文档介绍：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, 调节效应检验回归方程包括 2 个如下: y=a+bx+cm+e 1) y=a+bx+cm+c ’ mx+e 2) 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’ 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 1 2和 R 2 2 是否有显著区别,若 R 1 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; 4. 在分组回归情况下,调节效应看各组回归方程的 R 2。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x 有两种水平,m 有三种水平, 则可以做 2×3 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 8 千以下、 8000~2 万、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: x1 x2 x3 10 万以上 100 5 万到 10万010 2 万到 5万001 8 千以下 000 上述转换在 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 万以上; x2=1 表示 5 万到 10 万; x3=1 表示 2 万到 5 万; 8 千以下=0 。此时 8 千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 8千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, 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