Interakcja międzypoziomowa – gdy cecha grupy zmienia efekt na poziomie osób

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 27 października 2026

Co to jest interakcja międzypoziomowa?

Interakcja międzypoziomowa (ang. cross-level interaction) to sytuacja, w której zmienna poziomu 2 (cecha grupy) zmienia siłę związku między predyktorem poziomu 1 (cechą osoby) a zmienną zależną. Jest to moderacja w modelu wielopoziomowym: cecha oddziału, szkoły lub zespołu wyjaśnia, dlaczego nachylenia różnią się między grupami. Aguinis i in. (2013) opisują ją jako główne narzędzie sprawdzania, czy kontekst wyższego poziomu moderuje związki między zmiennymi indywidualnymi. Nie myl jej z efektem kontekstowym, który dotyczy różnicy między efektem wewnątrz grup a efektem między grupami.

Jak zbudować model

• Predyktor poziomu 1 wycentruj w grupach, a moderator poziomu 2 do średniej ogólnej. Sposób centrowania zmienia interpretację nachyleń (Enders i Tofighi, 2007), a centrowanie w grupach chroni przed mieszaniem efektu wewnątrz- i międzygrupowego.
• Dodaj losowe nachylenie predyktora poziomu 1. Heisig i Schaeffer (2019) pokazali, że bez niego test interakcji jest wyraźnie zbyt liberalny.
• Dodaj iloczyn obu zmiennych: w lme4 y ~ x_c * z_c + (1 + x_c | grupa).
• Zinterpretuj interakcję przez proste nachylenia przy niskich i wysokich wartościach moderatora.

Przykład

W danych symulowanych 600 pielęgniarek z 50 oddziałów oceniało obciążenie pracą i wypalenie, a każdy oddział miał jedną wartość wsparcia przełożonej. Średnio jeden punkt obciążenia wiązał się z wypaleniem wyższym o 0.344. Interakcja była ujemna: γ₁₁ = −0.114, SE = 0.026, t(50.3) = −4.39, p < .001. Przy wsparciu o 1 SD niższym od średniej nachylenie wynosiło 0.473, a przy wyższym o 1 SD – 0.214. Wsparcie wyjaśniło 45.6% wariancji nachyleń. Bez losowego nachylenia błąd standardowy spadł do 0.020, a stopnie swobody wzrosły z 50 do 548.

Jak opisać w pracy

Na co uważać

• Zaplanuj moc przed badaniem. Aguinis i in. (2013) omawiają jej obliczanie; zwykle ogranicza ją liczba grup, a nie osób.
• Interakcja jest symetryczna. Można ją opisać jako wpływ wsparcia na nachylenie obciążenia albo odwrotnie; wybierz opis zgodny z teorią.
• Brak istotnej wariancji nachyleń nie zakazuje testu interakcji, ale losowe nachylenie i tak zostaw w modelu.

Interakcję w modelu z mediatorem pokazuje wpis Mediacja wielopoziomowa w R, a predyktory czasu i poziomu osoby – Modele wzrostu w lme4.

suppressPackageStartupMessages(library(lmerTest))
set.seed(3081)
J <- 50; nj <- 12                                            # 50 oddziałów po 12 pielęgniarek
oddzial <- factor(rep(1:J, each = nj))
wsparcie <- round(rnorm(J, 4, 1), 1)                         # wsparcie przełożonej (1 wartość na oddział)
wsp_c <- (wsparcie - mean(wsparcie))[oddzial]                # centrowanie do średniej ogólnej
obc <- round(rnorm(J * nj, 5, 1.5), 1)                       # obciążenie pracą (skala 0–10)
obc_c <- obc - ave(obc, oddzial)                             # centrowanie w obrębie oddziału
u0 <- rnorm(J, 0, 0.5); u1 <- rnorm(J, 0, 0.15)
wypalenie <- 3 + u0[oddzial] + (0.35 - 0.12 * wsp_c + u1[oddzial]) * obc_c +
             rnorm(J * nj, 0, 0.8)
m_bez <- lmer(wypalenie ~ obc_c + (1 + obc_c | oddzial))      # model bez moderatora
m_int <- lmer(wypalenie ~ obc_c * wsp_c + (1 + obc_c | oddzial))
round(summary(m_int)$coefficients, 3)
v <- function(m) attr(VarCorr(m)$oddzial, "stddev")[["obc_c"]]^2
round(c(var_nachylen_bez = v(m_bez), var_nachylen_z = v(m_int),
        wyjasnione = 1 - v(m_int) / v(m_bez)), 3)               # część wariancji nachyleń wyjaśniona
m_zle <- lmer(wypalenie ~ obc_c * wsp_c + (1 | oddzial))      # błąd: brak losowego nachylenia
round(rbind(z_losowym_nachyleniem   = summary(m_int)$coefficients["obc_c:wsp_c", ],
            bez_losowego_nachylenia = summary(m_zle)$coefficients["obc_c:wsp_c", ]), 3)

            Estimate Std. Error     df t value Pr(>|t|)
(Intercept)    2.931      0.076 48.001  38.528     0.00
obc_c          0.344      0.029 47.098  11.907     0.00
wsp_c          0.104      0.068 48.001   1.539     0.13
obc_c:wsp_c   -0.114      0.026 50.348  -4.391     0.00
var_nachylen_bez   var_nachylen_z       wyjasnione 
           0.032            0.017            0.456 
                        Estimate Std. Error      df t value Pr(>|t|)
z_losowym_nachyleniem     -0.114      0.026  50.348  -4.391        0
bez_losowego_nachylenia   -0.112      0.020 548.000  -5.556        0

Najczęstsze pytania

Czy do interakcji międzypoziomowej potrzebne jest losowe nachylenie?

Tak. Heisig i Schaeffer (2019) pokazali, że bez losowego nachylenia predyktora poziomu 1 błąd standardowy interakcji jest zaniżony, a wyniki istotne zbyt często.

Jak opisać siłę interakcji międzypoziomowej?

Podaj współczynnik interakcji z SE i p, proste nachylenia przy niskiej i wysokiej wartości moderatora oraz część wariancji nachyleń wyjaśnioną przez moderator.

Czym interakcja międzypoziomowa różni się od efektu kontekstowego?

Interakcja mówi, że związek na poziomie osób zależy od cechy grupy. Efekt kontekstowy mówi, że średnia grupy ma inny związek z wynikiem niż indywidualna wartość osoby.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{aguinis2013best, author={Aguinis, Herman and Gottfredson, Ryan K. and Culpepper, Steven Andrew}, title={{Best-practice recommendations for estimating cross-level interaction effects using multilevel modeling}}, journal={Journal of Management}, year={2013}, volume={39}, number={6}, pages={1490--1528}, doi={10.1177/0149206313478188}}

@article{enders2007centering, author={Enders, Craig K. and Tofighi, Davood}, title={{Centering predictor variables in cross-sectional multilevel models: A new look at an old issue}}, journal={Psychological Methods}, year={2007}, volume={12}, number={2}, pages={121--138}, doi={10.1037/1082-989x.12.2.121}}

@article{heisig2019why, author={Heisig, Jan Paul and Schaeffer, Merlin}, title={{Why you should always include a random slope for the lower-level variable involved in a cross-level interaction}}, journal={European Sociological Review}, year={2019}, volume={35}, number={2}, pages={258--279}, doi={10.1093/esr/jcy053}}