4.

Regresin con efecto interactivo

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.

2. Interaccin entre una variable dicotmica y una cuantitativa.

Supongamos, como hemos adelantado antes, que sospechamos que la relacin entre
inteligencia y rendimiento depende del nivel de motivacin del sujeto o lo que es lo
mismo, existe interaccin entre motivacin e inteligencia de tal manera que la
motivacin resulta una variable relevante para determinados valores de la inteligencia y
no para otros. Supongamos dos valores diferentes para la variable motivacin (0 -

59

4. Regresin con efecto interactivo

motivacin baja- y 1 -motivacin alta-). Estos podran ser unos datos hipotticos para
dicha investigacin:

Sujetos X1 (inteligencia) X2 (motivacin) Y (rendimiento)

1
85,00
,00
5,00
2
100,00
,00
8,00
3
95,00
,00
7,00
4
80,00
,00
4,00
5
115,00
,00
10,00
6
90,00
,00
6,00
7
100,00
1,00
6,00
8
105,00
1,00
7,00
9
85,00
1,00
9,00
10
80,00
1,00
9,00
11
100,00
1,00
4,00
12
115,00
1,00
7,00

Para analizar si el efecto de una de las variables X afecta a la variable Y dependiendo de

la otra X efecto interactivo- es necesario, como hemos indicado antes, introducir un
nuevo efecto en el modelo que represente dicha interaccin. Para ello aadimos al
cuadro de datos anterior una nueva columna que sea el producto de las dos variables
predictoras. Sin embargo, si lo hacemos exactamente as, obtendremos una tercera
variable redundante con las restantes, es decir, colineal y conocida a partir de ellas
impidiendo una adecuada estimacin de los coeficientes de la ecuacin.
Para resolver este problema se procede centrando (cambiando en diferenciales) las
puntuaciones de la variable X cuantitativa (sus puntuaciones en diferencias respecto a su
media) y una vez as, se procede a calcular la nueva variable producto de x1 (centradas)
X2. A continuacin se desarrollan estas operaciones:
Sujetos X1 (inteligencia) X2 (motivacin) Y (rendimiento)
1
85,00
,00
5,00
2
100,00
,00
8,00
3
95,00
,00
7,00
4
80,00
,00
4,00
5
115,00
,00
10,00
6
90,00
,00
6,00
7
100,00
1,00
6,00
8
105,00
1,00
7,00
9
85,00
1,00
9,00
10
80,00
1,00
9,00
11
100,00
1,00
4,00
12
115,00
1,00
7,00
Media
95.83
.5
6.83

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

Con estos datos se calcula la ecuacin de regresin de x1, X2 y x1X2 sobre Y. En el

SPSS los comandos a activar son los mismos que en el modelo de regresin mltiple:
Analizar/regresin/lineal especificando que la variable dependiente es el rendimiento y
60

4. Regresin con efecto interactivo

las independientes la inteligencia centrada, la motivacin y la interaccin inteligencia
centrada x motivacin. A partir de ello se obtienen, para los datos expuestos y entre
otros, los siguientes resultados:
Resumen del modelo
R cuadrado
Error tp. de la
R
R cuadrado
corregida
estimacin
,838(a)
,702
,590
1,24597
a Variables predictoras: (Constante), interacc, motivacin, Inteligencia

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

Por la primera tabla de resultados sabemos que el conjunto de predictores contemplados

explican el 70.2% de la variabilidad de Y, es decir, la variabilidad del rendimiento
queda explicado en un 70.2% por la inteligencia, la motivacin y la interaccin entre
ellas. Adems, el modelo resulta vlido (p=.017) para representar los datos, esto es,
constituye una adecuada explicacin del rendimiento medido, siendo la ecuacin de
regresin estimada:
Y = 9.622 + 0.173( X 1 X 1 ) + 0.184 X 2 0.257( X 1 X 1 ) X 2
Los coeficientes que acompaan a la inteligencia y a la interaccin resultan
significativos (=.05). Es por eso que concluimos que la inteligencia afecta
significativamente al rendimiento: Por cada unidad de incremento en inteligencia
respecto a su media es, decir, por cada valor diferencial ms- se pronostica un
incremento en el rendimiento de 0.173 puntos (cuando X2 adopta un determinado
valor). Respecto al efecto interactivo puede afirmarse que el cambio en el nivel de
motivacin (de baja a alta) produce un decremento del efecto que ejerce la inteligencia
en diferencial- sobre el rendimiento en 0.257 puntos. Con otras palabras, el efecto que la
inteligencia en diferencial tiene sobre el rendimiento es 0.257 puntos menos con
motivacin alta que con motivacin baja. La motivacin por su parte, como efecto
principal, no constituye una variable explicativa relevante (p=.806);

