调节效应和中介效应分析
调节效应与中介效应的比较和应用
调节效应与中介效应的比较和应用调节效应与中介效应的比较和应用调节效应和中介效应是心理学研究中常用的统计工具，用来探究变量之间的关系及其影响机制。
在心理学研究中，两种效应是相互关联的，但却有着不同的目的和应用。
本文将对调节效应与中介效应进行比较，并探讨它们在实际研究中的应用。
一、调节效应调节效应指的是一个变量对另外两个变量之间关系的影响程度。
换句话说，调节效应指的是一种条件下，一个变量对其他两个变量之间关系的影响程度是否存在差异。
调节效应通常以交互作用的形式进行分析。
例如，研究者想要探究学生的学业成绩是否受到性别和家庭背景教育程度的影响。
通过进行调节效应分析，研究者可以发现不同性别和家庭背景教育程度的学生在学业成绩上是否存在差异。
这样的分析有助于理解不同变量之间的关系，并帮助制定有针对性的措施来提高学生的学业成绩。
调节效应的应用也很广泛。
比如，在临床心理学中，研究者想要探究某种治疗方法是否对不同年龄段的患者是否有不同的效果。
通过进行调节效应分析，研究者可以确定哪种治疗方法更适合不同年龄段的患者，以提高治疗效果。
二、中介效应中介效应指的是一个变量对于两个其他变量之间关系的解释作用。
换句话说，中介效应指的是一个变量通过影响另外两个变量之间的关系来起到解释作用。
中介效应通常通过路径分析进行分析。
例如，研究者想要探究工作压力对员工工作满意度的影响机制。
通过进行中介效应分析，研究者可以确定工作满意度是否受到工作压力的影响，并发现工作满意度和工作压力之间是否存在中介变量，如工作支持等。
这样的分析有助于理解变量之间的关系，并揭示出潜在的影响机制。
中介效应的应用也很广泛。
比如，在营销研究中，研究者想要探究某种广告对消费者购买意愿的影响机制。
通过进行中介效应分析，研究者可以确定广告是否通过某种中介变量，如品牌认知或情感激发等，来影响消费者的购买意愿，以设计更有效的广告策略。
三、比较和应用调节效应和中介效应在研究中都有其独特的价值和应用。
中介效应与调节效应对比和分析
中介效应与调节效应对比和分析中介效应和调节效应是心理学中的两个重要概念，都涉及到因果关系以及相关变量之间的关联性。
本文将从定义、例子和分析等方面对中介效应和调节效应进行对比和分析。
中介效应是指一个变量（中介变量）在解释一个因变量与自变量之间关系的过程中起到中介作用的情况。
也就是说，自变量通过中介变量对因变量产生影响。
例如，假设我们研究自尊对学业成绩的影响，发现中介变量是学习动力。
自尊会通过学习动力来影响学业成绩。
在这个例子中，自尊是自变量，学业成绩是因变量，学习动力是中介变量。
调节效应则是指一个变量在解释因变量与自变量之间关系的过程中对这个关系的影响程度。
也就是说，该变量调节了因变量与自变量之间的关系。
例如，我们研究幸福感与工作满意度之间的关系，发现社会支持是一个调节变量。
即社会支持会调节幸福感和工作满意度之间的关系。
在这个例子中，幸福感和工作满意度是因变量，社会支持是自变量，调节变量。
从定义上来看，中介效应强调的是自变量通过中介变量对因变量产生影响，而调节效应强调的是调节变量对自变量与因变量之间关系的影响程度。
因此，中介效应和调节效应从性质上来看是不同的。
在研究方法上，对中介效应的检验一般采用回归分析中的路径分析或中介效应检验的特殊程序（如Bootstrap程序）来进行。
而对调节效应的检验一般采用回归分析中的交互作用分析来进行。
这两种分析方法在统计学上也有所差异，因此在实际研究中需要灵活应用。
在研究中的意义上，中介效应和调节效应都可以帮助我们更好地理解变量之间的关系，并解释因果关系。
中介效应帮助我们了解自变量通过哪些中介变量对因变量产生影响，从而为干预措施提供依据。
