Interakcja i moderacja w regresji – jak sprawdzić, czy związek zależy od trzeciej zmiennej?

Prosty model regresji może odpowiedzieć na pytanie:

Czy stres jest związany z jakością życia?

Bardziej interesujące pytanie brzmi jednak:

Czy siła tego związku jest taka sama u wszystkich osób?

Być może związek stresu z jakością życia jest silniejszy u osób bez wsparcia społecznego, a słabszy u osób z dużym wsparciem.

Taką sytuację możemy analizować jako interakcję lub moderację.

Czym jest moderator?

Moderator to zmienna, która zmienia siłę lub kierunek związku pomiędzy predyktorem i wynikiem.

Przykład:

X – stres,

Y – jakość życia,

M – wsparcie społeczne.

Pytanie:

Czy związek stresu z jakością życia zależy od poziomu wsparcia społecznego?

Składnik interakcyjny

W modelu umieszczamy:

• X,
• M,
• iloczyn X × M.

Schematycznie model ma postać:

Y = b0 + b1X + b2M + b3(X×M) + ε.

Kluczowy jest współczynnik przy składniku interakcyjnym.

Jeżeli b3 jest różny od zera w sposób istotny statystycznie i model jest właściwie określony, wskazuje to na zależność efektu X od poziomu M.

Przykład

Załóżmy:

b interakcji = 0,18; p = 0,004.

Wynik sugeruje, że związek pomiędzy X i Y zmienia się wraz z M.

Nie wystarczy jednak napisać:

„wystąpiła moderacja”.

Trzeba pokazać, w jaki sposób zmienia się związek.

Simple slopes

Jednym z podstawowych narzędzi interpretacji są simple slopes, czyli nachylenia prostej dla określonych wartości moderatora.

Przykładowo analizujemy związek stresu z jakością życia przy:

• niskim wsparciu,
• przeciętnym wsparciu,
• wysokim wsparciu.

Może się okazać, że:

przy niskim wsparciu: B = −0,70,

przy średnim: B = −0,45,

przy wysokim: B = −0,20.

Widzimy, że wyższe wsparcie osłabia ujemny związek stresu z jakością życia.

Moderator jakościowy

Moderator nie musi być ilościowy.

Może nim być np.:

• płeć,
• grupa terapeutyczna,
• rodzaj zawodu.

Przykład:

Czy związek stażu pracy z wypaleniem różni się pomiędzy pielęgniarkami i ratownikami medycznymi?

Wtedy interakcja może mieć postać:

staż × grupa zawodowa.

Interakcja w ANOVA

Interakcje występują również w analizie wariancji.

Jeżeli mamy dwa czynniki:

• rodzaj szkolenia,
• poziom doświadczenia,

możemy zbadać nie tylko dwa efekty główne, ale również:

szkolenie × doświadczenie.

Istotna interakcja oznacza, że efekt jednego czynnika zależy od poziomu drugiego.

Dlaczego efekt główny może być mylący?

Załóżmy, że metoda A jest lepsza u początkujących, a metoda B u ekspertów.

Jeżeli połączymy wszystkich uczestników, średni efekt obu metod może być podobny.

Brak ogólnej różnicy nie oznacza wtedy braku ważnego efektu.

Interakcja może ujawnić strukturę niewidoczną w prostym porównaniu.

Centrowanie zmiennych

W przypadku ciągłych predyktorów często stosuje się centrowanie względem średniej przed utworzeniem iloczynu interakcyjnego.

Przykład:

Xc = X − średnia X.

Może to ułatwić interpretację efektów głównych i zmniejszyć nieistotną współliniowość konstrukcyjną.

Centrowanie nie zmienia samej istotności interakcji w standardowym modelu z odpowiednimi składnikami, ale może poprawić interpretację współczynników.

Johnson–Neyman

Zamiast wybierać arbitralnie niski, średni i wysoki poziom moderatora, można zastosować procedurę Johnson–Neymana.

Pozwala ona określić zakres wartości moderatora, dla których związek X z Y jest statystycznie wykrywalny na przyjętym poziomie.

To często bardziej informacyjne rozwiązanie niż analizowanie wyłącznie ±1 SD.

Interakcja a korelacja

Sama korelacja X z Y nie pokaże, czy zależność różni się pomiędzy podgrupami.

Możemy uzyskać ogólnie:

r = −0,20

ale:

w grupie A r = −0,70,

w grupie B r = +0,25.

Dlatego w odpowiednim problemie badawczym warto bezpośrednio testować interakcję zamiast porównywać „na oko” oddzielne korelacje.

Moderacja nie oznacza przyczynowości

Jeżeli badanie ma charakter przekrojowy i obserwacyjny, wykrycie interakcji nie dowodzi mechanizmu przyczynowego.

Możemy stwierdzić, że wzorzec zależności jest różny w zależności od moderatora, ale zakres wnioskowania musi odpowiadać konstrukcji badania.

Wielkość próby

Efekty interakcyjne są często trudniejsze do wykrycia niż proste efekty główne.

Dlatego analiza moderacji może wymagać większej liczebności próby.

Warto uwzględnić planowany efekt interakcji już na etapie analizy mocy.

Jak opisać wynik?

Przykład:

„Stwierdzono istotną interakcję pomiędzy poziomem stresu a wsparciem społecznym w przewidywaniu jakości życia (B = 0,18; 95% CI: 0,06–0,30; p = 0,004). Analiza prostych nachyleń wskazała, że ujemny związek stresu z jakością życia był najsilniejszy przy niskim poziomie wsparcia.”

Najczęstsze błędy

Należą do nich:

• interpretowanie tylko efektów głównych przy istotnej interakcji,
• brak wykresu interakcji,
• porównywanie dwóch osobnych p zamiast formalnego testu interakcji,
• utożsamianie moderacji z przyczynowością,
• pomijanie składników głównych przy wprowadzaniu X×M,
• zbyt mała próba.

FAQ

Co to jest moderacja?
Sytuacja, w której związek pomiędzy X i Y zależy od wartości trzeciej zmiennej.

Co oznacza X×M?
Składnik interakcyjny pomiędzy predyktorem i moderatorem.

Czy moderator musi być ilościowy?
Nie. Może być również zmienną jakościową.

Co to są simple slopes?
Nachylenia związku X–Y obliczone dla określonych wartości moderatora.

Czy moderację można analizować w SPSS?
Tak, zarówno bezpośrednio w modelach regresji, jak i za pomocą odpowiednich rozszerzeń.

Potrzebujesz analizy moderacji?

Pomagamy przygotować modele z interakcjami, analizę simple slopes, wykresy moderacji oraz pełną interpretację wyników.

statystyka@statystyka.org.pl
tel. 692 809 254

Frazy kluczowe: moderacja, analiza moderacji, interakcja regresja, regresja liniowa, interaction effect, simple slopes, analiza statystyczna, SPSS, analiza regresji, statystyka do pracy mgr