinta é confundir mediação serial (M1 → M2 → Y) com mediação paralela (M1 e M2 simultâneos) — modelos diferentes com interpretações distintas; especificar antes da análise.