Efekt interakcji

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Efekt interakcji?

Efekt interakcji jest parametrem lub kontrastem w konkretnym modelu, który opisuje zmianę jednego efektu wraz z poziomem drugiej zmiennej.

Co odróżnia to pojęcie? Efekt interakcji jest konkretnym parametrem lub testem w wybranym modelu. W ANOVA może nim być składnik A × B, a w regresji współczynnik iloczynu predyktorów. Zawsze zależy od kodowania, skali i pozostałych składników równania. Nie jest synonimem każdego przypadku, w którym dwie zmienne „działają razem”; trzeba podać model, kontrasty i przewidywane wartości.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Testuj konkretny parametr interakcji i przedstawiaj efekty proste lub przewidywania dla merytorycznie wybranych wartości moderatora.

Wynik należy odczytywać jako różnicę efektów warunkowych, a nie jako osobny „wpływ” oderwany od modelu. Po oszacowaniu składnika interakcyjnego oblicz przewidywane wartości lub nachylenia proste dla merytorycznie wybranych poziomów moderatora i pokaż je na wykresie z przedziałami ufności.

Jak to się oblicza i co oznaczają symbole?

Y = b₀ + b₁X + b₂Z + b₃XZ + e

b₃ mierzy, o ile zmienia się nachylenie X→Y przy wzroście Z o jednostkę. Gdy b₃ ≠ 0, efekt X nie ma jednej wspólnej wartości dla wszystkich poziomów Z. Współczynniki b₁ i b₂ dotyczą wartości zero drugiej zmiennej, dlatego centrowanie wpływa na ich interpretację, ale nie usuwa interakcji.

Jak poprawnie stosować i interpretować hasło „Efekt interakcji”?

Przy ocenie pojęcia „Efekt interakcji” najpierw ustala się czynnik, zmienną wynikową oraz to, czy obserwacje w komórkach planu są niezależne, sparowane czy powtarzane. W odniesieniu do hasła „Efekt interakcji” następnie trzeba rozdzielić pytanie o efekt ogólny od porównań konkretnych poziomów. Przy ocenie hasła „Efekt interakcji” średnie i wykres interakcji są potrzebne do zrozumienia kierunku wyniku; sama statystyka F nie pokazuje, które grupy się różnią ani czy różnica ma znaczenie praktyczne.

Ocena pojęcia „Efekt interakcji” powinna uwzględniać rozkład reszt, zachowanie wariancji, obserwacje wpływowe i strukturę projektu. W analizie dotyczącej hasła „Efekt interakcji” przy nierównych wariancjach sensowny może być wariant Welcha, a przy pomiarach powtarzanych korekta stopni swobody albo model mieszany. Dla interpretacji hasła „Efekt interakcji” testy post-hoc dobiera się do zaplanowanych porównań i kontroluje ich łączny błąd, zamiast uruchamiać wszystkie możliwe pary.

Co trzeba opisać w raporcie?

Wynik odnoszący się do „Efekt interakcji” powinien łączyć statystykę testową i stopnie swobody z wartościami p, miarą efektu oraz jej przedziałem ufności. W odniesieniu do hasła „Efekt interakcji” obok należy podać liczebności, średnie i miary zmienności dla porównywanych warunków, a w modelu z interakcją także efekty proste lub przewidywane średnie marginalne.

Zakres raportowania dla hasła „Efekt interakcji”: Podaj współczynnik interakcji z CI oraz efekty proste lub przewidywania dla sensownych poziomów moderatora.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Współczynnik X × Z wyniósł B = −0.18, co oznaczało słabnięcie związku obciążenia ze stresem wraz ze wzrostem wsparcia; pokazano nachylenia przy trzech wartościach Z.

Jak ją zinterpretować: Wynik oznacza, że wpływ lub związek jednej zmiennej zmienia się wraz z poziomem drugiej. Sens efektu najlepiej pokazują przewidywane wartości, nachylenia proste i zakres moderatora faktycznie obecny w danych.

Najczęstsza pułapka i granica interpretacji

Współczynnik interakcji zależy od kodowania i centrowania, więc pokaż przewidywane wartości.

Wniosek o „Efekt interakcji” ogranicza konkretny układ czynników i badana populacja. W analizie dotyczącej hasła „Efekt interakcji” istotny efekt ogólny nie upoważnia do dowolnego wskazania par różniących się między sobą, a nieistotny wynik nie dowodzi równoważności poziomów.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2013).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}

@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}

@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}