实证研究论文数据分析方法详解论文.pdf

实证论文数据分析方法详解 （周健敏整理） 以下面研究模型为例来说明实证论文数据分析方法 名称 变量类型 在 SPSS 软件中的简称（自己设定的代号） 变革型领导 自变量 1 z b l 1 交易型领导 自变量 2 z b l 2 回避型领导 自变量 3 z b l 3 认同和内部化 调节变量 T J 领导成员交换 中介变量 Z J 工作绩效 因变量 Y B 调节变量：如果自变量与因变量的关系是变量 M 的函数，称变量 M 为调节变量。也就是, 领 导风格（自变量）与工作绩效（因变量）的关系受到组织认同（调节变量）的影 响，或组织认同（调节变量）在领导风格（自变量）对工作绩效（因变量）影响 关系中起到调节作用。具体来说，对于组织认同高的员工，变革型领导对工作绩 效的影响力，要高于组织认同低的员工。 中介变量：如果自变量通过影响变量 N 来实现对因变量的影响，则称 N 为中介变量。也就 是，领导风格（自变量）对工作绩效（因变量）影响作用是通过领导成员交换（中 介变量）的中介而产生的。 研究思路及三个主要部分组成： （1 ）领导风格对于员工工作绩效的主效应（M a i n E f f e c t s ）研究。 （2 ）组织认同对于不同领导风格与员工工作绩效之间关系的调节效应（M o d e r a t i n g E f f e c t s ）研究。 （3 ）领导成员交换对于不同领导风格与员工工作绩效之间关系的中介效应（M e d i a t o r E f f e c t s ）研究。 变革型领导 交易型领导 回避型领导 工作绩效 领导成员交换 组织认同 目 录 1 . 调查问卷表中数据预先处理 3 1 . 1 剔除无效问卷 3 1 . 2 重新定义控制变量 3 2 . 把 E x c e l 数据导入到S P S S 软件中的方法 4 3 . 确认所有的变量中有无“反向计分”项 4 3 . 1 无“反向计分”题 5 3 . 2 有“反向计分”题 5 4 . 效度分析 6 5 . 信度分析 8 6 . 描述统计 9 7 . 各变量相关系数 1 2 7 . 1 求均值 1 2 7 . 2 相关性 1 2 8 . 回归分析 1 3 8 . 1 使用各均值来分别求 Z 值 1 3 8 . 2 自变量 Z 值与调节变量Z 值的乘积 1 3 8 . 3 进行回归运算 1 4 8 . 3 . 1 调节作用分析 1 4 8 . 3 . 2 中介作用分析 1 8 8 . 4 调节作用作图 2 2 1. 调查问卷表中数据预先处理 1.1 剔除无效问卷 调查问卷表中有内容对立的题项，主要是测试答题人是否认真阅读和填写本调查问 卷表而设置的，例如： 2 . 2 题 我在决策过程当中经常发表了自己的意见。 2 . 8 题 在决策中我没有发表意见的机会。 可供的回答选项如下： 1 2 3 4 5 完全不符合 比较不符合 有点符合 比较符合 完全符合 如果答题者 2 . 2 题的回答选2，做 2 . 8题的回答却选3，则这份调查问卷为无效。 该调查问卷所有数据应事先删除，即：这份调查问卷不能用做数据分析。 有效的回答为：如果 2 . 2 题的回答选2，做 2 . 8 题的回答选4；或者，如果 2 . 2 题选1， 那么 2 . 8 题选5。等等（依此类推，在此不全部列出） 1.2 重新定义控制变量 输入在 Excel 中的调查问卷表数据项，例如：最高学历、性别、年龄，当前工作时间， 等等，诸如此类的描述统计的项目，被统称为“控制变量” 数据导入SPSS之前， 在Excel中要事先对 “最高学历” 、“性别” 、“年龄” 、“当前工作时间” 等控制变量进行了归类和重新定义，例如： 性别的重新定义： 男性 表示为 1 女性 表示为 2 年龄的重新定义： 2 5 岁以下 表示为 1 2 5 3 0 岁 表示为 2 3 0 3 5 岁 表示为 3 3 5 4 0 岁 表示为 4 4 0 岁以上 表示为 5 当前工作时间的重新定义： 1 年以下 表示为 1 1 3 年 表示为 2 3 5 年 表示为 3 5 8 年 表示为 4 8 年以上 表示为 5 等等（依此类推，对其他控制变量进行适当的定义） 2. 把 Excel 数据导入到 SPSS 软件中的方法 操作方法：打开 SPSS 程序，点击在左上角的 FileOpenDate对话框中的“文件类 型”项中选择“Excel 格式”选择你要导入的 Excel 数据文件点击“打开” 在对话框中的“Range”项定义提取 Excel 表中数据的范围“最左上角 : 最右 下角” ，例如“B2 : HW217” 数据自动导入到 SPSS 表格中，在 Date View 页面 中确认一下数据是否少读或多读不需要的信息。 （注意：在对话框选项“Read variable names form the first row of date”上打勾或不打勾， 对定义 Excel 表中数据的范围有影响，所以要确认一下数据是否少读或多读不需要的信 息） 从“Date View”页面转到“Variable View”页面，根据最左边的“Name”对应“调 查问卷”中的问题项，在“Label”列中标明自变量 1 、自变量 2 、自变量 3 、调节变量、 中介变量、因变量。 Q 1 : 在“Label”列中标注什么代号？ A 1 : 根据个人的喜欢和方便识别、记忆 可自己定义，本文的标注是： 自变量 1 z b l 1 自变量 2 z b l 2 自变量 3 z b l 3 调节变量 T J 中介变量 Z J 因变量 Y B Q2: 怎样知道哪几行是自变量 1、哪几行是自变量 2、哪几行是因变量？ A 2 : 导师会事先告诉你，在调查问卷表中哪些问题项是属于自变量 1、哪些问题项是属于 自变量 2、哪些问题项是属于因变量。 对照调查问卷表中各问题项的排列顺序 找到 S P S S 中相应的“行”并作上述标注。 注意：数据较多，不要看错行，这样会导致运算了其他不相关的数据而造成错误! 3. 确认所有的变量中有无“反向计分”项 在做效度分析之前，先要看清楚调查问卷表中被选中作为变量的问卷题目有没有 要“反向计分”的？每个变量所对应的问卷题目内容再仔细地一题一题确认一遍。所谓“反 向计分”题是指在同一变量中与其他题目逻辑相反的题。 例如：5.1 题 我清楚我的上司对我的满意程度如何。 5.2 题 我的上司对我的问题和需求了如指掌。 5.3 题 我的上司没有意识到我的潜力。 假如这 3 道题都属于同一变量，第 5.3 题与其它题的逻辑相反，第 5.3题就是“反向计分题” 。在做数据分析时，该题的计 分应与其它题相反，因此事先要对该题的计分进行转换，转换方法如下 3.2 说明 3.1 如果没有反向计分题， 那么就跳过 3.2的步骤， 直接进行信度分析、 效度分析等 3.2 如果有反向计分题，那么执行以下步骤，经过计分转换后，该题 才能和其它题一同进行之后的各项数据分析 操作方法：TransformRecodeInto Different Variables在左边的框中找到“反向计分” 的项并点击放入到 “Numeric Variable Output Variable” 框内在右边 Name 框中 输入新的名字， 比如： zbl2fanxiang （代表： 自变量 2 的反向计分项） 点击 “Old and New Values”后进入另一个对话框，如果你的调查问卷表中该题是 15 计分范围， 那么按以下方法输入： 在 Old Value 框中键入 1 后，在 New Value 框中键入 5，点击 Add 按钮； 在 Old Value 框中键入 2 后，在 New Value 框中键入 4，点击 Add 按钮； 在 Old Value 框中键入 4 后，在 New Value 框中键入 2，点击 Add 按钮； 在 Old Value 框中键入 5 后，在 New Value 框中键入 1，点击 Add 按钮； 最后，按 Continue 按钮，完成计分转换的设定，再按 OK 键完成。生成新的 1 行，即： 自变量 2 反向计分项（代号：zbl2fanxiang） ，出现在“Variable View”页面所有数据行的最下面 1 行。 不要遗忘的注意点： 在此后的运算（效度分析，信度分析，求均值） ，凡是涉及到要使用该项时， 均用新生成的自变量 2 反向计分项（代号：z b l 2 f a n x i a n g ）代替原有项进行运算。 4. 效度分析 操作方法：AnalyzeDate ReductionFactor Analysis在左边的框中把所有自变量 1 的项（标注为：zbl1）全都放到 Variables 框中去，点击 OK，完成自变量 1 的效度 分析。 重复以上操作，自变量 2、自变量 3、调节变量、中介变量、因变量都要分别做效 度分析。 结果如下：（只要 Copy 出必要的数据即可，不用把生成的所有结果都 Copy 出来） 判断标准：看下表 Component 的值，如果全部都在 0.5 以上就有效，0.7 以上载荷就好； 如果出现载荷小于 0.5 的变量题项，那么就筛除该题项。 筛除方法：记住该变量的题项在下表 Component Matrix(a)的位置顺序，并在 SPSS 软件的“Variable View”页面中找到相对应的数据行，在“Label”格中删除 先前标注的变量代号，总而言之，就是今后在做任何运算时都不要用到该项。 