Słownik metodologiczny · Zależności i efekty

Interakcja zmiennych – co znaczy „to zależy” i jak sformułować hipotezę interakcyjną?

Interakcja zmiennych zachodzi, gdy wpływ jednej zmiennej zależy od wartości innej. Wyjaśniamy, czym interakcja różni się od moderacji i efektu interakcji, pokazujemy klasyczne przykłady z psychologii oraz uczymy formułować i rysować hipotezy interakcyjne.

Strona główna / Słownik / Interakcja zmiennych
W skrócie: Interakcja zmiennych zachodzi, gdy wpływ jednej zmiennej na wynik zależy od wartości drugiej – to statystyczna postać odpowiedzi „to zależy”. Interakcja jest symetryczna; gdy teoria przypisuje zmiennym role predyktora i moderatora, mówimy o moderacji, a parametr modelu, który ją testuje, to efekt interakcji. Formułując hipotezę, określ kształt interakcji i przewidywane efekty proste, a przewidywany wzór narysuj, zanim zbierzesz dane.

Co to jest interakcja zmiennych?

Interakcja zmiennych (ang. interaction) zachodzi wtedy, gdy wpływ jednej zmiennej na wynik – albo jej związek z wynikiem – zależy od wartości innej zmiennej. To statystyczny zapis odpowiedzi „to zależy”, którą psychologia daje zaskakująco często: terapia pomaga jednym pacjentom bardziej niż innym, stres szkodzi głównie osobom podatnym, ta sama sytuacja mobilizuje jedną osobę, a paraliżuje drugą. W języku modeli brak interakcji oznacza addytywność – wpływy zmiennych po prostu się sumują. Interakcja to odejście od tej prostej sumy.

Interakcji nie należy mylić z trzema zjawiskami, które łatwo z nią pomylić:

  • z korelacją predyktorów – zmienne mogą wchodzić w interakcję, choć w ogóle ze sobą nie korelują, i mogą silnie korelować bez żadnej interakcji;
  • z mediacją – mediator przenosi wpływ X na Y („dlaczego?”), a interakcja mówi, kiedy i u kogo ten wpływ jest inny;
  • z dwoma efektami głównymi – to, że oba czynniki wpływają na wynik, nie oznacza jeszcze interakcji; mówimy o niej dopiero wtedy, gdy wpływ jednego zmienia się wraz z drugim (zob. efekt główny).

Interakcja, moderacja, efekt interakcji – jak mówić?

Pojęcia zebrane w tabeli opisują tę samą strukturę danych z różnych perspektyw. Warto używać ich świadomie, bo recenzent czy promotor odczyta z nich, co dokładnie twierdzisz.

Porównanie pojęć: interakcja zmiennych, efekt interakcji, moderacja, efekt prosty i efekt główny
TerminCo oznaczaGdzie więcej
Interakcja zmiennychZjawisko: wpływ jednej zmiennej zależy od drugiej; ujęcie symetryczne, żadna zmienna nie ma wyróżnionej rolito hasło
Efekt interakcjiParametr modelu: składnik A × B w ANOVA albo współczynnik iloczynu w regresji, z własnym testemefekt interakcji
ModeracjaInterakcja z rolami nadanymi przez teorię: predyktor X i moderator W, który zmienia związek X z Y; pytania „kiedy?” i „dla kogo?”moderacja, analiza moderacji krok po kroku
Efekt prosty (warunkowy)Efekt jednej zmiennej przy ustalonej wartości drugiejefekty proste w ANOVA
Efekt głównyEfekt jednej zmiennej uśredniony po wartościach drugiejefekt główny

Matematycznie interakcja jest symetryczna: jeśli efekt X zależy od W, to efekt W zależy od X w tym samym stopniu. Kto jest „moderatorem”, rozstrzyga teoria, a nie dane. Kraemer i in. (2002), pisząc o badaniach klinicznych, ujmują to tak: moderatory wskazują, u kogo i w jakich okolicznościach leczenie działa inaczej, a mediatory – dlaczego i jak działa. Polskojęzyczny przegląd analizy interakcji zmiennych kategorialnych i ciągłych, z przykładami w SPSS, przygotował Sosnowski (2010).

Interakcje w badaniach psychologicznych

Hipotezy interakcyjne wyrastają z kilku klasycznych tradycji badawczych. Trzy z nich ilustruje rysunek 1.

