Mediación: explicar por qué vía actúa una intervención

Una diferencia de cinco puntos entre grupos experimentales puede admitir explicaciones distintas. La intervención quizá modifica una estrategia que luego mejora el desempeño; quizá mejora el desempeño por otra vía y la estrategia cambia como consecuencia; quizá ambos cambios dependen de un proceso intermedio todavía no medido. Saber que la intervención produce un efecto total no determina cuánto de ese efecto pasa por una variable concreta.

La mediación causal formula preguntas sobre esas vías mediante intervenciones definidas sobre el tratamiento y el mediador. Una asociación entre un cambio intermedio y el resultado aporta información, pero necesita una interpretación compatible con el orden temporal y con las causas compartidas. El problema aparece incluso cuando el tratamiento se asignó al azar: la aleatorización inicial no se transmite automáticamente a cada variable que cambia después.

Trabajaremos con una tarea ficticia de resolución de problemas. La intervención consiste en una instrucción experimental; el mediador indica si la persona practica una estrategia antes de la prueba; el resultado es una puntuación posterior. Todos los datos y mecanismos numéricos serán construidos. Su función es permitir que distintas definiciones de mediación se comparen exactamente, sin presentarlas como hallazgos psicológicos o clínicos.

Qué se fija y qué se deja cambiar

Denotemos por $A$ la instrucción, con valores cero y uno, y por $M$ la práctica de la estrategia. Para cada persona, $M(a)$ representa la práctica que tendría bajo la instrucción $a$. El resultado potencial $Y(a,m)$ representa la puntuación si se fijaran conjuntamente la instrucción y la práctica. Cuando solo intervenimos sobre la instrucción, el mediador sigue su respuesta habitual y el resultado es $Y(a,M(a))$.

El efecto total promedio compara $E[Y(1,M(1))]$ con $E[Y(0,M(0))]$. En cada brazo, la práctica puede tomar un valor distinto para cada persona. Al definir este efecto no obligamos a nadie a conservar su mediador bajo la otra instrucción. Por eso un ensayo aleatorizado de la instrucción, con seguimiento adecuado, puede identificar el efecto total sin observar qué mediador habría tenido cada participante en el brazo contrario.

Una pregunta diferente mantiene la práctica en un valor elegido. El efecto directo controlado para ese valor se define como

Si fijamos que nadie practique, preguntamos por el efecto de la instrucción bajo esa condición. Si fijamos que todos practiquen, hacemos otra comparación. Ambos son efectos directos respecto de la práctica especificada. Pueden incluir muchas otras vías, como comprensión de la consigna, motivación o atención, siempre que no pasen por ese mediador.

La palabra «directo» depende, por tanto, de qué se haya representado como mediador. No significa inmediato en el tiempo ni ausencia de todo mecanismo. Una intervención puede afectar varios procesos entre la instrucción y la prueba; agruparlos dentro de un efecto directo respecto de la práctica no demuestra que actúe sin ellos. La interpretación exige nombrar tanto el mediador como el resto de las condiciones que se mantienen.

También hay que imaginar una intervención coherente sobre la práctica. Entregar una instrucción adicional, obligar a realizar ejercicios o seleccionar a quienes espontáneamente practicaron no son operaciones equivalentes. Las dos primeras pueden producir efectos propios; la última es una selección. Escribir $Y(a,m)$ presupone que se ha definido suficientemente qué significa fijar el mediador y qué versiones se consideran comparables.

Comparaciones que usan la respuesta de cada persona

Los efectos naturales utilizan la práctica que cada individuo tendría bajo una de las instrucciones. Un efecto directo natural de referencia es

Aquí cambia la instrucción y se conserva, para cada persona, su propio valor del mediador bajo la condición cero. No se fija la práctica al mismo valor para toda la población. Un efecto indirecto correspondiente mantiene la instrucción en uno y cambia el mediador entre sus dos respuestas potenciales:

La suma de ambos efectos es el efecto total en la escala de diferencias. El término intermedio $E[Y(1,M(0))]$ se cancela algebraicamente. Esta descomposición no exige que no exista interacción entre instrucción y práctica; la interacción cambia los componentes que aparecen, pero no la identidad de la suma. La definición y su identificación a partir de datos son cuestiones distintas, como muestran las formulaciones de Robins y Greenland (1992), Imai y colaboradores (2010) y Pearl (2014).