而调节效应则帮助我们了解在其中一因果关系中，其他变量如何调节这一关系。
例如，社会支持如何调节工作满意度和幸福感之间的关系，可以帮助我们更好地了解如何提高员工幸福感。
总的来说，中介效应和调节效应在实际研究中都有其重要意义。
中介效应帮助我们了解变量之间的中介关系，调节效应则帮助我们了解变量之间的调节关系。
中介效应与调节效应分析
▪ 操作步骤：
▪ （1）根据分析目的，合并原始变量产生三个新变 量“工作不被认同”、“焦虑”和“工作绩效” 如图30-2所示，各个新变量值等于原始变量的均 值。
▪ 自变量（X）为“工作不被认同”包含三个观测指 标：即领导不认同、同事不认可、客户不认可；中 介变量（M）“焦虑”包含三个观测指标即心跳、 紧张、坐立不安；因变量（Y）“工作绩效”包含 两个观测指标即效率低和效率下降。
原始数据包括：领导不认同、同事不认同、客户不认同、心跳、紧张、坐立不安、效率低和效率下降8个变量。 3）当自变量是连续变量时，调节变量是类别变量，做分组回归分析：按M的取值分组，将因变量和自变量中心化后做Y对X的回归，若回归系数的差异显著，则调节效应显著；
量的情况下，中介效应等于间接效应；当中介变量不止 SPSS实现过程如下：
应可以是部分中介效应和（或）所有中介效应的总和。 3）单击“统计量”按钮，弹出图30-6所示的“线性回归：统计量”对话框，选择左侧的“估计（E）”复选框，选择右侧“模型拟合度（M）”和“R方变化（S）”复选框。
▪ 在社会心理学研究当中，变量间的关系很少是直接的， 更常见的是间接关系。
▪ 自变量X对因变量Y的影响，如果X变量通过影响M变 量来影响Y变量，则M为中介变量。
▪ SPSS实现过程如下：
▪ 1）单击“分析”|“回归”|“线性”命令，弹 出图30-5所示的“线性回归”对话框。
▪ 2）将变量“工作绩效（中性化）”放入“因变 量（D）”框；将变量“不被认同（中性化）” 放入“自变量（I）”框。方法（M）选“进入 ”。
▪ 3）单击“统计量”按钮，弹出图30-6所示的“ 线性回归：统计量”对话框，选择左侧的“估 计（E）”复选框，选择右侧“模型拟合度（M ）”和“R方变化（S）”复选框。其它采用系 统默认，单击“继续”按钮返回主对话框。
第30章 中介效应与调节效应分析
一、中介效应分析
§ 1.中介效应的概述
§ 中介效应是指变量间的影响关系（X→Y）不是直接的因 果链关系，而是通过一个或一个以上变量(M)的间接影 响产生的，此时我们称M为中介变量，而X通过M对Y产 生的的间接影响称为中介效应。
§ 中介效应是间接效应的一种，模型中在只有一个中介变 量的情况下，中介效应等于间接效应；当中介变量不止 一个的情况下，中介效应不等于间接效应，此时间接效 应可以是部分中介效应和（或）所有中介效应的总和。
§ 自变量（X）为“工作不被认同”包含三个观测指标 ：即领导不认同、同事不认可、客户不认可；中介 变量（M）“焦虑”包含三个观测指标即心跳、紧张 、坐立不安；因变量（Y）“工作绩效”包含两个观 测指标即效率低和效率下降。
§ 新变量的均值如图30-3所示。
§ （2）将新变量X、M、Y中心化，即个体值与其 均数之差处理，得中心化后的新变量X“不被认 同（中心化）”、M“焦虑（中心化）”、Y“工作绩 效（中心化）”，如图30-4所示。
§ 图30-18所示是回归模型的总体情况，男、 女两组回归方程中R2分别为0.748、0.557，P = 0.000 都具有显著效应，表明性别这一变量具有 明显的调节效应。从图30-18所示的数据可以看 出，男性组的回归方程解释了因变量74.8%的方 差变异，女性组的回归方程解释了因变量55.7% 的方差变异。
§ 2.调节效应检验过程
§ 显变量的调节效应分析方法。分为四种情况讨论。
