调节变量和中介变量
调节变量和中介变量
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)
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
实验研究中的调节变量和中介变量
实验研究中的调节变量和中介变量在科学实验中，为了深入探究某个现象或问题，研究者需要许多不同的变量。
其中，调节变量和中介变量是两种关键的变量类型，对于理解实验结果具有重要意义。
本文将详细阐述调节变量和中介变量的概念，以及它们在实验研究中的作用。
调节变量是指那些能够影响实验结果的其他因素。
在实验中，如果研究者想要探究某个自变量（独立变量）对因变量（依赖变量）的影响，但这种影响会受到其他因素的影响，那么这些其他因素就可能成为调节变量。
例如，在探究温度对物质溶解度的影响时，温度是自变量，物质溶解度是因变量，但溶解度还可能受到压力、湿度等其他因素的影响，这些因素就可能成为调节变量。
中介变量则是位于自变量和因变量之间的变量。
在实验中，如果一个自变量对因变量的影响要经过一个或多个其他变量的中介作用，那么这些中介变量就可能影响实验结果。
例如，在探究教育程度对收入的影响时，教育程度是自变量，收入是因变量，但教育程度对收入的影响可能要经过工作技能、工作经验等中介变量的作用。
在实验设计与实施中，调节变量和中介变量的识别和控制至关重要。
对于调节变量，研究者需要在实验设计中考虑到这些因素，并尽可能消除或控制它们对实验结果的影响。
对于中介变量，研究者需要通过适当的测量和统计分析来识别它们对实验结果的影响。
实验结果和讨论部分，研究者需要报告各个实验组的结果，并对结果进行比较和分析。
在讨论中，研究者需要探讨调节变量和中介变量对实验结果的影响及其原因。
例如，在上述探究教育程度对收入的影响的实验中，如果工作经验这个中介变量的影响显著，那么研究者就需要进一步探讨工作经验是如何影响教育程度对收入的影响的。
在总结部分，研究者需要概括实验研究的结果，并说明这些结果对实践的指导意义。
例如，如果研究发现工作经验这个中介变量对教育程度对收入的影响具有显著影响，那么这就意味着在实际工作中，教育程度相同的人，拥有更多工作经验的人可能获得更高的收入。
有中介的调节变量和有调节的中介变量
有中介的调节变量和有调节的中介变量一、本文概述在社会科学和心理学研究中，变量之间的关系常常是复杂而多元的。
中介变量和调节变量是理解这种复杂关系的重要工具。
然而，当这两者同时存在时，它们之间的互动和影响就变得更加复杂。
本文将深入探讨有中介的调节变量和有调节的中介变量这两种特殊情况，旨在帮助读者更好地理解和应用这些概念。
我们将概述中介变量和调节变量的基本概念和作用。
中介变量通常用于解释自变量和因变量之间的内在机制，它揭示了一个过程或路径，通过这个过程，自变量的变化影响了因变量。
而调节变量则用于描述一个变量如何影响自变量和因变量之间的关系强度或方向，它揭示了在何种条件下，这种关系会发生变化。
接下来，我们将详细讨论有中介的调节变量。
这种情况指的是，调节变量不仅直接影响自变量和因变量之间的关系，而且还通过中介变量间接影响这种关系。
我们将通过具体案例和数学模型来解释这种复杂的相互作用，并讨论如何识别和分析这种关系。
我们还将探讨有调节的中介变量。
在这种情况下，中介变量的作用受到调节变量的影响。
这意味着，在不同的调节变量水平下，中介变量可能发挥不同的作用，从而影响自变量和因变量之间的关系。
我们将探讨这种关系的特点和识别方法，并通过实例进行说明。
我们将总结这两种特殊情况在理论和实践中的应用。
通过本文的阐述，读者将能够更好地理解和分析复杂变量之间的关系，从而在研究中做出更准确的推断和更有力的解释。
二、有中介的调节变量在统计分析中，中介变量和调节变量各自扮演着不同的角色，然而在某些复杂的情况下，它们可能会共同出现，形成“有中介的调节变量”这一概念。
这意味着一个变量既在自变量和因变量之间起中介作用，又受到另一个调节变量的影响。
