調節效應

---------------精品文檔---------------

僅供參考學習第1頁

調節效應重要理論及操作務實

一、調節效應回歸方程：

調節效應是交互效應的一種，是有因果指向

的交互效應，而單純的交互效應可以互為因果關

系；調節變量一般不受自變量和因變量影響，但

是可以影響自變量和因變量；調節變量一般不能

作為中介變量，在特殊情況下，調節變量也可以

作為中介變量，例如認知歸因方式既可以作為挫

折性應激（X）和應對方式（Y）的調節變量也可

以作為中介變量。常見的調節變量有性別、年齡、

收入水平、文化程度、社會地位等。在統計回歸

分析中，檢驗變量的調節效應意味著檢驗調節變

量和自變量的交互效應是否顯著。以最簡單的回

歸方程為例，調節效應檢驗回歸方程包括2個如

下：

y=a+bx+cm+e1）

y=a+bx+cm+c’mx+e2）

在上述方程中，m為調節變量，mx為調節效應，

調節效應是否顯著即是分析C’是否顯著達到統

計學意義上的臨界比率.05水平)。

二、檢驗調節效應的方法有三種：

---------------精品文檔---------------

僅供參考學習第2頁

1.在層次回歸分析中（Hierarchical

regression）,檢驗2個回歸方程的復相關系數

R

1

2和R

2

2是否有顯著區別，若R

1

2和R

2

2顯著不同，

則說明mx交互作用顯著，即表明m的調節效應

顯著；

2.或看層次回歸方程中的c’系數（調節變量偏

相關系數），若c’（spss輸出為標準化值）

顯著，則說明調節效應顯著；

3.多元方差分析，看交互作用水平是否顯著；

4.在分組回歸情況下，調節效應看各組回歸方程

的R2。

注：上述四種方法主要用于顯變量調節效應檢

驗，且和x與m的變量類型相關，具體要根據下

述幾種類型采用不同的方式檢驗

三、顯變量調節效應分析的幾種類型

根據調節效應回歸方程中自變量和調節變量

的幾種不同類型組合，分析調節效應的方法和操

作也有區別如下：

1.分類自變量（x）+分類調節變量(m)

如果自變量和調節變量都是分類變量的話，

實際上就是多元方差分析中的交互作用顯著性

分析，如x有兩種水平，m有三種水平，則可以

---------------精品文檔---------------

僅供參考學習第3頁

做23交互作用方差分析，在spss里面可以很

容易實現，這我就不多講了，具體操作看spss

操作工具書就可以了。

2.分類自變量（x）+連續調節變量（m）

這種類型調節效應分析需要對分類自變量進

行偽變量轉換，將自變量和調節變量中心化（計

算變量離均差）然后做層次回歸分析。分類自變

量轉換為偽變量的方法：假設自變量X有n種分

類，則可以轉換為n-1個偽變量，例如自變量為

年收入水平，假設按人均年收入水平分為8千以

下、8000~2萬、2萬~5萬、5萬~10萬、10萬以

上四種類型，則可以轉換為3個偽變量如下：

x1x2x3

10萬以上100

5萬到10萬010

2萬到5萬001

8千以下000

上述轉換在spss中可以建立3個偽變量x1、x2、

x3,變量數據中心化后標準回歸方程表示為：

y=b1x1+b2x2+b3x3+cm+e

3)

y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e

---------------精品文檔---------------

僅供參考學習第4頁

4)