§ 1）当自变量是类别变量，调节变量也是类别变量时，做两因素交 互效应的多因素方差分析，交互效应即调节效应；
§ 2）自变量使用哑变量，调节变量是连续变量时，将因变量、自变 量和调节变量中心化，做Y = aX + bM + e1 ； Y = aX + bM + cXM + e2的层次回归分析：①做Y对X和M的回归，得决定系数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c显著，则调节效应显著；
中介效应与调节效应分析
概述-核心概念 调节效应与交互效应 从统计分析角度看: 调节效应＝交互效应 从概念定义角度看: 调节效应≠交互效应 交互效应: 两个自变量对称或不对称，任何一个都可为调节变量 调节效应: 哪个是自变量、调节变量，是明确的，不能互换
6
检验方法-中介效应
传传传统统统检检检验验验方方方法法法123 依系差次数异检乘检验积验法项法检验法 检验回归系数c、a、b、c'
➢➢S检ob验elc检和验c'的法差异是否显著
c✓:回Y归与系X数是的否乘相积关ab是否显著，即H0：ab=0 a✓、检b验:统间计接量为检z验= 系ab数/ sa乘b 积 c✓'sa:b是= 否为完a全2sb2中 b介2sa2
统计工具: SPSS
步骤
验证c不等于0: 中介时，还需验证c'等于0）
用X向M做回归，得到a
进行层次回归，第一层放入x，第二层放入M得到b
1
4
中介效应值=a*b
实例分析-中介效应
实例分析1 某研究在探究成年人的生活满意度时，根据既往理论支持，初步建立
概述-核心概念
c
X
Y
e1
M
e2
a
b
c'
X
Y
e3
中介效应模型示意图
3
中介效应方程式
Y = cX +e1
(1)
M = aX +e2
(2)
Y =c'X +bM +e3
(3)
➢ 中介效应: a*b ➢ 直接效应: c ' ➢ 总效应: c (c = c'+ ab)
中介效应与调节效应分析
自我效能
自我效能？ 政治技能？
团队绩效 团队绩效 团队绩效
概述-核心概念 中介效应(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。X通过M对Y产生的间接影响称为中介效应。
X Y 自我效能 M 大学生领导力 X Y 团队绩效
2
概述-核心概念
从统计分析角度看：调节效应＝交互效应 从概念定义角度看：调节效应≠交互效应 交互效应：两个自变量对称或不对称，任何一个都可为调节变量 调节效应：哪个是自变量、调节变量，是明确的，不能互换
6
检验方法-中介效应
传统检验方法 1 传统检验方法 23 传统检验方法
系数乘积项检验法 依次检验法 差异检验法 检验回归系数 c、a、b、c' Sobel 检验法 检验c 和c'的差异是否显著 c： Y与X是否相关 ab是否显著，即H0：ab=0 回归系数的乘积
Y=aM+bM+cXM+e X, M在Y前面，M可以在X前面 影响Y和X之间关系的方向（正或负）和强弱 M与X、Y的相关可以显著或不显著（后者较理想） 回归系数c ^c c是否等于0
X对Y的影响较强且稳定
M=aX+e2 Y=c'X+bM+e3 M在X之后，Y之前 代表一种机制，X通过它影响Y M与X、Y的相关都显著 回归系数乘积ab ^a^b ab是否等于0
中心化乘积指标方法
广义成绩指标方法 无约束模型
2 2
拓展
单步多重中介模型
指多个中介变量之间不存在相互影响
M1
a1
a2 X
并行多重中介模型
中介效应与调节效应对比和分析
中介效应与调节效应对比和分析中介效应和调节效应是社会科学研究中常常使用的两个概念。
它们都是描述一个变量对两个其他变量之间关系的影响，但是具有不同的基本属性和作用方式。
中介效应是指一个中介变量在原因变量和结果变量之间传递、解释或解释的过程中发挥作用。