理解这一概念对于深入研究变量间的关系，揭示现象背后的复杂机制具有重要意义。
有中介的调节变量模型通常涉及四个主要变量：自变量（）、调节变量（M）、中介变量（W）和因变量（Y）。
在这个模型中，自变量通过中介变量W影响因变量Y，同时调节变量M也影响中介变量W。
调节变量与中介变量的比较
调节变量与中介变量的比较
调节变量是衡量行为变化或影响任意因素的变量，即称为“因变量”。
直接影响调节变量的变量叫做自变量。
调节变量用于衡量自变量所带来的变化，它对研究者有重要的信息提供，可以是数量的变化，也可以是人的情绪改变。
中介变量是一种被认为用于某些变量之间的行为之间的直接关系的变量。
它们通常在心理学研究中被称为“间接变量”，也可以称为中间变量或模糊变量。
中间变量“不显示任何直接或直接关系”，但它们能解释一个变量如何影响另一个变量。
例如，担心可以作为一个变量，它会改变另一个变量，即行为，从而说明担心是行为的中介因素。
最重要的区别在于，调节变量没有必要与其他变量之间存在直接的关系，而中间变量有必要存在两个变量之间的直接关系。
另外，中介变量不应直接影响调节变量，而且仅受自变量的影响。
此外，调节变量可以是一个变量，而中间变量更多地是一组变量。
调节变量可以提供解释影响行为和改变的背景，以及这些变量之间的关系。
而中介变量主要用于识别被解释变量之间的直接关系。
例如，一项研究可能会探讨性别与收入之间的关系，中介变量可以帮助识别，为什么性别会影响收入水平。
此外，中介变量还可以解释自变量是如何影响被解释变量的，以及自变量如何影响多个被解释变量的。
总的来说，调节变量是用来衡量行为变化或影响一个变量的变量，而中介变量是旨在发现两个变量之间的直接关系的变量。
对于研究人员来说，正确理解这些变量和它们之间关系的重要性是必不可少的，以识别研究中的影响及其过程。
中介效应、调节效应检验方法
结果分析关注点
在对 MootstrXp 结果分析时，有三个需要研究者关注的地方 。 • 首先，首先，查看研究者最关心的中介路径是否存在的结果，即a×b是否显著。
Tongetal.(2013) 数据结果显示:防御聚焦 导向的中介效应显著，区间(LLCI=-1.7089, ULCI=-.1597)不包含 0，中介效应的大小(a×b) 为-.8379。 • 其次，查看自变量对因变量的直接影响，即 c’是否显著。 Tong et al. (2013) 数据 结果 显示:控制了中介变量防御聚焦导向后，自变量金钱概念启动(vs. 控制组)对因变量的直 接作用不显著，区间(LLCI=-8907 ULCI=-.5303)包含 0。 • 最后，Bootstrap 还给出了 Baron & Kenny(1986)中模型 2 和模型 3 的结果，研究者可 以查看模型中相应系数 a、b、c’ 以 在结果汇报中阐述。
系数乘积法由于直接检验中介效应ab是否显著不为0，无需以系数c显著作为中 介效应检验的前提条件，可以直接提供中介效应的点估计和置信区间，且Mackinnon的 模拟研究也发现系数乘积法的统计功效优于因果步骤法，因此，系数乘积法逐渐得到众多 研究者的喜爱。系数乘积法分为两类，一类是基于中介效应的抽样分布为正态分布的 Sobel 检验法，另一类是基于中介效应的抽样分布为非正态分布的不对称置信区间法。
中介效应检验方法
因果步骤法 因果步骤法因果步骤法由Baron和Kenny ( 1986 )提出，其检验步骤分为三步。
第一，X对Y的回归，检验回归系数c 的显著性，第二，X 对M的回归，检验回归系数a的 显著性；第三，X和M对Y的回归，检验回归系数b和c'的显著性。如果系数c，a 和b都显 著，就表示存在中介效应。此时如果系数c'不显著，就称这个中介效应是完全中介效应 ( full mediation) ；如果回归系数c'显著，但c'<c，就称这个中介效应是部分中介效应 ( partial mediation) 。中介效应的效果量( effect size) 常用ab/c或ab/c'来衡量。因果 步骤法虽然被广泛使用，但该方法自问世以来，一直饱受争议。 系数乘积法
