调节变量和中介变量
合集下载
调节变量和中介变量
4.构造方程
自变量、因变量和乘积项放到多元回归方程中检验交互作用。 乘积项的系数如果显著，就说明调节作用存在。
5.调节作用的分析和解释
调节变量和自变量都是定类变量：
1）在不同的组中分别计算因变量的均值，然后用得到的值 来做图，直观的表示出调节作用的模式。
2）在案调节变量所分的不同组中，检验自变量对结果变量 回归的斜率。
3.2 中介作用的检验和分析
1.建立因果关系
两个变量X与Y之间存在因果关系，如果X与Y之间 是完全没有关系的，接下来的步骤就不用做了。
这种关系是不是虚假的相关。
Wegener和Fabrigar提出：即使用非实验的研究，人们也 可以通过把其他变量的作用控制掉的方法或收集几个时间 点的数据的方法，来实现比较严格的因果关系研究。
交互作用分类
增强型交互作用：随着X2变大，X1对Y的正面影 响越来越强
干扰型交互作用：随着X2变大，X1对Y的正面影 响逐渐减弱
2.3 检验调节作用的方法
检验调节作用最普遍的方法是多元调节回归分析： MMR
MMR具体步骤
1.用虚拟变量代表类别变量
所需的虚拟变量的数目等于类别变量水平个数减一。 如2个类别变量的时候，D1=1；D1=0
“视情况而定”“因人而异” “在什么样的情况下”“对于哪些人”
Z
X
Y
2.1 调节作用的原理
调节变量影响自变量和因变量之间的关系，即可以是对关 系方向的影响，又可以是对关系强度的影响。
2.2 调节作用与交互作用
交互作用：两个变量(X1和X2)共同作用时对Y的 影响不等于两者分别影响Y的简单数学和。两个 自变量可以是对称也可以是不对称的。
调节变量和中介变量
本章大纲
自变量、因变量和乘积项放到多元回归方程中检验交互作用。 乘积项的系数如果显著，就说明调节作用存在。
5.调节作用的分析和解释
调节变量和自变量都是定类变量：
1）在不同的组中分别计算因变量的均值，然后用得到的值 来做图，直观的表示出调节作用的模式。
2）在案调节变量所分的不同组中，检验自变量对结果变量 回归的斜率。
3.2 中介作用的检验和分析
1.建立因果关系
两个变量X与Y之间存在因果关系，如果X与Y之间 是完全没有关系的，接下来的步骤就不用做了。
这种关系是不是虚假的相关。
Wegener和Fabrigar提出：即使用非实验的研究，人们也 可以通过把其他变量的作用控制掉的方法或收集几个时间 点的数据的方法，来实现比较严格的因果关系研究。
交互作用分类
增强型交互作用：随着X2变大，X1对Y的正面影 响越来越强
干扰型交互作用：随着X2变大，X1对Y的正面影 响逐渐减弱
2.3 检验调节作用的方法
检验调节作用最普遍的方法是多元调节回归分析： MMR
MMR具体步骤
1.用虚拟变量代表类别变量
所需的虚拟变量的数目等于类别变量水平个数减一。 如2个类别变量的时候，D1=1；D1=0
“视情况而定”“因人而异” “在什么样的情况下”“对于哪些人”
Z
X
Y
2.1 调节作用的原理
调节变量影响自变量和因变量之间的关系，即可以是对关 系方向的影响，又可以是对关系强度的影响。
2.2 调节作用与交互作用
交互作用：两个变量(X1和X2)共同作用时对Y的 影响不等于两者分别影响Y的简单数学和。两个 自变量可以是对称也可以是不对称的。
调节变量和中介变量
本章大纲
调节变量与中介变量
调节变量与中介变量
调节变量(moderator)和中介变量(mediator)是两个重要的统计概念,它们都与回归分析有关。
一般人总是搞混两个之间的含义，因此造成统计数据的误差。
调节变量的定义
如果变量Y与变量X的关系是变量M 的函数,称M 为调节变量。
就是说, Y与X 的关系受到第三个变量M 的影响。
调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱.
