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.
| Termin | Co oznacza | Gdzie więcej |
|---|---|---|
| Interakcja zmiennych | Zjawisko: wpływ jednej zmiennej zależy od drugiej; ujęcie symetryczne, żadna zmienna nie ma wyróżnionej roli | to hasło |
| Efekt interakcji | Parametr modelu: składnik A × B w ANOVA albo współczynnik iloczynu w regresji, z własnym testem | efekt interakcji |
| Moderacja | Interakcja 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 drugiej | efekty proste w ANOVA |
| Efekt główny | Efekt jednej zmiennej uśredniony po wartościach drugiej | efekt 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.
- 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:
| Układ zmiennych | Przykład | Co mówi interakcja |
|---|---|---|
| Dwa czynniki manipulowane | Presja czasu × trudność zadania | Wpływ jednej manipulacji zależy od drugiej – interpretacja przyczynowa dla obu czynników |
| Czynnik manipulowany × cecha zmierzona | Rodzaj terapii × nasilenie objawów na starcie | Efekt terapii jest przyczynowy w każdej podgrupie, ale różnica między podgrupami może wynikać z innych cech, które współwystępują z nasileniem objawów |
| Dwie zmienne zmierzone | Stres × wsparcie społeczne | Związek 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:
- Czyj efekt zależy od czego? Nazwij zmienną, której efekt badasz (X), zmienną warunkującą (W) i wynik (Y).
- Jaki kształt? Wzmocnienie, osłabienie, zanik czy odwrócenie efektu (interakcja porządkująca albo krzyżowa).
- Jakie efekty proste? Podaj przewidywany kierunek i rząd wielkości efektu X przy niskim i wysokim W.
- W jakim zakresie? Wskaż wartości moderatora, przy których hipoteza ma sens (np. tylko u osób z objawami klinicznymi).
- Jak to sprawdzisz? Zaplanuj test iloczynu, analizę efektów prostych i liczebność próby – interakcje wymagają dużych prób (zob. moc testu interakcji). Zapisz plan w prerejestracji.
| Źle | Dobrze |
|---|---|
| „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.
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:
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.
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
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.
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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
Analiza powierzchni odpowiedzi (RSA)
Regresja wielomianowa zamiast wyniku różnicowego: parametry a1–a4, główna oś, warunki hipotezy zgodności i przykład dopasowania osoba–praca w R.
Czytaj →PoradnikAnaliza moderacji krok po kroku
Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.
Czytaj →PoradnikPytania badawcze i hipotezy
Od problemu do hipotezy, którą da się sprawdzić: rodzaje pytań, hipotezy kierunkowe, H0 i H1, test jednostronny, przykłady źle i dobrze oraz wzory zapisu.
Czytaj →PoradnikANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- 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
- 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
- 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}}