Podemos elegir la otra referencia. El efecto indirecto bajo instrucción cero compara $Y(0,M(1))$ y $Y(0,M(0))$; el efecto directo complementario compara $Y(1,M(1))$ y $Y(0,M(1))$. También suman el efecto total. Cuando el efecto de la práctica depende de la instrucción, las dos versiones del efecto indirecto pueden diferir.

El resultado anidado $Y(1,M(0))$ combina condiciones que la misma persona no experimenta conjuntamente en un ensayo ordinario: recibe la instrucción uno, pero su práctica se fija en el valor que habría tenido bajo cero. La dificultad no consiste en que el símbolo carezca de significado matemático. Consiste en justificar cómo relacionarlo con cantidades observadas cuando no podemos repetir la historia individual bajo ambas condiciones.

Un ejemplo con interacción calculable

Supongamos que el veinte por ciento practicaría bajo cualquiera de las instrucciones, el cuarenta por ciento practicaría solo bajo la instrucción uno y el cuarenta por ciento restante no practicaría bajo ninguna. La probabilidad de práctica sería 0,20 bajo cero y 0,60 bajo uno. Para cada persona, definimos la puntuación mediante

El producto de instrucción y práctica representa interacción en la escala de puntos. Practicar agrega tres puntos cuando la instrucción vale cero y siete cuando vale uno. A su vez, el efecto directo controlado de la instrucción es dos puntos si la práctica se fija en cero y seis puntos si se fija en uno. No existe un único efecto controlado independiente del valor del mediador.

Como la ecuación del resultado es la misma para todas las personas, podemos calcular cada media anidada con la proporción que practicaría bajo la condición de referencia. La tabla contiene los cuatro promedios necesarios.

El efecto total es 16,2 menos 10,6: 5,6 puntos. Con la primera referencia, el efecto directo natural es 13,4 menos 10,6, igual a 2,8. El indirecto complementario es 16,2 menos 13,4, también 2,8. La instrucción cambia en cuarenta puntos porcentuales la práctica, y esta agrega siete puntos bajo instrucción uno; el producto es 2,8.

Con la segunda referencia, el efecto indirecto es 11,8 menos 10,6, igual a 1,2. El directo complementario es 16,2 menos 11,8, igual a 4,4. La suma sigue siendo 5,6. La diferencia entre las dos versiones indirectas, 1,6 puntos, proviene de combinar el cambio de práctica con la interacción: $0,40\times4$.

El mismo ejemplo explica por qué no basta con informar que «la mitad del efecto está mediada». El cociente entre 2,8 y 5,6 vale un medio, mientras el cociente entre 1,2 y 5,6 vale aproximadamente 0,214. Ambos pertenecen a descomposiciones definidas, pero no describen el mismo contraste. Para interpretar una proporción hay que conocer la escala y el nivel de referencia de los componentes.

Si ajustáramos un modelo del resultado sin el término de interacción, obligaríamos al efecto de practicar a ser el mismo en ambos brazos. El problema ya no sería únicamente causal: el modelo estadístico tampoco representaría la población construida. La conveniencia de un producto de coeficientes depende de las ecuaciones y de los supuestos que lo conectan con el efecto elegido. Una salida de software no define por sí misma la vía que se quiere estudiar.

De la definición a una fórmula observable

En un escenario sencillo, las covariables basales $C$ permiten controlar la confusión pertinente, no existe un confusor del mediador y el resultado afectado por la instrucción y se cumplen consistencia y positividad. Añadiendo las condiciones contrafactuales adecuadas, una media anidada puede identificarse mediante la fórmula de mediación:

Para variables continuas, las sumas se sustituyen por integrales. La expresión combina el comportamiento del resultado bajo una instrucción con la distribución del mediador bajo otra, manteniendo una distribución basal objetivo. A partir de cuatro medias de este tipo pueden construirse los contrastes anteriores. El cálculo exige estimar tanto la distribución del mediador como la respuesta del resultado.