例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。
又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该项自我概念的重视程度是调节变量。
中介变量的定义
考虑自变量X 对因变量Y的影响,如果X 通过影响变量M 来影响Y,则称M 为中介变量。
例如,上司的归因研究:下属的表现———上司对下属表现的归因———上司对下
属表现的反应,其中的“上司对下属表现的归因”为中介变量。
如果一个变量与自变量或因变量相关不大,它不可能成为中介变量,但有可能成为调节变量。
理想的调节变量是与自变量和因变量的相关都不大。
有的变量,如性别、年龄等,由于不受自变量的影响,自然不能成为中介变量,但许多时候都可以考虑为调节变量。
对于给定的自变量和因变量,有的变量做调节变量和中介变量都是合适的,从理论上都可以做出合理的解释。
中介变量和调节变量
例如：
父亲的社会经济地位——儿子的教育程 度——儿子的社会经济地位（Duncan, Featherman & Duncan, 1972）
中介变量：儿子的教育程度
下属的表现——上司对下属表现的归 因——上司对下属表现的反应（James & Brett，1984）
中介变量：上司对下属表现的归因
效应之间的关系：c=c’+ab
2. 广义乘积指标（GAPI）方法（ Wall & Amemiya, 2001) 3. 无约束方法（Marsh, Wen & Hau, 2004)
拟极大似然估计（QML）方法(Klein & Muthen, 2002)
2 中介变量和中介效应
2.1 中介变量的定义 考虑自变量X对因变量Y的影响，如果X通过 影响变量M来影响Y，则称M为中介变量。 （Judd & Kenny，1981； Baron & Kenny, 1986)
第三者： 老师的管教方式（U） 老师对学生的喜欢程度（W）
5.1 教师喜欢程度 是调节变量还是中介变量
调节效应分析
5.1 教师喜欢程度 是调节变量还是中介变量
中介效应分析
5.2 管教方式 是调节变量还是中介变量
调节效应分析
5.2 管教方式 是调节变量还是中介变量
中介效应分析
Sobel 检验
化潜为显（均值或因子得分） 两步最小二乘回归 （Bollen & Paxton, 1998) 分组线性结构方程分析 （如Bagozzi & Yi ，
1989 ； Joreskog, 1971）
带潜变量乘积项的结构方程分析
1. 参数非线性约束方法（Kenny & Judd, 1984; Joreskog & Yang , 1996; Algina & Moulder, 2001)
中介变量和调节变量
调整效应
调整变量和自变量都是类别变量时： 做方差分析当两者旳交互效应明显时,则阐明
调整变量产生了调整效应。之后,能够经过 简朴效应分析进一步了解调整变量旳详细 作用。
当调整变量是连续变量时,不论自变量是何种 变量,均可采用层次回归技术来进行检验。 即先分别考察自变量和调整变量对因变量 旳主效应大小,然后将“自变量×调整变量” 乘积项纳入回归方程,若该项系数明显,则表 白调整效应明显。
然后,以自尊、社会影响以及这两者旳交互作用
项一起作为预测变量,以自控为因变量采用逼迫进 入法进行回归分析。成果表白,整体模型具有统计 明显性,但是交互作用项对自控旳影响未到达明显 水平( p < 0. 05) ,这阐明社会影响在自尊与自控之 间未存在调整效应。
最终,以自尊、社会影响、自控、自尊与社会影响 旳交互作用项以及自控与社会影响旳交互作用项一
3当该回归系数降低到0时,称为完全中介作用
中介效应分析措施
• 假设Y与X 旳有关明显,意味着回归系数c 明显,在 这个前提下考虑中介变量M。对中介效应旳统计 检验主要有三种措施。
• 老式旳做法是依次检验回归系数a、b (完全中介 效应还要检验c′) 旳明显性。 第二种做法是检验经过中介变量旳途径上旳回归 系数旳乘积ab 是否明显。 第三种做法是检验c’与c 旳差别是否明显。三种 措施各有利弊。
第二步：
明显 X预测M检验系数明显
不明显 不明显
第三步：
明显
停止中介效果分析
X和M同步预测Y检验X Y系数是否明显
不明显且
明显且≤第 一步X Y
X Y系数接 近0
部分中介效果明显
完全中介效果明显
操作环节
（一）国内部分： 1.将变量中心化 变量值-均值 2、检验回归系数c,即主观幸 福感对社会支持旳回归 Y=0.30X（要看原则系数） 3、检验回归系数a，即自尊 对社会支持旳回归M=0.26X 4、检验回归系数b，即主观 幸福感对自尊旳回归 5、检验系数c’ ， Y=0.17X+0.49M
中介变量 调节变量
如何用SPSS做中介效应与调节效应（转）如何用SPSS做中介效应与调节效应1、调节变量的定义变量Y与变量X的关系受到第三个变量M的影响,就称M为调节变量。
调节变量可以是定性的，也可以是定量的。
