Słownik metodologiczny · Mediacja i moderacja

Proste nachylenia (simple slopes) – jak sondować interakcję w regresji?

Istotna interakcja mówi tylko, że związek X z Y zależy od moderatora. Proste nachylenia pokazują, jak silny jest ten związek przy niskim, średnim i wysokim poziomie moderatora.

Strona główna / Słownik / Proste nachylenia

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Proste nachylenie to efekt predyktora X przy konkretnej wartości moderatora W, czyli b1 + b3W. Liczy się je po istotnej interakcji, zwykle przy M ± 1 SD moderatora. Lepiej jednak wybrać wartości ważne merytorycznie albo pokazać przedział Johnsona–Neymana.

Co to są proste nachylenia?

Proste nachylenie (ang. simple slope) to współczynnik predyktora X przy jednej, konkretnej wartości moderatora W. Liczy się je po wykryciu istotnego efektu interakcji dwóch zmiennych ciągłych, żeby sprawdzić, jak silny jest związek X z Y u osób z niskim, średnim i wysokim W. To podstawowy krok sondowania interakcji w moderacji (Aiken i West, 1991). Odpowiednikiem w ANOVA, gdzie oba czynniki są kategorialne, jest efekt prosty.

Jak liczyć

W modelu Y = b0 + b1X + b2W + b3XW nachylenie X zależy od W:

nachylenie X przy W = b1 + b3 · W,   SE = √(var(b1) + W² · var(b3) + 2W · cov(b1, b3))

Iloraz nachylenia i SE porównuje się z rozkładem t o stopniach swobody reszt. Zwykle wybiera się W = M − 1 SD, M i M + 1 SD. Po centrowaniu moderatora b1 jest od razu nachyleniem przy średniej.

Przykład

U 180 pielęgniarek obciążenie pracą przewidywało wypalenie, a wsparcie przełożonego osłabiało ten związek, b = −0.39, SE = 0.08, t(176) = −5.21, p < .001 (skale 1–5, dane symulowane). Przy słabym wsparciu (2.19 pkt, −1 SD) nachylenie wyniosło 0.81, przy średnim (3.08 pkt) 0.45, a przy silnym (3.98 pkt, +1 SD) tylko 0.10, p = .255. Przy dobrym wsparciu obciążenie prawie przestaje się wiązać z wypaleniem.

Jak opisać w pracy

Interakcję obciążenia pracą i wsparcia przełożonego (b = −0.39, SE = 0.08, t(176) = −5.21, p < .001) zbadano metodą prostych nachyleń. Przy niskim wsparciu (−1 SD) obciążenie wiązało się z wyższym wypaleniem, b = 0.81, SE = 0.10, t(176) = 8.41, p < .001; przy średnim wsparciu b = 0.45, SE = 0.06, t(176) = 7.26, p < .001; przy wysokim (+1 SD) związek był nieistotny, b = 0.10, SE = 0.09, t(176) = 1.14, p = .255.

Na co uważać

  • Wartości ±1 SD są umowne. Spiller i in. (2013) zalecają nachylenia przy wartościach W ważnych merytorycznie, np. progu klinicznym. Gdy takich nie ma, pokaż cały zakres moderatora przedziałem Johnsona–Neymana.
  • Sprawdź, czy wybrany punkt leży w danych. Przy skośnym W wartość −1 SD może wypaść poza zakres skali.
  • Różnica istotności to nie test różnicy. O moderacji świadczy test b3, a nie to, że jedno nachylenie jest istotne, a drugie nie.

Narzędzia do obliczania nachyleń i ich pasm ufności opisują Preacher i in. (2006). Pełny przykład z rysunkiem znajdziesz we wpisie analiza moderacji krok po kroku.

Przykład reprodukowalny

Proste nachylenia w R

Kod dopasowuje regresję z interakcją i liczy nachylenie obciążenia wraz z SE, t i p przy trzech wartościach wsparcia.

Nachylenia przy −1 SD, średniej i +1 SD moderatora

Dane wejściowe: obciążenie pracą, wsparcie przełożonego i wypalenie (skale 1–5) u 180 osób (dane symulowane, set.seed(193)).

Co odczytać: wiersz obc_c:wsp_c (interakcja) oraz kolumny tabeli nachyleń: wartość wsparcia, nachylenie, SE, t i p.

