调节效应

---------------精品文档---------------

仅供参考学习第1页

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+e1）

y=a+bx+cm+c’mx+e2）

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：

---------------精品文档---------------

仅供参考学习第2页

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R2。

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

---------------精品文档---------------

仅供参考学习第3页

做23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：

x1x2x3

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

---------------精品文档---------------

仅供参考学习第4页

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R2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排卵期一般是几天 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牛开头的成语 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。

---------------精品文档---------------

仅供参考学习第5页

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。

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SEM分析软件如AMOS

来实现，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。

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：

注：选取的gender为调节变量，分别为女=0，

---------------精品文档---------------

仅供参考学习第6页

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1、2、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（sortthe

filebygroupingvariables）

第丑的反义词 二步：选择回归命令并设古代民间故事 置自变量和因变量

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estimatesmodel

fitRsquaredchange：

第三步：看输出结果，分析调节效应，见表格数

据：

表格1

VariablesEntered/Removedb

gen

der

Mod

el

Variab

les

Entere

d

Variab

les

Remove

dMethod

---------------精品文档---------------

仅供参考学习第7页

VariablesEntered/Removedb

gen

der

Mod

el

Variab

les

Entere

d

Variab

les

Remove

dMethod

uested

variablentered.

entVariable:

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

ModelSummary

Statistics

---------------精品文档---------------

仅供参考学习第8页

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是回归模型的总体情况，男行和女性的两组

回归方程具有显著效应(p<.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，女性组

的回归方程钻石品牌 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）。

表格3

---------------精品文档---------------

仅供参考学习第9页

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

此表格给出了自变量的标准化回归系数Beta值，

在女性组中，标准化Beta为.349;在男性组中

Beta值为.489,且都达到显著性水平p<.001，说

明自变量comp对因变量有显著的预测作用。

---------------精品文档---------------

仅供参考学习第10页

上述对分类调节变量操作和解释主要是基于

SPSS来实现的，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（multiplegroupanalyze）：

第一步：模型设置好后，点击analyzemanage

groups:

第二步：在弹出的窗口输入女，如下：

第三步：设置好第一组名称后，点击new,急速输

入第二组名称：

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

Filedatafiles，如下图：

第四步：在弹出窗口中可以看到如下两组名称：

第五步：然后点击女组数据，再点击filename,

打开数据文件，然后点击groupingvariable,这

时系统会弹出你的spss数据文件中的变量，在其

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：

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AMOS中进行分组比

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2值和相应的

---------------精品文档---------------

仅供参考学习第11页

自由度。然后去掉这个限制,重新估计模型,又

得到一个2值和相应的自由度。前面的2减去

后面的2得到一个新的2,其自由度就是两个

模型的自由度之差。如果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歌曲忐忑 制模型。点击

analyzemanagemodels,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

new，设置结构方程回归系数限制相等模型，如

下图：

注：上图限制模型中，W表示所有回归系数，可

在Pluginnameparameter中进行设置。

第七步：两个模型设置好后，进行分析设置，点

击viewananlysis

Properties,在output中选中前面三项和临界

比率检验一项，回到主界面，点击左侧绘图工

具栏中的运算图标，即可得到输出结果，操

作如下：

第八步：看分组比较运算结果，一个看模型图

的标准化输出，一个看文本输出结果，本例输

出结果如下图：

图1：女性组无限制模型标准

---------------精品文档---------------

仅供参考学习第12页

化路径图

图2男性组无限制模型标准化

路径图

图3女性组限制模型标准化路

径图

图4男性组限制模型标准化路径

图

从上述分组比较的标准化路径图来看，限制模

型和无限张姓起源 制模型在一些拟合指标上并无显著变

化，且两者的卡方与自由度之比都小于2，这提

示我们可能性别的调节效应并不显著，为了进

一步检验，我们结合文本输出结果来判断是否

无限制模型和限制模型的区别不显著，具体分

析见如下表格与结果分析：

Assumingmodel无限制模型（所有参数自由估

计）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

---------------精品文档---------------

仅供参考学习第13页

模

型

（

所

有

回

归

权

重

限

制

相

等）

上表是分组回归分析无限制模型和限制模型的

比较，从表中可知，对模型所有结构方程系数限

制为相等后，卡方值改变量CMIN/df=8.545/8的

临界比率P>.05，卡方值改变量不显著，因此可

以世界上最长寿的人多少岁 从卡方值判断，性别对于两个潜变量的调节效

应不显著。

CMINandCMIN/DF:

---------------精品文档---------------

仅供参考学习第14页

Model

NPA

R

CMIN

D

F

P

CMIN/D

F

限制模型（所

有回归权重

限制相等）

3876.725

7

0

.27

2

1.096

无限制模型

（所有参数

自由估计）

4668.180

6

2

.27

5

1.100

Saturated

model

108.0000

Independenc

emodel

36

467.86

6

7

2

.00

0

6.498

上表检验了限制模型和自由估计模型的卡方值

及其卡方与自由度自比，两者的P都大于.05，

且卡方与自由度之比都小于2，说明模型都拟合

良好，这进一步说明无限制模型和限制模型无显

著区别。

BalineComparisons

---------------精品文档---------------

仅供参考学习第15页

Model

NFI

Delta

1

RFI

rho

1

IFI

Delta

2

TLI

rho

2

CFI

限制模型（所

有回归权重

限制相等）

.836

.83

1

.983

.98

3

.983

无限制模型

（所有参数

自由估计）

.854

.83

1

.985

.98

2

.984

Saturated

model

1.0001.000

1.00

0

Independenc

emodel

.000

.00

0

.000

.00

0

.000

上表是基线比较结果，NFI、RFI、IFI、TLI、CFI

指标在限制模型和无限制模型中并无明显改变。

RMSEA

ModelRMSEA

LO

90

HI

90

PCLOSE

限制模型（所有回

归权重限制相等）

.024.000.052.937

---------------精品文档---------------

仅供参考学习第16页

ModelRMSEA

LO

90

HI

90

PCLOSE

无限制模型（所有

参数自由估计）

.024.000.053.922

Independence爱情吉他谱

model

.178.163.194.000

上表的RMSEA指标在限制模型和无限制模型中为

相等<.05，说明限制模型和无限制模型都有良好

的模型拟合。

结论：从上述标准化路径图和表格输出结果来

看，限制模型和无限制模型的区别不显著，意味

着性别对两个潜变量的调节效应不明显。

4.连续自变量（X）+连续调节变量（M）

这种类型相对来说操作比较简单，只需要把所

有变量中心化之后就可以进行层次回归分析，标

准化回归方程为：

Y=bx+cm+e1)

Y=b1x+cm+c1mx+e2)

对上述方程的检验同层次回归分析。