11 调节效应分析

新编21世纪心理学系列教材心理与教育统计（第3版）温忠麟

著第十一章

调节效应分析

ModerationAnalysis核心要点掌握调节效应的概念。了解调节效应和交互效应的联系与区别。学会为调节变量找到理据、根据不同类型变量建模和检验。理解调节效应标准化估计方法。理解简单斜率检验。学会调节效应分析结果的描述和解释。掌握调节效应分析的SPSS操作和结果解读。3第一节调节效应模型在研究变量之间的关系和影响时，人们通常关注的是变量的主效应（maineffect），即一个变量的变化，如何引起另一个变量的变化；或者，一个变量的变化，在多大程度上可以由另一个变量来解释。然而，当因变量的影响因素不止一个时，影响因素之间可能存在交互作用（interaction）。4第一节调节效应模型例如，学生的智力与学习动机对学业成绩有交互作用，具体表现是，随着学习动机的上升，智力对学业成绩的影响增大，即智力对学业成绩的影响受到学习动机的调节（moderation）。51.1调节变量的定义如果两个变量之间的关系（如Y与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（见图a）。6调节变量可以是定性的（如性别、班级、居住地等），也可以是定量的（如年龄、受教育年限、收入水平等），它影响自变量和因变量之间关系的方向（正或负）或强弱。换句话说，调节效应研究的是X对Y影响的条件，何时有影响或者何时影响较大。1.1调节变量的定义7例如，学习动机和学习效果的关系，受到教师支持的影响：教师支持越高的学生，学习动机对学习效果的影响越大，即“教师支持”是调节变量。生活压力与心理健康的关系，受到心理资本水平的影响：拥有较高心理资本的人，高生活压力对心理健康影响不大；心理资本较低的人，生活压力对心理健康影响变大，即“心理资本”是调节变量。1.1调节变量的定义8

1.1调节变量的定义9

1.1调节变量的定义101.2调节效应和交互效应

11调节效应和交互效应这两个概念不完全一样。在交互效应分析中，两个自变量的地位可以是对称的，其中任意一个都可以解释为调节变量。交互效应一定是调节效应，但调节效应不一定是交互效应在调节效应中，哪个是自变量，哪个是调节变量，通常是在分析之前就已经确定好，两者不能互换。1.2调节效应和交互效应121.3如何为调节变量找到依据

13从探索调节效应的角度，需要为如下假设提供理据：(a)X影响Y；(c)M影响Y。既然X和M都影响Y，就可以探索两者是否存在交互效应。1.3如何为调节变量找到依据14无论何种研究范式，主效应不能探索，只能验证。假设(a)的理据必不可少，X影响Y在横断数据中是不能探索的，只能验证。但两个自变量之间是否存在交互效应是可以探索的。无论是探索还是验证，不影响结果的解释。1.3如何为调节变量找到依据15第二节调节效应分析方法

162.1方差分析

172.1方差分析

182.1方差分析

192.2回归分析

202.2回归分析

212.3分组分析

222.3分组分析可以将类别变量M编码为虚拟变量，将其视为连续变量做回归分析。如果M是二分类变量，将其中一类编码为0，另一类编码为1，用方程（11.4）进行回归分析。分组回归只能知道交互效应是否显著，不能估计交互效应的大小。232.4小结调节效应分析方法根据自变量和调节变量的测量级别而定。变量可分为两类，一类是类别变量，包括定类和定序变量，另一类是连续变量，包括定距和定比变量。242.4小结定序变量的取值比较多且间隔比较均匀时，也可以近似作为连续变量处理。通过将类别变量编码为虚拟变量，可以将类别变量转化为连续变量处理，使用带有交互项的回归模型分析调节效应。但在自变量和调节变量都是类别变量情形，虽然也可以使用回归分析，但人们更习惯使用方差分析。25第三节调节效应的标准化解在基于问卷数据的统计分析中，最常用的调节效应模型是所有变量都是连续变量的回归模型，采用层次回归的分析策略。使用原始数据或者中心化数据得到的解称为模型的原始解或非标准化解，使用标准化数据得到的解称为标准化解。263.1非标准化解