R
set.seed(193)
n <- 180                                              # pielęgniarki, skale 1–5 (dane symulowane)
obciazenie <- pmin(pmax(round(rnorm(n, 3.2, 0.8), 1), 1), 5)
wsparcie   <- pmin(pmax(round(rnorm(n, 3.0, 0.9), 1), 1), 5)
wypalenie  <- 2.7 + 0.45 * (obciazenie - 3.2) - 0.25 * (wsparcie - 3) -
  0.30 * (obciazenie - 3.2) * (wsparcie - 3) + rnorm(n, 0, 0.6)
obc_c <- obciazenie - mean(obciazenie); wsp_c <- wsparcie - mean(wsparcie)
m <- lm(wypalenie ~ obc_c * wsp_c)
round(summary(m)$coefficients, 3)
b <- coef(m); V <- vcov(m); s <- sd(wsparcie)
nachylenie <- function(w) {                           # w = wsparcie po centrowaniu
  est <- b[["obc_c"]] + b[["obc_c:wsp_c"]] * w
  se  <- sqrt(V[2, 2] + w^2 * V[4, 4] + 2 * w * V[2, 4])
  c(W = w + mean(wsparcie), b = est, SE = se, t = est / se, p = 2 * pt(-abs(est / se), df.residual(m)))
}
round(sapply(c(minus_1SD = -s, srednia = 0, plus_1SD = s), nachylenie), 3)
Wynik w R
            Estimate Std. Error t value Pr(>|t|)
(Intercept)    2.705      0.045  59.918        0
obc_c          0.455      0.063   7.263        0
wsp_c         -0.345      0.052  -6.579        0
obc_c:wsp_c   -0.395      0.076  -5.211        0
   minus_1SD srednia plus_1SD
W      2.188   3.084    3.981
b      0.809   0.455    0.101
SE     0.096   0.063    0.088
t      8.406   7.263    1.141
p      0.000   0.000    0.255

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats). Te same nachylenia zwraca funkcja sim_slopes() z pakietu interactions.

  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/

Najczęstsze pytania

Przy jakich wartościach moderatora liczyć proste nachylenia?

Najczęściej przy średniej i ±1 SD, ale to umowa. Lepsze są wartości ważne merytorycznie, np. próg kliniczny albo konkretne poziomy skali, o ile leżą w zakresie danych.

Czy proste nachylenia liczy się przy nieistotnej interakcji?

Zwykle nie, bo o moderacji świadczy test składnika interakcji. Jeżeli hipoteza dotyczyła konkretnej wartości moderatora, nachylenie można podać, ale nie jako dowód moderacji.

Czym proste nachylenie różni się od efektu prostego w ANOVA?

Proste nachylenie dotyczy predyktora ciągłego przy wybranej wartości moderatora w regresji. Efekt prosty to różnica średnich jednego czynnika na jednym poziomie drugiego czynnika w ANOVA.

Powiązane hasła

ModeracjaEfekt interakcjiPrzedział Johnsona–NeymanaCentrowanie zmiennychEfekt prosty (simple effect)Wykres interakcji

Poradniki, w których użyjesz tego pojęcia

Poradnik

Moderowana mediacja i modele PROCESS w R

Modele 7, 14 i 58, indeks moderowanej mediacji, efekty warunkowe z bootstrapem, lavaan i analiza wrażliwości – z kodem R i wzorem opisu APA.

Czytaj →Poradnik

Analiza 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 →

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. Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
  2. Preacher, K. J., Curran, P. J., & Bauer, D. J. (2006). Computational tools for probing interactions in multiple linear regression, multilevel modeling, and latent curve analysis. Journal of Educational and Behavioral Statistics, 31(4), 437–448. https://doi.org/10.3102/10769986031004437 ● Otwarty dostęp: pełny tekst
  3. Spiller, S. A., Fitzsimons, G. J., Lynch, J. G., Jr., & McClelland, G. H. (2013). Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression. Journal of Marketing Research, 50(2), 277–288. https://doi.org/10.1509/jmr.12.0420

Cytowania BibTeX

@book{aiken1991multiple, author={Aiken, Leona S. and West, Stephen G.}, title={{Multiple regression: Testing and interpreting interactions}}, year={1991}, publisher={Sage}}
@article{preacher2006computational, author={Preacher, Kristopher J. and Curran, Patrick J. and Bauer, Daniel J.}, title={{Computational tools for probing interactions in multiple linear regression, multilevel modeling, and latent curve analysis}}, journal={Journal of Educational and Behavioral Statistics}, year={2006}, volume={31}, number={4}, pages={437--448}, doi={10.3102/10769986031004437}}
@article{spiller2013spotlights, author={Spiller, Stephen A. and Fitzsimons, Gavan J. and Lynch, Jr., John G. and McClelland, Gary H.}, title={{Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression}}, journal={Journal of Marketing Research}, year={2013}, volume={50}, number={2}, pages={277--288}, doi={10.1509/jmr.12.0420}}
R