088. Moderator – kiedy efekt zależy od innej zmiennej?

Lekcja 088 z 560

W poprzednich lekcjach porządkowaliśmy role zmiennych, w tym różnicę między zmienną zakłócającą a zmienną, którą warto uwzględnić w modelu z powodów merytorycznych. Teraz przechodzimy do sytuacji, w której zależność między predyktorem a wynikiem nie jest jednakowa dla wszystkich osób, pacjentów lub jednostek badania. Być może dana interwencja działa silniej u osób młodszych niż starszych, stres wiąże się z objawami depresji szczególnie wyraźnie przy niskim poziomie wsparcia społecznego, a wpływ dawki leku zależy od wydolności nerek. W takich przypadkach pytamy nie tylko: czy X wiąże się z Y?, lecz także: kiedy, dla kogo i w jakich warunkach ten związek jest silniejszy, słabszy albo zmienia kierunek?

1. Czym jest moderator?

Moderator to zmienna, od której zależy siła lub kierunek związku między zmienną objaśniającą X a zmienną wynikową Y. W języku epidemiologii i badań klinicznych mówi się także o modyfikacji efektu albo effect modification. Moderator oznacza więc warunkowość efektu: relacja X–Y może wyglądać inaczej przy różnych wartościach zmiennej W.

Przykładowo:

• program edukacyjny może poprawiać przestrzeganie zaleceń bardziej u pacjentów z wysoką motywacją niż u pacjentów z niską motywacją;
• związek między obciążeniem pracą a wypaleniem zawodowym może być słabszy przy wysokim wsparciu zespołu pielęgniarskiego;
• wpływ intensywności rehabilitacji na sprawność może zależeć od wieku lub wyjściowego poziomu sprawności.

Ważne jest, aby nie mylić moderatora z każdą zmienną, która przewiduje wynik. Jeżeli wiek wiąże się z długością hospitalizacji, ale nie zmienia związku między leczeniem a długością hospitalizacji, jest raczej predyktorem wyniku, a nie moderatorem efektu leczenia. O moderatorze mówimy wtedy, gdy istotna jest zależność między zmienną X a zmienną W w odniesieniu do Y, czyli ich interakcja (Kraemer, Stice, Kazdin, Offord i Kupfer, 2001; Kraemer, Wilson, Fairburn i Agras, 2002).

2. Moderacja a interakcja

W analizie statystycznej moderację najczęściej reprezentuje składnik interakcyjny. Dla ciągłych zmiennych X i W oraz ciągłej zmiennej wynikowej Y podstawowy model regresji liniowej ma postać:

Y = b0 + b1X + b2W + b3(X × W) + e

Oznaczenia:

• Y – zmienna wynikowa, na przykład wynik skali depresji albo liczba dni hospitalizacji;
• X – główny predyktor, na przykład intensywność interwencji lub poziom stresu;
• W – potencjalny moderator, na przykład wiek, wsparcie społeczne albo wyjściowe nasilenie objawów;
• X × W – iloczyn X i W, czyli zmienna interakcyjna;
• b₀ – wyraz wolny;
• b₁ i b₂ – współczynniki efektów głównych;
• b₃ – współczynnik interakcji, który informuje, czy nachylenie związku X–Y zmienia się wraz z W;
• e – składnik losowy, obejmujący część zmienności Y niewyjaśnioną przez model.

Jeśli b₃ jest różne od zera, wpływ X na oczekiwaną wartość Y zależy od poziomu W. Nie oznacza to automatycznie, że każde porównanie grup jest ważne klinicznie ani że związek ma charakter przyczynowy. Oznacza jedynie, że dane wspierają zróżnicowanie relacji w zależności od moderatora, w granicach przyjętego modelu i jakości projektu badania.

3. Jak interpretować współczynnik interakcji?

W modelu z interakcją współczynnik b₁ nie jest już po prostu „ogólnym efektem X” dla całej próby. Jest efektem X przy wartości W równej zero. Jeżeli W nie ma naturalnego zera, taka interpretacja może być mało użyteczna. Dlatego często stosuje się centrowanie zmiennej W, czyli odejmuje się od każdej obserwacji średnią W:

Wc = W − średnia(W)

Po takim przekształceniu b₁ opisuje efekt X dla osoby o przeciętnym poziomie W. Centrowanie nie zmienia dopasowania modelu ani samego testu interakcji, ale może ułatwić interpretację efektów głównych. Nie należy jednak przedstawiać centrowania jako sposobu na „usunięcie” współliniowości w sensie ogólnym ani jako warunku koniecznego do przeprowadzenia analizy.

