411. ANOVA dwuczynnikowa – efekty główne i interakcje

W poprzednich lekcjach omawialiśmy podstawy analizy wariancji, założenia ANOVA oraz sposoby postępowania przy nierównych wariancjach i naruszeniu sferyczności. Teraz przechodzimy od porównywania średnich między poziomami jednego czynnika do sytuacji, w której wynik może zależeć jednocześnie od dwóch czynników. Taki model pozwala nie tylko ocenić osobny wpływ każdego czynnika, lecz także sprawdzić, czy działają one niezależnie, czy też jeden modyfikuje znaczenie drugiego.

ANOVA dwuczynnikowa jest szczególnie użyteczna w badaniach medycznych, psychologicznych, pielęgniarskich i społecznych. Możemy na przykład analizować wpływ rodzaju terapii i płci pacjentów na nasilenie objawów, wpływ metody szkolenia i poziomu doświadczenia na czas reakcji ratowników albo wpływ rodzaju programu profilaktycznego i miejsca zamieszkania na poziom aktywności fizycznej.

1. Czym jest ANOVA dwuczynnikowa?

ANOVA dwuczynnikowa, nazywana także two-way ANOVA lub analizą wariancji w układzie czynnikowym, służy do analizy jednej zmiennej zależnej ilościowej przy uwzględnieniu dwóch zmiennych niezależnych, zwanych czynnikami. Każdy czynnik ma co najmniej dwa poziomy.

Przykładowo:

• czynnikiem A może być rodzaj leczenia: lek A, lek B, placebo;
• czynnikiem B może być płeć: kobiety, mężczyźni;
• zmienną zależną może być zmiana wyniku depresji, ciśnienie skurczowe albo czas reakcji.

Jeżeli czynnik A ma trzy poziomy, a czynnik B dwa poziomy, otrzymujemy układ 3 × 2, czyli sześć kombinacji poziomów, nazywanych komórkami planu. W klasycznej wersji zakłada się, że obserwacje w poszczególnych komórkach są niezależne, a zmienna zależna ma w każdej komórce rozkład zbliżony do normalnego i podobną wariancję.

W odróżnieniu od sześciu osobnych testów ANOVA analizuje cały układ jednocześnie. Ogranicza to problem wielokrotnego testowania i pozwala bezpośrednio sprawdzić pytanie o współdziałanie czynników (Altman, 1991; Kirkwood i Sterne, 2003).

2. Trzy pytania, na które odpowiada model

ANOVA dwuczynnikowa dostarcza zwykle trzech głównych testów F:

1. testu efektu głównego czynnika A;
2. testu efektu głównego czynnika B;
3. testu interakcji A × B.

Efekt główny

Efekt główny opisuje różnice między poziomami jednego czynnika po uśrednieniu względem poziomów drugiego czynnika. Efekt główny czynnika A odpowiada zatem na pytanie: czy średnia zmiennej zależnej różni się między poziomami A, jeżeli zignorujemy lub uśrednimy wpływ czynnika B?

Jeżeli badamy terapię i płeć, efekt główny terapii porównuje średnie wyniki dla terapii po połączeniu danych kobiet i mężczyzn. Efekt główny płci porównuje średnie kobiet i mężczyzn po połączeniu wszystkich rodzajów terapii.

Warto podkreślić, że efekt główny nie zawsze jest wystarczający do interpretacji. Gdy występuje interakcja, uśrednianie może ukryć ważny wzorzec różnic. Terapia może być skuteczna u kobiet, ale nieskuteczna u mężczyzn. W takiej sytuacji ogólny efekt terapii może być mały albo nawet bliski zeru, mimo że w podgrupach obserwujemy duże różnice.

Interakcja

Interakcja oznacza, że efekt jednego czynnika zależy od poziomu drugiego czynnika. Innymi słowy, różnica między poziomami A nie jest taka sama na wszystkich poziomach B.

Przykład intuicyjny: nowa metoda szkolenia może skracać czas reakcji u początkujących ratowników, ale nie zmieniać wyniku u ratowników bardzo doświadczonych. Efekt szkolenia zależy wtedy od doświadczenia, a więc występuje interakcja metoda szkolenia × doświadczenie.

Interakcja nie musi oznaczać, że jeden czynnik jest „silniejszy” od drugiego. Chodzi o brak stałości różnicy lub efektu. Graficznie interakcję często przedstawia się jako nierównoległość linii na wykresie średnich. Linie krzyżujące się są wyraźnym, choć nie jedynym, przykładem interakcji.

