471. Interakcje w regresji – jak modelować moderację?
W poprzednich lekcjach kursu omawiano predyktory kategorialne, współliniowość, diagnostykę reszt i interpretację współczynników regresji. Kolejny krok polega na sprawdzeniu, czy związek między predyktorem a zmienną zależną jest taki sam dla wszystkich osób i we wszystkich warunkach. Czasami wpływ lub wartość predykcyjna jednej zmiennej zależy od poziomu innej zmiennej. Tę sytuację opisuje interakcja, a zmienną, która zmienia siłę lub kierunek analizowanego związku, nazywamy moderatorem. W tej lekcji wyjaśnimy, jak modelować moderację w regresji, jak interpretować składnik interakcyjny oraz jak unikać typowych błędów.
1. Czym jest moderacja?
Moderacja oznacza, że relacja między predyktorem X a wynikiem Y zależy od wartości trzeciej zmiennej W. Innymi słowy, moderator odpowiada na pytanie: „Kiedy, dla kogo albo w jakich warunkach związek X–Y jest silniejszy, słabszy lub ma inny kierunek?” (Frazier, Tix i Barron, 2004; Hayes, 2018).
Przykładowo, liczba godzin pracy może wiązać się z nasileniem wypalenia zawodowego, ale związek ten może być inny u osób o niskim i wysokim poziomie wsparcia społecznego. Wsparcie nie musi być mechanizmem, przez który praca powoduje wypalenie; może natomiast zmieniać siłę związku pracy z wypaleniem. W takim ujęciu wsparcie jest moderatorem.
Moderacja nie jest tym samym co mediacja. Mediator opisuje potencjalny mechanizm lub ogniwo pośredniczące, natomiast moderator określa warunki, w których związek jest różny. Rozróżnienie to ma znaczenie zarówno teoretyczne, jak i analityczne, ponieważ prowadzi do innych modeli i innych pytań badawczych.
2. Model regresji z interakcją
Najprostszy model moderacji dla ilościowej zmiennej zależnej można zapisać następująco:
Y = b0 + b1X + b2W + b3(X × W) + e
- Y – przewidywana zmienna zależna, na przykład wynik depresji, ciśnienie skurczowe albo czas powrotu do sprawności;
- X – główny predyktor, którego związek z Y jest przedmiotem zainteresowania;
- W – moderator;
- X × W – iloczyn predyktora i moderatora, czyli składnik interakcyjny;
- b0 – wyraz wolny, czyli przewidywana wartość Y, gdy X i W wynoszą zero;
- b1 – współczynnik X, interpretowany jako związek X z Y przy W równym zero;
- b2 – współczynnik W, interpretowany jako związek W z Y przy X równym zero;
- b3 – współczynnik interakcji; informuje, jak zmienia się nachylenie związku X–Y przy wzroście W o jedną jednostkę;
- e – składnik resztowy, czyli część Y niewyjaśniona przez model.
Najważniejszym parametrem moderacji jest b3. Jeżeli b3 jest różne od zera, nachylenie związku X z Y zmienia się wraz z poziomem W. Nie należy jednak interpretować samego znaku i wartości b3 bez odniesienia do skali zmiennych i zakresu obserwowanych danych.
Współczynnik interakcji może być dodatni albo ujemny. Dodatni b3 oznacza, że wraz ze wzrostem W związek X–Y staje się bardziej dodatni albo mniej ujemny. Ujemny b3 oznacza, że wraz ze wzrostem W związek X–Y staje się bardziej ujemny albo mniej dodatni.
3. Dlaczego trzeba uwzględnić efekty główne?
W standardowym modelu moderacji należy uwzględnić zarówno składnik interakcyjny, jak i oba efekty główne: X oraz W. Pominięcie efektów głównych może zmienić znaczenie składnika interakcyjnego i prowadzić do modelu trudnego do interpretacji. Interakcja nie zastępuje efektów głównych, lecz opisuje dodatkową zależność, której nie da się wyrazić przez zwykłe dodanie wpływu X i W.
Model bez interakcji zakłada, że wpływ X na Y jest taki sam niezależnie od W. Model z interakcją dopuszcza różne nachylenia. Graficznie można to przedstawić jako kilka linii regresji: osobną dla niskiego, przeciętnego i wysokiego poziomu moderatora. Jeżeli linie mają różne nachylenia, jest to wizualna wskazówka obecności moderacji.