这意味着中介变量可以解释原因变量对结果变量的影响。
中介效应通常用来解释为什么两个变量之间存在关联或相关性，以及这种关联是通过哪些机制来实现的。
中介效应的分析可以帮助研究人员深入理解变量之间的因果关系。
例如，研究人员可能发现教育程度（原因变量）对收入水平（结果变量）有正向影响，而工作经验（中介变量）部分解释了这种影响。
调节效应是指一个调节变量在原因变量和结果变量之间的关系中起到调节或修正作用。
这意味着调节变量能够改变或影响原因变量对结果变量的影响。
调节效应主要关注原因变量与结果变量之间的条件关系，即在一些条件下，原因变量对结果变量的影响是不同的。
调节效应的分析可以帮助研究人员识别在特定条件下，原因变量对结果变量产生更强或更弱影响的情况。
例如，研究人员可能发现性别（调节变量）对教育程度（原因变量）对收入水平（结果变量）的影响存在差异。
中介效应和调节效应之间的区别主要体现在它们对研究问题的关注点和解决问题的方法上。
中介效应主要关注因果关系的解释，即为什么和如何变量之间存在关联。
调节效应主要关注条件关系的探索，即在什么条件下变量之间的关系是如何变化的。
此外，中介效应分析通常使用回归分析或路径分析等方法，而调节效应分析通常使用交互作用分析等方法。
总之，中介效应和调节效应是社会科学研究中常用的两个概念，用于描述和解释变量之间的关系。
中介效应主要关注变量之间的因果关系解释，而调节效应主要关注变量之间的条件关系探索。
在实际研究中，中介效应和调节效应往往相互关联和相互作用，需要综合考虑和分析。
如何检验中介效应与调节效应
如何检验中介效应与调节效应中介效应和调节效应是实验心理学中常用于探究变量关系的统计方法。
中介效应指的是一个变量介导了另外两个变量之间的关系，也就是说通过介入变量的存在，从而改变了两个变量之间的关系。
调节效应是指一个变量对另外两个变量之间关系的强度和方向产生影响的能力。
以下是一种可能的方法来检验中介效应和调节效应：1.假设检验：对于中介效应和调节效应的检验，需要进行一些假设检验，以确定是否存在这些效应。
通常使用回归分析或者结构方程模型(SEM)来进行假设检验。
在回归分析中，我们可以通过计算输入变量（IV）和输出变量（DV）的关系的显著性来判断是否存在中介效应。
在结构方程模型中，我们可以通过路径分析来评估中介效应和调节效应的存在。
在进行假设检验时，需要注意选择合适的统计方法，并且考虑到控制其他可能的共变量。
2. 重采样方法：当样本量较小或者样本分布偏斜时，我们可以使用重采样方法，如自助法 (bootstrapping) 来检验中介效应和调节效应的显著性。
通过对样本进行重复抽样，可以生成样本分布的置信区间，并计算置信区间之间的重叠程度来评估效应的显著性。
重采样方法可以提供对于样本分布的更稳健的估计。
3. Sobel检验：Sobel检验是一种常用的检验方法，用于判断中介效应的显著性。
它通过计算中介效应路径系数的标准误差来评估中介效应的显著性。
具体而言，Sobel检验计算了中介效应路径系数的标准误差与直接路径系数的标准误差之间的比例值。
如果该比例值超过一些预设的阈值，那么我们可以判断中介效应是显著的。
4. Baron-Kenny方法：Baron-Kenny方法是一种常见的用于检验中介效应的方法。
它基于回归分析，通过将输入变量（IV）和输出变量（DV）的关系分解为直接效应和间接效应，并计算间接效应的显著性来判断中介效应的存在。
具体而言，我们首先需要构建一个回归模型，将中介变量包括在内，并计算直接路径和间接路径系数的显著性。
调节效应和中介效应
调节变量(Moderator) vs 中介变量(Mediator)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。
