Su método no parecen responder a la pregunta, suponiendo que un "efecto moderador" es un cambio en uno o más coeficientes de regresión entre los dos grupos. Pruebas de significación de la regresión evaluar si los coeficientes son diferentes de cero. La comparación de los valores de p en dos regresiones dice poco (si algo) acerca de las diferencias en los coeficientes entre las dos muestras.
En su lugar, introducir una perspectiva de género como una variable ficticia e interactuar con todos los coeficientes de interés. Luego de la prueba de significación de los coeficientes asociados.
Por ejemplo, en el caso más simple (de una de las variables independientes) que sus datos pueden ser expresadas como una lista de $(x_i, y_i, g_i)$ tuplas donde $g_i$ son los géneros, codificada como $0$$1$. El modelo de género $0$ es
$$y_i = \alpha_0 + \beta_0 x_i + \varepsilon_i$$
(donde $i$ los índices de los datos de los que $g_i = 0$) y en el modelo de género $1$ es
$$y_i = \alpha_1 + \beta_1 x_i + \varepsilon_i$$
(donde $i$ los índices de los datos de los que $g_i = 1$). Los parámetros son $\alpha_0$, $\alpha_1$, $\beta_0$, y $\beta_1$. Los errores son la $\varepsilon_i$. Vamos a suponer que son independientes e idénticamente distribuidas con cero significa. Un modelo combinado para la prueba de una diferencia en las pendientes ($\beta$'s) puede ser escrita como
$$y_i = \alpha + \beta_0 x_i + (\beta_1 - \beta_0) (x_i g_i) + \varepsilon_i$$
(donde $i$ rangos de todos los datos) porque al establecer $g_i=0$ el último término en gotas, dando el primer modelo con $\alpha = \alpha_0$, y cuando se establece $g_i=1$ los dos múltiplos de $x_i$ se combinan para dar a $\beta_1$, cediendo el segundo modelo con $\alpha = \alpha_1$. Por lo tanto, usted puede comprobar si las pendientes son de la misma (el "efecto moderador") mediante el ajuste de la modelo
$$y_i = \alpha + \beta x_i + \gamma (x_i g_i) + \varepsilon_i$$
y probando si el estimado del efecto moderador de tamaño, $\hat{\gamma}$, es cero. Si no estás seguro de la intercepta será el mismo, incluyen un cuarto término:
$$y_i = \alpha + \delta g_i + \beta x_i + \gamma (x_i g_i) + \varepsilon_i.$$
Usted no necesariamente tiene que probar si $\hat{\delta}$ es cero, si no que es la de cualquier interés: es incluido para permitir separar lineal se ajusta a los dos géneros, sin forzar a tener la misma intersección.
La principal limitación de este enfoque es la suposición de que las varianzas de los errores de $\varepsilon_i$ son los mismos para ambos sexos. Si no, necesita incorporar esa posibilidad y que requiere un poco más de trabajo con el software para ajustar el modelo y el más profundo pensamiento acerca de cómo probar la significación de los coeficientes.
