Statystyka · Wykresy

Moderacja – wizualizacja na obrazkach

Jedna interakcja obciążenia pracą z autonomią (300 fikcyjnych pracowników) pokazana sześć razy: proste nachylenia, obszar Johnsona–Neymana, mapa przewidywań, moderator dwuwartościowy, centrowanie i moc testu interakcji w 1000 badań przy każdej liczebności. Przy każdym rysunku gotowy podpis i zdanie do pracy.

Strona główna / Blog / Moderacja – wizualizacja
W skrócie: Moderacja to zależność, której nachylenie zmienia się wraz z trzecią zmienną. W fikcyjnym przykładzie 300 pracowników obciążenie pracą wiązało się z wyczerpaniem tym słabiej, im wyższa autonomia (interakcja b = −0.68, p < .001): nachylenie wynosiło 2.25 przy niskiej, 1.34 przy średniej i 0.43 przy wysokiej autonomii, a od autonomii 5.48 w górę przestawało być istotne. Wykres efektu warunkowego z przedziałem pokazuje więcej niż trzy linie przy ±1 SD. Centrowanie nie zmienia ani interakcji, ani przewidywań – zmienia tylko punkt, w którym czytasz efekty główne. W 1000 symulowanych badaniach ze 100 osobami test interakcji miał moc .47, a test efektu obciążenia – .91.

Strzałka na strzałce

Definicję i wzór modelu z iloczynem znajdziesz w haśle moderacja, a pełną procedurę – we wpisach analiza moderacji krok po kroku, moderacja w jamovi i mediacja i moderacja w SPSS z PROCESS. Tu pokazujemy na rysunkach, jak wygląda moderacja: zależność X → Y, której nachylenie zmienia się wraz z trzecią zmienną W. Na diagramie to strzałka wbita w strzałkę, na wykresie – wachlarz prostych.

Przykład jest fikcyjny. Trzystu pracowników oceniło obciążenie pracą (X, skala 1–7), autonomię w pracy (W, 1–7) i wyczerpanie emocjonalne (Y, 0–40). Hipoteza: autonomia osłabia związek obciążenia z wyczerpaniem. Parametry populacji ustaliliśmy ręcznie tak, by interakcja była wyraźna, a granica obszaru istotności wypadła w zakresie danych (nachylenie 1.5 przy średniej autonomii, interakcja −0.6, SD błędu 5). Ziarno 596 ustalono raz i nie zmieniano go. Dane pobierzesz jako moderacja-wizualizacja-dane.csv. W próbie: obciążenie M = 3.95 (SD = 1.19), autonomia M = 4.35 (SD = 1.34), wyczerpanie M = 20.18 (SD = 5.22). Interakcja: b = −0.68, SE = 0.17, t(296) = −4.01, p < .001. Dodanie iloczynu podniosło R² z .228 do .268 (ΔR² = .040).

Rysunek 1: proste nachylenia przy trzech wartościach autonomii

Wykres rozrzutu 300 szarych punktów: obciążenie pracą od 1 do 7 na osi poziomej, wyczerpanie od 0 do 40 na pionowej. Trzy proste z pasmami ufności: przerywana pomarańczowa dla niskiej autonomii, najbardziej stroma, nachylenie 2.25; ciągła czarna dla średniej autonomii, nachylenie 1.34; kreska-kropka niebieska dla wysokiej autonomii, prawie płaska, nachylenie 0.43. Proste przecinają się po lewej stronie wykresu, przy niskim obciążeniu
Rysunek 1. Przewidywane wyczerpanie w zależności od obciążenia pracą przy trzech wartościach autonomii. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(596)).

Co widać. Trzy proste nachylenia obciążenia przy autonomii M − 1 SD (3.00), M (4.35) i M + 1 SD (5.69). Przy niskiej autonomii każdy punkt obciążenia to średnio 2.25 punktu wyczerpania więcej (95% CI [1.60, 2.89]), przy średniej – 1.34 [0.90, 1.79], a przy wysokiej – tylko 0.43 [−0.18, 1.05], t(296) = 1.38, p = .168. Linie nie są równoległe – to cały obraz interakcji.

Czego ten wykres nie pokazuje. Trzy linie to trzy arbitralne punkty na ciągłym moderatorze. Spiller i in. (2013) zalecają efekty proste przy wartościach ważnych merytorycznie, a gdy takich nie ma – podanie zakresu, w którym efekt jest istotny (rysunek 2). Typy interakcji (porządkująca, krzyżowa) opisuje hasło wykres interakcji.

Podpis do pracy:

Rysunek 1. Związek obciążenia pracą z wyczerpaniem emocjonalnym przy niskiej, średniej i wysokiej autonomii w pracy (N = 300). Uwaga. Linie – przewidywania z modelu regresji z interakcją przy autonomii równej M − 1 SD, M i M + 1 SD; pasma – 95% przedziały ufności przewidywań; punkty – wyniki pojedynczych osób.

Zdanie do Wyników:

Autonomia moderowała związek obciążenia pracą z wyczerpaniem, b = −0.68, SE = 0.17, t(296) = −4.01, p < .001, ΔR² = .040. Przy niskiej autonomii (M − 1 SD) obciążenie wiązało się z wyczerpaniem silniej, b = 2.25, 95% CI [1.60, 2.89], niż przy średniej, b = 1.34, 95% CI [0.90, 1.79]; przy wysokiej autonomii (M + 1 SD) związek był nieistotny, b = 0.43, 95% CI [−0.18, 1.05], p = .168.

Rysunek 2: efekt warunkowy i obszar Johnsona–Neymana

Zamiast trzech punktów rysujemy nachylenie obciążenia przy każdej wartości autonomii, czyli efekt warunkowy b1 + b3·W, z 95% przedziałem ufności. Granice przedziału Johnsona–Neymana to wartości W, przy których przedział dotyka zera.

Opadająca czarna prosta efektu warunkowego obciążenia w funkcji autonomii od 1 do 7, z pasmem 95% ufności. Od autonomii 1 do 5.48 pasmo jest niebieskie i leży w całości nad zerem; od 5.48 w prawo pasmo jest szare i obejmuje zero. Przerywana pionowa linia przy 5.48 z napisem: 237 z 300 osób poniżej. Trzy białe kółka z odcinkami: nachylenia przy M − 1 SD, M i M + 1 SD; to ostatnie leży już w szarym obszarze. Kreski przy osi poziomej pokazują autonomię poszczególnych osób
Rysunek 2. Efekt warunkowy obciążenia pracą w funkcji autonomii z 95% przedziałem ufności i granicą Johnsona–Neymana. Obliczenia: R, pakiet ggplot2 (dane fikcyjne).

Co widać. Efekt obciążenia maleje liniowo: 2.93 przy autonomii 2, 1.57 przy 4, 0.22 przy 6 (p = .529) i −0.46 przy 7. Granica wynosi 5.48. Poniżej niej przedział ufności leży w całości nad zerem, a takich osób jest 237 z 300 (79%). Drugie rozwiązanie równania (8.39) leży poza skalą, więc go nie interpretujemy. Kółka to proste nachylenia z rysunku 1 – trzy przekroje tej samej linii. Bauer i Curran (2005) opisują technikę Johnsona–Neymana jako ogólniejszą od testowania prostych nachyleń w wybranych punktach. Własny model policzysz w kalkulatorze Johnsona–Neymana.

Czego ten wykres nie pokazuje – i jak może zmylić. Model z iloczynem wymusza, by efekt zmieniał się liniowo. Hainmueller i in. (2019) pokazali, że w opublikowanych analizach to założenie często zawodzi, a efekty warunkowe tam, gdzie brakuje obserwacji, wprowadzają w błąd. Dlatego kreski przy osi są obowiązkowe: przy autonomii 6–7 jest niewiele osób, a „ujemny efekt” przy 7 to ekstrapolacja. „Nieistotny” obszar nie znaczy też „brak efektu” – przedział przy autonomii 6 sięga od −0.47 do 0.91.

Podpis do pracy:

Rysunek 2. Efekt warunkowy obciążenia pracą na wyczerpanie emocjonalne w zależności od autonomii w pracy (N = 300). Uwaga. Linia – nachylenie obciążenia przy danej wartości autonomii; pasmo – 95% przedział ufności; linia przerywana – granica obszaru istotności wyznaczona metodą Johnsona–Neymana (autonomia = 5.48); kreski przy osi – rozkład autonomii w próbie.

Zdanie do Wyników:

Metoda Johnsona–Neymana wykazała, że obciążenie pracą wiązało się istotnie z wyższym wyczerpaniem przy autonomii poniżej 5.48 (237 z 300 osób, 79% próby); przy wyższej autonomii związek był nieistotny.

Rysunek 3: mapa przewidywań – wachlarz zamiast pasów

Model z dwiema zmiennymi ciągłymi to powierzchnia nad płaszczyzną X × W. Rysujemy ją z góry: kolor to przewidywane wyczerpanie, białe linie – poziomice.

