Wprowadzenie

Współczesne prace naukowe coraz rzadziej zatrzymują się na prostym stwierdzeniu, że dwie zmienne są ze sobą skorelowane. Sam dodatni związek między stresem w pracy a wypaleniem zawodowym zwykle nie wnosi już wiele, jeśli nie towarzyszy mu  próba wyjaśnienia, dlaczego ta zależność występuje albo w jakich warunkach jest silniejsza . Dlatego promotorzy i recenzenci coraz częściej oczekują analiz uwzględniających mediatory, czyli mechanizmy wyjaśniające relację między zmiennymi, oraz  moderatory, czyli czynniki określające warunki występowania tej relacji . Niniejszy tekst poświęcony będzie tym ostatnim, czyli moderatorom.

Z tego artykułu dowiesz się:

• Jaka jest definicja moderatora?
• Jakie są różnice między moderacją a mediacją?
• Jak należy interpretować efekt moderacji?
• Jakie są narzędzia, które pozwolą na wykonanie analizy moderacji?

Czym jest analiza moderacji?

 Analiza moderacji pozwala sprawdzić, czy zależność pomiędzy dwiema zmiennymi (niezależną i zależną) zmienia się przy uwzględnieniu trzeciej zmiennej (moderatora) . Innymi słowy, pozwala ona odpowiedzieć na pytania, kiedy, dla kogo i/lub w jakich warunkach, wpływ zmiennej niezależnej (ZN) na zmienną zależną (ZZ) w ogóle występuje, jest silniejszy, słabszy lub przyjmuje inny kierunek. Oczywiście pisząc wpływ nie mówimy tutaj zawsze o eksperymencie, a o teoretycznie uzasadnionym kierunku zależności, który w badaniu korelacyjnym można jedynie uprawdopodobnić:

Zmienna wyjaśniająca → Zmienna wyjaśniana

Przykładem może być relacja między stresem a zdrowiem psychicznym. Sam fakt, że wyższy poziom stresu wiąże się z gorszym funkcjonowaniem psychicznym, jest dosyć intuicyjny. I można to zobrazować modelem regresji prostej na diagramie poniżej (rysunek 1).

Analiza moderacji pozwala jednak pójść krok dalej i sprawdzić, czy ta zależność wygląda inaczej, np. u osób z wysokim i niskim poziomem wsparcia społecznego. W takim przypadku wsparcie społeczne pełni funkcję moderatora (często oznaczany literą „W”), ponieważ może osłabiać negatywny wpływ stresu na zdrowie psychiczne. Taki model z uwzględnieniem moderatora przedstawiono na diagramie poniżej (rysunek 2).

Spodziewamy się zatem, że zależność pomiędzy stresem i zdrowiem psychicznym różni się u osób o niskim i wysokim (lub niskim, umiarkowanym i wysokim) poziomie wsparcia społecznego. To trochę tak, jakbyśmy wykonali analizę korelacji, ale w podziale na podgrupy osób o wysokim i niskim nasileniu wsparcia. Oczywiście to uproszczenie, ale dobrze obrazuje ono ideę moderacji.

 Podsumowując, moderator to zmienna, która oddziałuje bezpośrednio na oczekiwany związek między zmiennymi . Działać on może jak włącznik (efekt istnieje lub zostaje wygaszony/osłabiony) lub dźwignia zwrotnicowa (efekt zmienia kierunek, np. z pozytywnego na negatywny).

Moderacja a mediacja

Moderacja i mediacja są często omawiane razem, ponieważ oba podejścia wychodzą poza prostą analizę zależności między dwiema zmiennymi. Różnią się jednak funkcją trzeciej zmiennej w modelu.

 Mediacja odpowiada na pytanie, dlaczego lub w jaki sposób jedna zmienna wpływa na drugą. Moderacja natomiast określa warunki, w których dana zależność występuje, nasila się, słabnie albo zmienia kierunek . W poniższej tabeli znajduje się zestawienie najważniejszych cech obu tych analiz.

Adnotacja. X – zmienna niezależna (predyktor); W – moderator; M – mediator; Y – zmienna zależna.