W przypadku moderatora kategorialnego, na przykład płci, rodzaju leczenia albo grupy zawodowej, interakcja przyjmuje postać iloczynu predyktora ilościowego i zmiennej zakodowanej, na przykład 0–1. Wtedy b3 oznacza różnicę między nachyleniami w dwóch grupach.
4. Centrowanie zmiennych i tworzenie interakcji
Przed utworzeniem iloczynu często stosuje się centrowanie predyktorów ilościowych, czyli odejmowanie od każdej obserwacji średniej:
Xc = X − średnia(X)
Wc = W − średnia(W)
Interakcja = Xc × Wc
Po centrowaniu wartość zero oznacza poziom przeciętny, a nie dosłowne zero na skali. Dzięki temu b1 oznacza związek X z Y przy przeciętnym poziomie W, natomiast b2 oznacza związek W z Y przy przeciętnym poziomie X. Jest to zwykle bardziej sensowne merytorycznie.
Centrowanie nie jest lekarstwem na współliniowość i nie zmienia zasadniczo testu samej interakcji w prostym modelu. Może jednak poprawić interpretowalność efektów głównych i ograniczyć niepotrzebne problemy numeryczne. Dalal i Zickar (2012) zwracają uwagę, że popularne twierdzenie, jakoby centrowanie zawsze usuwało współliniowość, jest zbyt daleko idące.
Nie należy automatycznie standaryzować wszystkich zmiennych. Standaryzacja może być przydatna, gdy chcemy porównywać skale, ale utrudnia interpretację w jednostkach klinicznych. W badaniach medycznych często lepiej zachować jednostki oryginalne i jasno opisać centrowanie.
5. Jak interpretować interakcję?
5.1. Istotność składnika interakcyjnego
Najpierw ocenia się estymatę b3, jej błąd standardowy, przedział ufności i wartość p. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje jedynie, na ile dane byłyby zgodne z określonym modelem zerowym, przy założeniach zastosowanej procedury.
Istotna statystycznie interakcja wskazuje na dowód, że nachylenie X–Y zależy od W. Nie informuje jeszcze, dla jakich wartości moderatora związek jest istotny ani czy różnica ma znaczenie praktyczne. Dlatego sam test b3 powinien być uzupełniony analizą efektów warunkowych, przedziałami ufności i wykresem.
5.2. Efekty proste, czyli simple slopes
Efekt X przy określonej wartości W wynosi:
efekt X|W = b1 + b3W
Jeżeli moderator jest centrowany, można obliczyć efekt X przy W równym średniej, przy wartości o jedno odchylenie standardowe poniżej średniej oraz przy wartości o jedno odchylenie standardowe powyżej średniej. Wartości te są konwencją, a nie uniwersalnym prawem. W badaniach klinicznych lepiej wybrać wartości odpowiadające sensownym punktom klinicznym, na przykład 25., 50. i 75. percentylowi albo konkretnym progom ryzyka.
Przykładowo, jeżeli wyższy poziom stresu wiąże się z większym nasileniem bezsenności, ale interakcja ze wsparciem społecznym jest ujemna, można stwierdzić, że związek stresu z bezsennością jest silniejszy przy niskim wsparciu i słabszy przy wysokim wsparciu. Nie należy jednak pisać, że wsparcie „chroni” przed bezsennością, jeżeli badanie było przekrojowe i nie pozwala na wnioskowanie przyczynowe.
5.3. Technika Johnsona–Neymana
Technika Johnsona–Neymana pozwala określić zakres wartości moderatora, dla których efekt X na Y jest statystycznie różny od zera. Zamiast arbitralnego podziału moderatora na „niski” i „wysoki”, wskazuje ona punkt lub przedział, w którym zmienia się wniosek dotyczący efektu warunkowego (Johnson i Fay, 1950).
Jest to szczególnie użyteczne, gdy moderator jest ciągły i nie ma naturalnych kategorii. Wynik należy jednak interpretować wyłącznie w zakresie obserwowanych danych. Ekstrapolowanie poza zakres wartości, które rzeczywiście wystąpiły w próbie, może prowadzić do pozornie precyzyjnych, lecz niewiarygodnych wniosków.
6. Przykład medyczny: aktywność fizyczna i kontrola glikemii
Załóżmy, że w badaniu pacjentów z cukrzycą typu 2 analizuje się związek tygodniowej aktywności fizycznej (X) z wartością HbA1c po sześciu miesiącach (Y). Hipoteza zakłada, że związek ten zależy od przestrzegania zaleceń dietetycznych (W).