273.1非标准化解

283.1非标准化解

293.2标准化解在数据分析中，许多统计软件都会报告标准化估计结果。对于调节效应分析，常规操作后SPSS报告的标准化结果是不合适的。正确步骤如下：303.2标准化解

313.2标准化解

32第四节

调节效应解释和简单斜率检验如果调节效应显著，通常要比较简单斜率对调节效应进行解释。所谓简单斜率（simpleslope），也称为简单主效应，是在调节变量的特定水平下，因变量对自变量的回归直线的斜率。334.1调节效应解释

344.1调节效应解释

354.1调节效应解释

364.1调节效应解释显然，自变量X对因变量Y的负面影响，随着调节变量M的增加而降低。当M=3.554时，X对Y的影响为零。当M>3.554时，X对Y变成了正面影响。不过，因为M的均值是零，标准差是0.848，如果M是正态或者近似正态的，则M>3.554几乎是不可能的。

374.2

已知调节变量取值的简单斜率检验

384.2

已知调节变量取值的简单斜率检验

394.2

已知调节变量取值的简单斜率检验

404.3

使得简单斜率显著的调节变量取值范围上面的简单斜率检验是已知M值，检验X对Y的效应是否显著，也称为选点法。更一般的问题是，调节变量取哪些值，X对Y的效应显著？通常使用Johnson-Neyman法（简写为J-N法）应用于调节变量为连续变量的情形。

414.3

使得简单斜率显著的调节变量取值范围在公式（11.6）中，左边的t用临界值代入，两边平方，并将M当做未知数进行整理，然后求解M的二次方程。如果没有实数根，则对所有的M，简单斜率都是显著或者不显著的。如果只有一个实根，在M等于实根外，简单斜率都是显著或者不显著的。通常情况都会有两个实根，是简单斜率显著和不显著的分界点

424.3

使得简单斜率显著的调节变量取值范围

434.3

使得简单斜率显著的调节变量取值范围

444.3

使得简单斜率显著的调节变量取值范围选点法和J-N法都可以在SPSS通过Process插件进行窗口操作。建议在调节变量为连续变量时，使用J-N法进行简单斜率检验；在调节变量为类别变量或研究者对某个调节变量值感兴趣时，使用选点法进行简单斜率检验。

45第五节调节效应分析的SPSS例解一项研究，涉及的变量包括学习动机、学习焦虑、学习成绩，以及人口学变量性别和是否留守儿童。被试是1000名初二年级学生，数据文件名为“ch11-1.sav”，前5个被试的数据见表11-1。465.1连续变量作为调节变量

475.1.1连续变量作为调节变量-基本操作1、打开数据文件“ch11-1.sav”。2、产生标准化分数。点击<分析>菜单的<描述统计>下的<描述>选项。在<描述>对话框中，选择“学习动机”、“学习焦虑”和“学习成绩”，击选<将标准化值另存为变量>，点击<确定>选项，得到标准化后的自变量“Z学习动机”，调节变量“Z学习焦虑”，因变量“Z学习成绩”。485.1.1连续变量作为调节变量-基本操作

495.1.1连续变量作为调节变量-基本操作4、做层次回归分析。将<Z学习动机>和<Z学习焦虑>放到第一层，交互项<ZxZm>放到第二层。点击<分析>菜单的<回归>下的<线性>选项，在<线性回归>对话框中，将<Z学习成绩>指定为<因变量>，将<Z学习动机>和<Z学习焦虑>指定为<自变量>；点击<下一个>，在<块(B)2/2>中添加交互项“ZxZm”；点击<统计>选项，击选<置信区间>和<R方变化量>，单击<继续>，单击<确定>。505.1.1连续变量作为调节变量-基本操作

515.1.1连续变量作为调节变量-基本操作

525.1.1连续变量作为调节变量-基本操作

535.1.1连续变量作为调节变量-基本操作随着学习焦虑的提高，学习动机对学习成绩的影响减弱。当学习焦虑在均值之下一个标准差时，学习动机对学习成绩的标准化效应为0.611；当学习焦虑在均值之上一个标准差时，学习动机对学习成绩的标准化效应降为0.186。545.1.2连续变量作为调节变量-简单斜率检验