结果如下： “ bl1： （自变量 1）变革型领导 Component Matrix(a) Component 1 zbl1 .732 zbl1 .763 zbl1 .740 zbl1 .790 zbl1 .786 zbl1 .803 zbl1 .777 zbl1 .711 zbl1 .778 zbl1 .788 zbl1 .789 zbl1 .770 zbl1 .768 zbl1 .770 zbl1 .816 zbl1 .784 zbl1 .762 zbl1 .760 Extraction Method: Principal Component Analysis. a 1 components extracted. bl2： （自变量2）交易型领导 Component Matrix(a) Component 1 zbl2 .809 zbl2 .803 zbl2 .792 zbl2 .810 Extraction Method: Principal Component Analysis. a 1 components extracted. bl3： （自变量 3）回避型领导 Component Matrix(a) C o m p o n e n t 1 Z b l 3 . 8 3 9 Z b l 3 . 8 9 7 Z b l 3 . 7 1 3 Z b l 3 . 8 8 4 Z b l 3 . 7 9 6 Z b l 3 . 8 1 9 Z b l 3 . 8 2 1 Z b l 3 . 5 1 4 等等（此处省略，不一一列出各表格） 根据以上这些结果作出下面这样的表格放在论文中即可 （在论文中表格要居中放置） 如下： 变革型领导的因子载荷矩阵 Component 1 变革型领导 .732 变革型领导 .763 变革型领导 .740 变革型领导 .790 变革型领导 .786 变革型领导 .803 变革型领导 .777 变革型领导 .711 变革型领导 .778 变革型领导 .788 变革型领导 .789 变革型领导 .770 变革型领导 .768 变革型领导 .770 变革型领导 .816 变革型领导 .784 变革型领导 .762 变革型领导 .760 等等（依此类推，作出各变量表格放在论文中） 5. 信度分析 操作方法：AnalyzeScaleReliability Analysis在左边的框中把所有自变量 1 的 项（标注为：zbl1）全都放到 Variables 框中去，点击 OK，完成自变量 1 的信 度分析。 重复以上操作，自变量 2、自变量 3、调节变量、中介变量、因变量都要分别 做信度分析。 结果如下：（只要 Copy 出必要的数据即可，不用把生成的所有结果都 Copy 出来） 判断标准：看下表 Cronbachs Alpha 的值，如果全部都在 0.7 信度以上就可以接受； 如果信度小于 0.7，那么就要检查是否存在反向计分的题项，或者有些题项信度 太低影响总的信度水平，排除这个题项后再算信度看看是否改善。如果发现这类 情况，那么今后在做任何运算时都不要用到该题项。 zbl1： （自变量 1）变革型领导 Reliability Statistics Cronbachs Alpha N of Items .960 18 zbl2： （自变量2）交易型领导 Reliability Statistics Cronbachs Alpha N of Items .816 4 zbl3： （自变量3）回避型领导 Reliability Statistics Cronbachs Alpha N of Items .870 8 TJ： （调节变量）认同和内部化 Reliability Statistics Cronbachs Alpha N of Items .864 3 ZJ：（中介变量）领导成员交换 Reliability Statistics Cronbachs Alpha N of Items .902 6 YB： （因变量）工作绩效 Reliability Statistics Cronbachs Alpha N of Items .873 4 根据以上这些结果作出下面这样的表格放在论文中即可 （在论文中表格要居中放置） 如下： 分量表信度分析汇总表 变量类别 分量表 Cronbachs Alpha值 变革型领导 .960 交易型领导 .816 回避型领导 .870 自变量 调节变量 组织认同 .864 中介变量 领导成员交换 .902 因变量 员工工作绩效 .873 6. 