毕业论文如何对变量进行调节效应和中介效应分析

毕业论文如何对变量进行调节效应和中介效应分析相信不少同学在看学长这篇文章之前已经对调节效应和中介效应的概念做了相应的了解（默认已经了解），接下来这篇文章主要是探讨对数据进行调节效应分析和中介效应分析时存在的难点以及主要的解决方案。首先我们讨论中介效应相关问题，从分析方法来看，大部分人在分析中介作用时倾向于运用SPSS进行逐步回归证明中介，部分倾向于运用AMOS建立结构方程（SEM）通过bootstrap验证间接效应存在，从理论上来说两种分析方法都是合理的，但是我们在选择这两种分析方法时经常会纠结到底选择哪一种方法进行分析比较合适，我们脑海中一边纠结是要运用操作比较简单，验证成功率高的SPSS逐步回归法，但也担心这样分析似乎不够严谨；另一边又想要尝试更加严谨但分析难度也更高，验证成功率低的SEMbootstrap法，最后大部分人在尝试了SEM之后就放弃了这种方法，选择了逐步回归法。这两种方法何时适用？接下来学长给你总结了两点：第一，甄别变量的性质，这里必须注意⚠️SPSS逐步回归法只能分析连续性变量，如果自变量、中介变量、调节变量这三种变量任何一种变量包含分类变量，那么就不能运用SPSS来分析中介作用了，因为你此时对变量题项打包得出的分数是没有统计意义的，分类数据是不能直接加总的，所以这个时候应该选择AMOS进行验证；第二，从分析过程来看，SPSS是在对数据预处理之后，进行数据的信效度分析，对自变量、中介变量、因变量进行相关性分析，之后对变量进行回归，而SEM的建立需要首先进行验证性因子分析（CFA），如果是自编量表则是先进行探索性因子分析（EFA）和验证性因子分析（CFA），这对变量的数据质量要求是非常高的，CFA得出的CR和AVE值可以直观看出变量的区分效度及变量题项间的聚合效度，这在SPSS逐步回归方法中经常容易被忽视，在CFA达到相应条件后才是建立结构方程模型，而大部分在SEM验证这里都收获了不愉快，可能模型间接效应显著，但是模型拟合指标达不到要求，或是两者相反。所以从分析过程来看显然AMOS得出的分析结果会更加具有说服力，如果追求论文的质量那AMOS是首选项。在实证分析中，该如何解读“调节效应”？在实证研究中，一篇扎实的学术研究论文不仅需要我们善于利用样本数据进行操作分析，而且还需要我们有较强的能力去解读分析统计量的基本内涵。一般而言，写好一篇优质的实证研究论文，我们除了要分析和讨论核心主效应“A对B的主效应影响”之外，还可能要进一步推进“进一步分析”中“在C情景下，A对B的影响有什么变化？”，从而相关问题的探讨就会产生调节效应结果的解读和分析。通常来讲，实证研究中的“调节效应”具体表现为因素C在A与B两者之间关系中的调节作用。在数据分析系统中，一般会以交叉项的形式而存在，譬如：在主效应B对A影响下，变量交叉项B×C对A变量的影响分析，即考察C在B和A关系中的调节效应。那么，为什么需要进行调节效应分析呢？引入调节变量，来考察令人神往的调节效应。一次学术会议的餐桌上，笔者听到一位管理学领域的大佬谈到自己的心得体会，他说“要想发表好的学术期刊文章，在考察A对B影响时，一定需要引入两三个有意思的调节变量，进行调节效应分析！”而且，相信大家在阅读文献时，绝大部分的文献都有自己的调节效应分析章节，通过调节效应分析将自己所考察的问题进一步升华，把所考察的问题分析得更加透彻易懂，让读者更加充分地认识世界。显然，调节效应分析，对一篇学术论文而言，是一种“锦上添花”的作用！它能够让你的文章更加充实饱满，欣赏起来让读者有种“赏心悦目”的体会。然而，究竟去如何选择合适的调节变量呢？这实际上是我们研究中的一个难题。不过，根据笔者自己的研究经验，你可以从下面的思路入手：首先，分别从自变量和因变量之间关系入手，掌握两者关系作用机理；其次，在了解两者关系影响机制上，可分别从宏观制度环境、经济发展因素、微观企业（家庭）管理因素，甚至管理人员（家庭成员）个人特质等方面入手，来获取选择调节变量的思路。进一步来说，在选取调节变量和分析数据后，该如何去解读实证研究中的交叉项呢？一般而言，调节效应的解读需要基于主效应的影响关系上，只有知道主效应影响关系系数符号了，我们才能找到调节效应的真正含义。一般而言，结合主效应和调节影响的两者符号，我们可以将调节效应分拆也如下几类，如图（1）所示。图（1）调节效应的四种情景（1）当主效应中自变量B系数显著为正时：（1-a）如果交叉项B×C的系数为正，这表明调节变量C强化了B对A的影响关系，即可以表达为变量C对B与A间的影响关系具有显著的强化或促进作用，具有显著的正向调节效应；（1-b）如果交叉项B×C的系数为负，这表明调节变量C弱化或抑制了B对A的影响关系，即可以表达为变量C对B与A间的影响关系具有显著的削弱抑制作用，具有显著的负向调节效应。此外，这里有个特殊情况：在（1-b）情景中，如果调节变量C的系数显著为正，我们在分析调节效应时可以表达为：变量B和变量C在影响变量A中具有明显的替代关系，当然这属于（1-b）情景的特殊情况。针对（1-b）这种特殊情况，我们可以给出一个例子：政治联系B对企业获取银行贷款A具有显著的正向促进作用；当在考察调节效应时发现，交叉项政治联系和市场化程度B×C的系数显著为负，且调节变量C系数显著为正，这表明整体而言，市场化程度削弱了政治联系对银行信贷的正向影响，且在市场化程度较低时，政治联系所发挥的积极作用比较明显，但是随着市场化程度的提高，政治联系的积极作用逐渐降低，这表明市场化改革和政治联系两者在企业银行信贷上存在明显的替代关系，即正式制度与非正式制度在经济发展的企业融资中替代关系。（2）当主效应中自变量B系数显著为负时：（2-a）如果交叉项B×C的系数为正，这表明调节变量C削弱了B对A的负向影响关系，即可以表达为变量C对B与A间的影响关系具有显著的削弱或抑制作用；（2-b）如果交叉项B×C的系数为负，这表明调节变量C强化了B对A的负向影响关系，即可以表达为变量C对B与A间的影响关系具有显著的强化或促进作用。此外，这里也有个特殊情况：在（2-a）情景中，如果调节变量C的系数显著为负，我们在分析调节效应时可以表达为：变量B和变量C在影响变量A中具有明显的替代关系，当然这属于（2-a）情景的特殊情况。在这里，我们给予一个案例思路：地方法律环境C与儒家文化B在企业违规行为A中的调节效应，在这里不予以赘述解读。为此，还有一个常见的现象：在未引入调节效应形成的交叉项之前，主效应是显著的，但是一旦将调节变量及其由此形成的交叉项纳入实证分析模型后，主效应变得不显著但交叉项是显著的。记住！！！这个时候分析解读依然是可以按照上述分析表述方式来展开，解读和表达依然以“在未引入调节效应形成的交叉项之前，主效应是显著的”的结论为基础。显然，这是由多重共线性问题导致的，因为交叉项B×C在解释A时也包含了自变量B解释A时的信息，两者之间存在信息解释重复的问题。所以，最后需要注意的是，在推进