Documente Academic
Documente Profesional
Documente Cultură
4
___________________
Regresin con efecto interactivo
1. Introduccin
El modelo de regresin mltiple tratado previamente supone la independencia de
efectos de las diferentes variables predictoras, En este sentido, es un modelo aditivo modelo de efectos principales- en el que cada variable ejerce efectos por separado sobre
la criterio y el conjunto de estas variables suman sus efectos para predecir dicho
resultado. No existe pues, una variable ajena a las contempladas que module o
mediatice esta serie de efectos sumados, es decir, que condicione sus influencias. En el
ejemplo que tratamos previamente diramos que la inteligencia ejerce un efecto tal sobre
la nota al que se le suma el efecto de la motivacin en su correspondiente cuanta-. Si
ocurriera que el efecto de la inteligencia sobre la nota fuera diferente segn qu nivel de
motivacin tuviera el sujeto estaramos hablando de un efecto de interaccin entre
inteligencia y motivacin de tal manera que la relacin entre inteligencia y la nota
estara modulado (interferido/condicionado) por la variable motivacin. Por ejemplo, en
el caso que ocurriera que para valores bajos de inteligencia la motivacin se mostrara
muy relevante pero no para valores altos de la misma.
En los modelos explicativos en los que existen efectos de interaccin es necesario
contemplar coeficientes que representen especficamente tales efectos. As, para el caso
que comentamos, adems de los efectos aditivos de las variables inteligencia y
motivacin sobre el rendimiento hay que incluir un trmino que represente la
interaccin entre las dos ( b3 X 1 X 2 ), de tal manera que la ecuacin completa queda:
Y = b0 + b1 X 1 + b2 X 2 + b3 X 1 X 2
Este nuevo trmino representa el producto de las dos variables consideradas (X1 y X2) y
su coeficiente, junto con su significacin o no, revelar si dicha interaccin resulta o no
relevante para incorporarla como trmino explicativo en el modelo.
59
x1
-10,83
4,17
-,83
-15,83
19,17
-5,83
4,17
9,17
-10,83
-15,83
4,17
19,17
0
x1X2
,00
,00
,00
,00
,00
,00
4,17
9,17
-10,83
-15,83
4,17
19,17
Modelo
1
ANOVA(b)
Suma de
Media
Modelo
cuadrados
gl
cuadrtica
F
1
Regresin
29,247
3
9,749
6,280
Residual
12,420
8
1,552
Total
41,667
11
a Variables predictoras: (Constante), interacc, motivacin, Inteligencia
b Variable dependiente: nota
Sig.
,017(a)
Coeficientes(a)
Modelo
Coeficientes no
estandarizados
B
(Constante)
-9,622
Inteligencia
,173
Motivacin
,184
InteligxMotiv
-,257
a Variable dependiente: nota
Error
tp.
4,256
,045
,727
,062
Coeficientes
estandarizados
Sig.
-2,260
3,854
,254
-4,125
,054
,005
,806
,003
Beta
1,086
,049
-1,156
61
Y = b0 + b1 ( X 1 X 1 ) + b2 X 2 + b3 ( X 1 X 1 ) X 2
Y = b0 + b1 ( X 1 X 1 ) + b2 0 + b3 ( X 1 X 1 ) 0
Y = b0 + b1 ( X 1 X 1 )
Cuando X2=1 (motivacin alta), la ecuacin de regresin original:
Y = b0 + b1 ( X 1 X 1 ) + b2 X 2 + b3 ( X 1 X 1 ) X 2
se reduce a:
Y = b0 + b1 ( X 1 X 1 ) + b2 + b3 ( X 1 X 1 )
en la que sacando factor comn de X1:
62
Y = (b0 + b2 ) + (b1 + b3 )( X 1 X 1 )
Tenemos, pues, dos ecuaciones de regresin diferentes (de X1 sobre Y) para cada valor
de X2 que tienen sentido por cuanto el efecto de X1 sobre Y resulta diferente en cada
valor de X2, es decir, existe un efecto de interaccin significativo. Dichas ecuaciones
ofrecen los coeficientes necesarios para interpretar las relaciones entre variables dentro
de cada valor de X2 y su comparacin (en este lugar a partir de criterios grficos) nos
servir para inferir qu tipo de efecto interactivo se est produciendo entre las variables.