Una condición suficiente utilizada en esta literatura es la ignorabilidad secuencial, formulada cuidadosamente para los resultados potenciales relevantes. Comprende la asignación del tratamiento y la relación entre mediador y resultado después de considerar tratamiento y covariables. La aleatorización de la instrucción ayuda con la primera parte; no garantiza la segunda. Una habilidad previa no medida puede aumentar simultáneamente la práctica y la puntuación.

Para efectos naturales intervienen además relaciones entre resultados de condiciones incompatibles, a veces denominadas supuestos entre mundos contrafactuales. Un modelo estructural con errores independientes y estructura apropiada puede implicarlas. No se observan directamente comprobando una correlación en la tabla de datos. La fórmula requiere una justificación del mecanismo que permite combinar sus piezas, no solo modelos capaces de predecir bien cada pieza por separado.

Estas son condiciones suficientes de un esquema común de identificación. No constituyen una lista universal de condiciones necesarias para cualquier análisis de mediación. Pearl (2014) desarrolla criterios que permiten identificar efectos naturales en otras estructuras. Que falle un conjunto de ajustes concreto obliga a reconsiderar el diseño y el modelo causal; no demuestra que todo estimando relacionado con mecanismos sea irrecuperable.

La positividad también tiene una tarea concreta. Para calcular el resultado bajo una instrucción y valores del mediador frecuentes bajo la otra, necesitamos observaciones que informen sobre esas combinaciones dentro de los contextos relevantes. Si nadie de cierto perfil practica bajo la instrucción cero, un modelo puede extrapolar su puntuación, pero los datos no ofrecen allí la misma información que en las combinaciones observadas. La estimación numérica puede ser estable y, aun así, depender casi enteramente de una extrapolación.

Una forma de hacer visible la condición adicional es considerar la independencia $Y(a,m)\perp M(a^*)\mid C$, junto con las condiciones que permiten identificar por separado la respuesta a intervenciones conjuntas y la distribución del mediador. Esa independencia permite promediar una respuesta potencial utilizando la distribución de otra respuesta potencial como si no quedara dependencia relevante dentro del estrato. Es una formulación suficiente para la operación planteada; no es una correlación que podamos calcular directamente entre dos columnas observadas.

El lenguaje de los gráficos puede ayudar a justificar o cuestionar esas relaciones mediante la estructura causal y sus errores, pero el dibujo requiere contenido sustantivo. Una flecha ausente entre una capacidad no medida y el resultado es una hipótesis sobre el proceso, no una consecuencia de no haber registrado esa capacidad. Dibujar el modelo antes de ajustar las regresiones permite distinguir las restricciones científicas de las decisiones computacionales que vienen después.

Reconstruir las cuatro medias con las mismas piezas

En la primera población didáctica podemos representar cien personas y un reparto exactamente equilibrado de tipos entre instrucciones. Bajo instrucción cero habría cuarenta personas sin práctica y diez con práctica; sus puntuaciones serían diez y trece. Bajo instrucción uno habría veinte sin práctica y treinta con práctica; sus puntuaciones serían doce y diecinueve. Es una representación exacta de la distribución construida, no una muestra real ni la garantía de que un sorteo finito equilibre así sus tipos latentes.

Las medias observadas por instrucción se obtienen usando las proporciones de su propio brazo. Para la condición cero, ocho décimos reciben diez puntos y dos décimos reciben trece: el promedio es 10,6. Para la condición uno, cuatro décimos reciben doce y seis décimos reciben diecinueve: el promedio es 16,2. Estas dos operaciones conservan tanto la instrucción como su distribución habitual de práctica.

Para reconstruir la media cruzada bajo instrucción uno y práctica de referencia cero, conservamos las puntuaciones doce y diecinueve, pero las ponderamos con ocho y dos décimos. El resultado es 13,4. Para la otra media cruzada, ponderamos las puntuaciones diez y trece con cuatro y seis décimos, obteniendo 11,8. Así se ve qué piezas de los datos aporta cada brazo y qué combinación añade el modelo de mediación.

Si hubiéramos utilizado únicamente el resultado medio de cada brazo, conoceríamos dos de las cuatro medias. Las otras dos necesitan la distribución del mediador y una relación entre las respuestas condicionales observadas y las respuestas a intervenir sobre él. La descomposición no consiste en partir arbitrariamente la diferencia total: intenta construir dos escenarios adicionales mediante una fórmula cuya legitimidad depende de los supuestos.