Najbardziej użytecznym krokiem po wykryciu interakcji jest analiza efektów prostych, nazywanych także prostymi nachyleniami. Polega ona na sprawdzeniu, jaki jest efekt X na Y przy określonych wartościach W. Dla ustalonego poziomu W = w efekt X wynosi:

efekt X przy W = w: b1 + b3w

W przypadku moderatora ciągłego można przedstawić efekty dla wartości mniejszej od średniej, równej średniej i większej od średniej, na przykład dla średniej oraz ±1 odchylenia standardowego. Jeszcze lepiej, gdy punkty te mają znaczenie kliniczne lub praktyczne, na przykład wynik odpowiadający niskiemu, typowemu i wysokiemu ryzyku. Nie należy jednak dzielić zmiennej ciągłej na grupy wyłącznie dlatego, że ułatwia to prezentację. Kategoryzacja prowadzi do utraty informacji i może zmniejszyć moc testu.

4. Przykład z psychologii zdrowia

Stres, wsparcie społeczne i objawy depresji

Załóżmy, że badacz analizuje zależność między przewlekłym stresem zawodowym X a nasileniem objawów depresji Y. Hipoteza brzmi: wsparcie społeczne W osłabia związek między stresem a objawami depresji.

W modelu z interakcją otrzymano dodatni współczynnik dla stresu, ujemny współczynnik dla wsparcia oraz ujemny współczynnik interakcji stres × wsparcie. Taki wzorzec sugeruje, że wraz ze wzrostem wsparcia społecznego dodatni związek między stresem a objawami depresji staje się słabszy. Nie wolno jednak od razu napisać, że wsparcie społeczne „chroni” przed depresją, jeżeli badanie było przekrojowe. Można bezpieczniej stwierdzić, że w badanej próbie zależność między stresem a objawami depresji była słabsza przy wyższych wartościach wsparcia społecznego.

Następnie badacz powinien obliczyć efekt stresu przy kilku poziomach wsparcia i przedstawić wykres przewidywanych wartości Y. Wykres może pokazać trzy linie regresji: dla niskiego, przeciętnego i wysokiego wsparcia. Jeżeli linie mają różne nachylenia, obraz staje się zrozumiały także dla odbiorcy, który nie interpretuje bezpośrednio współczynników regresji.

5. Przykład medyczny: czy wiek moderuje efekt rehabilitacji?

Wyobraźmy sobie randomizowane badanie, w którym porównuje się standardową opiekę z intensywnym programem rehabilitacji po udarze. Zmienna X oznacza przydział do programu, Y – wynik funkcjonalny po 12 tygodniach, a W – wiek pacjenta w chwili włączenia do badania.

Hipoteza moderatora może brzmieć: efekt intensywnej rehabilitacji zależy od wieku. W takim przypadku należy uwzględnić w modelu zarówno przydział do leczenia, wiek, jak i iloczyn przydziału oraz wieku. Najważniejszy nie jest test tego, czy program był istotny statystycznie u osób młodszych, i osobny test tego, czy był istotny u osób starszych. Najważniejszy jest formalny test, czy efekty w tych grupach różnią się od siebie, czyli test interakcji leczenie × wiek.

To rozróżnienie jest kluczowe. Fakt, że wynik jest istotny statystycznie w jednej podgrupie, a nieistotny w drugiej, nie dowodzi jeszcze różnicy między podgrupami. „Istotny tutaj, nieistotny tam” nie jest poprawnym testem interakcji. Różnica między efektami powinna być analizowana bezpośrednio przez składnik interakcyjny, najlepiej z przedziałem ufności dla różnicy efektów (Senn, 2004; Wang, Lagakos, Ware, Hunter i Drazen, 2007).

W badaniu klinicznym trzeba również odróżnić moderator od cechy prognostycznej. Jeżeli starsi pacjenci mają przeciętnie gorszy wynik niezależnie od przydziału, wiek jest prognostycznym predyktorem wyniku. Staje się moderatorem dopiero wtedy, gdy różnicuje wielkość efektu programu względem kontroli.

6. Moderator kategoryczny i ciągły

Moderator może być jakościowy albo ilościowy.

• Moderator kategoryczny ma poziomy, na przykład płeć, typ oddziału, obecność lub brak choroby współistniejącej. W modelu interakcja może być kodowana za pomocą zmiennej zero-jedynkowej.
• Moderator ciągły przyjmuje wiele wartości, na przykład wiek, wynik lęku, poziom biomarkera lub liczbę godzin snu. W tym przypadku nie trzeba tworzyć sztucznych grup, lecz można ocenić, jak efekt X zmienia się wzdłuż zakresu W.