描述统计 描述统计的对象：本文的调查问卷表中：最高学历、性别、年龄，当前工作时间，等等为描 述统计的对象（一般统计员工的数据，有必要时才统计领导数据） 。 这些对象被统称为“控制变量” （事先要在数据导入 SPSS 前，在 EXCEL表中先进行归类和重新定义， 具体参见第 3页 1.2 章节内容） 操作方法：AnalyzeDescriptive StatisticsFrequencies在左边的框中把所有控制变量 （如：最高学历、性别、年龄，当前工作时间、等等）全都放到 Variables 框中去， 点击 OK，完成描述统计。 Q1： “在左边的框中”怎样知道哪个是最高学历、哪个是性别，哪个是年龄等等的代号？ A1：对照调查问卷表中各问题项的排列顺序 找到 S P S S 中相应的“行标” 。 结果如下：（只要 Copy 出必要的数据即可，不用把生成的所有结果都 Copy 出来） 年龄 Frequency Percent Valid Percent Cumulative Percent Valid 1 24 11.2 11.2 11.2 2 45 20.9 20.9 32.1 3 57 26.5 26.5 58.6 4 55 25.6 25.6 84.2 5 34 15.8 15.8 100.0 Total 215 100.0 100.0 2 5 岁以下 表示为 1 2 5 3 0 岁 表示为 2 3 0 3 5 岁 表示为 3 3 5 4 0 岁 表示为 4 4 0 岁以上 表示为 5 当前工作时间 Frequency Percent Valid Percent Cumulative Percent Valid 1 26 12.1 12.1 12.1 2 46 21.4 21.4 33.5 3 48 22.3 22.3 55.8 4 46 21.4 21.4 77.2 5 49 22.8 22.8 100.0 Total 215 100.0 100.0 1 年以下 表示为 1 1 3 年 表示为 2 3 5 年 表示为 3 5 8 年 表示为 4 8 年以上 表示为 5 等等（此处省略，不一一列出各表格） 然后根据这些结果作出下面这样的表格放在论文中即可（在论文中表格要居中放置）如下： 注意：下表只是为了说明表格的制作式样和方法，所以复制了与本文有些不相关的内容和 数据。 被试的组织特征 被试的员工特征 项目 类别 人数（个） 百分比(%) 有效百分比(%) 累计百分比(%) 最高学历 初中 45 20.9 20.9 20.9 高中中专 48 22.3 22.3 43.3 大专 47 21.9 21.9 65.1 本科 57 26.5 26.5 91.6 硕士 18 8.4 8.4 100.0 Total 215 100.0 100.0 性别 男 123 57.2 57.2 57.2 女 92 42.8 42.8 100.0 Total 215 100.0 100.0 年龄 25岁以下 24 11.2 11.2 11.2 2530岁 45 20.9 20.9 32.1 3035岁 57 26.5 26.5 58.6 3540岁 55 25.6 25.6 84.2 40岁以上 34 15.8 15.8 100.0 Total 215 100.0 100.0 当前工作时间 1年以下 26 12.1 12.1 12.1 13年 46 21.4 21.4 33.5 35年 48 22.3 22.3 55.8 58年 46 21.4 21.4 77.2 8年以上 49 22.8 22.8 100.0 Total 215 100.0 100.0 人数百分比有效率 （%）（%） 性质外商独资 9447%100 中外合资 5327% 国家企业 3015% 民营企业 168% 其他74% 类型生产制造 12060%100 商务贸易 3618% 房地产 2412% 金融 105% 服务业 63% 其他42% 规模100人以下 105%100 100- 500人 4322% 500- 1000人 6734% 1000人以上8040% 项目类别 人数 （个） 7 . 各变量相关系数 7.1 以下变量分别求均值 自变量 1 生成新的 1 行 zbl1 junzhi 自变量 2 生成新的 1 行 zbl2 junzhi 自变量 3 生成新的 1 行 zbl3 junzhi 调节变量 生成新的 1 行 TJ junzhi 中介变量 生成新的 1 行 ZJ junzhi 因变量 生成新的 1 行 YB junzhi 操作方法：TransformCompute VariableTarget Variable 框中键入名称（自己定） ，我这 里是键入了 zbl1 junzhi在 Function group 框中选 Statistical 后，在下方的表中 选定 Mean 并双击，此时在 Numeric Expression 框中出现了“MEAN（？