在做调节效应分析时,通常要将自变量和调节变量做中心化变换。
简要模型：Y = aX + bM + cXM + e。
Y与X的关系由回归系数a + cM来刻画,它是M的线性函数, c衡量了调节效应(moderating effect)的大小。
如果c显著，说明M的调节效应显著。
2、调节效应的分析方法显变量的调节效应分析方法：分为四种情况讨论。
当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e的层次回归分析：1、做Y对X和M的回归,得测定系数R12。
2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。
或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。
若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM+e的层次回归分析。
潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。
当调节变量是类别变量时,做分组结构方程分析。
做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。
然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。
前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。
如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau 提出的无约束的模型。
控制变量 调节变量 中介变量
的层次回归分析：
除了考虑交互效应项XM外，还
1、做Y对X和M的回归分析， 可以考虑高阶效应项（如XM2，
测得R12。
表示非线性调节效应；MX2，
2、做Y对X、M和XM的回归 表示曲线回归得调节）。
得R22，若R22显著高于
R12，则调节效应显著。或
者，做XM的回归系数检验，
若显著，则调节效应显著。
精品课件
控制变量 调节变量 中介变量
崔国越
精品课件
过1、观控制察变导量 出的结果，可以看 出，在剔除了人口统计学变 量之后，其他变量的方差贡 献增加率。
精品课件Biblioteka 文献分析控制变量：性别、年龄、一般自我效能感、绩效 自信心和风险厌恶水平。
一般自我效能采用Schwarzer等人构建的10个题 项的量表，在本样本中的内部一致性洗漱为0.86； 构造两个题项测量个体对工作绩效的自信心，两 个测量题的内部一致性系数α=0.70；
假设变量已经中心化或者标准化，可用图2所示的路径和相应的方程
来说明变量之间的关系。其中，c是X对于Y的总效应，ab是经过中介
变量M的中介效应， c 是直接效应。当只有一个中介变量时，效应之
间有如下关系
ccab
中介效应的大小用 ccab
（2） 来衡量。
精品课件
3.2中介效应分析方法
中介效应是间接效应，无论变量是否涉及潜变量， 都可以用结构方程模型分析中介效应。如果所有 变量都是县变量，可以依次做图2的三个回归分析。
量的模型一般地可以用图示意。调节变量可以是定性的(如性别、
种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、
刺激次数等) ,它影M响因变量和自变量之间关系的方向(正或负)
调节变量和中介变量
调节变量的定义(moderating effect)
如果变量Y和变量X之间的关系是变量M的函 数,则M称为调节变量
调节变量可以是定性的(如性别,种族等) 也可以是定量的(如年龄,刺激次数等) 它影响因变量和自变量关系的方向和强弱.
第4讲 社会认知
我们周围的世界是由心灵创造的；即使我们并肩站在同一块 草地上，我看到的绝不会和你看到的相同。
第三节 谈判活动的管理
二、谈判活动的信息管理
1.谈判信息搜集的作用
•制定谈判战略的重要依据 •控制谈判过程的手段 •谈判双方的中介
第三节 谈判活动的管理
二、谈判活动的信息管理
2.谈判信息搜集的主要内容
• 市场信息的主要内容
① 国内外市场分布信息 ② 消费需求信息 ③ 产品销售信息 ④ 产品竞争信息 ⑤ 产品分销渠道
调节变量和中介变量
自变量 自变量
中介变量 调节变量
因变量 因变量
280 articles
76 (27%) tested for mediation
99 (35%) 19 tested for
moderation
mentioned the moderator implied a mediator
. Incidence of tests of mediation and moderation in the Journal of Applied Psychology (volumes 84-86).
