Análisis de mediación y moderación causal

Añade la respuesta a dos preguntas que la asociación deja abiertas: a través de qué mecanismo podría operar el efecto, si la hipótesis causal está justificada (mediación), y en qué condiciones o subgrupos cambia (moderación). Aplica cuando demostrar una asociación entre exposición y resultado es solo el primer paso y revisores, comités o responsables de política quieren saber el cómo y el para quién. La mediación descompone el efecto total en una parte directa y una parte indirecta que pasa por un mecanismo intermedio, y cuantifica qué proporción del efecto opera a través de ese mediador. La moderación evalúa si la magnitud del efecto depende de un tercer factor, identificando subpoblaciones donde la relación es más fuerte o más débil. Saber que A se relaciona con B no basta para fundamentar una decisión clínica o el diseño de una intervención; entender el mecanismo y las condiciones sí. Es lo que separa una asociación documentada de una comprensión accionable del efecto.

La mediación causal descompone el efecto de una exposición sobre un resultado en un efecto directo y un efecto indirecto que opera a través de un mediador, y, cuando es interpretable, estima qué proporción del efecto total es indirecta. Aplica cuando se sospecha que una exposición influye en el resultado por una vía intermedia concreta que se quiere cuantificar. Se entregan el ACME (efecto causal medio de mediación, la parte indirecta) y el ADE (efecto directo medio), con intervalos de confianza obtenidos por bootstrap en lugar de aproximaciones normales, y modelos apropiados para el tipo de outcome, continuo o binario. Se reporta también la proporción mediada cuando aporta una lectura interpretable, siempre con cautela, porque es una magnitud sensible a la escala y al modelo. Lo que se entrega no es solo un número de efecto indirecto, sino su cuantificación con incertidumbre y su interpretación en el marco de la pregunta. La descomposición del efecto es el resultado; el bootstrap y los modelos adecuados son lo que la hacen defendible.

Se usa el marco contrafactual de mediación causal, en concreto el enfoque de Imai, Keele y Tingley, que estima los efectos directo e indirecto con una base causal explícita, en lugar del método de Baron y Kenny, desplazado por enfoques causales más actuales. Aplica a quien conoce el procedimiento clásico de pasos de regresión y quiere saber por qué ya no es el estándar. El enfoque clásico no maneja bien los outcomes no continuos, no formaliza los supuestos causales que la descomposición necesita y no ofrece una vía limpia para la inferencia ni para el análisis de sensibilidad. El marco contrafactual sí: define los efectos como cantidades causales, admite outcomes continuos y binarios, y produce intervalos de confianza por bootstrap. La diferencia no es de moda, sino de validez: el marco actual hace explícitos los supuestos bajo los que la proporción mediada significa lo que se afirma. Usar solo el procedimiento clásico puede ser un punto débil ante revisores metodológicamente exigentes.

La validez se decide antes de estimar, formalizando la hipótesis causal en un DAG y comprobando que la estructura del problema permite un análisis de mediación. Aplica a todo estudio de mediación, donde un modelo técnicamente ejecutado puede no responder a la pregunta si los supuestos no se sostienen. Antes de estimar se verifica la temporalidad entre exposición, mediador y outcome, y se detecta la confusión mediador-outcome o una medición del mediador que no respeta la temporalidad necesaria entre exposición, mediador y outcome, situaciones que invalidan la descomposición. Si la estructura causal no justifica el análisis, se dice antes de ejecutar el modelo, no después. El supuesto central, la ignorabilidad secuencial, no es verificable empíricamente, así que se acompaña de un análisis de sensibilidad que evalúa cuánto dependería la conclusión de una posible confusión no medida. Un ACME estimado sin examinar estos supuestos es un número difícil de interpretar causalmente; lo que lo hace defendible es el examen explícito de las condiciones bajo las que es interpretable.

La moderación evalúa si el efecto de una exposición sobre un resultado cambia según el nivel de un tercer factor, mientras que la mediación descompone ese efecto en la vía por la que ocurre. Aplica cuando la pregunta no es "por qué" ocurre el efecto, sino "para quién" o "en qué condiciones" es más fuerte o más débil. Son preguntas distintas que se confunden con frecuencia: un mediador está en el camino causal entre exposición y resultado; un moderador modifica la magnitud o dirección de esa relación y no se interpreta como parte de la vía causal principal. La moderación se analiza con términos de interacción y se interpreta con visualizaciones de efectos condicionales, como simple slopes o Johnson-Neyman, distinguiendo la interacción estadística de la interacción biológica, que no son lo mismo. Cuando el diseño lo justifica, ambas se combinan en mediación moderada o moderación mediada. Confundir las dos lleva a responder una pregunta distinta de la que se tenía: por eso se aclara desde el principio cuál es la que el estudio plantea.

El análisis de mediación y moderación causal es una parte especializada de la inferencia causal, centrada en descomponer un efecto en sus vías (directa e indirecta) y en evaluar cómo varía según subgrupos. La inferencia causal y el diseño de estudios observacionales es el marco más amplio: estimar el efecto total o marginal de una intervención, exposición o política cuando no hay aleatorización, con DAGs, propensity scores, difference-in-differences, g-computation y análisis de sensibilidad. No responden exactamente a la misma pregunta: la inferencia causal general estima si X afecta a Y y en qué magnitud; la mediación y moderación, asumiendo o estimando ese efecto, lo descomponen en su mecanismo y sus condiciones bajo supuestos causales adicionales. Quien busca específicamente "análisis de mediación" tiene aquí su servicio; quien plantea una pregunta causal más amplia entra por inferencia causal. Se trabajan de forma coordinada: este servicio es el caso particular; aquel, el paraguas.

Se necesita el conjunto de datos con la exposición, el mediador o moderador, el outcome y las covariables relevantes, además del conocimiento del dominio que sostiene la hipótesis causal. El reparto es claro: el cliente aporta los datos, la temporalidad de las variables y el conocimiento clínico o contextual que da sentido al mecanismo propuesto; el servicio formaliza la hipótesis en un DAG, especifica los modelos, estima los efectos, evalúa los supuestos e interpreta. El DAG se construye de forma conjunta, porque la estructura causal depende del conocimiento del dominio que tiene el equipo investigador, no de una decisión estadística. Una verificación clave antes de analizar es la temporalidad: que la exposición preceda al mediador y este al outcome, porque un orden temporal incompatible con el modelo invalida la descomposición. Lo que se entrega es la estimación y su defensa metodológica; la pregunta causal y su autoría siguen siendo del cliente.

Se entrega la descomposición del efecto interpretada y documentada: los efectos directo e indirecto con sus intervalos de confianza por bootstrap, la proporción mediada con sus cautelas, el análisis de moderación cuando aplica con sus efectos condicionales visualizados, el DAG que formaliza la hipótesis y el análisis de sensibilidad ante confusión no medida. Aplica a quien necesita responder a revisores y comités que exigen evidencia sobre mecanismos, no solo sobre asociaciones. El material incluye la sección de métodos redactada conforme a las guías de reporte aplicables al diseño, como STROBE o RECORD en su caso, y la discusión de las limitaciones inherentes al diseño observacional, que suele ser lo que un revisor metodológicamente exigente examina. Un ACME significativo no vale por sí solo: se contextualiza en su implicación para la práctica clínica o el diseño de la intervención. El reparto se mantiene: el equipo investigador firma y dirige el manuscrito; el servicio aporta la estimación, su interpretación y los argumentos frente a las objeciones metodológicas previsibles.