内容发布更新时间 : 2024/12/23 22:42:59星期一 下面是文章的全部内容请认真阅读。

3调节效应的分析

调节效应分析和交互效应分析大同小异。这里分两大类进行讨论。一类是所涉及的变量(因变量、自变量和调节变量)都是可以直接观测的显变量，另一类是所涉及的变量中至少有一个是潜变量。

3.1显变量的调节效应分析方法

调节效应分析方法根据自变量和调节变量的测量级别而定。变量可分为两类，一类是类别变量(categoricalvariable)，包括定类和定序变量，另一类是连续变量(continuous variable)，包括定距和定比变量。

第一，当自变量和调节变量都是连续变量时，用带有乘积项的回归模型，做层次回归分析：第一步做Y对X和M的回归，得测定系数R21；第二步做Y对X、M和XM的回归得R22 （此处是分三步按层次移入变量，不是一次将自变量和调节变量移入，这是很多人容易范的错误），若R22 显著高于R21，则调节效应显著；或者，做XM 的偏回归系数检验，若显著，则调节效应显著。

第二，当自变量和调节变量都是类别变量时做方差分析。

第三，当调节变量是类别变量、自变量是连续变量时，做分组回归分析，或将调节变量转化为虚拟变量做层次回归分析。分类的调节变量转换为虚拟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显著性整体效果，这和不同分类水平的自变量下调节变量的调节效应识别有区别。

第四，当自变量是类别变量、调节变量是连续变量时，不能做分组回归，而是将自变量重新编码成为虚拟变量(dummy variable)，用带有乘积项的回归模型，做层次回归分析。

需要说明的是，除非已知X和M不相关(即相关系数为零)，否则调节效应模型不能看标准化解。这是因为，即使X和M的均值都是零，XM 的均值一般说来也不是零。

2

简单调节效应概念图 简单调节效应模型图

3.1.1当自变量和调节变量都是连续变量时，做层次回归分析 （1）分层回归法(目前仍是主流) 操作步骤：

第一步，所有变量做中心化处理，并生成X和M的交互项，即变量1×变量2的交互项； 第二步，做Y对X和M的回归，得测定系数R21,即变量3对变量1和变量2的回归； 第三步，做Y对X、M和XM的回归得R22，若R22显著高于R21，则调节效应显著；或者，做XM的偏回归系数检验，若显著，则调节效应显著，即做变量3对变量1、变量2和变量1×变量2的交互项的回归。

操作演示：

第一步，中心化操作，首先求得三个显变量的均值，其次在spss转化→计算中使用变量1-均值、变量2-均值、变量3-均值，获得新的三列中心化处理后的变量；通过转化→计算产生交互项。

中心化操作

中心化操作

第二步，做变量3对变量1和变量2的回归。

第三步，做变量3对变量1、变量2和变量1×变量交互项的回归。

调节效应结果输出

（2）校正的非参数百分位Bootstrap法(近年被推崇的方法) 步骤一，运行SPSS，打开数据文件；

步骤二，在SPSS 程序的菜单栏中找到“分析”栏目下的“回归”，在“回归”下面找到已经安装的PROCESS插件；

步骤三，运行PROCESS程序，出现对话框；

步骤四，在对话框里的相应的输入框里，输入因变量变量,3，自变量变量1，调节变量变量2；

步骤五，Model Number选择1，把Bootstrap取样(Bootstrap samples)设定为5000，Bootstrap方法选择偏差校对方法(bias corrected)，置信区间选择95%置信区间；

步骤六，点击确定执行程序。

执行完程序，会出现输出文件。在输出文件中包括该简单调节模型的R变化、自变量对因变量、调节变量对因变量、调节交互项对因变量的回归分析。如果置信区间不包括0，那么中介作用显著，支持调节作用的假设；如果包括0，则不显著，不支持调节作用的假设。

2

简单调节效应结果输出

3.1.2当自变量和调节变量都是类别变量时，做方差分析(步骤省略)

调节效应的方差分析

3.1.3当调节变量是类别变量、自变量是连续变量时，做分组回归分析

另外，也可以将分类调节变量转化为虚拟变量后做层次回归分析。分类的调节变量转换为虚拟变量进行层次回归分析后，调节效应是看方程的决定系数R2显著性整体效果，这和不同分类水平的自变量下调节变量的调节效应识别有区别。

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，选择数据date→split files，选择性别。

类别变量拆分