-
调节效应重要理论及操作务实
一、
调节效应回归方程：
调节效应是交互效应的一种，是有因果指向的交互效应，而单纯
的交
互效应可以互为因果关系；调节变量一般不受自变量和因变
量影
响，但是可
以影响自变量和因变
量；调节变量一般不能作为中介变量，
在特殊情况下，
调节变量也可以作为中介变量，例如认知归因方式既
可以作为挫折性应激
（
X
）和
应对方式（
Y
）的调节变量也可以作为中
介变量。常见的调节变量
有性别、年龄、收入水平、文化程
度、社会
地位等。在统计回归分析中，检
验变量的调节效应意味着检验调节变
量和自变量的交互效应是否显著。
以
最简单的回归方程为例，调节效
<
/p>
应检验回归方程包括
2
个如下：
y=a+bx+cm+e
y=a+bx+cm+C mx+e 2
1
）
）
在上述方程中，
m
为调节变量，
mx
为调节效应，调节效应是否显著即
是分
析
C
是否显著达到
统计学意义上的临界比率
.05
水平
）
。
二、
检验调节效应的方法有三种：
1.
在层次回归分析中（
Hierarchical
regression
）
,
检验
2
个回归方
程的
复
相关系数
R
2
和
R
2
是否有显著区别，若
R
2
和
R
2
2
显著不同，则
说明
mx
交
互作用显著，即表明
m
的调节效应显著；
2.
或看层次回归方程中的
c
'
系数（调节变量偏相关系数），若
c
'
（
spss
输出为标准化
？
值
）显著，则说明调节效应显著；
3.
多元方差分析，看交互作用水平是否显著；
1 / 24
4.
在分组回归情况下，调节效应看各组回归方程的
R
2
O
注：上述四种方法主要用于
显变量调
节效应检验，且和
x
与
m
的变量
类型相关，具体要根据下述几种类型采用不同的方式检验
三、显变量调节效应分析的几种类型
根据调节效应回归方程中自变量和调节变量的几种不同类型组合，
分析调节效应的方法和操作也有区别如下：
1.
分类自变量（
x
）
+
分类调节变量
（
m
）
如果自变量和调节变量都是分类变量的话，实际上就是多元方差
分析中
的交互作用显著性分析，如
<
/p>
x
有两种水平，
m
有三种水平，则
可以做
2
X
3
交互作用方差分析，在
spss
里面
可以很容易实现，这我
就不多讲了，具体
操作看
spss
操作工具书就可以了。
2.
分类自变量（
x
）
+
连续调节变量（
m
）
这种类型调节效应分析需要
对分类自变量进行伪变量转换，将自
变量
和调节变量中心化（计算变量离均差）然后做层次回归分析。分
类自变量转
换为伪变量的方法：假设自变量
X
有
n
种分类，则可以转<
/p>
换为
n-1
个
伪变
量，例如自变量为年收入水平，假设按人均年收入水
平分为
2
万以下、
2
万
~5
万、
5
万
~10
万、
10
万以上四种类型，则可
以转换
为
3
个伪变量如下：
10
万以上
1
5
万到
1
0
万
0
2
万到
5
万
0
2
万以下
0
x1 x2 x3
0
0
1
0
0
0
1
0
上述转换在
< br>spss
中可以建立
3
个伪变量
x1
、
x2
、
x3,
变量数据中心
化后标
准回归方程
表示为：
y=b1x1+b2x2+b3x3+cm+e
3
）
y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e
4
）
x1 = 1
表示
10
万
2 / 24
以上；
x
2=1
表示
5
万到
10
万；
x3=1
表示
2
万到
5
万；
2
万以下
=0
。此时
2
万以下的回归方程表示为：
y=cm +e
（
在
x1
、
x2
、
x3
上的伪变量值为
0
）
；之所以单独列出这个方程，是为了方便大家
根据回归方程画交互作用
图
,
即求出
c
值就可以根据方程画出
2
万以
下变量的调节效应图。
检验方法为分
析
R
2
显著性或调节系数
C
显著性。
注：在这
4
种分类自变量的调节效应分析中，采用
R
1
2
和
R
2
2
显著性检
验
时，是对
4
种类型自变量在调节变量作用下的调节效应的整体检
验，总体
显著的效果可能会掩盖某种类型自变量与调节变量的交互作
用不显著的情
况
，此时，我们就要逐一审查各个交互项的偏相关系数。
对方程（
4
）而
言，如果检查调节变量的偏相关系数，则有可能会出
现一些调节变量偏相关
系数不显著的情况，例如，
< br>
c1
显著、
c2
和
c3
不显著或
c1
和
c2
显著，
c3
不显著的情况等，此时可根据交互项的
偏相关系数来发现到底是那种类
型的自变量与调节变量的交互作用
不显著。
3.