对于调节变量M一个给定的值，为了检验简单斜率，可以将调节变量的中心平移到给定的值，然后重新做调节效应分析，此时X的主效应就是所要的简单斜率，如果显著，则简单斜率显著。555.1.2连续变量作为调节变量-简单斜率检验

565.1.2连续变量作为调节变量-简单斜率检验

575.1.2连续变量作为调节变量-简单斜率检验

585.1.2连续变量作为调节变量-简单斜率检验

595.1.3连续变量作为调节变量-Process插件Process插件的安装Process插件是一款可免费下载的插件（下载地址：/download/）。下载解压完成后，点击<拓展>下的<实用程序>，点击<安装定制对话框（兼容模式）>，找到下载Process插件的位置，选择“process.spd”文件，点击<打开>，即可完成安装。由于Process插件无法识别中文，因此在正式分析之前应当把变量名改为英文。605.1.3连续变量作为调节变量-Process插件以求标准化解为例。首先将自变量，调节变量和因变量标准化，得到标准后的变量ZX，ZM，ZY。(1)击选<分析>菜单<回归>下的<PROCESSv4.1byAndrewF.Hayes>（插件保存的位置）。将<ZY>指定为<Yvarible>框中，<ZX>指定为<Xvarible>框中，<ZM>

指定为<ModeratorvaribleW>，在<modelnumber>下选择“1”（1表示调节模型）。615.1.3连续变量作为调节变量-Process插件(2)点击<options>，在打开的框中，击选<Generatecodeforvisualizinginteractions>。在右下角的<Conditioningvalues>下面击选<-1SD,Mean,+1SD>和<Johnson-Neymanoutput>，点击<继续>，点击<确定>。625.1.3连续变量作为调节变量-Process插件

635.1.3连续变量作为调节变量-Process插件Process会报告简单斜率及其检验结果。645.1.3连续变量作为调节变量-Process插件J-N检验结果655.1.3连续变量作为调节变量-Process插件调节变量（Z分数）取值范围为-2.196~1.734，简单斜率（自变量对因变量的效应）从0.865降至0.030，且在调节变量取值为1.372时，简单斜率为0.107，P=0.05。665.1.3连续变量作为调节变量-Process插件随着学习焦虑水平变高，学习动机对学习成绩的效应变小，在学习焦虑水平高于1.372以后，学习动机对学习成绩的影响不显著，下图有直观反映。675.2分类变量作为调节变量当自量或者调变节变量为类别变量时，首先要对类别变量进行虚拟编码，参照类别编码为0，另一类别编码为1。如果类别数为2，虚拟编码为：0和1；如果类别k大于2，则需要产生k-1个虚拟变量，除了参照类别外，每个类别一个虚拟变量，编码为0和1（详见方杰，温忠麟，2023）。685.2分类变量作为调节变量

695.2分类变量作为调节变量1.对类别变量进行虚拟编码：女生=0，男生=1。

如果类别k大于2，击选<转换>菜单的<创建虚拟变量>命令，在<针对下列变量创建虚拟变量>框中放入要虚拟编码的类别变量，在<主效应虚变量>框的<根名称>中输入要虚拟编码的类别变量名称，即可生成k-1个虚拟变量。705.2分类变量作为调节变量2、自变量中心化

（1）击选<分析>菜单<描述统计>下<描述>命令。在打开的<描述>对话框中，将<学习动机>指定为<变量>，得到自变量（X）“学习动机”的均值为8.11。（2）点击<计算变量>命令，在打开的<计算变量>对话框中，在<目标变量>中输入“C学习动机”，在<数学表达式>中输入“学习动机−8.11”。得到中心化后的数据“C学习动机”。715.2分类变量作为调节变量

725.2分类变量作为调节变量

735.2分类变量作为调节变量

745.2分类变量作为调节变量

755.2分类变量作为调节变量

765.2分类变量作为调节变量

775.2分类变量作为调节变量简单斜率