Dwie mapy cieplne, obciążenie pracą na osi poziomej, autonomia na pionowej, obie od 1 do 7, kolor od ciemnofioletowego (około 13 punktów wyczerpania) do żółtego (około 35). A, model bez interakcji: białe poziomice to równoległe ukośne proste, równo rozstawione. B, model z interakcją: poziomice wygięte w wachlarz – przy niskiej autonomii gęste i pionowe, przy wysokiej prawie poziome i rzadkie; żółty róg tylko przy wysokim obciążeniu i niskiej autonomii. Na obu mapach czarne punkty danych i przerywany obrys zakresu danych; rogi map są puste
Rysunek 3. Przewidywane wyczerpanie na płaszczyźnie obciążenie × autonomia w modelu bez interakcji (A) i z interakcją (B). Obliczenia: R, pakiety ggplot2 i colorspace (dane fikcyjne).

Co widać. W modelu bez interakcji poziomice są równoległymi prostymi: wzrost obciążenia o punkt wszędzie dodaje tyle samo. W modelu z interakcją poziomice rozchodzą się w wachlarz. Przy niskiej autonomii biegną pionowo i gęsto (każdy krok w prawo zmienia wynik), a przy wysokiej – prawie poziomo i rzadko (krok w prawo prawie nic nie zmienia). Różnicę widać w rogach: przy obciążeniu 7 i autonomii 1 model bez interakcji przewiduje 28.2 punktu, a model z interakcją 35.0. Przy obciążeniu 1 i autonomii 1 jest odwrotnie: 20.4 wobec 13.4.

Czego ten wykres nie pokazuje. Tych rogów nie ma w danych: nikt w próbie nie ma obciążenia i autonomii jednocześnie ≥ 6 ani jednocześnie ≤ 2. Najbardziej efektowne kolory to ekstrapolacja, a obrys (otoczka wypukła) jest hojny. Mapa nie pokazuje też niepewności – to ilustracja, nie dowód.

Podpis do pracy (np. w aneksie lub prezentacji na obronę):

Rysunek 3. Przewidywany poziom wyczerpania emocjonalnego w zależności od obciążenia pracą i autonomii w modelu bez interakcji (A) i z interakcją (B). Uwaga. Kolor – wartość przewidywana; białe linie – poziomice co 2 punkty; punkty – obserwacje (N = 300); linia przerywana – granica zakresu danych. Przewidywania poza tą granicą są ekstrapolacją.

Zdanie do Dyskusji:

Wnioski dotyczą zakresu obserwowanych wartości: w próbie nie było osób łączących bardzo wysokie obciążenie z bardzo wysoką autonomią, dlatego przewidywań dla takich kombinacji nie interpretowano.

Rysunek 4: moderator dwuwartościowy – praca zmianowa

Drugi zbiór fikcyjny: 200 pracowników, w tym 76 na zmiany i 124 bez zmian. Moderator ma dwie wartości (0 = bez zmian, 1 = zmianowa), więc proste nachylenia to dwie proste. Parametry ustawiono ręcznie: nachylenie 1.0 bez zmian i 2.6 na zmiany (ziarno 596, osobny blok kodu).

Dwa panele. A: punkty 200 osób – niebieskie kółka bez zmian i pomarańczowe trójkąty na zmiany – i dwie proste z pasmami ufności: ciągła niebieska o nachyleniu 1.14 i bardziej stroma przerywana pomarańczowa o nachyleniu 2.08; pasma mocno na siebie zachodzą. B: różnica przewidywań zmianowa minus bez zmian w funkcji obciążenia, rosnąca prosta, bliska zera przy najniższym obciążeniu, z szerokim szarym pasmem; przerywana pionowa linia przy 3.02 z napisem istotna różnica od obciążenia 3.02. W podtytule: interakcja b = 0.94, p = .122
Rysunek 4. Związek obciążenia z wyczerpaniem w dwóch grupach (A) i różnica między grupami w funkcji obciążenia (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane fikcyjne, set.seed(596)).

Co widać. Przy kodowaniu 0/1 współczynnik obciążenia to nachylenie w grupie „bez zmian”: 1.14, 95% CI [0.39, 1.88]. Współczynnik iloczynu to różnica nachyleń: na zmiany nachylenie wynosi 2.08 [1.14, 3.01], czyli o 0.94 więcej, ale t(196) = 1.55, p = .122. Panel B pokazuje tę samą interakcję od drugiej strony – obciążenie moderuje różnicę grup. Różnica wynosi 0.85 [−1.90, 3.60] przy obciążeniu 2, 2.73 [1.34, 4.12] przy 4 i 4.61 [1.83, 7.40] przy 6. Od obciążenia 3.02 w górę jest istotna (162 z 200 osób).

Czego ten wykres nie pokazuje – i jak może zmylić. Oba nachylenia są istotne, różnica grup ma obszar istotności, a test interakcji jest nieistotny. To nie dowodzi, że praca zmianowa wzmacnia związek: obszar istotności opisuje efekt warunkowy, a o moderacji świadczy test różnicy nachyleń. Prawdopodobna przyczyna – za mała próba (rysunek 6). Współczynnik grupy (−1.04, p = .680) to różnica przy obciążeniu 0, czyli poza skalą 1–7 – stąd rysunek 5. Ten sam układ z interakcją grupa × kowariant to sprawdzenie równoległości prostych w ANCOVA – wizualizacji na obrazkach.

Podpis do pracy:

Rysunek 4. Związek obciążenia pracą z wyczerpaniem emocjonalnym u osób pracujących w systemie zmianowym (n = 76) i bez zmian (n = 124). Uwaga. Panel A: linie – przewidywania z modelu z interakcją, pasma – 95% przedziały ufności; panel B: różnica przewidywań między grupami z 95% przedziałem ufności; linia przerywana – granica obszaru istotności różnicy.

Zdanie do Wyników:

Obciążenie pracą wiązało się z wyczerpaniem zarówno u osób pracujących bez zmian, b = 1.14, 95% CI [0.39, 1.88], jak i na zmiany, b = 2.08, 95% CI [1.14, 3.01]; różnica nachyleń nie była istotna, b = 0.94, SE = 0.61, t(196) = 1.55, p = .122, więc hipoteza o moderującej roli pracy zmianowej nie znalazła potwierdzenia.

Rysunek 5: centrowanie przesuwa punkt odczytu, nie interakcję

Ten sam model z rysunku 1 szacujemy drugi raz po wycentrowaniu obu predyktorów (odjęciu średniej).

Dwa panele. A: współczynniki z 95% przedziałami w dwóch modelach – pomarańczowe trójkąty bez centrowania, niebieskie kółka po centrowaniu. Dla b1 obciążenia trójkąt przy 4.28, kółko przy 1.34; dla b2 autonomii trójkąt dodatni przy 1.45, kółko ujemne przy −1.23; dla b3 interakcji oba w tym samym miejscu, −0.68. B: opadająca prosta efektu warunkowego obciążenia od autonomii 0 do 7, szare tło oznacza zakres danych od 1 do 7; pomarańczowy trójkąt b1 bez centrowania leży przy autonomii 0, poza zakresem danych, niebieskie kółko b1 po centrowaniu – przy średniej 4.35, oba na tej samej linii
Rysunek 5. Współczynniki modelu z interakcją przed centrowaniem i po nim (A) oraz miejsce, w którym współczynnik obciążenia mierzy nachylenie (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane fikcyjne).

Co widać. Interakcja jest identyczna: −0.68, t = −4.01 w obu modelach. R² jest ten sam (.268), a przewidywane wartości różnią się o 0. Zmieniły się współczynniki niższego rzędu. Współczynnik obciążenia spadł z 4.28 do 1.34, a autonomii zmienił znak (z 1.45 na −1.23). Panel B wyjaśnia dlaczego: przy iloczynie b1 to nachylenie X tam, gdzie W = 0 – bez centrowania przy autonomii 0, spoza skali 1–7, po centrowaniu przy średniej. Oba b1 leżą na tej samej linii. Aiken i West (1991) omawiają, jak przeskalowanie predyktorów zmienia współczynniki w modelach z interakcją.

Czego ten wykres nie pokazuje. Centrowanie obniżyło korelację obciążenia z iloczynem z .596 do .055, ale to współliniowość „techniczna”. Dalal i Zickar (2012) pokazali, że centrowanie nie zmienia najwyższego współczynnika, dopasowania modelu ani mocy wykrycia moderacji. Jego zaletą jest tylko łatwiejsza interpretacja efektów głównych.

Podpis do pracy (np. w aneksie):

Rysunek 5. Współczynniki regresji z 95% przedziałami ufności w modelu z interakcją obciążenia pracą i autonomii, bez centrowania i po wycentrowaniu predyktorów (A), oraz efekt warunkowy obciążenia w funkcji autonomii (B). Uwaga. Szare tło w panelu B – zakres autonomii w próbie (1–7).