3. Model matematyczny

Dla obserwacji należącej do poziomu i czynnika A i poziomu j czynnika B klasyczny model można zapisać następująco:

Yijk = μ + αi + βj + (αβ)ij + εijk

Oznaczenia mają następujące znaczenie:

• Yijk – wynik k-tej osoby w komórce określonej przez poziom i czynnika A i poziom j czynnika B;
• μ – średnia ogólna ze wszystkich obserwacji;
• αi – efekt poziomu i czynnika A;
• βj – efekt poziomu j czynnika B;
• (αβ)ij – efekt interakcji dla konkretnej kombinacji poziomów A i B;
• εijk – składnik losowy, czyli odchylenie pojedynczego wyniku od wartości przewidywanej przez model.

Model rozkłada zmienność wyników na część przypisaną czynnikowi A, część przypisaną czynnikowi B, część wynikającą z ich współdziałania oraz błąd losowy. Dla każdego z tych efektów obliczana jest statystyka F, czyli stosunek wariancji wyjaśnianej przez dany efekt do wariancji resztowej.

W przypadku zrównoważonego planu, w którym liczebności komórek są podobne, interpretacja efektów głównych jest stosunkowo przejrzysta. Przy nierównych liczebnościach znaczenie mogą mieć zastosowane sumy kwadratów, na przykład typu I, II lub III. Dlatego w raporcie należy podać metodę analizy i sposób kodowania czynników, a nie tylko wartości F i p.

4. Przykład medyczny: terapia i płeć

Załóżmy, że badacze porównują trzy sposoby leczenia łagodnych objawów depresji: lek A, lek B i placebo. Drugim czynnikiem jest płeć pacjenta. Zmienną zależną jest zmiana wyniku w skali depresji po ośmiu tygodniach; większa wartość oznacza większą poprawę.

Rodzaj leczenia	Kobiety – średnia poprawa	Mężczyźni – średnia poprawa
Placebo	4	5
Lek A	10	9
Lek B	11	6

W tym przykładzie lek A poprawia wynik podobnie u kobiet i mężczyzn. Lek B natomiast daje dużą poprawę u kobiet, lecz niewielką u mężczyzn. Możliwa jest więc interakcja rodzaju leczenia i płci.

Interpretacja trzech efektów mogłaby wyglądać następująco:

• efekt główny leczenia: średnie poprawy różnią się między placebo, lekiem A i lekiem B;
• efekt główny płci: po uśrednieniu rodzajów leczenia kobiety i mężczyźni mogą różnić się średnią poprawą;
• interakcja leczenie × płeć: różnica między lekami zależy od płci pacjenta.

Jeżeli interakcja jest istotna statystycznie, nie należy poprzestać na zdaniu „lek B działa lepiej niż placebo”. Trzeba sprawdzić, dla kogo i w jakim porównaniu obserwuje się tę różnicę. Wykonuje się wtedy analizy efektów prostych, na przykład porównuje leczenie osobno w grupie kobiet i osobno w grupie mężczyzn. Porównania te powinny być zaplanowane lub odpowiednio skorygowane pod względem wielokrotnego testowania.

5. Przykład z psychologii i nauk społecznych

Wyobraźmy sobie badanie wpływu dwóch czynników na wynik testu pamięci:

• czynnik A: rodzaj instrukcji – instrukcja standardowa albo strategia zapamiętywania;
• czynnik B: obciążenie poznawcze – niskie albo wysokie;
• zmienna zależna: liczba poprawnie odtworzonych słów.

Jeżeli strategia zapamiętywania pomaga przy niskim obciążeniu, ale nie pomaga przy wysokim obciążeniu, uzyskamy interakcję. Efekt strategii nie jest bowiem stały: zależy od warunków wykonywania zadania.

Możliwe są też inne wzorce:

• stała przewaga strategii w obu warunkach – efekt główny strategii bez interakcji;
• gorsze wyniki przy wysokim obciążeniu niezależnie od instrukcji – efekt główny obciążenia;
• odwrócenie kierunku różnic, na przykład strategia pomaga przy niskim obciążeniu, ale szkodzi przy wysokim – silna interakcja krzyżowa.

Ten przykład pokazuje, dlaczego samo porównanie średnich brzegowych może być mylące. Średnia przewaga strategii po połączeniu obu warunków może wyglądać umiarkowanie, mimo że w jednym warunku efekt jest duży, a w drugim nie występuje.

6. Jak interpretować tabelę ANOVA?

Typowa tabela zawiera źródło zmienności, sumę kwadratów, stopnie swobody, średni kwadrat, statystykę F oraz wartość p.