Jeżeli moderator ma więcej niż dwie kategorie, należy zastosować odpowiednie kodowanie kontrastów i pamiętać, że interakcja może obejmować kilka parametrów. Interpretacja wymaga wtedy wskazania kategorii odniesienia oraz opisania kontrastów. Sam globalny test nie zawsze mówi, które konkretne poziomy różnią się od siebie.

7. Moderacja a mediacja i confounding

Moderacja odpowiada na pytanie: kiedy lub dla kogo efekt X na Y jest silniejszy?

Mediacja odpowiada na pytanie: przez jaki mechanizm X wiąże się z Y? Jeżeli program aktywności fizycznej wiąże się z poprawą samopoczucia poprzez zmniejszenie bezsenności, bezsenność może być rozważana jako mediator, o ile projekt i pomiar czasu pozwalają na takie rozumowanie. Moderatorem byłaby natomiast cecha, od której zależy skuteczność programu, na przykład wyjściowy poziom motywacji.

Confounding oznacza sytuację, w której wspólna przyczyna lub inny czynnik zakłóca ocenę związku X–Y. Confounder jest problemem interpretacyjnym, który chcemy kontrolować lub ograniczyć przez projekt badania i analizę. Moderator opisuje natomiast rzeczywiste zróżnicowanie efektu, którego nie należy automatycznie „usuwać” jako błędu. W praktyce ta sama zmienna może być rozważana w różnych rolach zależnie od pytania badawczego, czasu pomiaru i założeń przyczynowych (Fairchild i MacKinnon, 2009).

8. Jak zaplanować analizę moderatora?

1. Zacznij od teorii lub uzasadnienia klinicznego. Wybór moderatora nie powinien wynikać wyłącznie z przeglądania wielu zmiennych po zakończeniu badania.
2. Sformułuj hipotezę kierunkową, jeśli jest uzasadniona. Na przykład: „wsparcie społeczne osłabia dodatni związek stresu z objawami depresji”.
3. Zaplanuj model. Uwzględnij X, W i X × W. Dodatkowe współzmienne powinny mieć uzasadnienie metodologiczne, a nie być wybierane wyłącznie na podstawie wartości p.
4. Oceń jakość pomiaru i zakres zmienności. Interakcje bywają trudniejsze do wykrycia, zwłaszcza gdy moderator ma małą zmienność lub jest mierzony z dużym błędem.
5. Zadbaj o moc badania. Badanie zaprojektowane do wykrywania głównego efektu może być niewystarczające do wykrycia interakcji. Wymagana liczebność zależy między innymi od oczekiwanej wielkości interakcji, rozkładu moderatora i korelacji między zmiennymi.
6. Po teście interakcji zbadaj efekty proste. Sam fakt, że interakcja jest istotna, nie wyjaśnia jej kształtu.
7. Raportuj wielkość efektu i przedział ufności. Wartość p nie mówi, czy obserwowany efekt jest ważny praktycznie ani czy jest prawdopodobieństwem prawdziwości hipotezy zerowej.

W badaniach randomizowanych moderator powinien być najlepiej określony i zmierzony przed randomizacją, a analiza powinna obejmować formalny test interakcji. Wnioski potwierdzające hipotezę moderatora są bardziej wiarygodne, gdy analiza była zaplanowana wcześniej i wynikała z teorii lub wcześniejszych danych (Kraemer et al., 2002; Wang et al., 2007).

9. Najczęstsze błędy

• „Istotny w jednej grupie, nieistotny w drugiej” jako dowód interakcji. Potrzebny jest bezpośredni test różnicy efektów.
• Interpretowanie efektu głównego bez uwzględnienia interakcji. Po dodaniu X × W efekt główny X dotyczy określonej wartości W, a niekoniecznie całej próby.
• Dychotomizacja moderatora ciągłego bez uzasadnienia. Podział na „młodszych” i „starszych” może uprościć wykres, ale często obniża precyzję analizy.
• Wybieranie moderatora po obejrzeniu danych bez oznaczenia analizy eksploracyjnej. Takie wyniki mogą być użyteczne, ale powinny być przedstawione jako hipotezotwórcze.
• Traktowanie nieistotnej interakcji jako dowodu braku moderacji. Brak istotności może wynikać z małej mocy, ograniczonego zakresu W, błędu pomiaru albo zbyt małego efektu.
• Mylenie moderacji z mediacją. Moderator opisuje warunki występowania efektu, mediator – potencjalny proces pośredniczący.
• Nadmierna interpretacja przyczynowa. W badaniu przekrojowym interakcja opisuje warunkową zależność, a nie dowód, że W przyczynowo zmienia wpływ X na Y.
• Pomijanie znaczenia praktycznego. Nawet wyraźna statystycznie interakcja może oznaczać różnicę zbyt małą, aby uzasadniała odmienną decyzję kliniczną.