第二节 谈判现场 二、谈判双方座位的的布安置排与安排
•主相对而 坐 •任意就座 •不设谈判
谈 判 人
第二节 谈判现场的员 布置与安排 的 素
三、谈判时间的安排质要
求
中介变量与调节变量 (1)
中介变量与调节变量
韩张慧 蒋山花 张咏喻 王一帆 鲁甜甜 杨佳淇 唐红梅
■ 中介变量 ■ 调节变量
■ 两者的比较
■ SPSS的操作
中介效应分析概述
■ 中介效应分析广泛用于社会科学研究，如心理学，管理学 和传播学等。Rucker等(2011)统计发现2005至2009年间发 表在《人格与社会心理学杂志》JPSP和《人格与社会心理 学公报》PSPB上59%和65%的文章使用了中介检验。 中介变量是社会科学诸多理论中不可缺少的内
例子
■ 学生行为(X)对同伴关系(Y )影响的中介效应分析 ■ 学生行为(X)是被试的违纪捣乱行为 , 包括9 个题目(如挑 起争斗 、欺负同学 、说脏话等), 同伴关系(Y )是被试受 同学欢迎的程度，具体地说 ,就是同班同学有多少人将其列 入喜欢的名单。 ■ 老师的管教方式(U)是被试对班主任老师的管教方式的评价, 也有 9 个题目(如班主任愿意听我们的意见 ,班主任的期望 和要求明确清晰 等等)。 ■ 老师对学生的喜欢程度(W)由班主任为被试打分(从“一点都 不喜欢”到“非常喜欢”5 级记分)。
缺点：在a=0，但b≠0时，可能存在较高的第一类错误率
即使中介效应不存在(ab=0),只要b显著,结果仍判定中介效应显著
Bootstrapping
■ 原理：正态分布假设不成立时，经验抽样分布可以作为实际整体分布 用于参数估计。Bootstrapping以研究样本作为抽样总体，采用放回取 样，从研究样本中反复抽取一定数量的样本，通过平均每次抽样得到 的参数作为最后的估计结果。 Bootstrapping不需要分布假设所以避免了系数乘积检验违反分布假设 的问题，而且该方法不依赖标准误所以避免了不同标准误公式产生结 果不一致的问题。模拟研究发现，与其他中介效应检验方法相比 Bootstrapping具有较高的统计效力。 Mplus提供两种Bootstrap：标准的和残差的。 标准的Bootstrap只适应于ML，WLS，WLSM，WLSMV，ULS和GLS 估计法，残差的Bootstrap只适应于连续变量的ML估计。 通过使用Bootstrap语句以及MODEL INDIRECT和CINTERVAL，可以得到 间接效应的 Bootstrap标准误和偏差校正的Bootstrap置信区间
韩张慧 蒋山花 张咏喻 王一帆 鲁甜甜 杨佳淇 唐红梅
■ 中介变量 ■ 调节变量
■ 两者的比较
■ SPSS的操作
中介效应分析概述
■ 中介效应分析广泛用于社会科学研究，如心理学，管理学 和传播学等。Rucker等(2011)统计发现2005至2009年间发 表在《人格与社会心理学杂志》JPSP和《人格与社会心理 学公报》PSPB上59%和65%的文章使用了中介检验。 中介变量是社会科学诸多理论中不可缺少的内
例子
■ 学生行为(X)对同伴关系(Y )影响的中介效应分析 ■ 学生行为(X)是被试的违纪捣乱行为 , 包括9 个题目(如挑 起争斗 、欺负同学 、说脏话等), 同伴关系(Y )是被试受 同学欢迎的程度，具体地说 ,就是同班同学有多少人将其列 入喜欢的名单。 ■ 老师的管教方式(U)是被试对班主任老师的管教方式的评价, 也有 9 个题目(如班主任愿意听我们的意见 ,班主任的期望 和要求明确清晰 等等)。 ■ 老师对学生的喜欢程度(W)由班主任为被试打分(从“一点都 不喜欢”到“非常喜欢”5 级记分)。
缺点：在a=0，但b≠0时，可能存在较高的第一类错误率
即使中介效应不存在(ab=0),只要b显著,结果仍判定中介效应显著
Bootstrapping