Źródło	df	F	p
Czynnik A	a − 1	FA	pA
Czynnik B	b − 1	FB	pB
A × B	(a − 1)(b − 1)	FAB	pAB
Błąd	N − ab	–	–

Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje, jak niezgodne z hipotezą zerową byłyby dane lub bardziej ekstremalne dane, gdyby model i założenia były prawdziwe. Wynik istotny statystycznie nie mówi sam przez się, czy efekt jest duży, ważny klinicznie ani czy ma znaczenie praktyczne.

Dlatego należy raportować także wielkość efektu, na przykład częściowe eta kwadrat ηp2, przedział ufności dla różnic lub inne miary odpowiednie dla konkretnego modelu. W badaniach medycznych trzeba dodatkowo odnieść wynik do minimalnej istotnej różnicy klinicznej.

7. Co zrobić, gdy wystąpi interakcja?

Interakcja zmienia kolejność interpretacji. Najpierw należy opisać jej kierunek i wielkość, następnie przedstawić średnie komórkowe lub wykres interakcji, a dopiero potem analizować efekty proste.

1. Sprawdź średnie i odchylenia standardowe w każdej komórce.
2. Utwórz wykres średnich z przedziałami ufności.
3. Oceń, które różnice są istotne i jaka jest ich wielkość.
4. Wykonaj zaplanowane porównania prostych efektów.
5. Zastosuj korektę dla wielokrotnego testowania, jeśli wykonujesz wiele porównań.
6. Opisz wynik bez nadmiernych twierdzeń przyczynowych, jeżeli badanie nie było randomizowanym eksperymentem.

Klasycznym błędem jest stwierdzenie: „w grupie kobiet wynik był istotny, a w grupie mężczyzn nie był, więc grupy różnią się między sobą”. Nie wynika to logicznie z dwóch osobnych wartości p. Aby wykazać różnicę między efektami, trzeba bezpośrednio przetestować interakcję albo odpowiednią różnicę różnic (Ottenbacher, 1991; Altman i Bland, 2003).

8. Założenia i ograniczenia

W klasycznej ANOVA dwuczynnikowej należy rozważyć:

• niezależność obserwacji – zależna między sobą obserwacje wymagają innego modelu, na przykład ANOVA z powtarzanymi pomiarami lub modelu mieszanego;
• normalność reszt – oceniamy przede wszystkim reszty modelu, a nie wyłącznie surowe wyniki;
• homogeniczność wariancji – wariancje w komórkach powinny być podobne, szczególnie gdy liczebności są nierówne;
• brak silnych obserwacji odstających – pojedyncze wartości mogą wpływać na średnie, wariancję i interakcję;
• odpowiedni plan badania – wszystkie kombinacje poziomów powinny być reprezentowane, a liczebności powinny zapewniać rozsądną moc analizy.

Przy nierównych wariancjach i nierównych liczebnościach klasyczna ANOVA może dawać zniekształcone wyniki. Można wtedy rozważyć odporne metody, transformację, model liniowy z odpowiednią strukturą wariancji albo model mieszany. Sama kontrola normalności testem formalnym nie zastępuje oceny wykresów, reszt i sensu merytorycznego.

Przykład praktyczny: program profilaktyczny i miejsce zamieszkania

W badaniu zdrowia publicznego oceniano zmianę liczby minut aktywności fizycznej tygodniowo po trzech miesiącach. Uczestników przydzielono do programu standardowego albo intensywnego. Drugim czynnikiem było miejsce zamieszkania: obszar miejski lub wiejski.

Średnie wyniki przedstawiały się następująco:

Program	Miasto	Wieś
Standardowy	+35 min	+30 min
Intensywny	+70 min	+45 min

Możliwy jest efekt główny programu: program intensywny zwiększa aktywność bardziej niż standardowy. Możliwy jest także efekt główny miejsca zamieszkania: uczestnicy miejscy uzyskują większą zmianę. Najważniejsza może jednak być interakcja. Różnica między programem intensywnym i standardowym wynosi około 35 minut w mieście, ale tylko około 15 minut na wsi. Oznacza to, że skuteczność programu intensywnego może zależeć od kontekstu zamieszkania.

Nie wolno jednak automatycznie stwierdzić, że miejsce zamieszkania powoduje różnicę w skuteczności, jeśli badanie było obserwacyjne i grupy nie zostały losowo przydzielone. Poprawne sformułowanie może brzmieć: „zaobserwowano interakcję między typem programu a miejscem zamieszkania”. Wniosek przyczynowy wymaga odpowiedniego projektu, kontroli czynników zakłócających i uzasadnienia modelu.