连续自变量（
x
）
+
分类调节变量（
m
这种类型的调节效应需要采用
分组回归分析，所谓分组回归分析既
是根
据调节变量的分类水平，
建立分组回归方程进行分析，
回归方程
为
y=a+bx+e
。当然也可以采用将调节变量转换为伪变量以后进行层
次回归分析，层次回归具体步骤同上，见三、
2
,
需要注意的是，分
类的调节变量转换为伪变量进行层次回归分析后，调节效应是看方程
的决定
系数
R
2
显著性整体效果，这和不同分类水平的自变量下调节变
< br>
量的调节效
应识别有区别。
我们这里主要讲下如何进行调节效应分组回归分析，调节效应的
分组回
归分析可以在
SPSS
中完成，当然也可以通过
SEMI
分析软件如
AMO
来实
3 /
24
现，我们首先来看看如何通过
SPSS
来实现分组回归来实现
调节效应分析
的。
< br>SPSS
中对分组回归的操作主要分两步进行，第一步是对样本数据
按调节变量的类别进行分割，第二步则是回归分析。具体步骤见下图
:
第一
步：对样本数据按调节变量的类别进
行分割
:
4 /
24
^ri^iyze
all
ca^es, c*c not create groups
■/
Ccmpar& groups
Organize
cutpurt
by groups
4^5
HICICUNH
Q
PARANC
b
BLOCK
$$
、
Groups Based
on:
I
冷
gender
OBJECT
易
CODNG
catagor
厚
^encferl
护
genckrZ
少
gercteKB
Q ZscarefDIGIT) [ZEXGlT]
④
EsQxeCCQDiRGXEG”,
riM-ir-^Kl
1
*
Sort the
1fle
by
grouping
variables
Fife
is
already sorted
Currert Status. Araiyais by groups is <
/p>
off.
注：选取的
gender
为调节变量，分别为女
=0
,
男
=1
,
当然在
实际研
究中可能有更多的分类，大家完全可以用<
/p>
1
、
2
、
Ps?t&
Cancel
Help
3
、
4
……
.
等
来编号。
这个窗口选取的两个命令是比较多组
（
compare
groups
和按
分组变量
对数据文件排序
(
sort the
grouping variables
)
第二步：选择回归命令并设置自变量和因变量
5 /
24
Depencfent:
材
CLIENT
M
AGEHATE
FICTCOblP
启
INFO
COMP
&
ARtTH
Block 1 of
1
$$
Slk<_
B
VOCAB
了
C*IGT
A
PARANG
2
BLOCK
鸟
OBJECT
島
COOING
炉
c
atagory
$$ gerder
Sg|ectiari
Variable
：
少
genderl
少
gender2
炉
genders
”
z^swfDiGrn rzpiGiTi
labels
：
V^jLSVMtei^ht:
OK
Cancel
Help
这个窗口里面选取了自变量
comp
和因变量
pictcomp,
然后再点
击
statistics
在弹出窗口中设置输出参数项如下图，勾取
estimates'model fitR squared cha nge
第三步：看输出结果，分析调节效应，见表格数据
:
表格
1
6
/ 24
Variables En tered/Removed
Variables
gen der
Model
0 1
Variables
Removed
En tered
COMP
Method
En
ter
En ter
1 1
COM
P
a.
All requested variables
en tered.
b.
Depe nde nt
Variable: PICTCOMP
表格
1
显示了因变量是
pictcomp,
回归方法采用强
行进入法（
enter
）
,
共有两组回归方程，一组是女性（
0
），另一
组是男性（
1
）
表格
2
Model Summary
Change
Statistics
Mode
gender
l
0
Adjusted R
Std.