61

4. Regresin con efecto interactivo

De manera ms pormenorizada, podemos comentar cada uno de estos coeficientes de la
siguiente manera:
b0: -9.622 es el rendimiento esperado en la tarea cuando todos los efectos del modelo
valen 0. Es decir, cuando la inteligencia de los sujetos coincide con la media (ya que se
mide en diferencial) y la motivacin es baja (X2=0)
b1: ..173 es el incremento esperado en el rendimiento cuando la condicin de
motivacin es baja (X2=0) por cada punto ms en diferencial de la inteligencia.
b2: .184 es el incremento pronosticado en el rendimiento cuando X2=1, es decir, cuando
los sujetos tienen motivacin alta y cuando ( X 1 X 1 ) es igual a 0, es decir, cuando la
inteligencia est en su valor medio.
b3: -.257, tal y como hemos indicado antes, es el cambio previsto en el efecto de la
inteligencia (centrada) sobre el rendimiento cuando la motivacin cambia de baja a alta.
Esto es lo mismo que decir que la inteligencia constituye un factor ms favorecedor del
rendimiento con inteligencia baja que con inteligencia alta.
En suma, hemos validado un modelo de regresin en el que el efecto de la interaccin
entre variables es relevante. En este sentido, ocurre que la influencia de una de las
variables predictoras sobre la variable criterio est condicionada por el efecto de la otra
variable predictora. Si esto es as, resultar aclaratorio analizar cual es concretamente
dicho efecto segn los valores que adopta la variable moduladora.
Tomemos, por ejemplo, y por razones de simplicidad, la variable dicotmica como
moduladora. La intencin es entonces evaluar el efecto de X1 (inteligencia) sobre el
rendimiento bajo cada una de las condiciones de X2 (motivacin); esto es, plantear dos
ecuaciones de regresin por separado para cada nivel de X2 que manifieste el efecto
concreto de X1 sobre Y segn se presente un valor u otro de X2 (motivacin alta o baja).
Resultan, pues, dos ecuaciones de regresin que derivan de las siguientes operaciones:
Por un lado, si X2=0 (motivacin baja), sustituyendo en la ecuacin original nos queda:

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

4. Regresin con efecto interactivo

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

4. Regresin con efecto interactivo

0,00
10,00

1,00

1nota = -9,62 + 0,17 * Inteligencia

R-cuadrado = 0,99

Regresin lineal

nota

8,00

6,00

1nota = 15,15 + -0,08 * Inteligencia

R-cuadrado = 0,33

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.

3. Interaccin entre dos variables cuantitativas.

Volvamos de nuevo al archivo de datos inicial en el que la variable motivacin se meda
cualitativamente para puntuarla ahora mediante una escala cuantitativa y calculemos las
puntuaciones centradas para ambas variables predictoras (x1 y x2):

64

4. Regresin con efecto interactivo

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

Solicitamos al paquete estadstico SPSS que nos estime la ecuacin de regresin

contemplando el trmino interactivo entre estas variables. Para ello, utilizamos para
estimar dicho modelo tanto las variables motivacin e inteligencia (en centradas) como
el producto entre estas puntuaciones centradas (x1*x2): Analizar/Regresin/lLineal
especificando que las variables predictoras son x1, x1 y x1*x2 y la variable
dependiente o criterio el rendimiento. Los resultados obtenidos, entre otros, son los
siguientes:
Coeficientes(a)
Coeficientes no
estandarizados
Modelo
1

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

La ecuacin resultante es:

Y = 5.919 + .155 x1 + .972 x2 .012 x1 x 2

65

4. Regresin con efecto interactivo

La salida proporcionada nos indica adems que tanto los efectos independientes de
ambos predictores como la interaccin entre ellos resultan trminos significativos en el
modelo de regresin estimado1. Ello significa que debemos enfatizar este ltimo efecto
ya que, como sabemos, nos est indicando que el efecto de la inteligencia sobre la nota
depende de la motivacin; o al revs, el efecto de la motivacin sobre la nota depende
del nivel de inteligencia. En este caso, pues, no tiene sentido enfatizar los efectos de
cada una de las variables por separado.
Para apreciar ms pormenorizadamente este efecto interactivo e interpretarlo se suele
identificar distintos niveles de una de las variables Xs contempladas para conocer cmo
se produce la relacin entre la otra X y la Y bajo estos diferentes valores. Por ejemplo,
utilizando la motivacin, tendramos que, para identificar tres niveles diferentes de
dicha variable, podemos diferenciar a los sujetos que puntan en la misma ms all de
una DT por encima de su media, ms all de una DT por debajo de su media y 1 DT
alrededor de la misma. Al fin y al cabo esta especie de categorizacin supone replantear
la inicial variable motivacin claramente cuantitativa en una variable pseudocategrica.
Para hacer esto pedimos al paquete estadstico que nos proporcione los descriptivos de
las variables con las que trabajamos:
Estadsticos descriptivos
N
Inteligencia
Motivacin
Nota
N vlido (segn lista)

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

Replanteando la ecuacin inicial:

Y = 5.919 + .155 x1 + .972 x2 .012 x1 x 2
Y&& = ( 5.919 + .972 x2 ) + (.155 .012 x2 ) x1
Y sustituyendo en la ecuacin reformulada estos diferentes valores de x2 (sus
desviaciones tpicas), tenemos:
Cuando x2 > 1 DT:
Y = ( 5.919 + .972 13.04) + (.155 .012 13.04) x1 = 6.75 .0014 x1

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

4. Regresin con efecto interactivo

Cuando x2 = 0 DT:
Y = ( 5.919 + .972 0) + (.155 .012 0) x1 = 5.919 + .155 x1
Cuando x2 < 1 DT:
Y = ( 5.919 + .972 13.04) + (.155 .012 13.04) x1 = 18.59 + .311x1
Habiendo planteado estas ecuaciones de regresin para cada valor delimitado de la
motivacin podemos decir que mientras que para los sujetos de motivacin ms alta
(mayor a una DT sobre la media), el efecto de la inteligencia sobre el rendimiento es
negativo y muy pequeo en los otros dos grupos resulta positivo. Adems, entre stos,
es ms prominente para los sujetos cuya motivacin es menor, es decir, aquellos que
muestran una puntuacin menor a una DT por debajo de la media.
Lo que podemos preguntarnos a continuacin es si estos coeficientes estimados por
ecuacin resultan o no estadsticamente significativos. Esto supone preguntarse a su vez
sobre la naturaleza de la interaccin, es decir, implica indagar sobre el sentido y la
fuerza en que la inteligencia influye sobre el rendimiento en cada una de las condiciones
de la variable moduladora Si estos sentidos y/o fuerzas cambian de unas condiciones
(ecuaciones) a otras, estamos ante la presencia de un efecto interactivo. Aunque lo
hayamos probado anteriormente de manera global (por su significacin en el coeficiente
en la ecuacin de regresin general), ahora tenemos la oportunidad de analizarlo con
mayor minuciosidad, reparando en las condiciones concretas en que ste resulta
relevante.
En esta lnea debemos calcular la significacin de cada uno de los coeficientes de las
ecuaciones anteriores. Como se sabe, la t de un coeficiente corresponde a la siguiente
formulacin:
b
t=
Sb
siendo b el valor del coeficiente a estudiar y Sb su error tpico. Dicho error tpico se
calcula de la siguiente manera para el caso que nos ocupa:

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

4. Regresin con efecto interactivo

Correlaciones de los coeficientes(a)2
Modelo
1

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

a Variable dependiente: nota

se tiene para cada uno de los coeficientes:

S b1 = S12 + 2 ZS13 + Z 2 S 32 = .002 + 2 13.04 ( .0000714) + (13.04) 2 .00000754 = .037

S b 2 = S12 + 2 ZS13 + Z 2 S 32 = .002 + 2 0 ( .0000714) + (0) 2 .00000754 = .044
S b3 = S12 + 2 ZS13 + Z 2 S 32 = .002 + 2 ( 13.04) ( .0000714) + ( 13.04) 2 .00000754 = .05

Por lo que sus correspondientes valores de t seran:

b1 .0014
=
= .037
.037
Sb
b
.155
= 3.52
tb 2 = 2 =
S b .044
b
.311
= 6.22
tb 3 = 3 =
.05
Sb

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