Zdanie do Metody:

Przed utworzeniem iloczynu predyktory wycentrowano względem średnich z próby, aby współczynniki obciążenia pracą i autonomii można było interpretować jako efekty przy średniej wartości drugiej zmiennej; centrowanie nie wpływa na współczynnik ani test interakcji.

Rysunek 6: moc testu interakcji w 1000 badań

Z populacji o parametrach z przykładu losujemy 1000 badań przy każdej z sześciu liczebności (50–500 osób). W każdym badaniu dopasowujemy model z interakcją i zapisujemy, czy efekt obciążenia (przy średniej autonomii) i interakcja dały p < .05. Błąd Monte Carlo odsetka wynosi najwyżej 1.6 punktu procentowego (przy mocy .50).

Dwa panele. A: moc w funkcji liczebności od 50 do 500. Ciągła czarna linia efektu obciążenia: .63 przy 50, .91 przy 100 i prawie 1 od 150. Przerywana pomarańczowa linia interakcji: .24 przy 50, .47 przy 100, .72 przy 200, .91 przy 300 i .98 przy 500; kropkowana linia na poziomie .80. B: histogram 1000 oszacowań interakcji przy 100 osobach; pomarańczowe słupki istotnych wyników leżą po lewej, szare nieistotne po prawej; czarna pionowa linia prawdziwej wartości −0.6, przerywana pomarańczowa średniej z istotnych przy około −0.88
Rysunek 6. Moc testu efektu obciążenia i testu interakcji w zależności od liczebności próby (A) oraz rozkład oszacowań interakcji przy n = 100 (B); 1000 badań przy każdej liczebności. Obliczenia: R, pakiety stats, ggplot2 i patchwork (symulacja, set.seed(596)).

Co widać. Przy 100 osobach test efektu obciążenia wykrywa go w 90.7% badań, a test interakcji z tej samej populacji – w 46.5%. Moc interakcji rośnie wolno: .237 przy 50 osobach, .599 przy 150, .724 przy 200, .910 przy 300 i .983 przy 500. Próg .80 interakcja przekracza dopiero między 200 a 300 osobami. Panel B pokazuje drugi koszt małej próby: średnie oszacowanie interakcji ze wszystkich 1000 badań (−0.601) trafia w prawdziwą wartość, ale średnia z badań istotnych to −0.877, czyli o 46% za dużo. Zjawisko szerzej pokazuje wpis moc testu w obrazkach.

Czego ten wykres nie pokazuje. Symulacja zakłada idealny pomiar. McClelland i Judd (1993) pokazali, że testy interakcji w badaniach terenowych mają często mniej niż 20% efektywności optymalnych planów eksperymentalnych. Wiążą to z łącznym rozkładem predyktorów – u nas widać go jako puste rogi na rysunku 3. Błąd pomiaru obniża moc jeszcze bardziej. Jak planować liczebność, opisuje wpis moc testu dla interakcji. Dzielenie moderatora na medianie mocy nie dodaje – zob. podział na medianie – wizualizacja na obrazkach.

Podpis do pracy (np. w uzasadnieniu liczebności):

Rysunek 6. Moc testu efektu obciążenia pracą i testu interakcji obciążenia z autonomią w zależności od liczebności próby. Uwaga. Symulacja: 1000 badań przy każdej liczebności, α = .05, parametry populacji równe założonym w hipotezie (interakcja b = −0.6); odcinki – ±2 błędy Monte Carlo; linia kropkowana – moc .80.

Zdanie do Metody:

Liczebność próby ustalono symulacyjnie (1000 replikacji na każdą liczebność): przy założonej interakcji b = −0.6 i α = .05 moc testu interakcji wynosiła .72 dla 200 osób i .91 dla 300 osób, dlatego zaplanowano badanie 300 osób.

Moderacja a mediacja: wachlarz a łańcuch

Moderator mówi, kiedy lub dla kogo X działa silniej – na rysunkach to wachlarz prostych albo opadający efekt warunkowy. Mediator mówi, przez co X działa – to łańcuch X → M → Y, a na rysunku dwie strzałki i iloczyn ścieżek. Baron i Kenny (1986) podkreślali, że obu nazw nie wolno używać zamiennie. Mediację na wykresach pokazuje wpis mediacja w obrazkach. Test: „autonomia osłabia związek” to moderacja; „obciążenie zwiększa wyczerpanie, bo skraca odpoczynek” – mediacja.

Który rysunek do pracy i co zrobić w praktyce

  • Do Wyników – rysunek 1 (kształt interakcji na tle danych) albo rysunek 2 (cały obszar istotności). Przy moderatorze dwuwartościowym – panel A rysunku 4.
  • Do Metody – zdanie o centrowaniu (rysunek 5) i o liczebności dobranej pod interakcję, nie pod efekt główny (rysunek 6).
  • Na obronę – mapa przewidywań (rysunek 3).

W praktyce: zaplanuj próbę pod interakcję, wybierz wartości moderatora z teorii albo pokaż obszar Johnsona–Neymana, zawsze dodaj rozkład moderatora przy osi i nie interpretuj przewidywań poza zakresem danych. Zasady rysowania wyników regresji omawia wpis wynik regresji na wykresie. Pojęcia efektu interakcji w ANOVA i regresji porządkuje hasło efekt interakcji.

Przykład reprodukowalny

Kod R wszystkich rysunków

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę, motyw i funkcje pomocnicze, z których korzystają następne. Każdy przepis kończy się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p6, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Każdy przepis, który losuje (1, 4 i 6), zaczyna się od własnego set.seed(596), więc skopiowany osobno da te same liczby co na stronie. Przepisy 2, 3 i 5 nie losują. Ziarno 596 ustalono raz i nie zmieniano go. Ręcznie ustalono: 300 osób, średnie i SD obciążenia (4, 1.2) i autonomii (4.2, 1.3), ich korelację (−.2), współczynniki populacji (1.5, −1.0, −0.6) i SD błędu 5 – tak, by granica Johnsona–Neymana wypadła w zakresie danych; w przykładzie z pracą zmianową: 200 osób, odsetek zmianowych 40%, nachylenia 1.0 i 2.6 i różnicę grup 2 punkty; w symulacji mocy: sześć liczebności i 1000 badań przy każdej (razem 6000 modeli). W symulacji wartości nie są zaokrąglane ani przycinane do skali 1–7. Przepis 1 zapisuje dane do pliku CSV w katalogu roboczym. Cały kod liczy się w kilka sekund.

1. Dane, model z interakcją i proste nachylenia: Rysunek 1

Dane wejściowe: nic – 300 osób losuje kod (parametry populacji ustalone ręcznie, set.seed(596)). Na początku – paleta Okabe–Ito, motyw motyw i funkcje bz() i p_apa(), z których korzystają kolejne przepisy.

Co odczytać: średnie, SD i zakresy trzech zmiennych, ich korelacje; współczynniki modelu z interakcją; R² bez iloczynu i z iloczynem oraz test przyrostu; w ostatniej tabeli – nachylenie obciążenia przy autonomii M − 1 SD, M i M + 1 SD z błędem, t, p i 95% CI.

R
# Rysunek 1. Proste nachylenia: obciążenie pracą a wyczerpanie przy niskiej, średniej i wysokiej autonomii
library(ggplot2)

# Paleta Okabe–Ito (cynober, niebieski i czerń rozróżnialne także przy deuteranopii) i prosty motyw
kol <- c(nisko = "#D55E00", srednio = "grey15", wysoko = "#0072B2", szary = "grey60", tlo = "#E69F00")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
bz <- function(x, d = 2) sub("^(-?)0\\.", "\\1.", sprintf(paste0("%.", d, "f"), x))   # .03 zamiast 0.03
p_apa <- function(p) ifelse(p < .001, "p < .001", paste("p =", bz(p, 3)))

# 300 pracowników: obciążenie pracą (X, 1–7), autonomia w pracy (W, 1–7), wyczerpanie emocjonalne (Y, 0–40).
# Parametry populacji ustalone ręcznie tak, by interakcja była wyraźna, a granica Johnsona–Neymana
# wypadła w zakresie danych: nachylenie X przy średniej W = 1.5, interakcja = −0.6, SD błędu = 5
n <- 300; b0 <- 20; b_x <- 1.5; b_w <- -1.0; b_xw <- -0.6; sd_e <- 5
set.seed(596)                                    # ziarno ustalone raz, bez dobierania pod wynik
z1 <- rnorm(n); z2 <- rnorm(n)
obciazenie <- pmin(pmax(round(4 + 1.2 * z1, 1), 1), 7)
autonomia <- pmin(pmax(round(4.2 + 1.3 * (-0.2 * z1 + sqrt(1 - 0.2^2) * z2), 1), 1), 7)
wyczerpanie <- b0 + b_x * (obciazenie - 4) + b_w * (autonomia - 4.2) +
  b_xw * (obciazenie - 4) * (autonomia - 4.2) + rnorm(n, 0, sd_e)
wyczerpanie <- pmin(pmax(round(wyczerpanie, 1), 0), 40)
dane <- data.frame(obciazenie, autonomia, wyczerpanie)
write.csv(dane, "moderacja-wizualizacja-dane.csv", row.names = FALSE)
round(sapply(dane, function(v) c(M = mean(v), SD = sd(v), min = min(v), max = max(v))), 2)
round(cor(dane), 2)