中介效应与调节效应对比和分析
中介效应与调节效应对比和分析中介效应和调节效应都是心理学中的重要概念，用于解释两个或多个变量之间的关系。
虽然它们都涉及到自变量和因变量之间的关联，但两种效应有着不同的作用和解释方式。
中介效应是指研究中介变量在自变量和因变量之间的传递作用。
当自变量对因变量的影响可以通过中介变量的连锁反应而发挥作用时，就会出现中介效应。
中介变量在中介效应中的作用是介于自变量和因变量之间的一种传递机制，通过调节自变量对中介变量的影响，进而影响因变量。
中介效应的本质是一种因果链条，它解释了自变量和因变量之间的关系以及这种关系是如何通过中介变量进行传递的。
调节效应则是指当其中一变量（调节变量）对自变量和因变量之间的关系有影响时，调节变量对于关系的影响程度。
调节效应也被称为交互效应，它涉及到自变量、调节变量和因变量之间的三方关系。
调节变量可以放大、减弱或改变自变量对因变量的影响。
调节效应的存在说明了自变量和因变量之间的关系取决于调节变量的特定条件或情境。
中介效应和调节效应的区别可以从以下几个方面进行分析：1.作用机制：中介效应强调中介变量在自变量和因变量之间传递作用的机制，即因果链条的存在。
而调节效应则关注调节变量对自变量和因变量之间关系的影响程度。
2.解释方式：中介效应解释了自变量通过中介变量对因变量产生影响，强调的是中介变量在关系中的作用。
而调节效应解释了调节变量对自变量和因变量关系的影响程度，强调的是调节变量在关系中的作用。
3.目的和研究设计：中介效应的研究主要关注自变量对中介变量和因变量之间关系的影响，可以用来解释变量之间的因果关系。
而调节效应的研究主要关注一些调节变量对自变量和因变量之间关系的影响程度，可以用来探索变量之间的交互效应。
4.统计分析：在统计分析上，中介效应通常通过中介模型来检验中介变量对自变量和因变量之间的影响。
调节效应则通常通过交互项分析来检验调节变量对自变量和因变量之间的影响。
总的来说，中介效应和调节效应都是探索变量之间关系的重要工具，但侧重点和解释角度不同。
中介效应与调节效应对比和分析
通过散点图展示自变量、中介变量和因变量之间的关系。在散点图中，可以观察到自变量和因变量之间的关系是否受到中介变量的影响。
中介效应的图示方法
02
调节效应介绍
调节效应是指一个变量对另一个变量的影响程度会随着第三个变量的变化而变化。简单来说，调节效应描述了一个变量如何以不同的方式影响结果，具体取决于另一个变量的值。
调节效应的应用场景
复杂模型构建
中介效应和调节效应可以在同一模型中同时存在，以解释更复杂的因果关系和交互作用。
整合不同理论
中介效应和调节效应可以整合不同的理论框架，以提供一个更全面的解释和预测。
跨领域应用
中介效应和调节效应可以广泛应用于心理学、社会学、经济学、生物学等领域，以解释不同现象和问题。
中介效应与调节效应的综合应用场景
调节变量可以是定性的（例如，性别、年龄或婚姻状况），也可以是定量的（例如，收入或受教育程度）。
调节效应的定义
调节效应的检验方法
层次回归分析
通过在回归模型中引入交互项来检验调节效应。层次回归分析可以帮助我们了解自变量和调节变量如何共同影响因变量。
中介效应分析
中介效应分析可以用来检验一个变量是否在自变量和因变量之间起中介作用，即自变量通过中介变量影响因变量。
05
中介效应与调节效应的实例分析
03
睡眠质量与工作效率
睡眠质量是工作效率的中介因素，良好的睡眠质量可以提高工作效率。
01
吸烟与肺癌
吸烟是肺癌的中介因素，长期吸烟会导致肺癌的发生。
02
学习压力与心理健康
学习压力是心理健康的中介因素，过大的学习压力会对心理健康产生负面影响。
中介效应实例分析
性别与职业选择
【最新精选】调节效应与中介效应