x1=1表示10萬以上；x2=1表示5萬到10萬；

x3=1表示2萬到5萬；8千以下=0。此時8千以

下的回歸方程表示為：y=cm+e(在x1、x2、x3

上的偽變量值為0)；之所以單獨列出這個方程，

是為了方便大家根據回歸方程畫交互作用圖,即

求出c值就可以根據方程畫出8千以下變量的調

節效應圖。

檢驗方法為分析R2顯著性或調節系數C’顯著

性。

注：在這4種分類自變量的調節效應分析中，采

用R

1

2和R

2

2顯著性檢驗時，是對4種類型自變量

在調節變量作用下的調節排卵期一般是幾天 效應的整體檢驗，總體

顯著的效果可能會掩蓋某種類型自變量與調節

變量的交互作用不顯著的情況，此時，我們就要

逐一審查各個交互項的偏相關系數。對方程4）

而言，如果檢查調節變量的偏相關系數，則有可

能會出現一些調節變量牛開頭的成語 偏相關系數不顯著的情

況，例如，c1顯著、c2和c3不顯著或c1和c2

顯著，c3不顯著的情況等，此時可根據交互項的

偏相關系數來發現到底是那種類型的自變量與

調節變量的交互作用不顯著。

---------------精品文檔---------------

僅供參考學習第5頁

3.連續自變量（x）+分類調節變量（m）

這種類型的調節效應需要采用分組回歸分析，

所謂分組回歸分析既是根據調節變量的分類水

平，建立分組回歸方程進行分析，回歸方程為

y=a+bx+e。當然也可以采用將調節變量轉換為偽

變量以后進行層次回歸分析，層次回歸具體步驟

同上，見三、2，需要注意的是，分類的調節變

量轉換為偽變量進行層次回歸分析后，調節效應

是看方程的決定系數R2顯著性整體效果，這和不

同分類水平的自變量下調節變量的調節效應識

別有區別。

我們這里主要講下如何進行調節效應分組回

歸分析，調節效應的分組回歸分析可以在SPSS

中完成，當然也可以通過SEM分析軟件如AMOS

來實現，我們首先來看看如何通過SPSS來實現

分組回歸來實現調節效應分析的。

SPSS中對分組回歸的操作主要分兩步進行，

第一步是對樣本數據按調節變量的類別進行分

割，第二步則是回歸分析。具體步驟見下圖：

第一步：對樣本數據按調節變量的類別進行分

割：

注：選取的gender為調節變量，分別為女=0，

---------------精品文檔---------------

僅供參考學習第6頁

男=1，當然在實際研究中可能有更多的分類，大

家完全可以用1、2、3、4…….等來編號。這個

窗口選取的兩個命令是比較多組(compare

groups和按分組變量對數據文件排序（sortthe

filebygroupingvariables）

第丑的反義詞 二步：選擇回歸命令并設古代民間故事 置自變量和因變量

這個窗口里面選取了自變量comp和因變量

pictcomp,然后再點擊statistics在彈出窗口中

設置輸出參數項如下圖，勾取estimatesmodel

fitRsquaredchange：

第三步：看輸出結果，分析調節效應，見表格數

據：

表格1

VariablesEntered/Removedb

gen

der

Mod

el

Variab

les

Entere

d

Variab

les

Remove

dMethod

---------------精品文檔---------------

僅供參考學習第7頁

VariablesEntered/Removedb

gen

der

Mod

el

Variab

les

Entere

d

Variab

les

Remove

dMethod

uested

variablentered.

entVariable:

PICTCOMP

表格1顯示了因變量是pictcomp,回歸方法采用

強行進入法（enter），共有兩組回歸方程，一

組是女性（0），另一組是男性（1）。

表格2

ModelSummary

Statistics

---------------精品文檔---------------

僅供參考學習第8頁

derde

l

Squa

re

sted

R

Squa

re

Error

of

the

Estim

ate

R

Squar

e

Chang

e

F

Cha

ngedf1df2

Sig.

F

Chang

e

01.34

9a

.122.1132.723.122

14.

161

1102.000

11.48

9a

.239.2282.647.239

21.

709

169.000

tors:

(Constant),

COMP

表格2是回歸模型的總體情況，男行和女性的兩組

回歸方程具有顯著效應(p<.001)，表明性別這一變量

具有顯著的調節效應。從表格數據可以看出，女性組

的回歸方程鉆石品牌 解釋了因變量11.2%的方差變異，男性組

的回歸方程解釋了因變量22.9%的方差變異，（注：

此模型的數據是虛擬的，只是方便大家理解，無實際

意義，實際研究中回歸方程的自變量很少會只有一個

的情況）。

表格3

---------------精品文檔---------------

僅供參考學習第9頁

Coefficientsa

gen

derModel

Unstandardiz

ed

Coefficients

Standa

rdized

Coeffi

cients

tSig.B

Std.

ErrorBeta

01(Cons

tant)

7.355.943

7.79

7

.000

COMP

.342.091.349

3.76

3

.000

11(Cons

tant)

5.6261.105

5.09

0

.000

COMP

.490.105.489

4.65

9

.000

ent

Variable:PICTCOMP

此表格給出了自變量的標準化回歸系數Beta值，

在女性組中，標準化Beta為.349;在男性組中

Beta值為.489,且都達到顯著性水平p<.001，說

明自變量comp對因變量有顯著的預測作用。

---------------精品文檔---------------

僅供參考學習第10頁

上述對分類調節變量操作和解釋主要是基于

SPSS來實現的，AMOS軟件也有同樣功能，下面

以同樣回歸方程變量為例談下如何在AMOS中實

現多組回歸分析（multiplegroupanalyze）：

第一步：模型設置好后，點擊analyzemanage

groups:

第二步：在彈出的窗口輸入女，如下：

第三步：設置好第一組名稱后，點擊new,急速輸

入第二組名稱：

第三步：設置好兩個組后，關閉組別設置窗口，

回到主界面，點擊

Filedatafiles，如下圖：

第四步：在彈出窗口中可以看到如下兩組名稱：

第五步：然后點擊女組數據，再點擊filename,

打開數據文件，然后點擊groupingvariable,這

時系統會彈出你的spss數據文件中的變量，在其

中選擇你的分類變量，按分組變量的值設置好女

性組的數據；男組數據重復這個過程，見下圖：

設置好分組以后，點擊ok，回到主界面，進行模

型比較設置（溫忠麟關于在AMOS中進行分組比

較的策略，采用如下做法：先將兩組的結構方程

回歸系數限制為相等,得到一個2值和相應的

---------------精品文檔---------------

僅供參考學習第11頁

自由度。然后去掉這個限制,重新估計模型,又

得到一個2值和相應的自由度。前面的2減去

后面的2得到一個新的2,其自由度就是兩個

模型的自由度之差。如果2檢驗結果是統計顯

著的,則調節效應顯著）。

第六步：設置限制模型和無限歌曲忐忑 制模型。點擊

analyzemanagemodels,首先設置無限制模型

（無任何限制，不需要改動）；然后點擊下面的

new，設置結構方程回歸系數限制相等模型，如

下圖：

注：上圖限制模型中，W表示所有回歸系數，可

在Pluginnameparameter中進行設置。

第七步：兩個模型設置好后，進行分析設置，點

擊viewananlysis

Properties,在output中選中前面三項和臨界

比率檢驗一項，回到主界面，點擊左側繪圖工

具欄中的運算圖標，即可得到輸出結果，操

作如下：

第八步：看分組比較運算結果，一個看模型圖

的標準化輸出，一個看文本輸出結果，本例輸

出結果如下圖：

圖1：女性組無限制模型標準

---------------精品文檔---------------

僅供參考學習第12頁

化路徑圖

圖2男性組無限制模型標準化

路徑圖

圖3女性組限制模型標準化路

徑圖

圖4男性組限制模型標準化路徑

圖

從上述分組比較的標準化路徑圖來看，限制模

型和無限張姓起源 制模型在一些擬合指標上并無顯著變

化，且兩者的卡方與自由度之比都小于2，這提

示我們可能性別的調節效應并不顯著，為了進

一步檢驗，我們結合文本輸出結果來判斷是否

無限制模型和限制模型的區別不顯著，具體分

析見如下表格與結果分析：

Assumingmodel無限制模型（所有參數自由估

計）tobecorrect:

Mod

el

D

F

CMI

N

P

NFI

Delta

-1

IFI

Delta

-2

RFI

rho

-1

TLI

rho

2

限

制

8

8.5

45

.38

2

.018.021

-.0

01

-.0

01

---------------精品文檔---------------

僅供參考學習第13頁

模

型

（

所

有

回

歸

權

重

限

制

相

等）

上表是分組回歸分析無限制模型和限制模型的

比較，從表中可知，對模型所有結構方程系數限

制為相等后，卡方值改變量CMIN/df=8.545/8的

臨界比率P>.05，卡方值改變量不顯著，因此可

以世界上最長壽的人多少歲 從卡方值判斷，性別對于兩個潛變量的調節效

應不顯著。

CMINandCMIN/DF:

---------------精品文檔---------------

僅供參考學習第14頁

Model

NPA

R

CMIN

D

F

P

CMIN/D

F

限制模型（所

有回歸權重

限制相等）

3876.725

7

0

.27

2

1.096

無限制模型

（所有參數

自由估計）

4668.180

6

2

.27

5

1.100

Saturated

model

108.0000

Independenc

emodel

36

467.86

6

7

2

.00

0

6.498

上表檢驗了限制模型和自由估計模型的卡方值

及其卡方與自由度自比，兩者的P都大于.05，

且卡方與自由度之比都小于2，說明模型都擬合

良好，這進一步說明無限制模型和限制模型無顯

著區別。

BalineComparisons

---------------精品文檔---------------

僅供參考學習第15頁

Model

NFI

Delta

1

RFI

rho

1

IFI

Delta

2

TLI

rho

2

CFI

限制模型（所

有回歸權重

限制相等）

.836

.83

1

.983

.98

3

.983

無限制模型

（所有參數

自由估計）

.854

.83

1

.985

.98

2

.984

Saturated

model

1.0001.000

1.00

0

Independenc

emodel

.000

.00

0

.000

.00

0

.000

上表是基線比較結果，NFI、RFI、IFI、TLI、CFI

指標在限制模型和無限制模型中并無明顯改變。

RMSEA

ModelRMSEA

LO

90

HI

90

PCLOSE

限制模型（所有回

歸權重限制相等）

.024.000.052.937

---------------精品文檔---------------

僅供參考學習第16頁

ModelRMSEA

LO

90

HI

90

PCLOSE

無限制模型（所有

參數自由估計）

.024.000.053.922

Independence愛情吉他譜

model

.178.163.194.000

上表的RMSEA指標在限制模型和無限制模型中為

相等<.05，說明限制模型和無限制模型都有良好

的模型擬合。

結論：從上述標準化路徑圖和表格輸出結果來

看，限制模型和無限制模型的區別不顯著，意味

著性別對兩個潛變量的調節效應不明顯。

4.連續自變量（X）+連續調節變量（M）

這種類型相對來說操作比較簡單，只需要把所

有變量中心化之后就可以進行層次回歸分析，標

準化回歸方程為：

Y=bx+cm+e1)

Y=b1x+cm+c1mx+e2)

對上述方程的檢驗同層次回歸分析。