# Model bez interakcji i z interakcją (surowe skale, bez centrowania)
m0 <- lm(wyczerpanie ~ obciazenie + autonomia, data = dane)
m <- lm(wyczerpanie ~ obciazenie * autonomia, data = dane)
round(summary(m)$coefficients, 4)
round(c(R2_bez = summary(m0)$r.squared, R2_z = summary(m)$r.squared,
        delta_R2 = summary(m)$r.squared - summary(m0)$r.squared), 4)
anova(m0, m)

# Proste nachylenia X przy W = M − 1 SD, M, M + 1 SD: b1 + b3·W, błąd z macierzy kowariancji współczynników
b <- coef(m); V <- vcov(m); df_res <- df.residual(m)
w_M <- mean(dane$autonomia); w_SD <- sd(dane$autonomia)
poziomy <- c(nisko = w_M - w_SD, srednio = w_M, wysoko = w_M + w_SD)
nachyl <- function(w) {
  est <- b[["obciazenie"]] + b[["obciazenie:autonomia"]] * w
  se <- sqrt(V["obciazenie", "obciazenie"] + 2 * w * V["obciazenie", "obciazenie:autonomia"] +
               w^2 * V["obciazenie:autonomia", "obciazenie:autonomia"])
  c(W = w, nachylenie = est, SE = se, t = est / se, p = 2 * pt(-abs(est / se), df_res),
    CI_dolna = est - qt(.975, df_res) * se, CI_gorna = est + qt(.975, df_res) * se)
}
proste <- t(sapply(poziomy, nachyl))
round(proste, 3)

# Linie przewidywań z 95% pasmem ufności przy trzech wartościach autonomii, na tle danych
etyk <- c(nisko = "Niska autonomia (M − 1 SD)", srednio = "Średnia autonomia (M)",
          wysoko = "Wysoka autonomia (M + 1 SD)")
siatka <- expand.grid(obciazenie = seq(min(dane$obciazenie), max(dane$obciazenie), length.out = 60),
                      poziom = names(poziomy))
siatka$autonomia <- poziomy[as.character(siatka$poziom)]
pr <- predict(m, siatka, interval = "confidence")
siatka <- cbind(siatka, pr)
siatka$poziom <- factor(etyk[as.character(siatka$poziom)], etyk)
konce <- siatka[siatka$obciazenie == max(siatka$obciazenie), ]
konce$tekst <- sprintf("b = %.2f", proste[, "nachylenie"])
p1 <- ggplot(siatka, aes(obciazenie, fit)) +
  geom_point(data = dane, aes(obciazenie, wyczerpanie), inherit.aes = FALSE, colour = kol[["szary"]],
             size = 1.3, alpha = 0.45) +
  geom_ribbon(aes(ymin = lwr, ymax = upr, fill = poziom), alpha = 0.18) +
  geom_line(aes(colour = poziom, linetype = poziom), linewidth = 1.1) +
  geom_text(data = konce, aes(label = tekst, colour = poziom), hjust = -0.1, size = 4, show.legend = FALSE) +
  scale_colour_manual(values = setNames(kol[c("nisko", "srednio", "wysoko")], etyk), name = NULL) +
  scale_fill_manual(values = setNames(kol[c("nisko", "srednio", "wysoko")], etyk), name = NULL) +
  scale_linetype_manual(values = setNames(c("dashed", "solid", "dotdash"), etyk), name = NULL) +
  scale_x_continuous(breaks = 1:7, expand = expansion(mult = c(0.02, 0.17))) +
  coord_cartesian(ylim = c(0, 40)) +
  guides(colour = guide_legend(ncol = 1), fill = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
  labs(x = "Obciążenie pracą (1–7)", y = "Wyczerpanie emocjonalne (0–40)",
       title = "Proste nachylenia przy trzech wartościach autonomii",
       subtitle = sprintf("Interakcja: b = %s, %s; N = %d", sub("-", "−", sprintf("%.2f", b[["obciazenie:autonomia"]])),
                          p_apa(summary(m)$coefficients["obciazenie:autonomia", 4]), n)) + motyw
p1   # zapis: ggsave("moderacja-wizualizacja-proste-nachylenia.svg", p1, width = 8, height = 6)
Wynik w R
    obciazenie autonomia wyczerpanie
M         3.95      4.35       20.18
SD        1.19      1.34        5.22
min       1.00      1.00        5.30
max       7.00      7.00       34.10
            obciazenie autonomia wyczerpanie
obciazenie        1.00     -0.24        0.37
autonomia        -0.24      1.00       -0.38
wyczerpanie       0.37     -0.38        1.00
                     Estimate Std. Error t value Pr(>|t|)
(Intercept)            8.3435     3.3099  2.5208   0.0122
obciazenie             4.2812     0.7788  5.4975   0.0000
autonomia              1.4469     0.6934  2.0865   0.0378
obciazenie:autonomia  -0.6767     0.1689 -4.0064   0.0001
  R2_bez     R2_z delta_R2 
  0.2278   0.2676   0.0397 
Analysis of Variance Table

Model 1: wyczerpanie ~ obciazenie + autonomia
Model 2: wyczerpanie ~ obciazenie * autonomia
  Res.Df    RSS Df Sum of Sq      F    Pr(>F)    
1    297 6300.8                                  
2    296 5976.7  1     324.1 16.052 7.804e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
            W nachylenie    SE     t     p CI_dolna CI_gorna
nisko   3.004      2.248 0.328 6.856 0.000    1.603    2.894
srednio 4.346      1.340 0.226 5.930 0.000    0.895    1.785
wysoko  5.689      0.431 0.312 1.382 0.168   -0.183    1.046

2. Efekt warunkowy i granice Johnsona–Neymana: Rysunek 2

Dane wejściowe: dane, m, b, V, df_res, proste, nachyl(), kol i motyw z przepisu 1; bez losowania.

Co odczytać: wartość krytyczną t, oba rozwiązania równania Johnsona–Neymana i punkt, w którym efekt równa się zeru; zakres autonomii w danych; granicę leżącą w zakresie, liczbę i odsetek osób poniżej niej; efekt warunkowy przy autonomii 2–7.

R
# Rysunek 2. Efekt warunkowy obciążenia w całym zakresie autonomii i obszar Johnsona–Neymana
# (kontynuacja: dane, m, b, V, df_res, proste, nachyl, kol, motyw, bz z bloku 1; bez losowania)
library(ggplot2)

# Granice Johnsona–Neymana: wartości W, przy których |b1 + b3·W| / SE(W) = t krytyczne (równanie kwadratowe)
t_kr <- qt(.975, df_res)
v11 <- V["obciazenie", "obciazenie"]; v13 <- V["obciazenie", "obciazenie:autonomia"]
v33 <- V["obciazenie:autonomia", "obciazenie:autonomia"]
b1 <- b[["obciazenie"]]; b3 <- b[["obciazenie:autonomia"]]
A <- b3^2 - t_kr^2 * v33; B <- 2 * (b1 * b3 - t_kr^2 * v13); C <- b1^2 - t_kr^2 * v11
granice <- sort((-B + c(-1, 1) * sqrt(B^2 - 4 * A * C)) / (2 * A))
round(c(t_kryt = t_kr, granica_1 = granice[1], granica_2 = granice[2], zero_efektu = -b1 / b3), 3)
range(dane$autonomia)
# Ilu pracowników ma autonomię w obszarze, w którym efekt obciążenia jest istotny (W < granicy w zakresie danych)?
gr <- granice[granice > min(dane$autonomia) & granice < max(dane$autonomia)]
c(granica_w_zakresie = round(gr, 2), n_istotny = sum(dane$autonomia < gr),
  odsetek = round(mean(dane$autonomia < gr), 3))
round(t(sapply(c(2, 3, 4, 5, 6, 7), nachyl)), 3)          # efekt warunkowy w kilku punktach

