Neste post, entenderemos o que são efeitos principais e efeitos de interação. Nós veremos como eles aparecem em experimentos, como interpretá-los e, sobretudo, como avaliá-los usando técnicas como ANOVA e análise regressão. Além disso, veremos uma série de exemplos, para que você visualize cada conceito de forma simples intuitiva.
Uma intuição dos efeitos principais e de interação
Considere perguntas cotidianas sobre preferências pessoais. Por exemplo, suponha que Fabio seja um defensor apaixonado dos livros físicos. Gabriel, no entanto, pensa diferente: no dia a dia, ele prefere carregar um livro físico na mochila, para ler no transporte público; já em viagens mais longas, ele prefere o Kindle, que economiza espaço.
Eis um segundo exemplo: Heitor prefere café forte, enquanto Igor prefere café mais fraco. Júlio, por sua vez, é do time do “depende”: de manhã, um café mais forte é preferível, pois ajuda a despertar; por outro lado, pela tarde ou pela noite, ele opta por um café mais fraco, para não atrapalhar no sono.
Em síntese, o ponto comum dos exemplos anteriores é que eles discorrem sobre efeitos principais e de interação — cujas definições serão apresentadas na próxima seção. Por ora, é relevante dizer que efeitos principais não são condicionais a outras informações, enquanto efeitos de interação envolvem um “depende”. [fechar melhor esta seção, tá meio abrupto e solto]
Definindo efeitos principais e efeitos de interação
Considere um delineamento fatorial 2 × 2, em que temos duas variáveis independentes, aqui denominadas, de forma genérica, de A (a1 e a2) e B (b1 e b2).
Em delineamentos experimentais fatoriais 2 × 2, temos quatro células, decorrentes do cruzamento das duas variáveis independentes. Desse modo, se queremos comparar os níveis de A (a1 vs. a2), precisamos ter em mente que cada um desses níveis aparece em mais de uma célula do delineamento.
O que são efeitos principais?
Quando analisamos delineamentos fatoriais, examinamos efeitos principais e efeitos de interação para entender por quais variáveis, e de quais maneiras, nossa variável dependente é influenciada.
Em termos diretos, pesquisadores analisam o efeito principal de uma variável ao observar a diferença média entre seus níveis, desconsiderando os níveis da outra variável. Portanto, o efeito principal descreve o impacto geral de uma variável independente sobre nossa variável dependente.
A Figura 2 ilustra o efeito principal da variável A sobre a variável dependente. A fim de examinar esse efeito, nós calculamos e comparamos as médias marginais de a1 (i.e., as médias das células a1b1 e a1b2) e de a2 (i.e., as médias das células a2b1 e a2b2).
A Figura 3, por sua vez, ilustra o efeito principal da variável B sobre a variável dependente. Desse modo, se queremos examinar esse efeito, nós calculamos e comparamos as médias marginais de b1 (i.e., as médias das células a1b1 e a2b1) e de b2 (i.e., as médias das células a1b2 e a2b2).
O que são efeitos de interação?
No entanto, efeitos principais são apenas uma parte da história. Variáveis independentes não operam “no vácuo”, mas variam juntamente a outras variáveis. Desse modo, um efeito de interação surge quando o efeito de uma variável independente depende dos níveis de uma segunda variável independente.
Assim, se a relação entre A e a variável dependente tem um padrão para b1, mas um padrão distinto para b2, temos uma interação. Matematicamente, esse efeito é um teste de “diferença de diferenças”. Em outras palavras, ele corresponde a examinar se as diferenças entre a1 e a2 são distintas para b1 e para b2 (Figura 4).
Nossa discussão até aqui se limitou a delineamentos fatoriais com duas variáveis independentes. No entanto, delineamentos fatoriais se estendem a mais de duas variáveis independentes. Por exemplo, em um delineamento 2 × 2 × 2, acrescentamos uma variável independente C (c1 e c2) ao estudo.