Con covariables basales, esa operación se realiza dentro de cada estrato y se promedia con la distribución objetivo. Utilizar en una media los pesos basales del grupo tratado y en otra los del grupo control puede añadir diferencias de composición. Mantener explícitos esos pesos permite saber si el contraste corresponde a la población del estudio, a una subpoblación o a una población externa. El estimando incluye esa elección, aunque el programa estadístico la resuelva por defecto.

Dos mecanismos que dejan los mismos datos

Construyamos una segunda situación, ahora con un mediador continuo. La instrucción se sortea independientemente de una variable $U$, de distribución normal con media cero y varianza uno. El mediador cumple $M=A+U$. La normalidad sirve para asegurar soporte común en toda la recta; la igualdad que examinaremos depende solo de las ecuaciones y no de una muestra particular.

En el primer mecanismo, el resultado es $Y=2A+3M$. En el segundo, es $Y=4A+M+2U$. Sustituyendo la ecuación del mediador, ambos generan exactamente $Y=5A+3U$. También generan el mismo mediador para cada combinación de instrucción y variable no observada. Por tanto, tienen la misma distribución conjunta de las variables observables, aunque sus ecuaciones causales del resultado sean diferentes.

En el primer mecanismo, aumentar la instrucción cambia el mediador en una unidad y esa unidad produce tres puntos: el efecto indirecto vale tres y el directo vale dos. En el segundo, la misma variación del mediador produce un punto y el efecto directo vale cuatro. Ambos efectos totales valen cinco. La aleatorización identifica ese total, pero la distribución observada de instrucción, mediador y resultado no distingue las dos descomposiciones.

El segundo mecanismo incluye una causa no observada del mediador y del resultado. Si regresamos el resultado sobre instrucción y mediador, podemos usar la identidad $U=M-A$ y volver a obtener $Y=2A+3M$. El coeficiente del mediador sería tres en ambos casos, pese a que su efecto de intervención es uno en el segundo. Un ajuste perfecto a los datos no resuelve la ambigüedad.

El contraejemplo muestra además por qué medir primero el mediador no basta. La variable no observada puede existir antes de la instrucción y afectar tanto la medida intermedia como la puntuación posterior. Respetar el orden temporal elimina algunas interpretaciones incompatibles, pero no elimina las causas comunes. Para separar estos mecanismos haría falta información o variación experimental que no está contenida en la distribución que construimos.

Un confusor que la propia intervención modifica

Supongamos ahora que la instrucción cambia una variable intermedia $L$, por ejemplo un estado de activación durante la tarea. Ese estado influye en la práctica y también en la puntuación por vías distintas de la práctica. La secuencia causal incluye un camino de la instrucción al estado, del estado al mediador y del estado directamente al resultado. La variable intermedia confunde la relación entre mediador y resultado y, a la vez, transporta parte del efecto de la instrucción.

Ajustar por ese estado como si fuera una covariable basal no conserva automáticamente la pregunta. Para un efecto directo respecto de la práctica, la vía que pasa por el estado y llega al resultado sin pasar por la práctica pertenece al componente directo. Mantener el estado fijo puede bloquearla. Por otra parte, omitirlo deja mezcladas diferencias de práctica con diferencias de estado que afectan el resultado.

Los efectos naturales requieren en este escenario combinaciones que involucran respuestas del estado bajo diferentes instrucciones. Observar el estado no revela cómo se combinan esas respuestas contrafactuales en cada persona. En el modelo no paramétrico habitual, con esa estructura y sin restricciones adicionales, los efectos naturales no están identificados en general. VanderWeele, Vansteelandt y Robins (2014) analizan el problema y desarrollan alternativas de descomposición.

La conclusión tiene un alcance definido. No dice que ninguna pregunta sobre la práctica pueda estudiarse, ni que los efectos naturales sean imposibles bajo toda restricción paramétrica imaginable. Dice que la observación de estas variables y las condiciones generales declaradas no bastan para identificar esos efectos. Un cambio de estimando puede ofrecer una pregunta identificable, siempre que se explique qué intervención nueva representa.