# Efekt warunkowy z 95% przedziałem w gęstej siatce W
ef <- as.data.frame(t(sapply(seq(1, 7, by = 0.02), nachyl)))
ef$obszar <- factor(ifelse(ef$CI_dolna > 0, "efekt istotny (przedział nad zerem)", "przedział obejmuje zero"),
                    c("efekt istotny (przedział nad zerem)", "przedział obejmuje zero"))
pkt <- data.frame(proste, poziom = c("M − 1 SD", "M", "M + 1 SD"))
p2 <- ggplot(ef, aes(W, nachylenie)) +
  geom_ribbon(aes(ymin = CI_dolna, ymax = CI_gorna, fill = obszar), alpha = 0.35) +
  geom_hline(yintercept = 0, colour = "grey30") +
  geom_vline(xintercept = gr, linetype = "dashed", colour = "grey20") +
  geom_line(linewidth = 1.1, colour = "grey10") +
  geom_pointrange(data = pkt, aes(W, nachylenie, ymin = CI_dolna, ymax = CI_gorna), shape = 21,
                  fill = "white", size = 0.6, linewidth = 0.8) +
  geom_text(data = pkt, aes(W, CI_gorna, label = poziom), vjust = -0.7, size = 3.8) +
  annotate("label", x = gr - 0.08, y = 5.3, hjust = 1, size = 3.8, linewidth = 0, fill = "white",
           label = sprintf("granica J–N: autonomia = %.2f\n(%d z %d osób poniżej)", gr,
                           sum(dane$autonomia < gr), nrow(dane))) +
  geom_rug(data = dane, aes(x = autonomia), inherit.aes = FALSE, sides = "b", alpha = 0.3, length = unit(0.03, "npc")) +
  scale_fill_manual(values = c(kol[["wysoko"]], kol[["szary"]]), name = NULL) +
  scale_x_continuous(breaks = 1:7) +
  coord_cartesian(ylim = c(-2.2, 6)) +
  labs(x = "Autonomia w pracy (moderator, 1–7)", y = "Efekt obciążenia na wyczerpanie\n(punkty na 1 punkt obciążenia)",
       title = "Efekt warunkowy obciążenia pracą z 95% przedziałem ufności",
       subtitle = "Kreski przy osi: autonomia osób; kółka: nachylenia z rysunku 1") + motyw
p2   # zapis: ggsave("moderacja-wizualizacja-johnson-neyman.svg", p2, width = 8, height = 5.8)
Wynik w R
     t_kryt   granica_1   granica_2 zero_efektu 
      1.968       5.485       8.385       6.326 
[1] 1 7
granica_w_zakresie          n_istotny            odsetek 
              5.48             237.00               0.79 
     W nachylenie    SE      t     p CI_dolna CI_gorna
[1,] 2      2.928 0.466  6.285 0.000    2.011    3.844
[2,] 3      2.251 0.328  6.854 0.000    1.605    2.897
[3,] 4      1.574 0.236  6.665 0.000    1.109    2.039
[4,] 5      0.897 0.247  3.641 0.000    0.412    1.383
[5,] 6      0.221 0.350  0.630 0.529   -0.469    0.910
[6,] 7     -0.456 0.492 -0.927 0.355   -1.424    0.512

3. Mapa przewidywań: Rysunek 3

Dane wejściowe: dane, m0, m i motyw z przepisu 1; skala barw z pakietu colorspace; bez losowania.

Co odczytać: przewidywania obu modeli w czterech narożnikach siatki oraz liczbę osób z obiema zmiennymi jednocześnie ≥ 6 i jednocześnie ≤ 2.

R
# Rysunek 3. Mapa przewidywań: model bez interakcji (równoległe poziomice) i z interakcją (wachlarz)
# (kontynuacja: dane, m0, m, motyw z bloku 1; bez losowania)
library(ggplot2)
library(colorspace)

# Przewidywane wyczerpanie na siatce obciążenie × autonomia, z obu modeli
siatka3 <- expand.grid(obciazenie = seq(1, 7, by = 0.1), autonomia = seq(1, 7, by = 0.1))
mapa <- rbind(data.frame(siatka3, model = "A. Bez interakcji", Y = predict(m0, siatka3)),
              data.frame(siatka3, model = "B. Z interakcją", Y = predict(m, siatka3)))
# Przewidywania w czterech narożnikach siatki – w narożnikach bez danych model ekstrapoluje
naroza <- expand.grid(obciazenie = c(1, 7), autonomia = c(1, 7))
round(cbind(naroza, bez_interakcji = predict(m0, naroza), z_interakcja = predict(m, naroza)), 1)
# Obrys danych (otoczka wypukła) – poza nim nie ma obserwacji
otoczka <- dane[chull(dane$obciazenie, dane$autonomia), c("obciazenie", "autonomia")]
# Ile osób ma jednocześnie wysokie obciążenie (≥ 6) i wysoką autonomię (≥ 6)?
c(oba_wysokie = sum(dane$obciazenie >= 6 & dane$autonomia >= 6),
  oba_niskie = sum(dane$obciazenie <= 2 & dane$autonomia <= 2))

p3 <- ggplot(mapa, aes(obciazenie, autonomia)) +
  geom_raster(aes(fill = Y)) +
  geom_contour(aes(z = Y), breaks = seq(0, 40, by = 2), colour = "white", linewidth = 0.4) +
  geom_point(data = dane, colour = "grey10", size = 0.7, alpha = 0.5) +
  geom_polygon(data = otoczka, fill = NA, colour = "black", linetype = "dashed", linewidth = 0.6) +
  facet_wrap(~ model, ncol = 1) +
  scale_fill_continuous_sequential(palette = "Viridis", rev = FALSE, name = "Przewidywane\nwyczerpanie") +
  scale_x_continuous(breaks = 1:7, expand = c(0, 0)) + scale_y_continuous(breaks = 1:7, expand = c(0, 0)) +
  coord_fixed() +
  labs(x = "Obciążenie pracą (1–7)", y = "Autonomia (1–7)",
       title = "Ta sama zależność jako mapa przewidywań",
       subtitle = "Białe poziomice co 2 punkty; przerywany obrys – zakres danych") +
  motyw + theme(legend.position = "right", legend.key.height = unit(1.4, "cm"))
p3   # zapis: ggsave("moderacja-wizualizacja-mapa-przewidywan.svg", p3, width = 7, height = 9.6)
Wynik w R
  obciazenie autonomia bez_interakcji z_interakcja
1          1         1           20.4         13.4
2          7         1           28.2         35.0
3          1         7           13.1         18.0
4          7         7           20.9         15.3
oba_wysokie  oba_niskie 
          0           0 

4. Moderator dwuwartościowy: Rysunek 4

Dane wejściowe: kol, motyw i p_apa() z przepisu 1; nowy zbiór 200 osób (set.seed(596)).

Co odczytać: liczebności grup; współczynniki modelu (obciazenie – nachylenie bez zmian, obciazenie:zmianowatak – różnica nachyleń); nachylenie w każdej grupie z 95% CI; granicę obszaru istotnej różnicy grup z liczbą i odsetkiem osób powyżej niej; różnicę grup przy obciążeniu 2, 4 i 6.

R
# Rysunek 4. Moderator dwuwartościowy: praca zmianowa (tak/nie) a związek obciążenia z wyczerpaniem
# (kontynuacja: kol, motyw, bz, p_apa z bloku 1; nowe dane – własne losowanie)
library(ggplot2)
library(patchwork)

# 200 pracowników, w tym ok. 40% na zmiany. Parametry populacji ustalone ręcznie: nachylenie 1.0 bez zmian,
# 2.6 przy pracy zmianowej, różnica grup przy średnim obciążeniu 2 punkty, SD błędu 5
n2 <- 200
set.seed(596)                                    # to samo ziarno, osobny blok
zmianowa <- factor(ifelse(rbinom(n2, 1, 0.4) == 1, "tak", "nie"), c("nie", "tak"))
obc2 <- pmin(pmax(round(rnorm(n2, 4, 1.2), 1), 1), 7)
wycz2 <- 19 + 1.0 * (obc2 - 4) + 2 * (zmianowa == "tak") + 1.6 * (obc2 - 4) * (zmianowa == "tak") + rnorm(n2, 0, 5)
dane2 <- data.frame(obciazenie = obc2, zmianowa, wyczerpanie = pmin(pmax(round(wycz2, 1), 0), 40))
table(dane2$zmianowa)

# Kodowanie 0/1 (nie = 0): b1 to nachylenie w grupie „nie”, b3 – różnica nachyleń
m2 <- lm(wyczerpanie ~ obciazenie * zmianowa, data = dane2)
round(summary(m2)$coefficients, 4)
b2 <- coef(m2); V2 <- vcov(m2); df2 <- df.residual(m2)
# Nachylenie w każdej grupie z 95% CI (w grupie „tak” = b1 + b3)
L <- rbind(nie = c(0, 1, 0, 0), tak = c(0, 1, 0, 1))
est <- drop(L %*% b2); se <- sqrt(diag(L %*% V2 %*% t(L)))
round(cbind(nachylenie = est, SE = se, CI_dolna = est - qt(.975, df2) * se, CI_gorna = est + qt(.975, df2) * se), 3)