，？） ” 放入所有属于自变量 1（zbl1）的各项到 MEAN（zbl1，zbl1，zbl1，）各项 之间用逗号分开点击 OK 键生成新的 1 行， 即： 自变量 1 均值 （代号： zbl1 junzhi） ，出现在“Variable View”页面所有数据行的最下面 1 行。 重复以上操作，分别生成各自新的 1 行即：自变量 2 均值（代号：zbl2 junzhi） 、自 变量 3（代号：zbl2 junzhi） 、因变量均值（代号：YB junzhi） 。 7.2 做相关性 操作方法：AnalyzeCorrelateBivariate把自变量 1 的均值（zbl1 junzhi） 、 自变量 2 的均值（zbl2 junzhi） 、自变量 3 的均值（zbl3 junzhi） 、调节变量 的均值 （TJ junzhi） 、 中介变量的均值 （ZJ junzhi） 、 因变量的均值 （YB junzhi） 都放入“V ariables”框中点击 OK 结果如下： Correlations bl1junzhi bl2junzhi bl3junzhi TJjunzhi ZJjunzhi YBjunzhi Pearson Correlation 1 .891(*) - .891(*) .758(*) .897(*) .865(*) Sig. (2- tailed) .000 .000 .000 .000 .000 zbl1junzhi N 215 215 215 215 215 215 Pearson Correlation .891(*) 1 - .789(*) .695(*) .829(*) .804(*) Sig. (2- tailed) .000 .000 .000 .000 .000 zbl2junzhi N 215 215 215 215 215 215 Pearson Correlation - .891(*) - .789(*) 1 - .691(*) - .815(*) - .797(*) Sig. (2- tailed) .000 .000 .000 .000 .000 zbl3junzhi N 215 215 215 215 215 215 Pearson Correlation .758(*) .695(*) - .691(*) 1 .745(*) .726(*) Sig. (2- tailed) .000 .000 .000 .000 .000 TJjunzhi N 215 215 215 215 215 215 Pearson Correlation .897(*) .829(*) - .815(*) .745(*) 1 .837(*) Sig. (2- tailed) .000 .000 .000 .000 .000 ZJjunzhi N 215 215 215 215 215 215 Pearson Correlation .865(*) .804(*) - .797(*) .726(*) .837(*) 1 Sig. (2- tailed) .000 .000 .000 .000 .000 YBjunzhi N 215 215 215 215 215 215 * Correlation is significant at the 0.01 level (2- tailed). 表中变量的含义为：zbl1：变革型领导 zbl2：交易型领导 zbl3：回避型领导 TJ：调节变 量认同和内部化 ZJ：中介变量领导成员交换 YB：因变量工作绩效 将上面的结果作出下面这样的表格放在论文中即可 （在论文页面中表格要居中放置） 如下： 各变量之间的相关矩阵 变革型 交易型 回避型 组织认同 领导成员交换 工作绩效 变革型 1 交易型 .891(*) 1 回避型 - .891(*) - .789(*) 1 组织认同 .758(*) .695(*) - .691(*) 1 领导成员交换 .897(*) .829(*) - .815(*) .745(*) 1 员工工作绩效 .865(*) .804(*) - .797(*) .726(*) .837(*) 1 * Correlation is significant at the 0.01 level (2- tailed). 8 . 