Em tais casos, quando a interação entre duas variáveis independentes muda de acordo com uma terceira variável, formamos uma interação de ordem superior. Assim, se a forma como A × B interagem é distinta para c1 e para c2, dizemos que temos uma interação de segunda ordem ou, ainda, uma interação A × B × C.
Quais são as diferenças entre efeitos principais e efeitos de interação?
As diferenças entre efeitos principais e efeitos de interação se tornam claras quando analisamos seus papéis metodológicos. De um lado, efeitos principais respondem perguntas amplas, como “em média, qual condição produz maior resultado?”.
Por exemplo, no contexto da farmacoterapia, podemos comparar a eficácia da paroxetina, da fluoxetina e de um placebo em reduzir sintomas depressivos.
De outro lado, as interações respondem perguntas condicionais, ou seja, elas nos permitem identificar variáveis moderadoras — uma variável moderadora é aquela que muda a força e/ou a direção da relação entre outras variáveis.
Por exemplo, podemos investigar a associação entre consumo de peixe e saúde cardiovascular. No entanto, se maior consumo se associa a maior saúde quando o peixe é assado, mas se associa a menor saúde quando o peixe é frito, dizemos que o modo de preparo é um moderador da associação entre consumo de peixe e saúde cardiosvacular. Em outras palavras, consumo de peixe e modo de preparo interagem para produzir seus efeitos sobre a saúde cardiovacular.
Exemplos gráficos em delineamentos 2 × 2
Para visualizar efeitos principais e efeitos de interação, pesquisadores frequentemente constroem gráficos de linhas. Nessa representação, uma variável independente é plotada no eixo x (e.g., A), enquanto a variável dependente é plotada no eixo y. Os níveis da segunda variável independente (e.g., B) são representados por diferentes linhas (e.g., b1 e b2).
Nesse contexto, um efeito principal da variável independente plotada no eixo x aparece quando as linhas da segunda variável independente, em média, indicam uma inclinação (quer negativa ou positiva).
Já um efeito principal da variável independente plotada por meio de diferentes linhas aparece quando uma linha permanece consistentemente mais alta ou mais baixa que a outra.
Por fim, uma interação surge quando as linhas se afastam, se aproximam ou se cruzam. Em outras palavras, os dados sugerem que as variáveis independentes interagem entre si quando as linhas não são paralelas (quanto maior o afastamento do paralelismo, mais provável é a interação).
A fim de deixar a descrição anterior mais concreta, daremos alguns exemplos de diferentes cenários. Vale ressaltar que as análises gráficas apenas sugerem efeitos principais e de interação. Contudo, para inferirmos tais efeitos, precisamos realizar testes estatísticos para embasar nossas conclusões.
Sem efeitos principais e de interação
Como interpretar o gráfico (Figura 5): neste cenário, as linhas ficam praticamente sobrepostas e horizontais. Isso indica que A não altera a variável dependente e o mesmo podemos dizer de B. Além disso, o efeito de A é o mesmo em todos os níveis de B (linhas paralelas). Em síntese, nenhuma variável produz efeito sobre a variável dependente.
Exemplo: imagine medir o quanto as pessoas gostam de dois sabores de chá (chá verde vs. chá preto) em dois horários (manhã vs. tarde). Se a média de preferência é igual em todos os quatro cenários, dizemos que ninguém liga muito para sabor nem para horário — o gosto permanece o mesmo sempre. Nada muda porque não existem efeitos principais, nem de interação.
Apenas efeito principal de A
Como interpretar o gráfico (Figura 6): como A está plotada no eixo x, um efeito principal de A, na ausência de outros efeitos, é indicado por linhas com inclinações (slopes) não nulos, quer positivos ou negativos. Na Figura 6, o aumento de A (de a1 para a2) muda a variável dependente de forma consistente. Entretanto, as linhas são paralelas e com pontos na mesma altura, em média, o que mostra que B não faz diferença e que não há interação.