调节效应与中介效应1调节效应1.1 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,这种有调节变量的模型一般地可以用图1 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) ,它影响因变量和自变量之间关系的方向(正或负)和强弱。
图1调节变量模型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(即变量减去其均值,参见文献) 。
本文主要考虑最简单常用的调节模型,即假设Y与X 有如下关系Y = aX + bM + cXM + e (1)可以把上式重新写成Y = bM + ( a + cM ) X + e对于固定的M ,这是Y对X 的直线回归。
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。
1.2 调节效应分析方法调节效应分析和交互效应分析大同小异。
这里分两大类进行讨论。
一类是所涉及的变量(因变量、自变量和调节变量)都是可以直接观测的显变量(observable variable) ,另一类是所涉及的变量中至少有一个是潜变量( latent variable) 。
1.2.1 显变量的调节效应分析方法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( categorical variable) ,包括定类和定序变量,另一类是连续变量( continuous variable) ,包括定距和定比变量。
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。
表1分类列出了显变量调节效应分析方法。
当自变量和调节变量都是类别变量时做方差分析。
当自变量和调节变量都是连续变量时,用带有乘积项的回归模型,做层次回归分析: ( 1)做Y对X和M 的回归,得测定系数R21。
中介效应与调节效应分析
中介效应与调节效应的综合分析实例
• 心理压力与健康：心理压力可能会通过多种机制影响健康状 况，如通过影响免疫系统、心血管系统和心理健康等。这些 机制可以作为中介变量，而性别、年龄和社会支持等因素可 以作为调节变量，共同解释心理压力与健康状况之间的关系。
感谢观看
THANKS
调节效应分析实例
性别与职业选择
性别可能会调节个人兴趣与职业选择之间的关系。例如，在某些文化背景下，男性可能 更倾向于选择传统上被认为是男性主导的职业，而女性可能更倾向于选择传统上被认为
是女性主导的职业。
年龄与健康行为
年龄可能会调节健康行为与健康状况之间的关系。例如，年轻人可能更容易采取健康的 生活方式，如定期锻炼和健康饮食，而老年人可能更倾向于接受医疗治疗和药物管理。
实例Βιβλιοθήκη 中介效应分析实例吸烟对肺癌的影响
吸烟是肺癌的一个重要风险因素，但吸 烟对肺癌的影响可能通过多种机制起作 用，如直接毒性作用、免疫系统抑制等 。这些机制可以作为中介变量，解释吸 烟与肺癌之间的关联。
VS
学习成绩与职业发展
学习成绩可以作为职业发展的中介变量。 通过良好的学习成绩，学生可以获得更好 的教育机会和技能，进而在职业市场上获 得更好的机会和更高的收入。
建立理论模型
根据相关理论和研究假设，建立中介效应与调节效应的理论模型，明确变量之间的关系和预期的效应 。
数据收集
选择样本
根据研究目的和变量要求，选择合适的样本来源和样 本量。
设计问卷或实验
根据研究问题和变量测量方式，设计问卷或实验程序， 确保数据收集的准确性和可靠性。
实施数据收集
按照设计好的问卷或实验程序，进行数据收集工作， 并确保数据质量。
中介效应与调节效应分析