实验研究中的调节变量和中介变量_张莉
实验研究中的调节变量和中介变量张 莉1,W a n F a n g 2,林与川1,Q i u P i n g p i n g31哈尔滨工业大学管理学院,哈尔滨1500012U n i v e r s i t yo f M a n i t o b a ,M a n i t o b aR 3T 5V 43D e p a r t m e n t o f M a r k e t i n g ,M o n a s hU n i v e r s i t y ,M e l b o u r n e 3145摘要:调节变量和中介变量是社会科学研究中的重要概念,已有研究多是从统计计算方法角度描述和检验这两种变量的作用。
以消费心理学领域的实例来阐述调节变量、中介变量、有中介的调节、有调节的中介,试图让读者从实验研究角度认识和理解调节变量和中介变量的理论构建、测量和检验。
关键词:调节变量;中介变量;有中介的调节;有调节的中介中图分类号:G 312文献标识码:A文章编号:1672-0334(2011)01-0108-09 收稿日期:2010-10-27 修返日期:2011-01-05 作者简介:张莉(1973-),女,四川成都人,毕业于哈尔滨工业大学,获博士学位,现为哈尔滨工业大学管理学院教授,研究方向:组织行为与人力资源、领导力、工作家庭平衡等。
E -m a i l :z h a n g l i h i t @126.c o m1引言调节变量和中介变量是挖掘复杂因果关系所引入的重要变量。
在消费心理学领域,实验研究中的基本路径是,①确认自变量(X )与因变量(Y )的总效应(t o t a l e f f e c t );②甄别总效应何时发挥作用,也就是找到一个重要的调节变量(m o d e r a t o r );③挖掘总效应为何作用、如何作用,也就是找到一个重要的中介变量(m e d i a t o r )。
路径看似简单,但实验研究最大的挑战是如何对调节变量和中介变量进行理论构造和实验控制。
控制变量 调节变量 中介变量
X
Y
e Y=f（X,M）+e
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。
潜变量
潜变量
很多分析方法
3中介变量和中介效 应
3.1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。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。
图2中介变量示意图
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
2.3.2潜变量的调节效应分析方法
有关潜变量的分析需要用到结构方程模型，潜变量的测量
会带来测量误差，所以考虑潜变量时都认为是连续变量。
有潜变量的调节效应模型通常只考虑如下两种情形：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。
自变量
调节变量
分析方法
潜变量
类别变量
分组结构方程分析
的层次回归分析（同左）。
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）。
调节变量,中介变量和控制变量啥区别与联系？
调节变量,中介变量和控制变量啥区别与联系？看看“机制分析, 中介渠道, 调节效应必读系列合集”, 写文章可以写得有些深度。
机制分析能够帮你回答Why？知其然，知其所以然，往往能够增加文章分析深度。
但是清晰理解Mediator, Moderator, Covariates这些概念以及逻辑，是开展机制分析的前提条件。
如果对图论比较感兴趣，还建议看看“用"因果关系图"来进行因果推断的新技能”。
1控制变量 Covariate可以看看“什么是不好的控制变量, 什么又是好的控制变量?”控制变量：这些会影响因变量的因素是研究者不愿意看到的，它们的存在会干扰研究者分析自变量对因变量的影响。