回归分析 8.1 使用各均值来分别求 Z值 自变量 1 的均值 zbl1 junzhi 生成新的 1 行 Z zbl1 junzhi 自变量 2 的均值 zbl2 junzhi 生成新的 1 行 Z zbl2 junzhi 自变量 3 的均值 zbl3 junzhi 生成新的 1 行 Z zbl3 junzhi 调节变量的均值 TJ junzhi 生成新的 1 行 Z TJ junzhi 中介变量的均值 ZJ junzhi 生成新的 1 行 Z ZJ junzhi 因变量的均值 YB junzhi 生成新的 1 行 Z YB junzhi 操作方法：AnalyzeDescriptive StatisticsDescriptives把上述 6 个变量的均值 放到 Variables 框中去，并在左下角的“save standardized values as variables 的选项打勾后，按 OK 键生成新的 1 行，即：Z 值运算后的各变量，出 现在“Variable View”页面所有数据行的最下面几行。 8.2 自变量 Z值与调节变量 Z值的乘积 自变量 1 的 Z 值调节变量的 Z 值 生成新的 1 行 Zzbl1 ZTJ 自变量 2 的 Z 值调节变量的 Z 值 生成新的 1 行 Zzbl2 ZTJ 自变量 3 的 Z 值调节变量的 Z 值 生成新的 1 行 Zzbl3 ZTJ 操作方法：TransformCompute VariableTarget Variable 框中键入名称（自己定） ， 我这里是键入了 Zzbl1 ZTJ在左边的框中选定自变量 1 的 Z 值放入 Numeric Expression 框中并键入乘号 * 之后， 再放入调节变量的 Z值点 击 OK 键生成新的 1 行， 即： 自变量 1 的 Z 值调节变量的 Z 值 （代号： Zzbl1 ZTJ） ，出现在“Variable View”页面所有数据行的最下面 1 行。 重复以上步骤，分别算出： 自变量 2 的 Z 值调节变量的 Z 值 自变量 3 的 Z 值调节变量的 Z 值 8.3 进行回归运算 8 . 3 . 1 调节作用分析： 操作方法：A n a l y z e R e g r e s s i o n L i n e a r 先在D e p e n d e n t 框中放入因变量（已Z 值计算） 再在I n d e p e n d e n t 框中： 第一步、依次放入各控制变量（不用做均值和Z 值计算） ，如：最高学历、性别、 年龄等，按“N E X T ”键继续下一步。 第二步、依次放入已Z 值计算的自变量1 、自变量2 、自变量3 ，按“N E X T ”键继 续下一步。 第三步、放入已Z 值计算的调节变量，按“N E X T ”键继续下一步。 第四步、 把按以上8 . 2 项操作生成的3 对 自变量Z 值与调节变量Z 值的乘积 ， 依 次放入 完成以上四步骤后，点击对话框的左下角的S t a t i s t i c s 按钮，进入一个新的对 话框，在“R S q u a r e d C h a n g e ”项上打勾选中。 最后按“O K ”键，运算完成。 得到如下Model Summary和ANOVA(e)表，表中用红色和阴影表示的数据，是 整理后要用在论文中的。 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics R Square Change F Change df1 df2 Sig. F Change 1 .212(a) .045 .017 .99134691 .045 1.625 6 208 2 .877(b) .770 .759 .49047285 .725 214.912 3 205 3 .882(c) .778 .768 .48210725 .009 8.176 1 204 4 .895(d) .801 .788 .46039112 .022 7.566 3 201 a Predictors: (Constant), V198, V194, V193, V195, V196, V197 b Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi) c Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi), Zscore(TJjunzhi) d Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi), Zscore(TJjunzhi), Zbl1Ztj, Zbl2Ztj, Zbl3Ztj 用于判断 几颗星， 但是该 用出现在论文中 ANOVA(e) Model Sum of Squares df Mean Square F