Trzy schematy hipotez interakcyjnych. A: diateza–stres – objawy rosną ze stresem głównie u osób o wysokiej podatności. B: zróżnicowana wrażliwość – osoby wysoko wrażliwe radzą sobie gorzej w środowisku niekorzystnym i lepiej we wspierającym, linie się przecinają. C: sygnatura jeśli–to – dwie osoby o tej samej średniej złości reagują odwrotnie na krytykę przełożonego i odrzucenie przez znajomych
Rysunek 1. Przewidywane wzory w trzech typach hipotez interakcyjnych (schemat, wartości umowne). A: diateza–stres – wzór porządkujący, efekt stresu silniejszy u osób podatnych. B: zróżnicowana wrażliwość – wzór krzyżowy. C: sygnatura „jeśli–to” – dwie osoby o tej samej średniej różnią się profilem reakcji na sytuacje. Rysunek: R (schemat bez danych).
  • Podatność × środowisko. Model diateza–stres przewiduje, że niekorzystne warunki szkodzą głównie osobom podatnym (rysunek 1A). Belsky i Pluess (2009) zebrali dowody, że niektóre cechy działają raczej jak „czynniki plastyczności”: osoby wrażliwe gorzej radzą sobie w złym środowisku, ale silniej korzystają z dobrego (rysunek 1B). Obie teorie przewidują interakcję, ale o innym kształcie – i właśnie kształt je rozróżnia. Widaman i in. (2012) pokazali, jak to sprawdzić: w ich danych punkt przecięcia linii leżał blisko średniej miary środowiska, co wspierało model zróżnicowanej wrażliwości.
  • Osoba × sytuacja. Mischel i Shoda (1995) opisali osobowość jako system, który ujawnia się w stałych wzorcach typu „jeśli A, to X, ale jeśli B, to Y”. Dwie osoby o tej samej przeciętnej złości mogą reagować odwrotnie na różne sytuacje (rysunek 1C) – sama średnia ukryłaby tę różnicę.
  • Leczenie × cecha pacjenta. W badaniach klinicznych pytanie „dla kogo ta terapia działa lepiej?” to pytanie o interakcję warunku eksperymentalnego z cechą zmierzoną przed badaniem (Kraemer i in., 2002).
  • Czynnik × czynnik. W eksperymentach czynnikowych badacz manipuluje dwiema zmiennymi naraz, np. presją czasu i trudnością zadania – przykład liczbowy znajdziesz w haśle efekt interakcji.

Od rodzaju zmiennych zależy, co wolno wywnioskować z interakcji:

Interpretacja interakcji w zależności od tego, czy zmienne były manipulowane, czy mierzone
Układ zmiennychPrzykładCo mówi interakcja
Dwa czynniki manipulowanePresja czasu × trudność zadaniaWpływ jednej manipulacji zależy od drugiej – interpretacja przyczynowa dla obu czynników
Czynnik manipulowany × cecha zmierzonaRodzaj terapii × nasilenie objawów na starcieEfekt terapii jest przyczynowy w każdej podgrupie, ale różnica między podgrupami może wynikać z innych cech, które współwystępują z nasileniem objawów
Dwie zmienne zmierzoneStres × wsparcie społeczneZwiązek stresu z wynikiem jest inny przy różnym wsparciu; to opis warunkowego związku, a nie dowód mechanizmu

Jak sformułować hipotezę interakcyjną

Hipoteza „X i W wejdą w interakcję” jest prawie pusta: zgadza się z nią każdy wzór, w którym linie nie są równoległe. Dobra hipoteza badawcza o interakcji odpowiada na pięć pytań:

  1. Czyj efekt zależy od czego? Nazwij zmienną, której efekt badasz (X), zmienną warunkującą (W) i wynik (Y).
  2. Jaki kształt? Wzmocnienie, osłabienie, zanik czy odwrócenie efektu (interakcja porządkująca albo krzyżowa).
  3. Jakie efekty proste? Podaj przewidywany kierunek i rząd wielkości efektu X przy niskim i wysokim W.
  4. W jakim zakresie? Wskaż wartości moderatora, przy których hipoteza ma sens (np. tylko u osób z objawami klinicznymi).
  5. Jak to sprawdzisz? Zaplanuj test iloczynu, analizę efektów prostych i liczebność próby – interakcje wymagają dużych prób (zob. moc testu interakcji). Zapisz plan w prerejestracji.
Przykłady źle i dobrze sformułowanych hipotez interakcyjnych
ŹleDobrze
„Wsparcie społeczne wpływa na związek stresu z dobrostanem.”„Im wyższe wsparcie społeczne, tym słabszy ujemny związek stresu z dobrostanem; przy wysokim wsparciu związek pozostanie ujemny, ale słabszy.”
„Wiek i trening pamięci wejdą w interakcję.”„Trening poprawi wynik testu pamięci u osób starszych, a u osób młodszych jego efekt będzie bliski zera.”
„Sprawdzimy, czy interakcja lęku i sytuacji jest istotna.”„Sytuacja oceniająca poprawi wynik osób o niskim lęku i pogorszy wynik osób o wysokim lęku (interakcja krzyżowa).”