Error of
R Square
R
Square
R
Square
a
F
Change
14.161
21.709
df1
1
1
df2
102
69
Sig. F
Change
.000
.000
the
Estimate
Change
2.723
2.647
.122
.239
1
1
.349
.489
a
.122
.239
.113
.228
1
a. Predictors: (Con sta nt),
COMP
表格
2
是回归模型的总体情况，男性和女性的两组回归方程具有显著效应
（
pv.001
）
，表明性别
这一变量具有显著的调节效应？从表格数据可以看出，
女性<
/p>
组的回归方程解释了因变量
11.2%
的
方差变异，男性组的回归方程解释
了因变量
< br>22.9%
的方差变异，（注：此模型的数据是虚拟的，只是方便大家
理解，无实际意
义，实际研究中回归方程的自变
量很少会只有一个的情况
）
7 /
24
表格
3
Coefficie nts
a
Un sta ndardized
Coefficie nts
gen
der Model
0
Stan
dardized
Coefficie
nts
Beta
B
(Co
nsta nt)
COMP
7.355
.342
5.626
.490
Std.
Error
.943
.091
t
7.797
.349
3.763
5.090
.489
4.659
Sig.
.000
.000
.000
.000
1
1
1
(Co nsta
nt)
COMP
1.105
.105
a. Depe nde
nt Variable: PICTCOMP
此表格给出了自变量的标准化回归系数
Beta
值，在女性组中，标准化
<
/p>
Beta
为
.349;
< br>在男性组中
Beta
值为
.48
9,
且都达到显著性水平
pv.001
，
说明自变量
comp
对因变量有显著的预测作用。
但并不能说明有调节作用。需要用到
fisher
z
检验或
chow test.
上述对分类调节变量操作和解释主要是基于
SPSS?
实现的，
AMOS
软件也有
同样功能，下面以同样回归方程变量为例谈下如何在
AMOS
中实现多组回归分析
(
multiple group analyze
):
第一步：模型设置好后，点击
analyze'manage groups:
Tile
Edit Viw
ll■lll■lll■l
|
■■l
iiiiiHiiiraiai
liiFHiiiiv
第二步：在弹出的窗口输入女，如下
:
I
?
8
/ 24
第三步：设置好第一组名称后，点击
new,
急速输入第二组名称
:
<
/p>
第三步：设置好两个组后，关闭组别设置窗口，回到主界面，点击
files
，如下图
:
.File Yie^f agram Analyze
Tools Plugins Melj
)
P
3
M
世审
w_i
th
.
*
.
二
Ketri ive
艮
ukup
…
9
S^swe
Ctrl+S
S
S ave
屆
,
-
s
S
S
ave As
T_einplat6.
..
.
|_ata
Files..
.
Ctrl+D
第四步：在弹出窗口中可以看到如下两组名称
:
9 / 24
ata
Files
Sr'Dco
File
|
V
ar
L
able
Vslue
如
ci
rk
ir
毛、
ff
丸讣五
1?
Fil?
卸
p
Cmjp Edltic
|
Cancel
第五步：然后点击女组数据，再点击
，
打开数据文件，然后
点击
grouping variable,
这时系统会弹出你的
spss
数据文件中的变量，在<
/p>
其中选择你的分类变量，按分组变量的值设置好女性组的数据；
男组
数据重复这个过程，见下图
:
10 /
24
设置好分组以后，点击
ok
，回到主界面，进行模型比较设置（温忠
麟关
于
在
AMO
卿进行分组比较的策略，采
用如下做法：先将两组的
结构方程回归
系数限制为相等
，
得到一个
x
2
值和相应的自由度。然
后去掉这个限制
，
重新估计模型
< br>，
又得到一个
x
2
值和相应的自由
度。前面的
x
2
减去后面的
x
2
得到一个新的
x
< br>2
,
其自由度就是两个模
型的自由度之差。如果
X
2
检验
结果是统计显著的
，
则调节效应显
著）。
第六步：设置限制模型和无限制模型。
点击
analyze'manage models,
首
先设置无限制模型（无任何限制，不需要改动）；然后点击下面的<
/p>
new,
设
置
结构方程回归系数限制相等模型，如下图：
11 /
24
file Edit Yieir
Di
a gram
Analyze Tools Flugins Melp
|*lil Calculate
Extim
讥鱷
iiiiiiiiiiinn
IIIIH
mi mi ii
UIIBIIIIHHIIII
a
o
W
Ctrl+ F9
…呂
?
Cfcleul
玖
irig
ss
：
页
蛉
卅即各护
Mode
R
12 /
24
-
-
-
-
-
-
-
-
-
上一篇：英语国际音标new
下一篇：主要国家、地区、特殊地名对照