■ 原理：正态分布假设不成立时，经验抽样分布可以作为实际整体分布 用于参数估计。Bootstrapping以研究样本作为抽样总体，采用放回取 样，从研究样本中反复抽取一定数量的样本，通过平均每次抽样得到 的参数作为最后的估计结果。 Bootstrapping不需要分布假设所以避免了系数乘积检验违反分布假设 的问题，而且该方法不依赖标准误所以避免了不同标准误公式产生结 果不一致的问题。模拟研究发现，与其他中介效应检验方法相比 Bootstrapping具有较高的统计效力。 Mplus提供两种Bootstrap：标准的和残差的。 标准的Bootstrap只适应于ML，WLS，WLSM，WLSMV，ULS和GLS 估计法，残差的Bootstrap只适应于连续变量的ML估计。 通过使用Bootstrap语句以及MODEL INDIRECT和CINTERVAL，可以得到 间接效应的 Bootstrap标准误和偏差校正的Bootstrap置信区间
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
调节变量和中介变量
自变量 自变量
中介变量 调节变量
因变量 因变量
280 articles
76 (27%) tested for mediation
99 (35%) 19 tested for
moderation
mentioned the moderator implied a mediator
. Incidence of tests of mediation and moderation in the Journal of Applied Psychology (volumes 84-86).
Job
Job
Sat
SatSalຫໍສະໝຸດ rySalary调节变量亦即交互作用
在模型中有特殊的表达方法 Mod
X1
Y
如何检验调节效应：
取决于变量的类型 如果自变量是二分变量，调节变量也是二分
变量
2x2 ANOVA
二分变量的调节效应
例:奖励食物数量影响动物的作业水平,内驱 力是调节变量
依次检验方法的局限
1. 总体作用显著并不是中介作用显著的必要条件；我们只 要直接检验间接作用即可发现是否有中介作用。研究者 按照Baron和Kenny因果步骤，会因为总体作用c不显 著而停止余下的检验，可能错失发现间接作用 显著的 机会
2. Baron和Kenny的方法需要a和b都要显著，而直接检 验间接作用 的中介分析（比如Sobel检验）却只需a和 b的乘积显著即可。显然，拒绝两个虚无假设要比拒绝 一个要困难。
测量间接效应
间接效应即中介作用的大小
完全中介或部分中介 间接效应=(c - c') 理论上, c - c' = a*b
但是，这些对于证实中介作用是不够的，需 要有一个统计检验.
测量间接效应
Xc Y
X
c’
Y
a
b
M
间接效应= a ×b 如果 a ×b = c,
完全中介模型
如果 a ×b < c,
基于上述发现:
不一致的发现. 阻碍的条件. 促进的条件.
调节变量的例子（1）
绩效
高亲和需要员工 低亲和需要员工
上级支持
调节变量的例子（2）
Job satisfaction proactive
High Harmony Low Harmony
调节变量的例子（3）
Police
Stock Brokers
如果交互作用显著，接下来做什么？
绘制高低组的回归图 1 SD 高于和低于均值
一个例子
High Aff Job Sat
Low Aff
Social support
连续变量的调节效应的完整程序
1. 标准化自变量和调节变量 2. 建立交互作用变量 3. 层次化多元回归 4. 绘制和解释交互作用项
3. 虽然Sobel检验直接检验间接作用a和b的乘积，但是这 种方法建立在a和b乘积正态分布的假设基础上，而这 种假设一般是不成立的。并且与重复取样的自抽样程序 相比，Sobel检验的效力要低
连续变量的调节效应
用两变量的乘积作为交互作用项
在SPSS中建立一个新变量
进行层次化多元回归
第一层: 主效应 第二层: 加入交互作用项
解释结果
因为作了中心化，所以主效应是另一个变量 在平均水平时的主效应
解释显著的交互作用
交互作用是否显著看加入交互作用项后的 R-squared change
调节变量的定义(moderating effect)
如果变量Y和变量X之间的关系是变量M的函 数,则M称为调节变量
调节变量可以是定性的(如性别,种族等) 也可以是定量的(如年龄,刺激次数等) 它影响因变量和自变量关系的方向和强弱.