Reemplazar valores individuales por una distribución

Una alternativa consiste en asignar el mediador mediante un sorteo de valores tomado de una distribución poblacional de referencia. Definamos $G_{a^*}$ como un valor extraído de la distribución del mediador bajo la instrucción $a^*$, independientemente del estado intermedio de la persona. Es una intervención estocástica: cambia la regla que genera el mediador. No pretende asignar a cada persona el valor que ella misma habría tenido en otro mundo.

Sin covariables basales, y bajo las condiciones de intercambio y positividad apropiadas, la media de esa intervención puede escribirse

donde $g_{a^*}$ es la distribución marginal del mediador bajo la instrucción de referencia. La instrucción genera su estado intermedio habitual; después la práctica se sortea con independencia de ese estado. Si existen covariables basales relevantes, todas las distribuciones y comparaciones deben condicionarse y luego estandarizarse según el diseño.

Un contraste indirecto posible es $\psi(1,1)-\psi(1,0)$: conserva la instrucción en uno y cambia la distribución de la práctica. El contraste directo complementario es $\psi(1,0)-\psi(0,0)$. Juntos suman $\psi(1,1)-\psi(0,0)$. Esa identidad no garantiza que la suma coincida con el efecto total habitual de cambiar únicamente la instrucción.

La razón es que el sorteo puede alterar la relación entre estado y práctica incluso cuando usa la distribución marginal de práctica del mismo brazo. Mantener una distribución marginal no conserva necesariamente su dependencia con otras variables. Esta distinción aparece en las propuestas intervencionales examinadas por VanderWeele y colaboradores (2014) y por Moreno-Betancur y Carlin (2018); importa especificar cuál de las versiones se está utilizando.

Una diferencia pequeña que cambia la interpretación

Para calcularla, supongamos que la probabilidad de $L=1$ es 0,20 bajo instrucción cero y 0,60 bajo uno. La probabilidad de práctica es 0,10 cuando el estado vale cero y 0,70 cuando vale uno. Las decisiones se generan con variables aleatorias independientes y sin otras causas compartidas. La puntuación se define mediante $Y(a,l,m)=1+2a+l+3m+4lm$.

La proporción marginal de práctica es 0,22 bajo instrucción cero y 0,46 bajo uno. Bajo la evolución habitual de estado y práctica, las puntuaciones medias son 2,42 y 6,66. El efecto total de cambiar la instrucción es, por tanto, 4,24 puntos. En ese cálculo, quienes presentan el estado uno tienen una probabilidad de práctica superior a quienes presentan el estado cero.

Al sortear la práctica independientemente del estado, las medias cambian. La tabla presenta las combinaciones utilizadas para la descomposición estocástica.

El contraste indirecto estocástico vale 1,296; el directo complementario vale 2,752. La suma es 4,048, distinta de 4,24. Las cuentas no contienen una contradicción. Las dos comparaciones cambian reglas diferentes: una deja que estado y práctica conserven su asociación habitual; la otra rompe esa asociación mediante un sorteo independiente.

Puede localizarse la diferencia en el término de interacción entre estado y práctica. En la evolución habitual, el promedio del producto no es necesariamente el producto de los promedios. El sorteo sustituye el primero por el segundo dentro de cada brazo. En este ejemplo, la puntuación habitual excede la estocástica en 0,384 bajo instrucción cero y en 0,576 bajo uno. La diferencia entre ambos cambios, 0,192, explica la discrepancia entre los efectos totales comparados.

Existen propuestas que incorporan otros componentes o definen intervenciones diferentes para lograr una descomposición exacta del efecto total. Deben juzgarse por sus definiciones y supuestos. No conviene corregir la suma de nuestro ejemplo renombrando los componentes como naturales: el sorteo independiente sigue siendo una intervención distinta, cualquiera sea el nombre usado en la tabla.

Varias variables intermedias

En investigaciones reales puede haber más de un mediador: una instrucción cambia la confianza, la práctica y la elección de estrategia. Esas variables pueden influirse o compartir causas. Ajustar tres regresiones separadas y sumar sus componentes indirectos puede contar una misma vía más de una vez o ignorar una dependencia que modifica el resultado. Hace falta describir cómo se intervendría conjunta o secuencialmente sobre ellas.