Sig. Regression 9.584 6 1.597 1.625 .142(a) Residual 204.416 208 .983 1 Total 214.000 214 Regression 164.684 9 18.298 76.064 .000(b) Residual 49.316 205 .241 2 Total 214.000 214 Regression 166.585 10 16.658 71.672 .000(c) Residual 47.415 204 .232 3 Total 214.000 214 Regression 171.396 13 13.184 62.202 .000(d) Residual 42.604 201 .212 4 Total 214.000 214 a Predictors: (Constant), V198, V194, V193, V195, V196, V197 b Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi) c Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi), Zscore(TJjunzhi) d Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi), Zscore(TJjunzhi), Zbl1Ztj, Zbl2Ztj, Zbl3Ztj e Dependent Variable: Zscore(YBjunzhi) 在得到的如下所示 Coefficients(a) 表的结果中提取S t a n d a r d i z e d C o e f f i c i e n t s B a t e 数据，并根据S i g 列的数值在B e t a 值上打星号（在 论文的表格中不需要出现s i g 数据）。 打星的判别标准如下： Sig.在0.010.05 为 * Sig.在0.0010.01 为 * Sig.在0.001以下为 * 备注：只要满足以上区间要求，不管 Standardized Coefficients Beta 是正是负，都要相应数据 旁标上相应的星数。 Coefficients(a) Model Standardized Coefficients Sig. Beta 用于判断 F 为几颗星 但是该数据不用出现 在论文中 1 (Constant) .542 V193 .020 .785 V194 - .020 .767 V195 - .217 * .020 V196 .088 .419 V197 .229 * .049 V198 - .191 * .048 2 (Constant) .115 V193 - .017 .642 V194 - .080 * .020 V195 - .021 .656 V196 .054 .321 V197 .044 .443 V198 - .083 .083 Zscore(zbl1junzhi) .592 * * * .000 Zscore(zbl2junzhi) .173 * .022 Zscore(zbl3junzhi) - .132 .080 3 (Constant) .105 V193 - .007 .838 V194 - .079 * .019 V195 - .031 .505 V196 .048 .364 V197 .044 .435 V198 - .080 .089 Zscore(zbl1junzhi) .503 * * * .000 Zscore(zbl2junzhi) .156 * .035 Zscore(zbl3junzhi) - .123 .098 Zscore(TJjunzhi) .147 * * .005 4 (Constant) .040 V193 - .017 .610 V194 - .056 .083 V195 - .031 .489 V196 .051 .316 V197 .047 .394 V198 - .058 .206 Zscore(zbl1junzhi) .513 * * * .000 Zscore(zbl2junzhi) .163 * .022 Zscore(zbl3junzhi) - .093 .191 Zscore(TJjunzhi) .124 * .014 zbl1Ztj .064 * .032 zbl2Ztj - .049 .429 zbl3Ztj .054 * * .008 a Dependent Variable: Zscore(YBjunzhi) 将以上这些结果整理成下面的表格放在论文中即可（在论文页面中表格要居中放 置） 。