研究情境
也称为边际条件 “boundary condition.”
递进的因果关系
分析过程
X
Y
c
M a
X c'
b Y
c: X 和 Y的直接关系 a: X和中介变量的关系 b: 中介变量和Y的关系 c‘: 当中介变量在方程中时X 和Y的关系
要注意的问题
整个模型的效力 中介变量的信度
这些问题都可以通过结构方程模型有效地解 决
传统方法如何检验中介作用
部分中介模型
如果 a ×b > c, 抑制模型
中介作用的Sobel 检验
MacKinnon et al (2002)
Sobel的计算：
/statcalc/calc31.aspx
依次检验方法的局限
Journal of Personality and Social Psychology“Attitudes and Social Cognition”板块的主编Smith（2012）在 今年第一期的主编评论（Editorial）中指出 ，基于旧有的Baron和Kenny（1986）的 中介分析方法已经过时，建议投稿者使用新 的更准确的、具有更强检验力的方法。
自变量或调节变量是连续变量
比较复杂 必须假定没有测量误差
效力较低 必须有较大的样本容量
不要将连续变量分成二分变量
有些做法从均值或中数分成2组，这样作降低了检 验的效力
连续变量的调节效应
中心化或标准化自变量和调节变量
中心化为了降低共线性 标准化容易用SPSS 程序计算
中介变量的定义(mediating effect)
考虑自变量X 对因变量Y的影响,如果X 通过 影响变量M 来影响Y,则称M 为中介变量。
中介变量的意义是解释自变量对因变量的影 响机制
在模型中有特殊的表达方法
X1
Med
Y
研究情境
当X 和Y 的关系给定后,目的是了解”为什 么”的机制.
考察自变量和因变量间的关系
相关或回归 求出“c”
将自变量(IV) 向中介变量(DV)回归
标准化系数 B 就是 “a”
如何检验中介作用
进行层次化回归
第一层: 放入 X 第二层: 放入中介变量(得到 b)
变量X的 降低的数量(c‘) 就是中介作用的 大小
完全中介, 变为 0 (n.s.) 部分中介, 显著减小
完全中介
如果变量X对Y的作用完全被中介变量M引 起的a和b路径所分解, 则称如果变量X对Y 的作用被变量M完全中介.
c≠0, c’=0
部分中介
如果变量X对Y的作用完全被中介变量M引 起的a和b路径显著, 而X至Y的路径仍显著, 则称如果变量X对Y的作用被变量M部分中 介.
c≠0, c’ ≠ 0
自变量 自变量
中介变量 调节变量
因变量 因变量
280 articles
76 (27%) tested for mediation
99 (35%) 19 tested for
moderation
mentioned the moderator implied a mediator
. Incidence of tests of mediation and moderation in the Journal of Applied Psychology (volumes 84-86).
Job
Job
Sat
SatSalຫໍສະໝຸດ rySalary调节变量亦即交互作用
在模型中有特殊的表达方法 Mod
X1
Y
如何检验调节效应：
取决于变量的类型 如果自变量是二分变量，调节变量也是二分
变量
2x2 ANOVA
二分变量的调节效应
例:奖励食物数量影响动物的作业水平,内驱 力是调节变量
依次检验方法的局限
1. 总体作用显著并不是中介作用显著的必要条件；我们只 要直接检验间接作用即可发现是否有中介作用。研究者 按照Baron和Kenny因果步骤，会因为总体作用c不显 著而停止余下的检验，可能错失发现间接作用 显著的 机会
2. Baron和Kenny的方法需要a和b都要显著，而直接检 验间接作用 的中介分析（比如Sobel检验）却只需a和 b的乘积显著即可。显然，拒绝两个虚无假设要比拒绝 一个要困难。
测量间接效应
间接效应即中介作用的大小
完全中介或部分中介 间接效应=(c - c') 理论上, c - c' = a*b
但是，这些对于证实中介作用是不够的，需 要有一个统计检验.
