Interakcja zmiennych

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

Co oznacza Interakcja zmiennych?

Interakcja zmiennych jest zjawiskiem, w którym kształt lub siła relacji X z Y zależy od wartości Z.

Co odróżnia to pojęcie? Interakcja zmiennych jest ogólnym zjawiskiem: kształt albo siła relacji jednej zmiennej z wynikiem zmienia się wraz z drugą zmienną. Dopiero po operacjonalizacji staje się efektem interakcji w konkretnym modelu. Może być liniowa, nieliniowa, kategorialna lub czasowa, dlatego sam iloczyn X × Z nie zawsze wystarcza do jej adekwatnego opisania.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Używaj pojęcia interakcji do opisu zależności warunkowej, zanim wybierzesz jej konkretną postać matematyczną w modelu.

Najpierw określ, jaka relacja ma zależeć od jakiego moderatora i w jakim zakresie jego wartości wniosek ma sens. Następnie wybierz postać funkcji, kodowanie kategorii i kontrasty; interakcja dwóch zmiennych ciągłych może wymagać sprawdzenia nieliniowości, a nie tylko iloczynu XZ.

Jak to się oblicza i co oznaczają symbole?

Y = b₀ + b₁X + b₂Z + b₃XZ + e

Iloczyn XZ jest jednym sposobem zapisania zależności warunkowej w modelu liniowym. Współczynnik b₃ mówi, czy różnica w Y związana z X zależy od wartości Z. Interpretacja wymaga pokazania przewidywanych wartości lub nachyleń prostych, ponieważ sam znak iloczynu nie opisuje całego wzorca.

Jak poprawnie stosować i interpretować hasło „Interakcja zmiennych”?

Przy ocenie pojęcia „Interakcja zmiennych” najpierw ustala się czynnik, zmienną wynikową oraz to, czy obserwacje w komórkach planu są niezależne, sparowane czy powtarzane. W analizie dotyczącej hasła „Interakcja zmiennych” następnie trzeba rozdzielić pytanie o efekt ogólny od porównań konkretnych poziomów. Dla interpretacji hasła „Interakcja zmiennych” 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 „Interakcja zmiennych” powinna uwzględniać rozkład reszt, zachowanie wariancji, obserwacje wpływowe i strukturę projektu. W odniesieniu do hasła „Interakcja zmiennych” przy nierównych wariancjach sensowny może być wariant Welcha, a przy pomiarach powtarzanych korekta stopni swobody albo model mieszany. Przy ocenie hasła „Interakcja zmiennych” 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 „Interakcja zmiennych” powinien łączyć statystykę testową i stopnie swobody z wartościami p, miarą efektu oraz jej przedziałem ufności. W analizie dotyczącej hasła „Interakcja zmiennych” 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 „Interakcja zmiennych”: Podaj współczynnik interakcji z CI oraz efekty proste lub przewidywania dla sensownych poziomów moderatora.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Terapia wiązała się z poprawą tylko u osób z wysokim nasileniem początkowym. To wzorzec zależności warunkowej, który można operacjonalizować różnymi kontrastami lub składnikami modelu.

Jak ją zinterpretować: Relacja X–Y nie jest stała, lecz zależy od Z, więc jeden współczynnik główny nie wystarcza do opisu wyniku. Należy pokazać efekty warunkowe lub wartości przewidywane przy sensownych poziomach moderatora.

Najczęstsza pułapka i granica interpretacji

Nie zakładaj, że każdą zależność warunkową wystarczająco opisuje pojedynczy iloczyn liniowy X × Z.

Wniosek o „Interakcja zmiennych” ogranicza konkretny układ czynników i badana populacja. W odniesieniu do hasła „Interakcja zmiennych” 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}}