控制变量又称为“额外变量”，是必须被想办法施加控制或采用统计方法排除干扰的因素。
如果感觉上面那段话太抽象，我下面说个具体的例子解释一下。
就像昨天那出戏，我们想知道年轻人生活地点的差异会不会影响结婚年龄，但千人千面，漂亮的讨人喜欢，丑了自然在婚恋市场上行情堪忧。
因此将长相列为控制变量，就是排除这各因素的影响，让我们能够聚焦于地点差异对结婚年龄的影响。
科学研究中，我们通常不可能保证控制变量全部相同，而是采取统计方法排除其对因变量的影响。
然而在现实生活中，我们很难做到这种“统计排除”。
所以，理解控制变量实际上就是让我们分析因果（自变量影响因变量）关系时，留意是否有需要控制的因素没有被控制，如果没有控制，那我们就有理由怀疑这种因果关系。
值得强调的是，并不是除了自变量外所有能影响因变量都是控制变量，中介变量和调节变量都能影响因变量。
因此控制变量是一个相对的概念，主要看我们的研究目的或要弄清的问题。
比如讲生活地点对结婚年龄的影响，就要控制长相因素，如果我们研究长相对结婚年龄的影响，那长相就是自变量了。
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。
相对于人们关注的自变量和因变量而言,调节变量和中介变量都是第三者,经常被人混淆。
有中介的调节变量和有调节的中介变量
- 9. 78 - 2. 20 0. 63 0. 48 0. 09 0. 04
中介效应也低。
表 2 中介效应分析
预测变量 对 Y 的直接效应 对 W 的直接效应 经过 W 对 Y 的中介效应 中介效应与直接效应之比 W X U UX 0 . 144 UW 1 . 308
5. 52 - 0. 55 0. 00 0. 00
讨论了这两种模型的分 析方法 , 两者基本上都是按中介 效应模 型的分 析步骤 , 但其 中都有 一步要做 调节效 应的分 析。还讨论了同时包含有中介的调节变量 和有调节的中 介变量 的混合 模型。最后 , 作 为示范 例子 , 用混合 模型分 析儿童行为对同伴关系的影响 , 结果发现 , 如果混合模型中的调节都设定是线性的 , 那么调节 变量对因 果关系是二 次调节。 关键词 分类号 调节效应 , 中介效应 , 有 中介的调节变量 , 有调节的中介变量 , 混合模型。 B841. 2
收稿日期 : 2005 - 06- 29
[ 1]
1 有中介的调节变量
如果一个模型除了自变量和因变量外, 涉及的 第三变量不止一个 , 可能会同时包含调节变量和中 介变量。这些变量出现在模型中的位置不同会产生 不同的模型, 联系着不同的统计背景和意义。 设要研究学 生行为 ( X ) 对同 伴关系 ( Y ) 的影 响。以往的研究发现 , 老师的管教方式 ( U ) 是调节 变量 , 老师对 学生的喜欢程度 ( W ) 是中介变量 。 据此可以建立如图 1 所示的模型。我们知道 , UX 是 调节效应项, 如果它影响 W, 而 W 影响 Y, 说明调节 效应 ( 至少部分地 )通过中介变量 W 而起作用 , 称这 样的调节变量是有中介的调节变量 ( m ed iated m od erato r) 。 Baron 和 Kenny 提到过这一概念, 但没有 讨论如何分析这种模型。可以仿照文 [ 2] 中的中介 效应检验程序检验有中介的调节效应是否显著。 以依次 检验为 例, 有 中介 的调 节效 应显著 意 味着 : ( 1) 做 Y 对 X 、 U 和 UX 的回归, UX 的 系数显 著; ( 这 一 步 说 明 U 对 Y 与 X 关 系 的 调 节 效 应 显著。 ) ( 2) 做 W 对 X 、 U 和 UX 的 回归 , UX 的系 数 显著 ;
- 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)。
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