Para el caso que tratamos, entonces, y teniendo en cuenta la ecuacin de regresin
estimada al principio, derivamos las ecuaciones para cada valor de X2 (motivacin):
Para X2 = 0 (motivacin baja):
Y = b0 + b1 X 1 = 9.622 + 0.173( X 1 X 1 )
Para X2 = 1 (motivacin alta):
Y = (b0 + b2 ) + (b1 + b3 )( X 1 X 1 ) = ( 9.622 + 0.184) + (0.173 0.257)( X 1 X 1 ) =
= 9.438 0.084( X 1 X 1 )
A la luz de estas dos ecuaciones se interpretan mejor los coeficientes que antes
describamos en la ecuacin general. Corrobrese que en la primera de ellas (cuando X2
= 0), el efecto de la inteligencia (centrada) sobre el rendimiento es de 0.173. Por su
parte, -9.622 sera la nota esperada si la inteligencia del sujeto coincide con la media, es
decir, cuando X 1 = X 1 (y obviamente bajo la condicin de motivacin baja).
Por otro lado, cuando la motivacin es alta (X2 = 1), el efecto de la inteligencia en
diferencial sobre el rendimiento es de -0.084. Este valor en la segunda ecuacin
constituye un valor mucho ms pequeo adems negativo- que en la ecuacin anterior
(cuando X1=0). En esta comparacin precisamente radica el sentido del efecto
interactivo: Obsrvese que la diferencia entre el valor de este coeficiente (-.084) y el de
la ecuacin anterior (.173) [ (-.084) - .173 = -.257] es justamente - .257, el coeficiente
b3 en la ecuacin general, es decir, la diferencia entre el efecto de la inteligencia en
motivacin baja respecto a su efecto cuando la motivacin es alta.
Por ltimo, -9.438 es la nota esperada para los sujetos de motivacin alta cuanto su
inteligencia coincide con la media.
La representacin grfica de estos resultados nos ayuda, muy especialmente, a entender
el tipo de efecto interactivo que est producindose. Se trata de dibujar dos ejes de
coordenadas para la relacin entre X1 e Y (inteligencia y rendimiento), uno para cada
nivel de la variable X2 (motivacin). La comparacin de ambas grficas aportar el
sentido de la interaccin que estudiamos. En el paquete estadstico SPSS se procede
como sigue para la consecucin de tales ejes de coordenadas:
Grficos/Interactivos/Diagrama de dispersin ubicando las variables inteligencia y nota
en el eje de coordenadas como variables de leyenda y la variable motivacin como
variable de panel. La salida aportada es la siguiente:
63
0,00
10,00
1,00
Regresin lineal
nota
8,00
6,00
4,00
80,00
90,00
100,00
110,00
80,00
Inteligencia
90,00
100,00
110,00
Inteligencia
Tal y como suponamos desde el principio, estas grficas muestran que el efecto de la
inteligencia sobre la nota es mucho ms relevante cuando la motivacin es baja (adems
de signo contrario a su efecto cuando la motivacin es alta). Es decir, la variabilidad de
la nota se explica en un 99% por la variable inteligencia en dicha circunstancia. Cuando
la motivacin es baja, por el contrario, dicho efecto adems de ser negativo, es
sustancialmente menor (en este caso la nota queda explicada slo en un 33% por cuenta
de la inteligencia).
Las ecuaciones de regresin para cada caso quedan expuestas en estas grficas. Estas
ecuaciones resultan aproximadas a las calculadas anteriormente a partir de la ecuacin
general con todos los sujetos de la investigacin (hay que tener en cuenta que ahora la
muestra se divide en dos grupos). Pueden servir de todas formas para interpretar de
forma aproximativa la interaccin tal y como comentamos.