Jak pokazać interakcję na wykresie

Narysuj przewidywany wzór, zanim zbierzesz dane – wtedy widać, czy hipoteza w ogóle przewiduje interakcję i jaki ma ona kształt. Rysunek 2 pokazuje hipotetyczne średnie dla ostatniej hipotezy z tabeli: osoby o niskim i wysokim lęku jako cesze wykonują zadanie w sytuacji neutralnej albo oceniającej.

Te same cztery hipotetyczne średnie na dwóch wykresach: niski lęk 70 i 74, wysoki lęk 68 i 60. Gdy na osi X jest sytuacja, linie lęku się nie przecinają (efekt lęku −2 i −14). Gdy na osi X jest lęk, linie sytuacji się przecinają (efekt sytuacji +4 i −8)
Rysunek 2. Te same cztery przewidywane średnie wyniku zadania na dwóch wykresach. A: na osi X sytuacja, linie oznaczają poziom lęku – linie się nie przecinają, bo efekt lęku ma w obu sytuacjach ten sam znak. B: na osi X lęk, linie oznaczają sytuację – linie się przecinają, bo efekt sytuacji zmienia znak. Rysunek: R (wartości hipotetyczne).

Na obu wykresach jest ta sama interakcja: różnica różnic wynosi −12 punktów niezależnie od tego, czy liczymy ją jako (−8) − (+4) dla efektu sytuacji, czy jako (−14) − (−2) dla efektu lęku. Wykres A sugeruje jednak interakcję porządkującą, a wykres B – krzyżową. Określenia „porządkująca” i „krzyżowa” dotyczą więc konkretnego efektu: tu efekt sytuacji zmienia znak, a efekt lęku nie. Praktyczne zasady:

  • na osi X umieść zmienną, której efekt jest przedmiotem hipotezy, a moderator pokaż jako osobne linie – w naszej hipotezie interesuje nas efekt sytuacji, więc właściwy jest wykres B;
  • gdy hipoteza dotyczy obu efektów, pokaż oba widoki albo opisz oba zestawy efektów prostych;
  • przy prawdziwych danych dodaj wyniki osób i 95% przedziały ufności – McCabe i in. (2018) pokazali, że wykresy samych linii, bez niepewności i bez danych, mogą prowadzić do błędnych wniosków o moderacji;
  • jeśli moderator jest ilościowy (np. wynik w skali lęku), dwie linie to tylko ilustracja – w analizie zostaw go jako zmienną ilościową, zamiast dzielić próbę medianą.

Jak zapisać hipotezę interakcyjną w pracy

W części teoretycznej i w rozdziale metodologicznym podaj hipotezę z przewidywanym kształtem interakcji oraz sposób jej sprawdzenia. Wzór:

Hipoteza 2. Lęk jako cecha moderuje wpływ sytuacji oceniającej na wynik zadania: w porównaniu z sytuacją neutralną sytuacja oceniająca poprawi wynik osób o niskim lęku i pogorszy wynik osób o wysokim lęku (interakcja krzyżowa). Hipotezę sprawdzimy w regresji liniowej z interakcją lęku (wynik w skali, wycentrowany) i sytuacji (0 = neutralna, 1 = oceniająca). O potwierdzeniu hipotezy będzie świadczyć istotny dodatni efekt sytuacji przy niskim lęku (M − 1 SD), istotny ujemny efekt przy wysokim lęku (M + 1 SD) oraz istotny współczynnik interakcji.

Wyniki opisz tak, jak pokazujemy w hasłach efekt interakcji i moderacja: najpierw test interakcji z wielkością efektu, potem efekty proste z przedziałami ufności i wykres.

Przykład reprodukowalny

Hipoteza interakcyjna w R

Kod zapisuje hipotezę jako tabelę przewidywanych średnich, liczy efekty proste w obu kierunkach, różnicę różnic i efekty główne oraz rysuje oba widoki tej samej interakcji. Liczby na rysunku 2 pochodzą z tego kodu.

Przewidywane średnie, efekty proste i dwa wykresy

Dane wejściowe: cztery hipotetyczne średnie wyniku zadania (lęk niski/wysoki × sytuacja neutralna/oceniająca) – wartości ustalone przed zebraniem danych.