# Różnica grup (tak − nie) jako funkcja obciążenia: b2 + b3·X, czyli moderatorem jest teraz obciążenie
roznica <- function(x) {
  e <- b2[["zmianowatak"]] + b2[["obciazenie:zmianowatak"]] * x
  s <- sqrt(V2["zmianowatak", "zmianowatak"] + 2 * x * V2["zmianowatak", "obciazenie:zmianowatak"] +
              x^2 * V2["obciazenie:zmianowatak", "obciazenie:zmianowatak"])
  c(X = x, roznica = e, CI_dolna = e - qt(.975, df2) * s, CI_gorna = e + qt(.975, df2) * s)
}
rz <- as.data.frame(t(sapply(seq(min(obc2), max(obc2), by = 0.02), roznica)))
granica2 <- min(rz$X[rz$CI_dolna > 0])          # od jakiego obciążenia grupy różnią się istotnie
round(c(granica_JN = granica2, n_powyzej = sum(obc2 >= granica2), odsetek = mean(obc2 >= granica2)), 3)
round(t(sapply(c(2, 4, 6), roznica)), 2)

# A: dwie linie z pasmami ufności na tle danych (kształt punktu = grupa)
etyk2 <- c(nie = "praca bez zmian", tak = "praca zmianowa")
siatka4 <- expand.grid(obciazenie = seq(min(obc2), max(obc2), length.out = 50), zmianowa = levels(zmianowa))
siatka4 <- cbind(siatka4, predict(m2, siatka4, interval = "confidence"))
pa <- ggplot(siatka4, aes(obciazenie, fit, colour = zmianowa, fill = zmianowa)) +
  geom_point(data = dane2, aes(obciazenie, wyczerpanie, shape = zmianowa), size = 1.6, alpha = 0.55) +
  geom_ribbon(aes(ymin = lwr, ymax = upr), alpha = 0.2, colour = NA) +
  geom_line(aes(linetype = zmianowa), linewidth = 1.1) +
  scale_colour_manual(values = c(nie = kol[["wysoko"]], tak = kol[["nisko"]]), labels = etyk2, name = NULL) +
  scale_fill_manual(values = c(nie = kol[["wysoko"]], tak = kol[["nisko"]]), labels = etyk2, name = NULL) +
  scale_shape_manual(values = c(nie = 16, tak = 17), labels = etyk2, name = NULL) +
  scale_linetype_manual(values = c(nie = "solid", tak = "dashed"), labels = etyk2, name = NULL) +
  scale_x_continuous(breaks = 1:7) + coord_cartesian(ylim = c(0, 40)) +
  labs(x = "Obciążenie pracą (1–7)", y = "Wyczerpanie emocjonalne (0–40)", title = "A. Dwie proste",
       subtitle = sprintf("Nachylenie: %.2f bez zmian, %.2f na zmiany", est[["nie"]], est[["tak"]])) + motyw

# B: różnica między grupami w funkcji obciążenia, z przedziałem ufności
pb <- ggplot(rz, aes(X, roznica)) +
  geom_ribbon(aes(ymin = CI_dolna, ymax = CI_gorna), fill = kol[["szary"]], alpha = 0.4) +
  geom_hline(yintercept = 0, colour = "grey30") +
  geom_vline(xintercept = granica2, linetype = "dashed", colour = "grey20") +
  geom_line(linewidth = 1.1, colour = "grey10") +
  annotate("text", x = granica2 + 0.1, y = -4.5, hjust = 0, size = 3.8,
           label = sprintf("istotna różnica\nod obciążenia %.2f", granica2)) +
  scale_x_continuous(breaks = 1:7) +
  labs(x = "Obciążenie pracą (1–7)", y = "Różnica: zmianowa − bez zmian", title = "B. Różnica grup",
       subtitle = sprintf("Interakcja (różnica nachyleń): b = %.2f, %s", b2[["obciazenie:zmianowatak"]],
                          p_apa(summary(m2)$coefficients["obciazenie:zmianowatak", 4]))) + motyw
p4 <- pa + pb + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p4   # zapis: ggsave("moderacja-wizualizacja-moderator-dwuwartosciowy.svg", p4, width = 9, height = 5.8)
Wynik w R

nie tak 
124  76 
                       Estimate Std. Error t value Pr(>|t|)
(Intercept)             14.6252     1.5708  9.3104   0.0000
obciazenie               1.1366     0.3783  3.0041   0.0030
zmianowatak             -1.0383     2.5167 -0.4125   0.6804
obciazenie:zmianowatak   0.9421     0.6068  1.5527   0.1221
    nachylenie    SE CI_dolna CI_gorna
nie      1.137 0.378    0.390    1.883
tak      2.079 0.474    1.143    3.014
granica_JN  n_powyzej    odsetek 
      3.02     162.00       0.81 
     X roznica CI_dolna CI_gorna
[1,] 2    0.85    -1.90     3.60
[2,] 4    2.73     1.34     4.12
[3,] 6    4.61     1.83     7.40

5. Centrowanie: Rysunek 5

Dane wejściowe: dane, m, nachyl(), kol i motyw z przepisu 1; bez losowania.

Co odczytać: współczynniki obu modeli; wiersz interakcji z obu modeli (identyczny); R² i największą różnicę przewidywań; korelację obciążenia z iloczynem przed centrowaniem i po nim; nachylenie obciążenia przy autonomii 0 i przy średniej.

R
# Rysunek 5. Centrowanie: zmieniają się współczynniki niższego rzędu, interakcja i przewidywania – nie
# (kontynuacja: dane, m, nachyl, kol, motyw z bloku 1; bez losowania)
library(ggplot2)
library(patchwork)

# Ten sam model na zmiennych wycentrowanych (odjęta średnia)
dane$obc_c <- dane$obciazenie - mean(dane$obciazenie)
dane$aut_c <- dane$autonomia - mean(dane$autonomia)
m_c <- lm(wyczerpanie ~ obc_c * aut_c, data = dane)
wsp <- rbind(surowe = coef(m), wycentrowane = coef(m_c))
colnames(wsp) <- c("b0", "b1_obciazenie", "b2_autonomia", "b3_interakcja")
round(wsp, 4)
round(rbind(surowe = summary(m)$coefficients[4, ], wycentrowane = summary(m_c)$coefficients[4, ]), 4)
round(c(R2_surowe = summary(m)$r.squared, R2_wycentrowane = summary(m_c)$r.squared,
        max_roznica_przewidywan = max(abs(fitted(m) - fitted(m_c)))), 6)
# Współliniowość „techniczna”: korelacja X z iloczynem przed i po centrowaniu
round(c(r_X_XW_surowe = cor(dane$obciazenie, dane$obciazenie * dane$autonomia),
        r_X_XW_wycentrowane = cor(dane$obc_c, dane$obc_c * dane$aut_c)), 3)
# b1 to nachylenie X przy W = 0: w modelu surowym przy autonomii 0 (poza skalą 1–7), po centrowaniu – przy średniej
round(rbind(W_0 = nachyl(0), W_srednia = nachyl(mean(dane$autonomia))), 3)

# A: współczynniki z 95% CI w obu modelach
ci <- function(mod, model) {
  s <- summary(mod)$coefficients[-1, ]; k <- confint(mod)[-1, ]
  data.frame(model, wsp = c("b1: obciążenie", "b2: autonomia", "b3: interakcja"),
             est = s[, 1], dolna = k[, 1], gorna = k[, 2])
}
wspd <- rbind(ci(m, "bez centrowania"), ci(m_c, "po centrowaniu"))
wspd$wsp <- factor(wspd$wsp, rev(unique(wspd$wsp)))
pa <- ggplot(wspd, aes(est, wsp, colour = model, shape = model)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_pointrange(aes(xmin = dolna, xmax = gorna), position = position_dodge(width = 0.5), size = 0.6) +
  scale_colour_manual(values = c("bez centrowania" = kol[["nisko"]], "po centrowaniu" = kol[["wysoko"]]), name = NULL) +
  scale_shape_manual(values = c("bez centrowania" = 17, "po centrowaniu" = 16), name = NULL) +
  labs(x = "Współczynnik z 95% CI", y = NULL, title = "A. Współczynniki",
       subtitle = "b1 i b2 się zmieniają, b3 – nie") + motyw