Jeśli ta różnica nadal nie jest jasna, weźmy kolejny przykład. Zobaczmy, co by było, gdyby w naszym omawianym wcześniej przykładzie wsparcie społeczne nie było moderatorem, a właśnie mediatorem. W takiej sytuacji:
– X (zmienna zależna): stres;
– Y (zmienna niezależna): zdrowie psychiczne;
– M (mediator): wsparcie społeczne.

W mediacji zakładalibyśmy, że owszem istnieje związek między stresem a zdrowiem psychicznym, jednak jest on pośrednio wyjaśniany przez wsparcie społeczne. A zatem – to wysoki stres „wpływa” na niższy poziom wsparcia społecznego, a to z kolei warunkuje gorsze zdrowie psychiczne. Innymi słowy – to nie stres bezpośrednio warunkuje obniżenie funkcjonowania psychicznego, tylko odczuwany brak wsparcia, który może wynikać z nadmiernego stresu.

Jak testuje się efekt moderacji?

 Statystycznie moderację testuje się za pomocą analizy regresji liniowej z efektem interakcji . Do modelu wprowadza się nie tylko zmienną niezależną (X) i moderator (W), ale również ich iloczyn, czyli składnik interakcyjny (X × W). Podstawowe równanie takiego modelu można zapisać następująco:

gdzie:
$Y$ – zmienna zależna;
$X$ – zmienna niezależna;
$W$ – moderator;
$i$ – wyraz wolny (stała) równania;
$a$ – współczynnik określający efekt warunkowy zmiennej niezależnej $X$ na zmienną zależną $Y$, gdy W$=0$;
$b$ – współczynnik określający efekt warunkowy moderatora $W$ na zmienną zależną $Y$, gdy $X=0$;
X × W – składnik interakcyjny będący iloczynem zmiennej niezależnej i moderatora;
$c$ – współczynnik interakcji określający, czy i w jakim stopniu efekt $X$ na $Y$ zmienia się w zależności od poziomu moderatora $W$;
$e$ – składnik resztowy, czyli część zmienności $Y$ niewyjaśniona przez model.

Najważniejszy jest tutaj  współczynnik przy składniku interakcyjnym, czyli „c” . Jeżeli jest on istotny statystycznie, oznacza to, że zależność między X a Y różni się w zależności od poziomu moderatora. Mówiąc prościej:  wpływ jednej zmiennej na drugą nie jest taki sam w porównywanych warunkach  (wyróżnionych na podstawie nasilenia moderatora). Sama istotność interakcji nie kończy jednak interpretacji. Aby zrozumieć kierunek i charakter efektu, wykonuje się analizę efektów warunkowych, czyli simple slopes analysis. Pozwala ona sprawdzić, jak wygląda zależność między X a Y na różnych poziomach moderatora, na przykład niskim i wysokim lub niskim, średnim i wysokim.  W przypadku moderatora ciągłego, zwykle poziomy moderacji dopiera się przez warunek: M ± 1 SD lub 16., 50. i 84. percentyl .

W tym kontekście pomocna jest również wizualizacja uzyskanych wyników. Jeżeli linie na wygenerowanym wykresie nie są równoległe, rozchodzą się lub przecinają, może to wskazywać, że zależność między zmiennymi rzeczywiście zmienia się w zależności od poziomu moderatora. Przykład prostego wykresu efektów warunkowych przedstawiono na rysunku 3.

Analizując rysunek 3, możemy stwierdzić, że:

• zależność pomiędzy stresem a zdrowiem psychicznym jest silnie ujemna u osób o niskim wsparciu społecznym;
• u osób o umiarkowanym wsparciu społecznym zależność tak będzie także ujemna, lecz słabsza;
• u osób o wysokim wsparciu społecznym testowany efekt bardzo słaby, wręcz bliski zera.

Żeby jednak zweryfikować te przypuszczenia, należy zinterpretować uzyskane wartości p dla poszczególnych efektów (linii).

Analiza moderacji – przykład raportowania w APA 7

Poniżej przedstawiamy przykład raportowania wyników analizy moderacji w standardzie APA 7. Dotyczy on omawianego wcześniej przykładu oraz prezentowanego na rysunku 3 wykresu efektów warunkowych, który może być wizualnym zastępstwem lub dopełnieniem dla tabeli przedstawionej w przykładzie.