Najczęstsze błędy

• Interpretowanie tylko efektów głównych. Przy istotnej interakcji efekt główny może być mylący, ponieważ jest średnią po poziomach drugiego czynnika.
• Mylenie braku istotności z brakiem efektu. Nieistotny wynik może wynikać z małej mocy, dużego błędu pomiaru lub szerokiego przedziału ufności.
• Porównywanie dwóch wartości p. Różnica między „istotne” i „nieistotne” nie jest sama w sobie testem różnicy efektów.
• Wykonywanie wielu testów bez korekty. Analizy efektów prostych i porównania parami zwiększają ryzyko błędu I rodzaju.
• Brak prezentacji średnich komórkowych. Sama tabela ANOVA nie pokazuje kierunku interakcji.
• Traktowanie ANOVA jako dowodu przyczynowości. Przyczynowość zależy od projektu badania, a nie od nazwy testu.
• Raportowanie wyłącznie wartości p. Należy podać co najmniej statystykę F, stopnie swobody, wartość p, wielkość efektu i – gdy to możliwe – przedział ufności.

Jak raportować wynik?

Przykładowy zapis może wyglądać następująco:

Przeprowadzono dwuczynnikową analizę wariancji, w której rodzaj programu i miejsce zamieszkania przewidywały zmianę tygodniowej aktywności fizycznej. Zaobserwowano istotny efekt główny programu, F(1, 116) = 8,42, p = .004, η_p² = .07, oraz interakcję programu i miejsca zamieszkania, F(1, 116) = 4,96, p = .028, η_p² = .04. Analizy efektów prostych wskazały, że przewaga programu intensywnego była większa wśród uczestników miejskich niż wiejskich.

To tylko wzór stylu raportowania. W rzeczywistym badaniu należy dodać liczebności komórek, średnie, miary rozproszenia, sposób sprawdzania założeń, zastosowane korekty oraz informację, które analizy były zaplanowane, a które eksploracyjne. Takie podejście jest zgodne z zaleceniami APA JARS dotyczącymi przejrzystego raportowania metod, wyników, wielkości efektu i niepewności estymacji (American Psychological Association, 2024; Cooper, 2020).

Co warto zapamiętać?

• ANOVA dwuczynnikowa bada dwa czynniki oraz ich współdziałanie.
• Efekt główny opisuje średnią różnicę między poziomami jednego czynnika.
• Interakcja oznacza, że efekt jednego czynnika zależy od poziomu drugiego.
• Istotna interakcja wymaga analizy średnich komórkowych, wykresu i efektów prostych.
• Nie wolno wnioskować o różnicy efektów tylko dlatego, że jedna wartość p jest istotna, a druga nie.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
• Wynik należy interpretować razem z wielkością efektu, przedziałem ufności i znaczeniem praktycznym.
• Jeżeli pomiary są zależne albo plan jest bardziej złożony, klasyczna ANOVA dwuczynnikowa może być niewystarczająca.

W praktyce ANOVA dwuczynnikowa jest nie tylko rozszerzeniem ANOVA jednoczynnikowej. Jej najważniejszą wartością jest możliwość sprawdzenia, czy efekt programu, terapii lub ekspozycji jest taki sam w różnych warunkach i grupach. Właśnie pytanie o tę zależność często ma większe znaczenie naukowe i praktyczne niż sama informacja, że „średnie różnią się między grupami”.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować tę lekcję jako pomost między klasyczną analizą wariancji a modelami liniowymi. ANOVA dwuczynnikowa jest bowiem szczególnym przypadkiem modelu liniowego, a jej język – efekty główne, interakcje, kontrasty i reszty – pojawia się później także w regresji, ANCOVA i modelach mieszanych.

Źródła i dalsza lektura

1. Altman, Douglas G. (1991). Practical Statistics for Medical Research. 1st ed.. Chapman and Hall. Informacja wydawcy / źródło.
2. Kirkwood, Betty R.; Sterne, Jonathan A. C. (2003). Essential Medical Statistics. 2nd ed.. Blackwell Scientific Publications. Informacja wydawcy / źródło.
3. Ottenbacher, Kenneth J. (1991). Interpretation of interaction in factorial analysis of variance design. Statistics in Medicine, 10(10), 1565–1571. DOI: 10.1002/sim.4780101008.
4. Altman, Douglas G.; Bland, J. Martin (2003). Interaction revisited: the difference between two estimates. BMJ, 326(7382), 219. DOI: 10.1136/bmj.326.7382.219.
5. Andrade, Chittaranjan (2024). Understanding Factorial Designs, Main Effects, and Interaction Effects: Simply Explained with a Worked Example. Indian Journal of Psychological Medicine, 46(2), 175–177. DOI: 10.1177/02537176241237066.
6. Cooper, Harris (2020). Reporting Quantitative Research in Psychology: How to Meet APA Style Journal Article Reporting Standards. 2nd ed., revised. American Psychological Association. Informacja wydawcy / źródło.
7. American Psychological Association (2024). APA Style Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.