中介效应与调节效应分析中介效应是指自变量对因变量的影响通过中介变量的作用来实现。
即自变量通过中介变量的变化对因变量产生影响。
可以将中介效应分为部分中介效应和完全中介效应。
部分中介效应是指自变量对因变量的影响同时经过中介变量和其他直接路径进行传递，而完全中介效应是指自变量对因变量的影响完全通过中介变量进行传递。
调节效应是指IV和DV之间关系的强度和方向会因一些调节变量（moderator）的存在而发生变化。
调节变量可以改变IV和DV之间的关系，也就是调节IV对DV的影响作用。
调节效应可以分为加法调节和乘法调节。
加法调节指当调节变量存在时，IV对DV的效应大小会发生变化，而乘法调节则指IV对DV的效应关系会发生变化。
下面将分别详细介绍中介效应和调节效应的分析过程。
中介效应分析包含以下几个步骤：1.确定研究变量：从已有的理论和文献中确定IV、中介变量和DV。
2.收集数据：收集与研究的变量相关的数据。
3.进行初步分析：计算各个变量的描述性统计量，如均值、标准差等。
4.运用回归分析：通过回归分析来检验IV对DV的影响，同时控制其他相关变量的影响。
5.检验中介效应：使用统计软件进行中介效应检验，可以通过以下几种方法进行：a. Sobel检验：通过计算标准化的间接效应的标准误差进行检验。
b. Bootstrap法：通过随机抽样技术计算间接效应的置信区间。
c.间接效应比较法：通过比较直接效应与间接效应的大小来判断是否存在中介效应。
6.解释中介效应：如果存在中介效应，可以通过将中介变量加入回归分析模型，并观察IV对DV的影响是否减弱或消失来解释中介效应。
调节效应分析包含以下几个步骤：1.确定研究变量：从已有的理论和文献中确定IV、调节变量和DV。
2.收集数据：收集与研究的变量相关的数据。
3.进行初步分析：计算各个变量的描述性统计量，如均值、标准差等。
4.运用回归分析：通过回归分析来检验IV对DV的影响，已知是否存在调节效应。
调节效应和中介效应分析
调节效应的分析自变量和调节变量都是分类变量：方差分析考察交互效应（调节效应）自变量（A）和调节变量（M）都是连续变量：对两个变量先做中心化处理(centering)；变量–变量的平均数CA CM求中心化处理之后的两个变量的乘积（交互效应项或调节效应项CAM）层级回归分析调节效应或交互效应第一层CA CM第二层CAM R2 改变量是否显著或者CAM是否显著？3. 自变量是连续变量，调节变量是分类变量（分组回归–SEM ）自变量是分类变量，调节变量是连续变量先将自变量（4个水平）转化成虚拟变量（K-1个虚拟变量）A1 A2 A3 调节变量中心化处理（CM）求中心化处理之后的调节变量与虚拟变量的乘积CM* A1 CM* A2 CM* A3 层级回归分析调节效应第一层A1 A2 A3 CM第二层CM* A1 CM * A2 CM* A3R2 改变量是否显著中介效应分析自变量：agreeableness 因变量：helping中介变量（mediator）：sympathy中介效应分析：自变量对因变量的影响有没有通过某个中间的变量实现。
如果a b都显著，那么有中介效应。
如果c’显著，那么是部分中介效应，如果c’不显著，则是完全中介效应。
(ab都是标准化回归系数)如果a b 都不显著，那么无中介效应。
如果a b有一个显著，那么需要做进一步检验（H0: ab=0）。
Sobel Testz = a*b / √(a*a*sb*sb+b*b*sa*sa)(ab都是标准化回归系数，sa sb 指的是回归系数的标准误)第一步：自变量对因变量有显著效应c = 0.23 (p<0.01)第二步：分析a 和 b 的显著性a的显著性自变量对中介变量的影响a = 0.20 (p=0.01) sa =0.015b的显著性中介变量对因变量的影响（自变量和中介变量）b = 0.281 (p<0.01) sb = 0.013c’的显著性自变量对因变量的直接影响c’= 0.174 (p<0.01)第三步：a 和b 都是显著的，所以M 有中介效应。