Una distribución conjunta conserva relaciones que se pierden al sortear cada mediador por separado. Si el resultado depende de la combinación de dos mediadores, la dependencia entre ambos puede contribuir al efecto de la intervención aunque sus promedios cambien poco. Una propuesta de Vansteelandt y Daniel (2017) distingue cambios marginales y cambios en la dependencia, con una descomposición exacta bajo las condiciones de su marco.

Esa posibilidad no elimina toda exigencia causal. Permitir causas comunes no observadas entre mediadores no equivale a permitir sin restricciones confusión no medida entre el conjunto de mediadores y el resultado. Tampoco cualquier fórmula para varios mediadores resuelve automáticamente el problema de un confusor intermedio afectado por el tratamiento. Hay que conservar el conjunto de supuestos correspondiente a cada estimando.

El orden temporal ayuda a distinguir preguntas. Una medición de confianza antes de practicar puede ser antecedente de la práctica; otra posterior puede ser consecuencia del desempeño durante los ejercicios. Aunque ambas escalas tengan el mismo nombre, ocupan posiciones distintas. Tratar un proceso dinámico como tres columnas sin tiempos puede producir una descomposición estadística cuya interpretación causal no corresponde a ninguna secuencia observada.

Medición y diseño de un estudio de mecanismos

Una medición imperfecta del mediador no es un detalle neutro. Si la práctica se registra mediante recuerdo retrospectivo, la puntuación final puede influir en lo que la persona informa. El supuesto mediador incluiría entonces información del resultado. Registrar la práctica durante la tarea, antes de conocer la puntuación, evita esa forma concreta de contaminación, aunque todavía pueda haber errores o causas comunes.

También importa que el instrumento de medida conserve significado entre brazos. Si la instrucción enseña a reconocer y nombrar la estrategia, un aumento del autoinforme puede reflejar mayor capacidad de identificarla, además de mayor uso. Una comprobación de mediación sobre ese autoinforme combinaría ambos procesos. La definición del mecanismo exige decidir qué comportamiento se considera práctica y cómo se detecta de forma comparable.

Un diseño que manipule la práctica puede aportar información adicional, pero debe describir la manipulación. Añadir una sesión de ejercicios podría modificar atención, exposición al material y expectativas. Su efecto no equivale automáticamente al de fijar una casilla que indica práctica. Para aproximar una intervención sobre el mediador hay que controlar o medir las consecuencias relevantes de la operación que lo modifica.

Una segunda aleatorización puede identificar efectos de esas intervenciones adicionales bajo el diseño correspondiente. No permite observar simultáneamente los mediadores naturales de una persona bajo instrucciones incompatibles. Es necesario distinguir lo que el nuevo experimento identifica directamente de lo que sigue requiriendo una relación entre resultados potenciales. La ventaja del diseño consiste en agregar variación informativa sobre una pregunta definida, no en eliminar toda hipótesis.

En nuestro mecanismo construido, un diseño factorial que pudiera fijar válidamente instrucción y práctica estimaría las cuatro respuestas controladas: diez, trece, doce y diecinueve puntos. Permitiría comprobar que practicar tiene efectos diferentes según la instrucción y que el contraste controlado de la instrucción depende de la práctica. Un estudio adicional de cómo cada instrucción modifica espontáneamente la práctica aportaría sus dos distribuciones. La combinación de ambos estudios necesitaría que las respuestas y poblaciones relevantes fueran comparables; disponer de cuatro medias experimentales no asegura por sí solo esa transportabilidad.

El calendario de medición también puede diseñarse alrededor de la secuencia propuesta. Una medición basal permite distinguir diferencias previas de cambios posteriores; el registro de práctica antes de la prueba delimita el intervalo mediador; la puntuación final cierra el horizonte del resultado. Si la práctica y la puntuación se retroalimentan durante varias semanas, sería necesario representar esa secuencia repetida. Promediar todas las semanas en una sola medida puede ocultar qué cambios ocurrieron antes de cuáles y modificar la intervención que la variable agregada parece representar.