# B: efekt warunkowy X w funkcji autonomii – jedna linia; b1 każdego modelu to inny punkt na tej linii
ef5 <- as.data.frame(t(sapply(seq(0, 7, by = 0.05), nachyl)))
pkt5 <- data.frame(W = c(0, mean(dane$autonomia)), est = c(wsp["surowe", 2], wsp["wycentrowane", 2]),
                   model = c("bez centrowania", "po centrowaniu"))
pkt5 <- cbind(pkt5, t(sapply(pkt5$W, nachyl))[, c("CI_dolna", "CI_gorna")])
pb <- ggplot(ef5, aes(W, nachylenie)) +
  annotate("rect", xmin = min(dane$autonomia), xmax = max(dane$autonomia), ymin = -Inf, ymax = Inf,
           fill = "grey92") +
  annotate("text", x = 4, y = 7.1, label = "zakres danych (1–7)", size = 3.8, colour = "grey30") +
  geom_ribbon(aes(ymin = CI_dolna, ymax = CI_gorna), fill = kol[["szary"]], alpha = 0.35) +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_line(linewidth = 1, colour = "grey10") +
  geom_pointrange(data = pkt5, aes(W, est, ymin = CI_dolna, ymax = CI_gorna, colour = model, shape = model),
                  size = 0.8, linewidth = 1, show.legend = FALSE) +
  scale_colour_manual(values = c("bez centrowania" = kol[["nisko"]], "po centrowaniu" = kol[["wysoko"]]), name = NULL) +
  scale_shape_manual(values = c("bez centrowania" = 17, "po centrowaniu" = 16), name = NULL) +
  scale_x_continuous(breaks = 0:7) +
  labs(x = "Autonomia (moderator)", y = "Efekt obciążenia (nachylenie)", title = "B. Gdzie leży b1",
       subtitle = "b1 to nachylenie przy W = 0") + motyw
p5 <- pa + pb + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p5   # zapis: ggsave("moderacja-wizualizacja-centrowanie.svg", p5, width = 9, height = 5.6)
Wynik w R
                  b0 b1_obciazenie b2_autonomia b3_interakcja
surowe        8.3435        4.2812       1.4469       -0.6767
wycentrowane 19.9272        1.3398      -1.2276       -0.6767
             Estimate Std. Error t value Pr(>|t|)
surowe        -0.6767     0.1689 -4.0064    1e-04
wycentrowane  -0.6767     0.1689 -4.0064    1e-04
              R2_surowe         R2_wycentrowane max_roznica_przewidywan 
               0.267565                0.267565                0.000000 
      r_X_XW_surowe r_X_XW_wycentrowane 
              0.596               0.055 
              W nachylenie    SE     t p CI_dolna CI_gorna
W_0       0.000      4.281 0.779 5.498 0    2.749    5.814
W_srednia 4.346      1.340 0.226 5.930 0    0.895    1.785

6. Symulacja mocy: Rysunek 6

Dane wejściowe: kol i motyw z przepisu 1; 6 liczebności × 1000 badań (set.seed(596)).

Co odczytać: odsetek p < .05 dla efektu obciążenia i interakcji przy każdej liczebności (moc); największy błąd Monte Carlo odsetka; przy 100 osobach – moc, średnie oszacowanie interakcji ze wszystkich badań i z istotnych oraz ich stosunek do prawdziwej wartości.

R
# Rysunek 6. Moc testu interakcji i efektu obciążenia: 1000 badań przy każdym n
# (kontynuacja: kol, motyw z bloku 1; parametry populacji te same co w bloku 1, własne losowanie)
library(ggplot2)
library(patchwork)

# Populacja jak w bloku 1: nachylenie X przy średniej W = 1.5, b2 = −1.0, interakcja = −0.6, SD błędu = 5
b_x <- 1.5; b_w <- -1.0; b_xw <- -0.6; sd_e <- 5
jedno_badanie <- function(n) {
  z1 <- rnorm(n); z2 <- rnorm(n)
  x <- 4 + 1.2 * z1; w <- 4.2 + 1.3 * (-0.2 * z1 + sqrt(1 - 0.2^2) * z2)
  y <- 20 + b_x * (x - 4) + b_w * (w - 4.2) + b_xw * (x - 4) * (w - 4.2) + rnorm(n, 0, sd_e)
  xc <- x - mean(x); wc <- w - mean(w)
  s <- summary(lm(y ~ xc * wc))$coefficients
  c(b1 = s["xc", 1], p_b1 = s["xc", 4], b3 = s["xc:wc", 1], p_b3 = s["xc:wc", 4])
}
liczebnosci <- c(50, 100, 150, 200, 300, 500)
R <- 1000                                        # 1000 badań przy każdej liczebności
set.seed(596)                                    # ziarno ustalone raz, bez dobierania pod wynik
sym <- lapply(liczebnosci, function(n) t(replicate(R, jedno_badanie(n))))
names(sym) <- liczebnosci
moc <- data.frame(n = liczebnosci,
                  efekt_obciazenia = sapply(sym, function(s) mean(s[, "p_b1"] < .05)),
                  interakcja = sapply(sym, function(s) mean(s[, "p_b3"] < .05)))
moc
round(sqrt(0.5 * 0.5 / R), 4)                    # największy błąd Monte Carlo odsetka (przy mocy .50)

# Przy n = 100: oszacowania interakcji w badaniach istotnych i nieistotnych
s100 <- as.data.frame(sym[["100"]])
s100$wynik <- factor(ifelse(s100$p_b3 < .05, "p < .05", "p ≥ .05"), c("p < .05", "p ≥ .05"))
round(c(moc = mean(s100$p_b3 < .05), sr_b3_wszystkie = mean(s100$b3),
        sr_b3_istotne = mean(s100$b3[s100$p_b3 < .05]),
        przeszacowanie = mean(s100$b3[s100$p_b3 < .05]) / b_xw), 3)

# A: krzywe mocy z ±2 błędami Monte Carlo
md <- rbind(data.frame(n = moc$n, moc = moc$efekt_obciazenia, efekt = "efekt obciążenia (b1)"),
            data.frame(n = moc$n, moc = moc$interakcja, efekt = "interakcja (b3)"))
md$se <- sqrt(md$moc * (1 - md$moc) / R)
pa <- ggplot(md, aes(n, moc, colour = efekt, shape = efekt, linetype = efekt)) +
  geom_hline(yintercept = 0.8, colour = "grey50", linetype = "dotted") +
  geom_line(linewidth = 1) +
  geom_pointrange(aes(ymin = moc - 2 * se, ymax = moc + 2 * se), size = 0.5) +
  scale_colour_manual(values = c(kol[["srednio"]], kol[["nisko"]]), name = NULL) +
  scale_shape_manual(values = c(16, 17), name = NULL) +
  scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
  scale_x_continuous(breaks = liczebnosci) + scale_y_continuous(breaks = seq(0, 1, .2)) + coord_cartesian(ylim = c(0, 1.01)) +
  guides(colour = guide_legend(ncol = 1)) +
  labs(x = "Liczebność próby (n)", y = "Moc (odsetek p < .05)", title = "A. Moc w 1000 badań",
       subtitle = "Kropkowana linia: moc .80") + motyw

# B: rozkład 1000 oszacowań interakcji przy n = 100; istotne (wypełnione) są średnio przesadzone
pb <- ggplot(s100, aes(b3, fill = wynik)) +
  geom_histogram(binwidth = 0.05, boundary = 0, colour = "white", linewidth = 0.2) +
  geom_vline(xintercept = b_xw, linewidth = 1, colour = "grey10") +
  geom_vline(xintercept = mean(s100$b3[s100$p_b3 < .05]), linewidth = 1, linetype = "dashed", colour = kol[["nisko"]]) +
  annotate("label", x = b_xw + 0.05, y = Inf, vjust = 1.2, hjust = 0, size = 3.6, linewidth = 0, fill = "white",
           label = "prawdziwa\ninterakcja") +
  scale_fill_manual(values = c("p < .05" = kol[["nisko"]], "p ≥ .05" = "grey75"), name = NULL) +
  labs(x = "Oszacowanie interakcji b3", y = "Liczba badań", title = "B. Oszacowania b3 przy n = 100",
       subtitle = "Przerywana: średnia z badań istotnych") + motyw + theme(legend.position = "bottom")
p6 <- pa + pb & theme(legend.position = "bottom")
p6   # zapis: ggsave("moderacja-wizualizacja-moc-interakcji.svg", p6, width = 9, height = 5.8)
Wynik w R
      n efekt_obciazenia interakcja
50   50            0.629      0.237
100 100            0.907      0.465
150 150            0.985      0.599
200 200            0.998      0.724
300 300            1.000      0.910
500 500            1.000      0.983
[1] 0.0158
            moc sr_b3_wszystkie   sr_b3_istotne  przeszacowanie 
          0.465          -0.601          -0.877           1.462 

7. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: pary kolorów użyte na rysunkach, krańce skali Viridis i – dla porównania – para czerwony–zielony.