Exemplo: imagine um estudo sobre fadiga mental após duas durações de estudo (curto vs. longo) e dois ambientes de estudo (biblioteca silenciosa vs. cafeteria movimentada). Se todos relatam mais fadiga após sessões longas, tanto na biblioteca quanto na cafeteria, temos efeito principal da duração (A). Além disso, se a média de fadiga é praticamente a mesma nos dois ambientes, então não há efeito do ambiente (B). Ou seja, o que determina a fadiga é somente o tempo de estudo, não o local.
Apenas efeito principal de B
Como interpretar o gráfico (Figura 7): aqui, as linhas estão uma consistentemente acima da outra, mostrando que b1 e b2 produzem efeitos diferentes. Como as duas linhas são paralelas ao eixo x, isso sugere ausência de efeito principal de A. Além disso, como elas também são paralelas entre si, isso indica que o efeito de B sobre a variável dependente não interage com A.
Exemplo: imagine que mensuramos o número de parceiros sexuais de jovens adultos. A variável A poderia ser a orientação sexual (homossexuais vs. heterossexuais), enquanto B é o status do relacionamento (solteiro vs. em relacionamento). Se o número de parceiros sexuais é maior para solteiros — tanto entre homossexuais quanto entre heterossexuais, não diferindo entre esses grupos —, temos efeito principal de B, sem efeito de A e sem interação.
Efeitos principais de A e de B, sem interação
Como interpretar o gráfico (Figura 8): antes de mais nada, as linhas paralelas sugerem que não há interação entre variáveis independentes. Em contrapartida, ao compararmos os níveis de A, a2 > a1 para os dois níveis de B (efeito principal de A).
O mesmo acontece com os níveis de B, onde seus níveis diferem, b1 > b2, para os dois níveis de A (efeito principal de B). Assim, os dois fatores influenciam a variável dependente, mas não se influenciam mutuamente.
Exemplo: imagine um estudo que testa duas intervenções para reduzir ansiedade: um exercício breve de respiração guiada (A) e uma técnica cognitiva rápida (B). A respiração guiada sempre diminui a ansiedade em relação à respiração normal.
Além disso, a técnica cognitiva também sempre reduz mais ansiedade do que sua ausência. Como essas diferenças se mantêm estáveis em todos os cenários, os efeitos de A e B simplesmente se somam, e nenhum deles depende do outro.
Efeitos principais e efeito de interação
Como interpretar o gráfico (Figura 9): se imaginarmos as médias dos pontos de A, notamos que a2 > a1, ou seja, um efeito principal de A. Além disso, a linha para b1 está acima da linha para b2, o que também sugere um efeito principal de B.
Contudo, esses efeitos principais são qualificados por um efeito de interação. Sabemos disso porque as retas não são paralelas entre si. Ou seja, a2 > a1, mas apenas para b1. Quando comparamos os níveis de A considerando b2, não há diferenças entre grupos.
Exemplo: imagine um estudo que compara dois tipos de psicoterapia (A) — por exemplo, terapia focada em emoções vs. terapia cognitiva — conduzidas em duas doses distintas (B): poucas sessões vs. muitas sessões. Em média, a terapia focada em emoções produz maior redução de ansiedade do que a terapia cognitiva, e mais sessões também reduzem mais ansiedade do que poucas.
Entretanto, a vantagem da terapia focada em emoções torna-se evidente apenas quando o número de sessões é alto. Assim, embora existam efeitos principais de abordagem terapêutica e da dose, o impacto da abordagem depende da quantidade de sessões, caracterizando uma interação.
Efeito de interação sem efeitos principais
Como interpretar o gráfico (Figura 10): neste caso, as duas retas têm inclinações distintas, cruzando-se na representação. Isso é conhecido como interação cruzada: os efeitos de A sobre a variável dependente são diametralmente opostos a depender dos níveis de B.