Co odczytać: efekty sytuacji w obu grupach lęku i efekty lęku w obu sytuacjach, tę samą różnicę różnic (−12) policzoną na dwa sposoby oraz średnie efekty, które pojawią się w tabeli ANOVA jako efekty główne. Funkcja interaction.plot() rysuje oba widoki.

R
# Hipoteza interakcyjna zapisana jako przewidywane średnie (wartości hipotetyczne, przed zebraniem danych)
# Lęk jako cecha (niski / wysoki) × sytuacja (neutralna / oceniająca); wynik zadania 0–100
srednie <- matrix(c(70, 74,
                    68, 60), nrow = 2, byrow = TRUE,
                  dimnames = list(lek = c("niski", "wysoki"), sytuacja = c("neutralna", "oceniajaca")))
srednie

# Efekty proste w obu kierunkach i kontrast interakcji (różnica różnic)
efekt_sytuacji <- srednie[, "oceniajaca"] - srednie[, "neutralna"]   # w każdej grupie lęku
efekt_leku     <- srednie["wysoki", ] - srednie["niski", ]           # w każdej sytuacji
efekt_sytuacji
efekt_leku
c(interakcja_1 = unname(diff(efekt_sytuacji)), interakcja_2 = unname(diff(efekt_leku)))   # ta sama liczba

# Średnie brzegowe (efekty główne), które zobaczysz w tabeli ANOVA
c(sytuacja = mean(efekt_sytuacji), lek = mean(efekt_leku))

# Ten sam wzór na dwóch wykresach: zmień, który czynnik leży na osi X
dlugie <- as.data.frame(as.table(srednie))
op <- par(mfrow = c(1, 2))
with(dlugie, interaction.plot(sytuacja, lek, Freq, ylab = "Przewidywany wynik", type = "b", pch = 19))
with(dlugie, interaction.plot(lek, sytuacja, Freq, ylab = "Przewidywany wynik", type = "b", pch = 19))
par(op)
Wynik w R
        sytuacja
lek      neutralna oceniajaca
  niski         70         74
  wysoki        68         60
 niski wysoki 
     4     -8 
 neutralna oceniajaca 
        -2        -14 
interakcja_1 interakcja_2 
         -12          -12 
sytuacja      lek 
      -2       -8 

Bibliografia oprogramowania

Obliczenia wykonano w R 4.5.3 (funkcje bazowe); rysunki przygotowano w pakietach ggplot2 i patchwork.

  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

Najczęstsze błędy

  • Utożsamianie interakcji z korelacją predyktorów. To, że stres i wsparcie korelują, nic nie mówi o tym, czy wsparcie zmienia związek stresu z dobrostanem.
  • Hipoteza bez kształtu. „Interakcja będzie istotna” nie odróżnia osłabienia od odwrócenia efektu, a to zwykle są różne teorie (Belsky i Pluess, 2009).
  • Wniosek z porównania podgrup. Związek istotny u studentów stacjonarnych i nieistotny u niestacjonarnych to jeszcze nie interakcja – potrzebny jest test różnicy efektów.
  • Dzielenie zmiennej ilościowej medianą, żeby móc policzyć ANOVA – tracisz informację i moc, a punkt podziału zależy od próby.
  • Przyczynowy język przy moderatorze, który był tylko mierzony. Opisz warunkowy związek, a o mechanizmie pisz ostrożnie.
  • Opis interakcji tylko z jednej strony bez zaznaczenia, który efekt zmienia znak – ten sam wynik może wyglądać na porządkujący albo krzyżowy, zależnie od wykresu.

Najczęstsze pytania

Co to jest interakcja zmiennych?

Interakcja zmiennych zachodzi wtedy, gdy wpływ jednej zmiennej na wynik zależy od wartości innej zmiennej – np. stres szkodzi bardziej osobom podatnym niż odpornym. Gdy interakcji nie ma, wpływy zmiennych po prostu się sumują, a linie na wykresie średnich są równoległe.

Czym się różni interakcja od moderacji?

Statystycznie to ta sama struktura: model z iloczynem zmiennych. Interakcja jest pojęciem symetrycznym, a o moderacji mówimy wtedy, gdy teoria nadaje zmiennym role – predyktora X i moderatora W, który zmienia związek X z Y. Szczegóły: moderacja i efekt interakcji.

Czy zmienne, które wchodzą w interakcję, muszą być skorelowane?