Co odczytać: odległość barw ΔE w przestrzeni CIELAB przy typowym widzeniu oraz po symulacji deuteranopii i protanopii; im mniejsza, tym trudniej odróżnić kolory. Na rysunkach kolor nigdy nie jest jedynym nośnikiem informacji – towarzyszą mu kształt punktu, rodzaj linii albo etykieta.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("cynober – niebieski (niska / wysoka autonomia; zmianowa / bez zmian)" = c("#D55E00", "#0072B2"),
             "cynober – czarny (niska / średnia autonomia; interakcja / b1)" = c("#D55E00", "#262626"),
             "niebieski – szary (efekt istotny / przedział obejmuje zero)" = c("#0072B2", "#999999"),
             "cynober – jasnoszary (p < .05 / p ≥ .05)" = c("#D55E00", "#BFBFBF"),
             "Viridis: koniec skali – początek skali" = sequential_hcl(2, "Viridis"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                                                     widzenie_typowe
cynober – niebieski (niska / wysoka autonomia; zmianowa / bez zmian)           114.6
cynober – czarny (niska / średnia autonomia; interakcja / b1)                   86.0
niebieski – szary (efekt istotny / przedział obejmuje zero)                     44.9
cynober – jasnoszary (p < .05 / p ≥ .05)                                        80.1
Viridis: koniec skali – początek skali                                         143.1
czerwony – zielony (do unikania)                                               121.7
                                                                     deuteranopia
cynober – niebieski (niska / wysoka autonomia; zmianowa / bez zmian)        108.3
cynober – czarny (niska / średnia autonomia; interakcja / b1)                75.9
niebieski – szary (efekt istotny / przedział obejmuje zero)                  48.9
cynober – jasnoszary (p < .05 / p ≥ .05)                                     65.5
Viridis: koniec skali – początek skali                                      128.9
czerwony – zielony (do unikania)                                             21.1
                                                                     protanopia
cynober – niebieski (niska / wysoka autonomia; zmianowa / bez zmian)       91.9
cynober – czarny (niska / średnia autonomia; interakcja / b1)              62.8
niebieski – szary (efekt istotny / przedział obejmuje zero)                40.6
cynober – jasnoszary (p < .05 / p ≥ .05)                                   61.5
Viridis: koniec skali – początek skali                                    143.7
czerwony – zielony (do unikania)                                           31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Modele regresji, przedziały ufności, przewidywania i losowania – pakiet stats; otoczka wypukła – funkcja chull() pakietu grDevices. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite; skalę barw mapy przewidywań i kontrolę palety wykonano pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze błędy

  • Tylko trzy linie przy ±1 SD bez danych w tle. Wartości ±1 SD są umowne, a bez punktów nie widać, gdzie są obserwacje (rysunki 1 i 2).
  • „Efekt nieistotny przy wysokim W”, więc „moderacja potwierdzona”. O moderacji świadczy test interakcji, nie różnica istotności efektów prostych (rysunek 4).
  • Interpretowanie b1 z modelu bez centrowania jako „efektu głównego”. To nachylenie przy W = 0, często poza skalą (rysunek 5).
  • Liczebność dobrana pod efekt główny. Interakcja potrzebowała tu około trzy razy więcej osób (rysunek 6).

Najczęstsze pytania

Który wykres moderacji wybrać do pracy: proste nachylenia czy wykres Johnsona–Neymana?

Proste nachylenia przy trzech wartościach moderatora dobrze pokazują kształt interakcji na tle danych. Wykres efektu warunkowego z 95% przedziałem pokazuje efekt przy każdej wartości moderatora i to, od jakiej wartości przestaje być istotny. W przykładzie trzy linie sugerowały „brak efektu przy wysokiej autonomii”, a wykres Johnsona–Neymana pokazał granicę 5.48, poniżej której było 237 z 300 osób. Do Wyników zwykle wystarczy jeden z nich, drugi do aneksu.

Dlaczego nachylenie przy +1 SD moderatora jest nieistotne, skoro interakcja jest istotna?

Bo to dwa różne pytania. Test interakcji sprawdza, czy nachylenie zmienia się wraz z moderatorem, a test prostego nachylenia – czy w danym punkcie różni się od zera. W przykładzie interakcja miała p < .001, a nachylenie przy +1 SD autonomii wynosiło 0.43, p = .168. Wybór punktu ±1 SD jest umowny, dlatego lepiej podać wartości ważne merytorycznie albo cały obszar istotności.

Czy po wycentrowaniu predyktorów zmieni się wynik testu interakcji?

Nie. W przykładzie współczynnik interakcji (−0.68), jego t (−4.01), R² (.268) i wszystkie przewidywane wartości były identyczne przed centrowaniem i po nim. Zmieniły się tylko współczynniki niższego rzędu: współczynnik obciążenia spadł z 4.28 do 1.34, bo przed centrowaniem oznaczał nachylenie przy autonomii równej 0, czyli poza skalą 1–7.

Dlaczego do wykrycia interakcji potrzeba większej próby niż do wykrycia efektu głównego?

Bo efekt interakcji jest zwykle mniejszy i szacowany mniej precyzyjnie. W symulacji 1000 badań przy każdej liczebności test efektu obciążenia osiągnął moc .91 przy 100 osobach, a test interakcji z tej samej populacji – .47; moc .91 interakcja osiągnęła dopiero przy 300 osobach. Istotne oszacowania interakcji przy 100 osobach były przy tym średnio o 46% większe od prawdziwej wartości.

Czy obszar Johnsona–Neymana dowodzi moderacji, gdy sam test interakcji jest nieistotny?

Nie. W przykładzie z pracą zmianową różnica nachyleń wyniosła 0.94, p = .122, a mimo to różnica grup była istotna od obciążenia 3.02 w górę. Obszar istotności mówi, gdzie efekt warunkowy różni się od zera, a nie, że efekt zmienia się wraz z moderatorem. Wnioskuj o moderacji z testu interakcji, a obszar traktuj jako opis.

Powiązane hasła

Przeczytaj też

Masz hipotezę moderacyjną i nie wiesz, jak ją pokazać?

Pomożemy oszacować model z interakcją, wybrać wartości moderatora, wyznaczyć obszar Johnsona–Neymana i przygotować wykres z opisem, który obronisz przed promotorem i recenzentem.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
  2. Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
  3. Bauer, D. J., & Curran, P. J. (2005). Probing interactions in fixed and multilevel regression: Inferential and graphical techniques. Multivariate Behavioral Research, 40(3), 373–400. https://doi.org/10.1207/s15327906mbr4003_5 ● Otwarty dostęp
  4. Dalal, D. K., & Zickar, M. J. (2012). Some common myths about centering predictor variables in moderated multiple regression and polynomial regression. Organizational Research Methods, 15(3), 339–362. https://doi.org/10.1177/1094428111430540
  5. Hainmueller, J., Mummolo, J., & Xu, Y. (2019). How much should we trust estimates from multiplicative interaction models? Simple tools to improve empirical practice. Political Analysis, 27(2), 163–192. https://doi.org/10.1017/pan.2018.46 ● Otwarty dostęp
  6. McClelland, G. H., & Judd, C. M. (1993). Statistical difficulties of detecting interactions and moderator effects. Psychological Bulletin, 114(2), 376–390. https://doi.org/10.1037/0033-2909.114.2.376
  7. Spiller, S. A., Fitzsimons, G. J., Lynch, J. G., Jr., & McClelland, G. H. (2013). Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression. Journal of Marketing Research, 50(2), 277–288. https://doi.org/10.1509/jmr.12.0420

Cytowania BibTeX

@book{aiken1991multiple, author={Aiken, Leona S. and West, Stephen G.}, title={{Multiple regression: Testing and interpreting interactions}}, year={1991}, publisher={Sage}}
@article{baron1986moderator, author={Baron, Reuben M. and Kenny, David A.}, title={{The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations}}, journal={Journal of Personality and Social Psychology}, year={1986}, volume={51}, number={6}, pages={1173--1182}, doi={10.1037/0022-3514.51.6.1173}}
@article{bauer2005probing, author={Bauer, Daniel J. and Curran, Patrick J.}, title={{Probing interactions in fixed and multilevel regression: Inferential and graphical techniques}}, journal={Multivariate Behavioral Research}, year={2005}, volume={40}, number={3}, pages={373--400}, doi={10.1207/s15327906mbr4003_5}}
@article{dalal2012some, author={Dalal, Dev K. and Zickar, Michael J.}, title={{Some common myths about centering predictor variables in moderated multiple regression and polynomial regression}}, journal={Organizational Research Methods}, year={2012}, volume={15}, number={3}, pages={339--362}, doi={10.1177/1094428111430540}}
@article{hainmueller2019how, author={Hainmueller, Jens and Mummolo, Jonathan and Xu, Yiqing}, title={{How much should we trust estimates from multiplicative interaction models? Simple tools to improve empirical practice}}, journal={Political Analysis}, year={2019}, volume={27}, number={2}, pages={163--192}, doi={10.1017/pan.2018.46}}
@article{mcclelland1993statistical, author={McClelland, Gary H. and Judd, Charles M.}, title={{Statistical difficulties of detecting interactions and moderator effects}}, journal={Psychological Bulletin}, year={1993}, volume={114}, number={2}, pages={376--390}, doi={10.1037/0033-2909.114.2.376}}
@article{spiller2013spotlights, author={Spiller, Stephen A. and Fitzsimons, Gavan J. and Lynch, Jr., John G. and McClelland, Gary H.}, title={{Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression}}, journal={Journal of Marketing Research}, year={2013}, volume={50}, number={2}, pages={277--288}, doi={10.1509/jmr.12.0420}}
R