Na Figura 10, para b1, os escores em a1 são menores que os escores em a2. Em contrapartida, há uma reversão do padrão para b2, onde os escores a1 passam a ser maiores que os escores em a2.
Exemplo: suponha que queremos examinar qual é a melhor maneira de estudar (A) para uma prova (resolver questões de múltipla escolha vs. fazer fichamentos). No entanto, identificamos que isso depende do tipo de prova: se a prova é objetiva, resolver questões de múltipla escolha conduz a um desempenho superior na prova que fazer fichamentos.
Por outro lado, o padrão se inverte se a prova é dissertativa. Nesse caso, fazer fichamentos produz um desempenho superior na prova que resolver questões de múltipla escolha. Em outras palavras, a melhor maneira de estudar para uma prova depende de como serão as questões da prova.
Como avaliar efeitos principais e efeitos de interação?
Para avaliar efeitos principais e efeitos de interação, utilizamos estatísticas específicas. Na análise de variância (ANOVA) fatorial, cada variável recebe um valor F para seu efeito principal e um F adicional para cada interação de interesse.
No entanto, uma limitação da ANOVA é não incorporar interações quando uma ou ambas as variáveis independentes são contínuas. Contudo, isso pode ser feito em modelos de regressão, onde utilizamos coeficientes bs associados aos termos de interação (por exemplo, X × W). Se o coeficiente associado a esse termo for estatisticamente diferente de zero, temos evidência de interação entre as variáveis.
Além disso, quando uma interação é significativa, pesquisadores analisam efeitos simples, investigando como uma variável atua em cada nível da outra. Portanto, compreendemos melhor o fenômeno, evitando interpretações médias que mascaram detalhes importantes.
Efeitos principais e efeitos de interação: FAQ
Devo interpretar efeitos principais se existir interação? Em geral, interpretamos com cautela, pois a interação indica que o efeito depende do contexto. Em outras palavras, uma interação significativa é uma evidência de condições limítrofes que afetam a validade externa dos achados.
O que os efeitos de interação dizem sobre meu fenômeno? Eles revelam que as relações não são uniformes; ao contrário, elas variam conforme situações específicas. Ou seja, quando temos uma interação, isso quer dizer que um efeito pode ocorrer somente para algumas pessoas, em alguns contextos, para certos estímulos ou sob circunstâncias específicas.
O que é um efeito de interação de segunda ordem? É uma interação envolvendo três variáveis, exigindo múltiplos testes F ou múltiplos coeficientes em regressão. Por exemplo, em um delineamento fatorial 2 × 2 × 2, com as variáveis independentes A, B e C, temos três efeitos principais (de A, de B e de C), três efeitos de interação de primeira ordem (A × B, A × C e B × C) e uma interação de segunda ordem (A × B × C). No contexto da análise de moderação, uma interação de segunda ordem é conhecida como moderação moderada.
Qual é a implicação prática? A relação entre duas variáveis depende adicionalmente de outra, produzindo interpretações condicionais mais ricas. Em outras palavras, ao considerarmos múltiplas variáveis, estamos considerando a complexidade dos fenômenos e tentando compreender quando uma variável exerce efeito sobre outra variável.
Referências
Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.
Kantowitz, B. H., Roediger, H. L., III, & Elmes, D. G. (2009). Experimental psychology (9th ed.). Wadsworth.
Kazdin, A. E. (2016). Research design in clinical psychology (5th ed.). Pearson.
Cozby, P. C., & Bates, S. C. (2018). Methods in behavioral research (13th ed.). McGraw-Hill Education.
Como citar este post
Lima, M. (2025, 5 de dezembro). O que são efeitos principais e efeitos de interação? Blog Psicometria Online. https://blog.psicometriaonline.com.br/o-que-sao-efeitos-principais-e-efeitos-de-interacao
