Votre méthode ne semble pas répondre à la question, en supposant qu'un «effet modérateur» est un changement d'un ou plusieurs coefficients de régression entre les deux groupes. Les tests de signification en régression évaluent si les coefficients sont non nuls. La comparaison des valeurs de p dans deux régressions vous en dit peu (voire rien) sur les différences de ces coefficients entre les deux échantillons.
Au lieu de cela, introduisez le sexe comme variable fictive et interagissez avec tous les coefficients d'intérêt. Ensuite, testez la signification des coefficients associés.
Par exemple, dans le cas le plus simple (d'une variable indépendante), vos données peuvent être exprimées sous la forme d'une liste de tuples où sont les sexes, codés et . Le modèle pour le sexe est(xi,yi,gi)gi010
yi=α0+β0xi+εi
(où indexe les données pour lesquelles ) et le modèle pour le sexe estigi=01
yi=α1+β1xi+εi
(où indexe les données pour lesquelles ). Les paramètres sont , , et . Les erreurs sont les . Supposons qu'elles soient indépendantes et identiquement distribuées avec des moyennes nulles. Un modèle combiné pour tester une différence de pentes (les ) peut être écrit commeigi=1α0α1β0β1εiβ
yi=α+β0xi+(β1−β0)(xigi)+εi
(où s'étend sur toutes les données) car lorsque vous définissez le dernier terme disparaît, donnant le premier modèle avec , et lorsque vous définissez les deux multiples de combinent pour donner , donnant le deuxième modèle avec . Par conséquent, vous pouvez tester si les pentes sont les mêmes («l'effet modérateur») en ajustant le modèleigi=0α=α0gi=1xiβ1α=α1
yi=α+βxi+γ(xigi)+εi
et tester si la taille estimée de l'effet modérateur, , est nulle. Si vous n'êtes pas sûr que les interceptions seront les mêmes, incluez un quatrième terme:γ^
yi=α+δgi+βxi+γ(xigi)+εi.
Vous n'avez pas nécessairement à tester si est nul, si cela ne vous intéresse pas: il est inclus pour permettre des ajustements linéaires séparés aux deux sexes sans les forcer à avoir la même interception.δ^
La principale limitation de cette approche est l'hypothèse que les variances des erreurs sont les mêmes pour les deux sexes. Sinon, vous devez intégrer cette possibilité et cela nécessite un peu plus de travail avec le logiciel pour s'adapter au modèle et une réflexion plus approfondie sur la façon de tester la signification des coefficients.εi
Je suppose que modérer une variable de regroupement fonctionnerait tout aussi bien lors de la comparaison des coefficients de régression à travers des vagues indépendantes de données transversales (par exemple, année 1, année 2 et année 3 en tant que groupe 1 groupe 2 et groupe 3)?
la source