Model może mieć postać:
HbA1c = b0 + b1(aktywność) + b2(dieta) + b3(aktywność × dieta) + e
Jeżeli b3 jest ujemne, oznacza to, że przy większym przestrzeganiu diety związek aktywności fizycznej z HbA1c staje się bardziej ujemny. Można wtedy sprawdzić efekty proste: czy aktywność wiąże się z niższym HbA1c przy małym, przeciętnym i dużym przestrzeganiu diety.
W raporcie nie wystarczy napisać: „aktywność fizyczna obniża HbA1c u osób stosujących dietę”. Jeżeli badanie nie było randomizowane, ostrożniejszy wniosek brzmi: „związek większej aktywności fizycznej z niższą wartością HbA1c był silniejszy przy większym przestrzeganiu zaleceń dietetycznych”. Taki język oddziela wynik statystyczny od twierdzenia przyczynowego.
7. Przykład z psychologii i zdrowia publicznego
Rozważmy badanie studentów pielęgniarstwa, w którym wynik wypalenia zawodowego (Y) przewiduje się na podstawie liczby godzin pracy podczas studiów (X) oraz odporności psychicznej (W). Interakcja odpowiada na pytanie, czy związek pracy z wypaleniem jest różny u osób o różnej odporności psychicznej.
Jeżeli b3 jest ujemne, można oczekiwać, że wzrost liczby godzin pracy wiąże się z większym wypaleniem przede wszystkim przy niższej odporności. Przy wysokiej odporności nachylenie może być słabsze, ale niekoniecznie zerowe. To ważne: brak istotności prostego nachylenia w jednej grupie nie dowodzi automatycznie, że grupy różnią się między sobą. Do bezpośredniego testowania różnicy służy składnik interakcyjny.
Warto również rozważyć, czy odporność psychiczna została zmierzona rzetelnie i czy zakres jej wartości jest wystarczający. Błąd pomiaru predyktorów osłabia zdolność wykrywania interakcji. Interakcje są często trudniejsze do wykrycia niż efekty główne, dlatego planowanie liczebności próby i realistyczna ocena mocy statystycznej są szczególnie ważne (McClelland i Judd, 1993).
8. Jak przeprowadzić analizę krok po kroku?
- Zdefiniuj hipotezę moderacji przed analizą: wskaż predyktor, wynik i moderator.
- Sprawdź typ zmiennej zależnej. Dla wyniku ciągłego można użyć regresji liniowej; dla wyniku binarnego, zliczeń lub czasu do zdarzenia potrzebny będzie odpowiedni model uogólniony.
- Obejrzyj rozkłady, zakresy i wykresy X, W oraz Y. Upewnij się, że istnieje wystarczające nakładanie się obserwacji.
- Zakoduj zmienne kategorialne zgodnie z przyjętą kategorią referencyjną.
- Wycentruj zmienne ilościowe, jeśli ułatwia to interpretację, a następnie utwórz iloczyn X × W.
- Oszacuj model zawierający efekty główne i interakcję.
- Raportuj b3, jego przedział ufności, błąd standardowy, wartość p oraz miarę dopasowania modelu.
- Oblicz efekty warunkowe lub zastosuj analizę Johnsona–Neymana.
- Przedstaw wykres przewidywanych wartości z przedziałami ufności.
- Omów znaczenie praktyczne i ograniczenia, nie ograniczając się do etykiety „istotna” albo „nieistotna”.
Zgodnie z dobrymi standardami raportowania należy jasno opisać sposób kodowania, centrowania, dobór wartości moderatora, metodę estymacji oraz to, czy analiza była zaplanowana wcześniej. APA JARS wskazuje na potrzebę przejrzystego przedstawiania modelu, estymat i niepewności wyników (American Psychological Association, 2018).
9. Najczęstsze błędy
- Dzielenie zmiennej ciągłej na dwie grupy. Mediana nie jest naturalnym punktem granicznym, a dichotomizacja traci informację i może zniekształcać zależności.
- Interpretowanie efektu głównego bez uwzględnienia moderatora. Przy interakcji b1 odnosi się do określonej wartości W, zwykle do zera lub średniej po centrowaniu.
- Usuwanie efektów głównych po dodaniu interakcji. Taki krok utrudnia interpretację i często narusza sens modelu hierarchicznego.
- Wnioskowanie przyczynowe z badania obserwacyjnego. Moderacja opisuje wzorzec zależności; sama w sobie nie dowodzi, że moderator zmienia efekt przyczynowy.