10. Przykład praktyczny: interpretacja modelu

W badaniu pielęgniarek oceniono zależność między liczbą godzin pracy w tygodniu X a wynikiem wypalenia zawodowego Y. Potencjalnym moderatorem było wsparcie przełożonego W. Po wycentrowaniu W model wykazał dodatni efekt godzin pracy oraz ujemny współczynnik interakcji godziny pracy × wsparcie.

Poprawna interpretacja może brzmieć: związek między liczbą godzin pracy a wypaleniem zawodowym był dodatni, lecz słabszy przy wyższym poziomie wsparcia przełożonego. Analiza efektów prostych wskazała, że nachylenie związku było największe przy niskim wsparciu, a najmniejsze przy wysokim wsparciu.

Nie należy natomiast pisać: wsparcie przełożonego zapobiega wypaleniu, jeśli badanie nie miało odpowiedniego projektu podłużnego lub eksperymentalnego. Nie należy też twierdzić, że interwencja powinna być kierowana wyłącznie do osób z niskim wsparciem, dopóki różnica jest wystarczająco duża, powtarzalna i praktycznie znacząca.

W raporcie warto podać: współczynniki modelu, błędy standardowe lub przedziały ufności, test interakcji, sposób kodowania i centrowania zmiennych, wartości moderatora użyte do analizy efektów prostych oraz wykres przewidywanych wartości. Taki sposób prezentacji jest zgodny z dobrą praktyką analizy interakcji opisanej w literaturze metodologicznej (Aiken, West i Reno, 1991; Hayes, 2022).

11. Co warto zapamiętać?

• Moderator odpowiada na pytanie, kiedy, dla kogo lub w jakich warunkach efekt X na Y jest inny.
• Najczęstszym testem moderacji jest składnik interakcyjny X × W.
• W modelu z interakcją efekt główny X należy interpretować przy określonej wartości moderatora, często przy jego średniej po centrowaniu.
• Po wykryciu interakcji trzeba zbadać efekty proste i pokazać przewidywane wartości albo nachylenia.
• Nieistotny efekt w jednej grupie i istotny w drugiej nie dowodzą jeszcze różnicy między grupami.
• Moderator nie jest tym samym co mediator ani confounder.
• Wartość p nie zastępuje oceny wielkości efektu, przedziału ufności, jakości pomiaru i znaczenia praktycznego.
• Wnioski przyczynowe wymagają odpowiedniego projektu badania; sama interakcja w regresji nie ustanawia przyczynowości.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować analizę moderatora jako etap przejścia od prostego pytania o „średni efekt” do bardziej realistycznego pytania o zróżnicowanie efektów. Dobra analiza nie kończy się na stwierdzeniu, że interakcja jest istotna. Jej celem jest wyjaśnienie, jak zmienia się zależność, w jakim zakresie danych można to uzasadnić oraz czy różnica ma znaczenie dla teorii, praktyki klinicznej, organizacji opieki lub polityki zdrowotnej.

\n

Źródła i dalsza lektura

\n

1. Leona S. Aiken, Stephen G. West, Raymond R. Reno (1991). Multiple Regression: Testing and Interpreting Interactions. SAGE Publications.
2. Andrew F. Hayes (2022). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. 3rd edition. The Guilford Press.
3. Helena Chmura Kraemer, Eric Stice, Alan Kazdin, David Offord, David Kupfer (2001). How Do Risk Factors Work Together? Mediators, Moderators, and Independent, Overlapping, and Proxy Risk Factors. The American Journal of Psychiatry, 158(6), 848-856. DOI: 10.1176/appi.ajp.158.6.848.
4. Helena Chmura Kraemer, G. Terence Wilson, Christopher G. Fairburn, W. Stewart Agras (2002). Mediators and Moderators of Treatment Effects in Randomized Clinical Trials: Conceptual and Methodological Issues. Archives of General Psychiatry, 59(10), 877-883. DOI: 10.1001/archpsyc.59.10.877.
5. Amanda J. Fairchild, David P. MacKinnon (2009). A General Model for Testing Mediation and Moderation Effects. Prevention Science, 10(2), 87-99. DOI: 10.1007/s11121-008-0109-6.
6. Gordon H. Guyatt, Sally E. Oxman, Gunn E. Vist, Regina Kunz, Yanzhong Falck-Ytter, Pablo Alonso-Coello, Holger J. Schünemann (2008). GRADE: What Is 'Quality of Evidence' and Why Is It Important to Clinicians?. BMJ, 336(7651), 995-998. DOI: 10.1136/bmj.39490.551019.BE.

\n