测量间接效应
Xc Y
X
c’
Y
a
b
M
间接效应= a ×b 如果 a ×b = c,
完全中介模型
如果 a ×b < c,
基于上述发现:
不一致的发现. 阻碍的条件. 促进的条件.
调节变量的例子（1）
绩效
高亲和需要员工 低亲和需要员工
上级支持
调节变量的例子（2）
Job satisfaction proactive
High Harmony Low Harmony
调节变量的例子（3）
Police
Stock Brokers
如果交互作用显著，接下来做什么？
绘制高低组的回归图 1 SD 高于和低于均值
一个例子
High Aff Job Sat
Low Aff
Social support
连续变量的调节效应的完整程序
1. 标准化自变量和调节变量 2. 建立交互作用变量 3. 层次化多元回归 4. 绘制和解释交互作用项
3. 虽然Sobel检验直接检验间接作用a和b的乘积，但是这 种方法建立在a和b乘积正态分布的假设基础上，而这 种假设一般是不成立的。并且与重复取样的自抽样程序 相比，Sobel检验的效力要低
连续变量的调节效应
用两变量的乘积作为交互作用项
在SPSS中建立一个新变量
进行层次化多元回归
第一层: 主效应 第二层: 加入交互作用项
解释结果
因为作了中心化，所以主效应是另一个变量 在平均水平时的主效应
解释显著的交互作用
交互作用是否显著看加入交互作用项后的 R-squared change
调节变量的定义(moderating effect)
如果变量Y和变量X之间的关系是变量M的函 数,则M称为调节变量
调节变量可以是定性的(如性别,种族等) 也可以是定量的(如年龄,刺激次数等) 它影响因变量和自变量关系的方向和强弱.
研究情境
也称为边际条件 “boundary condition.”
递进的因果关系
分析过程
X
Y
c
M a
X c'
b Y
c: X 和 Y的直接关系 a: X和中介变量的关系 b: 中介变量和Y的关系 c‘: 当中介变量在方程中时X 和Y的关系
要注意的问题
整个模型的效力 中介变量的信度
这些问题都可以通过结构方程模型有效地解 决
传统方法如何检验中介作用
部分中介模型
如果 a ×b > c, 抑制模型
中介作用的Sobel 检验
MacKinnon et al (2002)
Sobel的计算：
/statcalc/calc31.aspx
依次检验方法的局限
Journal of Personality and Social Psychology“Attitudes and Social Cognition”板块的主编Smith（2012）在 今年第一期的主编评论（Editorial）中指出 ，基于旧有的Baron和Kenny（1986）的 中介分析方法已经过时，建议投稿者使用新 的更准确的、具有更强检验力的方法。
自变量或调节变量是连续变量
比较复杂 必须假定没有测量误差
效力较低 必须有较大的样本容量
不要将连续变量分成二分变量
有些做法从均值或中数分成2组，这样作降低了检 验的效力
连续变量的调节效应
中心化或标准化自变量和调节变量
中心化为了降低共线性 标准化容易用SPSS 程序计算
中介变量的定义(mediating effect)
考虑自变量X 对因变量Y的影响,如果X 通过 影响变量M 来影响Y,则称M 为中介变量。
中介变量的意义是解释自变量对因变量的影 响机制
在模型中有特殊的表达方法
X1
Med
Y
研究情境
当X 和Y 的关系给定后,目的是了解”为什 么”的机制.
考察自变量和因变量间的关系
相关或回归 求出“c”
将自变量(IV) 向中介变量(DV)回归
标准化系数 B 就是 “a”
如何检验中介作用
进行层次化回归
第一层: 放入 X 第二层: 放入中介变量(得到 b)
变量X的 降低的数量(c‘) 就是中介作用的 大小
完全中介, 变为 0 (n.s.) 部分中介, 显著减小
完全中介
如果变量X对Y的作用完全被中介变量M引 起的a和b路径所分解, 则称如果变量X对Y 的作用被变量M完全中介.
c≠0, c’=0
部分中介
如果变量X对Y的作用完全被中介变量M引 起的a和b路径显著, 而X至Y的路径仍显著, 则称如果变量X对Y的作用被变量M部分中 介.
c≠0, c’ ≠ 0