Nie. Interakcja dotyczy tego, czy efekt jednej zmiennej zmienia się wraz z drugą, a nie tego, czy obie zmienne są ze sobą związane. Zmienne mogą wchodzić w interakcję bez żadnej korelacji i silnie korelować bez interakcji.

Jak sformułować hipotezę o interakcji?

Określ, czyj efekt zależy od czego, jaki kształt ma interakcja (wzmocnienie, osłabienie, zanik czy odwrócenie efektu) i jakich efektów prostych oczekujesz przy niskich i wysokich wartościach moderatora. Narysuj przewidywany wzór i zaplanuj liczebność próby – interakcje wymagają dużych prób.

Jak narysować interakcję na wykresie?

Na osi X umieść zmienną, której efekt jest przedmiotem hipotezy, a drugą zmienną pokaż jako osobne linie. Przy prawdziwych danych dodaj wyniki osób i 95% przedziały ufności. Pamiętaj, że od wyboru osi zależy, czy linie się przecinają.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Belsky, J., & Pluess, M. (2009). Beyond diathesis stress: Differential susceptibility to environmental influences. Psychological Bulletin, 135(6), 885–908. https://doi.org/10.1037/a0017376
  2. Kraemer, H. C., Wilson, G. T., Fairburn, C. G., & Agras, W. S. (2002). Mediators and moderators of treatment effects in randomized clinical trials. Archives of General Psychiatry, 59(10), 877–883. https://doi.org/10.1001/archpsyc.59.10.877
  3. McCabe, C. J., Kim, D. S., & King, K. M. (2018). Improving present practices in the visual display of interactions. Advances in Methods and Practices in Psychological Science, 1(2), 147–165. https://doi.org/10.1177/2515245917746792 ● Otwarty dostęp: pełny tekst
  4. Mischel, W., & Shoda, Y. (1995). A cognitive-affective system theory of personality: Reconceptualizing situations, dispositions, dynamics, and invariance in personality structure. Psychological Review, 102(2), 246–268. https://doi.org/10.1037/0033-295x.102.2.246
  5. Sosnowski, T. (2010). Analiza interakcji zmiennych kategorialnych i ciągłych. Psychologia Społeczna, 5(2–3), 162–190. https://www.ceeol.com/search/article-detail?id=229293 ● Otwarty dostęp
  6. Widaman, K. F., Helm, J. L., Castro-Schilo, L., Pluess, M., Stallings, M. C., & Belsky, J. (2012). Distinguishing ordinal and disordinal interactions. Psychological Methods, 17(4), 615–622. https://doi.org/10.1037/a0030003 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{belsky2009beyond, author={Belsky, Jay and Pluess, Michael}, title={{Beyond diathesis stress: Differential susceptibility to environmental influences}}, journal={Psychological Bulletin}, year={2009}, volume={135}, number={6}, pages={885--908}, doi={10.1037/a0017376}}
@article{kraemer2002mediators, author={Kraemer, Helena Chmura and Wilson, G. Terence and Fairburn, Christopher G. and Agras, W. Stewart}, title={{Mediators and moderators of treatment effects in randomized clinical trials}}, journal={Archives of General Psychiatry}, year={2002}, volume={59}, number={10}, pages={877--883}, doi={10.1001/archpsyc.59.10.877}}
@article{mccabe2018improving, author={McCabe, Connor J. and Kim, Dale S. and King, Kevin M.}, title={{Improving present practices in the visual display of interactions}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={2}, pages={147--165}, doi={10.1177/2515245917746792}}
@article{mischel1995cognitive, author={Mischel, Walter and Shoda, Yuichi}, title={{A cognitive-affective system theory of personality: Reconceptualizing situations, dispositions, dynamics, and invariance in personality structure}}, journal={Psychological Review}, year={1995}, volume={102}, number={2}, pages={246--268}, doi={10.1037/0033-295x.102.2.246}}
@article{sosnowski2010analiza, author={Sosnowski, Tytus}, title={{Analiza interakcji zmiennych kategorialnych i ciągłych}}, journal={Psychologia Społeczna}, year={2010}, volume={5}, number={2–3}, pages={162--190}, url={https://www.ceeol.com/search/article-detail?id=229293}}
@article{widaman2012distinguishing, author={Widaman, Keith F. and Helm, Jonathan L. and Castro-Schilo, Laura and Pluess, Michael and Stallings, Michael C. and Belsky, Jay}, title={{Distinguishing ordinal and disordinal interactions}}, journal={Psychological Methods}, year={2012}, volume={17}, number={4}, pages={615--622}, doi={10.1037/a0030003}}
R