Mediação e Moderação com PROCESS Macro: Guia Prático

Quando a relação entre variáveis não é direta

Olha só: você está estudando o efeito de estresse acadêmico (X) sobre desempenho dos alunos (Y). Você tem dados, rodou uma regressão, encontrou uma associação significativa. Mas alguém na banca vai perguntar: “por que essa relação existe?” ou “essa relação vale para todos os estudantes igualmente?”

Essas perguntas pedem um nível de análise além da regressão simples. A primeira é uma pergunta de mediação (qual o mecanismo?). A segunda é uma pergunta de moderação (para quem?). O PROCESS Macro de Andrew Hayes é o recurso mais usado atualmente para responder essas perguntas em SPSS, SAS e R.

Mediação: o mecanismo

A análise de mediação testa se o efeito de X sobre Y ocorre através de uma variável intermediária M (o mediador). O modelo básico é:

X → M → Y

Além desse caminho indireto (X → M → Y), pode existir um caminho direto de X para Y, controlando M. A análise decompõe o efeito total de X sobre Y em:

Efeito direto: o efeito de X sobre Y que não passa por M Efeito indireto: o efeito de X sobre Y mediado por M (é o produto dos coeficientes X → M e M → Y)

Um exemplo: estresse acadêmico (X) pode afetar desempenho (Y) através de estratégias de regulação emocional (M). Os alunos com maior estresse usam menos estratégias adaptativas de regulação, o que impacta o desempenho.

Se o efeito indireto for significativo e o efeito direto se torna não significativo quando M é incluído, temos mediação completa. Se o efeito direto permanece significativo, é mediação parcial.

Moderação: a condição

A análise de moderação testa se o efeito de X sobre Y varia dependendo dos valores de uma terceira variável W (o moderador). O modelo básico inclui um termo de interação:

Y = a + b₁X + b₂W + b₃(X×W) + erro

Se o coeficiente b₃ (interação XW) for significativo, W modera o efeito de X sobre Y. Ou seja: o efeito de X sobre Y é diferente em diferentes valores de W.

Um exemplo: estresse acadêmico (X) pode afetar desempenho (Y) de forma diferente dependendo do suporte social percebido (W). Para alunos com alto suporte, o efeito do estresse sobre desempenho pode ser menor. Nesse caso, suporte social modera a relação.

A interpretação de moderação frequentemente usa gráficos de interação com os valores de Y estimados para diferentes combinações de X e W (geralmente alto/baixo, ou ±1 desvio padrão da média).

PROCESS Macro: como funciona

O PROCESS, desenvolvido por Andrew Hayes e disponível gratuitamente em processmacro.org, implementa esses modelos com bootstrap, que é atualmente o método preferido para estimar efeitos indiretos por não fazer suposições sobre a distribuição dos efeitos indiretos.

O PROCESS tem mais de 90 modelos pré-programados, que cobrem:

• Mediação simples (Modelo 4)
• Moderação simples (Modelo 1)
• Mediação moderada (Modelos 7, 8, 14, 58 e outros)
• Mediação serial com múltiplos mediadores (Modelo 6)
• E muitos outros arranjos mais complexos

Para usar no SPSS, você instala a macro (arquivo .spe) e acessa pelo menu Analyze > Regression > PROCESS v4. Uma janela permite selecionar variáveis, modelo e parâmetros de bootstrap (geralmente 5.000 ou 10.000 amostras).

Para R, o pacote mediation e o próprio script PROCESS (disponível no site de Hayes) são as opções mais usadas.

Como interpretar o output do PROCESS

O output do PROCESS para um modelo de mediação simples inclui:

Model summary: coeficientes dos caminhos a (X → M), b (M → Y) e c’ (efeito direto X → Y)

Indirect effect(s): estimativa do efeito indireto com intervalo de confiança bootstrap. A interpretação padrão: se o intervalo de confiança não inclui zero, o efeito indireto é considerado significativo.

Total effect: soma do efeito direto e indireto

A diferença do PROCESS em relação ao teste de Sobel (o método mais antigo): o bootstrap não assume normalidade da distribuição do produto ab, o que o torna mais adequado para amostras de tamanho moderado.

Para a moderação (Modelo 1), o output inclui o coeficiente da interação X×W e, se significativo, os efeitos condicionais de X sobre Y em valores específicos de W (padrão: média ± 1 DP, ou percentis 10/25/50/75/90).

O que relatar na dissertação

Na seção de resultados, ao usar PROCESS:

1. Informe o número do modelo PROCESS utilizado e a referência de Hayes (geralmente Hayes, 2022)
2. Informe o número de amostras de bootstrap e o nível de confiança (ex: 5.000 amostras, IC 95%)
3. Reporte os coeficientes dos caminhos com os valores de p e intervalos de confiança
4. Para mediação, reporte o efeito indireto com IC bootstrap
5. Para moderação, inclua um gráfico de interação se o termo de interação for significativo
6. Interprete os resultados em termos substantivos: o que o padrão encontrado significa para a questão de pesquisa?

Um exemplo de redação para mediação:

“A análise de mediação foi conduzida usando o PROCESS Macro v4 (Hayes, 2022), Modelo 4, com 5.000 amostras bootstrap e IC 95%. O efeito indireto de estresse (X) sobre desempenho (Y) via regulação emocional (M) foi significativo (b = -0,18, IC 95% [-0,29, -0,08]), indicando que estratégias de regulação emocional mediam parcialmente essa relação.”

Quando usar mediação e quando usar moderação

A escolha depende da pergunta teórica, não da disponibilidade de dados.

Use mediação quando a teoria sugere um mecanismo: “X afeta Y porque X afeta M, que por sua vez afeta Y.”

Use moderação quando a teoria sugere que o efeito varia entre grupos ou condições: “X afeta Y mais fortemente quando W é alto.”

É possível combinar os dois em modelos de mediação moderada (moderated mediation): o mecanismo de mediação vale mais em algumas condições do que em outras. Esses modelos são mais complexos de especificar e interpretar, mas são frequentes em dissertações que buscam responder perguntas mais nuançadas.

A decisão de usar esses modelos deve ser guiada pela teoria antes da análise, não pelos dados. Testar múltiplos modelos PROCESS de forma exploratória e reportar apenas o que “deu significativo” é uma prática problemática que pode inflar a taxa de erro tipo I.

Antes de começar: pressupostos e cuidados

O PROCESS facilita muito a análise, mas não elimina a necessidade de verificar pressupostos. Para os modelos lineares que o PROCESS usa:

• Normalidade dos resíduos (menos crítica com bootstrap, mas vale verificar)
• Homocedasticidade
• Ausência de multicolinearidade severa (especialmente em modelos com interação, onde as variáveis X, W e X×W podem estar correlacionadas; centralizar as variáveis antes de criar o produto ajuda)
• Tamanho amostral adequado para bootstrap estável (em geral, N ≥ 100 para modelos simples, maior para modelos mais complexos)

Com o Método V.O.E., a fase de análise de dados pertence à etapa de Execução, depois que o modelo teórico e as hipóteses estão claramente definidos. Rodar PROCESS com a teoria bem estabelecida resulta em análise mais coerente e resultados mais fáceis de interpretar e defender na banca.