具体如下： 表8.3.1 领导风格对员工工作绩效的影响 员工工作绩效 S1 Beta S2 Beta S3 Beta S4 Beta Step1 最高学历 .020 - .017 - .007 - .017 性别 - .020 - .080 * - .079 * - .056 年龄 - .217 * - .021 - .031 - .031 从事当前工作时间 .088 .054 .048 .051 当前公司工作时间 .229 * .044 .044 .047 与当前上司共事时间 - .191 * - .083 - .080 - .058 R2 0.45 F 1.625 Step2 变革型领导 .592 * * * .503 * * * .513 * * * 交易型领导 .173 * .156 * .163 * 回避型领导 - .132 - .123 - .093 R2 0.770 Adjusted R2 0.759 R2 0.725 * * * F 76.064 * * * Step3 组织认同 .147 * * .124 * R2 0.778 Adjusted R2 0.768 R2 0.009* * F 71.672* * * Step4 变革型领导组织认同 - .064 * 交易型领导组织认同 - .049 回避型领导组织认同 .054 * * R2 0.801 Adjusted R2 0.788 R2 0.022* * * F 62.202* * * 注：所列数据为标准系数； * p . 0 5 ， * * p . 0 1 ; 8 . 3 . 2 中介作用分析： 操作方法：A n a l y z e R e g r e s s i o n L i n e a r 先在D e p e n d e n t 框中放入因变量（已Z 值计算） 再在I n d e p e n d e n t 框中： （提示：先前做 8 . 3 . 1 调节作用分析时，放入的内容依旧存在，因此点击在 I n d e p e n d e n t 框上方的P r e v i o u s 按钮，对不需要的内容进行除去处理，而需要 的内容，比如：以下要放入的控制变量和自变量，不要重复放入。 ） 第一步、依次放入各控制变量（不用做均值和Z 值计算） ，如：最高学历、性别、 年龄等，按“N E X T ”键继续下一步。 第二步、依次放入已Z 值计算的自变量1 、自变量2 、自变量3 ，按“N E X T ”键继 续下一步。 第三步、放入已Z 值计算的中介变量，按“N E X T ”键继续下一步。 完成以上三步骤后，点击对话框的左下角的S t a t i s t i c s 按钮，进入一个新的对 话框，在“R S q u a r e d C h a n g e ”项上打勾选中。 最后按“O K ”键，运算完成。 得到如下Model Summary和ANOVA(e)表，表中用红色和阴影表示的数据，是 整理后要用在论文中的。 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics R Square Change F Change df1 df2 Sig. F Change 1 .212(a) .045 .017 .99134691 .045 1.625 6 208 2 .877(b) .770 .759 .49047285 .725 214.912 3 205 3 .886(c) .785 .774 .47534349 .015 14.257 1 204 a Predictors: (Constant), V198, V194, V193, V195, V196, V197 b Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi) c Predictors: (Constant), V198, V194, V193, V195, V196, V197, Zscore(bl3junzhi), Zscore(bl2junzhi), Zscore(bl1junzhi), Zscore(ZJjunzhi) ANOVA(d) Model Sum of Squares df Mean Square F Sig. Regression 9.584 6 1.597 1.625 .142(a) Residual 204.416 208 .983 1 Total 214.000 214 Regression 164.684 9 18.298 76.064 .000(b) Residual 49.316