Tamaño de los componentes e incertidumbre

Los componentes directo e indirecto pueden tener signos opuestos. En una variante didáctica sin interacción, mantengamos el aumento de práctica de 0,20 a 0,60, fijemos su efecto en cinco puntos y el efecto directo de la instrucción en menos uno. El componente indirecto vale dos y el total vale uno. Su cociente sería dos, o doscientos por ciento. La aritmética es correcta, pero la lectura de una fracción de un todo resulta poco útil cuando las vías se contrarrestan.

Si el efecto directo valiera menos dos, el total sería cero y el componente indirecto seguiría valiendo dos. La proporción mediada quedaría indefinida. Un efecto total cercano a cero también puede producir cocientes muy inestables. Por eso la presentación de los efectos en la escala original, con su incertidumbre y signos, suele ser más informativa que una única proporción resumida.

Un intervalo obtenido por remuestreo puede describir la variabilidad muestral del estimador bajo los modelos y datos utilizados. No resuelve la falta de identificación del contraejemplo con dos mecanismos: ambos seguirían generando la misma distribución de muestras, cualquiera fuese su tamaño. La incertidumbre por confusión no medida exige una evaluación distinta, por ejemplo un análisis de sensibilidad que varíe las relaciones causales no observadas bajo supuestos explícitos.

La escala del resultado también cambia la descomposición. En un desenlace binario puede estudiarse una diferencia de riesgos o una razón de riesgos; las identidades que combinan efectos deben respetar la operación correspondiente. No se puede restar sin más un coeficiente logístico ajustado de uno no ajustado y llamar efecto indirecto al resultado. Esos coeficientes pueden representar comparaciones condicionales distintas, además de incorporar restricciones funcionales. La forma más transparente es definir primero las medias o riesgos contrafactuales y construir después el contraste elegido.

En la práctica, la precisión depende de varias estimaciones conectadas. Una proporción de práctica poco frecuente puede estar mal estimada; una respuesta del resultado en ese subgrupo puede ser todavía más imprecisa. Al combinar ambas, la incertidumbre no se reduce a la del efecto total del ensayo. Conviene examinar las celdas o regiones que sostienen cada escenario cruzado y conservar la dependencia entre estimaciones al calcular sus intervalos. Un total bien estimado puede coexistir con componentes muy inciertos.

Imai y colaboradores (2010) desarrollan análisis de sensibilidad que permiten examinar cuánto tendrían que desviarse ciertas condiciones para cambiar la conclusión. La utilidad depende de expresar los parámetros de sensibilidad en términos interpretables y de relacionar sus valores con el contexto. Un rango elegido por comodidad no mide automáticamente todas las formas de sesgo. Deben considerarse también errores de medición, selección y especificación de las respuestas.

Para la tarea inicial, un informe comprensible puede presentar el efecto total de 5,6 puntos, definir la descomposición usada y mostrar sus dos componentes de 2,8. Debe indicar que la práctica interactúa con la instrucción y que la alternativa de referencia produce 1,2 y 4,4. Si la pregunta práctica es qué ocurriría al aumentar la práctica mediante un procedimiento concreto, corresponde definir y evaluar ese procedimiento. La descomposición describe una vía bajo condiciones precisas; el efecto de la nueva intervención depende de cómo consigue cambiarla.

Referencias

Imai, K., Keele, L., y Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. https://doi.org/10.1037/a0020761

Moreno-Betancur, M., y Carlin, J. B. (2018). Understanding interventional effects: A more natural approach to mediation analysis? Epidemiology, 29(5), 614–617. https://doi.org/10.1097/EDE.0000000000000866

Pearl, J. (2014). Interpretation and identification of causal mediation. Psychological Methods, 19(4), 459–481. https://doi.org/10.1037/a0036434

Robins, J. M., y Greenland, S. (1992). Identifiability and exchangeability for direct and indirect effects. Epidemiology, 3(2), 143–155. https://doi.org/10.1097/00001648-199203000-00013

VanderWeele, T. J., Vansteelandt, S., y Robins, J. M. (2014). Effect decomposition in the presence of an exposure-induced mediator-outcome confounder. Epidemiology, 25(2), 300–306. https://doi.org/10.1097/EDE.0000000000000034

Vansteelandt, S., y Daniel, R. M. (2017). Interventional effects for mediation analysis with multiple mediators. Epidemiology, 28(2), 258–265. https://doi.org/10.1097/EDE.0000000000000596