Programy do analizy moderacji

 Modele moderacyjne można analizować w wielu programach statystycznych. Jednym z najczęściej wykorzystywanych rozwiązań jest makro PROCESS  autorstwa Andrew F. Hayesa, dostępne dla SPSS, SAS i środowiska R. Więcej o tym przeczytasz na stronie Hayesa ➡️ tutaj . Jest to popularne narzędzie szczególnie w naukach społecznych, ponieważ pozwala względnie szybko i wygodnie (predefiniowane modele, klikany interfejs) oszacować określone modele moderacji, mediacji, a także bardziej złożone modele warunkowe.

Alternatywą są programy Jamovi i JASP, które oferują prostszy interfejs oraz moduły do analizy regresji i efektów interakcyjnych. Bardziej zaawansowani użytkownicy mogą wykorzystać środowisko R, które daje największą elastyczność w zakresie budowania modeli, wizualizacji interakcji i raportowania wyników. O tych alternatywach możesz więcej przeczytać w naszym wpisie blogowym ➡️ Najlepsze bezpłatne programy do analizy danych .

Niezależnie od wybranego narzędzia, przed interpretacją wyników należy sprawdzić podstawowe założenia analizy regresji liniowej, które szerzej opisujemy ➡️ w naszym słowniku . Warto pamiętać, że analizy które nie spełniają założeń wykorzystanego testu statystycznego, są obciążone błędami i mogą prowadzić do mylnych wniosków!

Podsumowanie

 Analiza moderacji pozwala sprawdzić, czy związek między zmienną niezależną a zależną zmienia się w zależności od poziomu trzeciej zmiennej – moderatora . Dzięki temu badacz nie ogranicza się do pytania, czy dana zależność istnieje, ale może określić, kiedy, dla kogo i w jakich warunkach jest ona silniejsza, słabsza lub nieistotna. W artykule omówiono podstawową logikę moderacji, różnicę między moderacją a mediacją, sposób testowania efektu interakcji oraz interpretację efektów warunkowych. Nie omawiano z kolei założeń regresji liniowej, zagadnienia centrowania zmiennych, techniki Johnsona-Neymana, ani możliwych korekt na złamanie założeń. Są to bardziej techniczne elementy ważne przy praktycznym wykonaniu i raportowaniu wyników analizy moderacji.

Więcej o moderacji można przeczytać w książce Andrew F. Hayesa Introduction to Mediation, Moderation, and Conditional Process Analysis, którą polecamy! Dodatkowo warto przejrzeć kanały YouTube prowadzone przez znanych statystyków (np. Jamesa Gaskina), którzy opowiadają o zagadnieniach związanych z analizą ścieżek (SEM), w tym moderacji i mediacji, a także skorzystać z darmowych kursów (np. Research With Fawad). Inne wartościowe źródła znajdziesz na końcu artykułu w literaturze.

Jeżeli potrafisz wykonać analizę samodzielnie, ale nie wiesz jak zaraportować jej wyniki, zachęcamy do odwiedzenia zakładki ➡️ Do pobrania,  w której znajdziesz wiele przydatnych artykułów na temat raportowania analiz statystycznych!

Literatura

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.

Zhang, Z., Wang, L. (2017–2026). Advanced statistics using R. ISDSA Press. Pobrano 20 sierpnia 2026 z https://advstats.psychstat.org/

Lüken, M., Vroegh, T., Rohrer, J. M., van Doorn, J., Wagenmakers, E.-J. (2024). Causal inference in JASP: The Process module. JASP. Pobrano 20 sierpnia 2026 z https://jasp-stats.org/2024/01/29/causal-inference-in-jasp-the-process-module/

PSYC3010 Working Team. (2024). Activity 6 – Moderated multiple regression in jamovi. In Psychological research methods workbook. The University of Queensland. Pobrano 20 sierpnia 2026 z https://uq.pressbooks.pub/psychological-research-methods-workbook/chapter/activity-6-moderated-multiple-regression-in-jamovi/