- Oparcie wniosku tylko na wartości p. Należy podać kierunek, wielkość efektu, przedział ufności, zakres danych i znaczenie praktyczne.
- Wykonywanie wielu interakcji bez planu. Duża liczba testów zwiększa ryzyko wyników przypadkowych. Liczbę modeli i hipotez warto ustalić przed analizą.
- Brak wykresu. Interakcja jest relacją warunkową, dlatego tabela współczynników często nie wystarcza do jej zrozumienia.
- Ignorowanie błędu pomiaru i małej liczebności próby. Interakcje wymagają zwykle większej precyzji niż efekty główne.
10. Przykład praktyczny: sposób raportowania
Przykładowy zapis może wyglądać następująco: „W modelu regresji liniowej uwzględniono liczbę godzin pracy, odporność psychiczną oraz ich interakcję. Po wycentrowaniu predyktorów interakcja była ujemna, b = −0,18, 95% CI [−0,31; −0,05], p = 0,007. Oznacza to, że związek godzin pracy z wypaleniem był słabszy przy wyższym poziomie odporności psychicznej. Analiza efektów prostych wskazała silniejszy dodatni związek pracy z wypaleniem przy niskiej odporności oraz słabszy związek przy wysokiej odporności. Wynik ten opisuje moderację zależności w badanej próbie; ze względu na przekrojowy charakter badania nie stanowi dowodu efektu przyczynowego”.
Taki opis zawiera model, kierunek efektu, estymatę, przedział ufności, wartość p, interpretację efektów warunkowych oraz ograniczenie dotyczące przyczynowości. W praktyce warto dodać wykres linii regresji i podać, jakie wartości oznaczały „niski” oraz „wysoki” poziom moderatora.
11. Co warto zapamiętać?
- Moderacja oznacza, że związek między X i Y zależy od poziomu W.
- Statystycznym odpowiednikiem moderacji jest składnik interakcyjny X × W.
- Model powinien zwykle zawierać oba efekty główne oraz interakcję.
- Centrowanie ułatwia interpretację, ale nie jest uniwersalnym sposobem usuwania współliniowości.
- Po wykryciu interakcji trzeba zbadać efekty warunkowe, a nie poprzestawać na wartości p dla b3.
- Technika Johnsona–Neymana pomaga wskazać zakres moderatora, dla którego efekt predyktora różni się od zera.
- Interakcja istotna statystycznie nie musi być ważna praktycznie.
- W badaniach obserwacyjnych należy mówić o zależnościach i moderacji, a nie automatycznie o zmianie efektu przyczynowego.
W ramach publicznego szkolenia na statystyka.edu.pl temat interakcji warto traktować jako pomost między klasyczną regresją wieloraką a bardziej zaawansowanym modelowaniem warunkowych zależności. Najważniejsza zasada pozostaje jednak prosta: najpierw sformułuj sensowną hipotezę o tym, kiedy lub dla kogo związek może być inny, a dopiero potem dobierz model i sposób prezentacji wyników.
Źródła i dalsza lektura
- Leona S. Aiken, Stephen G. West, Raymond R. Reno (1991). Multiple Regression: Testing and Interpreting Interactions. SAGE Publications.
- Andrew F. Hayes (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. 2nd edition. The Guilford Press.
- Gary H. McClelland, Charles M. Judd (1993). Statistical Difficulties of Detecting Interactions and Moderator Effects. Psychological Bulletin, 114(2), 376–390. DOI: 10.1037/0033-2909.114.2.376.
- Patricia A. Frazier, Andrew P. Tix, Kenneth E. Barron (2004). Testing Moderator and Mediator Effects in Counseling Psychology Research. Journal of Counseling Psychology, 51(1), 115–134. DOI: 10.1037/0022-0167.51.1.115.
- Dev K. Dalal, Michael J. Zickar (2012). Some Common Myths About Centering Predictor Variables in Moderated Multiple Regression and Polynomial Regression. Organizational Research Methods, 15(3), 339–362. DOI: 10.1177/1094428111430540.
- P. O. Johnson, L. C. Fay (1950). The Johnson-Neyman Technique, Its Theory and Application. Psychometrika, 15(4), 349–367. DOI: 10.1007/BF02288864.
- American Psychological Association (2018). Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.
Więcej kolejnych lekcji publicznego szkolenia znajdziesz na statystyk.edu.pl.