64
X1
X2
Y
(Inteligencia) (Motivacin) (Nota)
1
85,00
10.00
5,00
2
100,00
15.00
8,00
3
95,00
10.00
7,00
4
80,00
15.00
4,00
5
115,00
15.00
10,00
6
90,00
10.00
6,00
7
100,00
25.00
6,00
8
105,00
35.00
7,00
9
85,00
30.00
9,00
10
80,00
45.00
9,00
11
100,00
45.00
4,00
12
115,00
20.00
7,00
Medias
95.83
22.91
6.83
S
12.22
13.05
1.95
Sujetos
x1
72,78
87,78
82,78
67,78
102,78
77,78
87,78
92,78
72,78
67,78
87,78
102,78
x2
x1*x2
-3,05
1,95
-3,05
1,95
1,95
-3,05
11,95
21,95
16,95
31,95
31,95
6,95
-221,98
171,17
-252,48
132,17
200,42
-237,23
1048,97
2036,52
1233,62
2165,57
2804,57
714,32
B
-5,919
,155
,972
-,012
a Variable dependiente: nota
(Constante)
x1
x2
x1xx2
Error tp.
3,276
,039
,221
,003
Coeficientes
estandarizad
os
Beta
Sig.
,974
6,515
-6,473
-1,807
3,947
4,401
-4,375
,108
,004
,002
,002
65
12
12
12
12
Mnimo
80,00
10,00
4,00
Mximo
115,00
45,00
10,00
Media
95,8333
22,9167
6,8333
Desv. tp.
12,21648
13,04857
1,94625
Para averiguar de una forma alternativa la relevancia estadstica de este trmino interactivo en el modelo (sabemos
que s lo es -=.05- pues el valor de p asociado a tal coeficiente es .002 en la tabla anterior), puede procederse
mediante el mtodo ya conocido de la estimacin por pasos. Es decir, evaluando cunto aporta la interaccin sobre la
explicacin de la variable Y tras lo que ya explicaban previamente las variables X1 y X2 como efectos principales. Se
trata, en este sentido, de estimar el incremento de la variabilidad explicada del modelo comparando aquel sin
trminos interactivo y aqul que s lo incorpora evaluando sus significacin con la F del incremento
66
S b = S12 + 2 ZS13 + Z 2 S 32
siendo Z los diferentes valores de las pseudocategoras delimitadas para la variable
moduladora (1DT por encima de su media, 0 DT alrededor de la media y 1 DT por
debajo de su media), S12 la varianza de la variable x1, S132 la covarianza entre las
variables x1 y x3 (esto es, el producto de x1*x2) y S 32 la varianza de la variable x3 (o
producto). En nuestro caso y obteniendo la tabla de varianzas covarianzas entre las
variable implicadas:
67
Correlaciones
Covarianzas
x1xx2
x1
x2
x1xx2
x1xx2
1,000
-,661
-,992
7,54E-006
x1
x2
-7,14E005
-,001
x1
-,661
1,000
,661
-7,14E005
x2
-,992
,661
1,000
,002
,006
,006
,049
-,001
tb1 =
Buscando en las tablas on line la p correspondiente a cada una de estos valores t para 10
gl obtenemos:
tb1 tiene asociada una probabilidad de .9712
tb 2 tiene asociada una probabilidad de .0055
tb3 tiene asociada una probabilidad de .0001
Con estos valores podemos concluir que el primer coeficiente no resulta significativo
(=.05) con lo cual, la inteligencia no influye sobre el rendimiento cuando el nivel de
motivacin es alta (menor a 1 DT por debajo de su media). Sin embargo, tanto cuando
el nivel de motivacin es medio como bajo la inteligencia s es una variable relevante en
el rendimiento. Digamos que la inteligencia slo asume un papel relevante en la tarea en
cuestin si la motivacin del sujeto es media-baja. En esto radica el efecto de
interactivo.
Esta tabla se obtiene en el SPSS mediante las siguientes instrucciones: Analizar/regresin/lineal con los
predictores y la variable criterio en sus lugares correspondientes y en opciones se marca la peticin
matriz de covarianzas
68