中介效应与调节效应对比和分析
统计方法详析. 中介效应
统计分析方法
• 主要方法
• 方法一
•
-依次检验回归系数，c、a、b系数分别显著
• 方法二
•
-路径分析，经过中介变量路径上回归系数的乘积ab是否显著
•
即H0：ab=0
• 方法三
-检验c和c'的差异是否显著
统计方法详析. 中介效应
方法一
• 基本思路：依次回归c，a，b
• 统计工具：SPSS
• -潜变量：实际工作中无法直接测量到的变量，一个潜变量常对应
多个显变量，可看做其对应显变量的抽象和概括
• -伪变量处理：将连续变量分组成为类别变量
• -中心化变换：使各变量平均数为0，在各各变量上减该变量的平均数
• -偏回归系数：多元线性回归情况下，多个自变量中的一个和因变量
•
之间的关系。
调节效应
• 步骤：
•
1. 验证c不等于0：利用相关或者回归
•
2. 验证a不等于0，b不等于0。（完全中介时，还需验证c’等于0）
•
-用X向M做回归，得到a
•
-进行层次回归，第一层放入x，第二层放入M得到b
•
3. 中介效应的大小c' =b - a
• 缺点：
•
中介效应弱时，检验效率低。
统计方法详析. 中介效应
中介效应
统计分析方法
• 主要方法
• 方法一
•
-依次检验回归系数，c、a、b系数分别显著
• 方法二
•
-路径分析，经过中介变量路径上回归系数的乘积ab是否显著
•
即H0：ab=0
• 方法三
- 检验c和c'的差异是否显著
- 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)。
调节效应的分析
自变量和调节变量都是分类变量：方差分析考察交互效应（调节效应）
自变量（A）和调节变量（M）都是连续变量：
对两个变量先做中心化处理(centering)；变量–变量的平均数CA CM
求中心化处理之后的两个变量的乘积（交互效应项或调节效应项CAM）
层级回归分析调节效应或交互效应
第一层CA CM
第二层CAM R2 改变量是否显著或者CAM是否显著？
3. 自变量是连续变量，调节变量是分类变量（分组回归–SEM ）
自变量是分类变量，调节变量是连续变量
先将自变量（4个水平）转化成虚拟变量（K-1个虚拟变量）A1 A2 A3 调节变量中心化处理（CM）
求中心化处理之后的调节变量与虚拟变量的乘积CM* A1 CM* A2 CM* A3 层级回归分析调节效应
第一层A1 A2 A3 CM
第二层CM* A1 CM * A2 CM* A3
R2 改变量是否显著
中介效应分析
自变量：agreeableness 因变量：helping
中介变量（mediator）：sympathy
中介效应分析：自变量对因变量的影响有没有通过某个中间的变量实现。
如果a b都显著，那么有中介效应。
如果c’显著，那么是部分中介效应，如果c’不显著，则是完全中介效应。
(ab都是标准化回归系数)
如果a b 都不显著，那么无中介效应。
如果a b有一个显著，那么需要做进一步检验（H0: ab=0）。
Sobel Test
z = a*b / √(a*a*sb*sb+b*b*sa*sa)
(ab都是标准化回归系数，sa sb 指的是回归系数的标准误)
第一步：自变量对因变量有显著效应c = 0.23 (p<0.01)
第二步：
分析a 和 b 的显著性
a的显著性自变量对中介变量的影响a = 0.20 (p=0.01) sa =0.015
b的显著性中介变量对因变量的影响（自变量和中介变量）
b = 0.281 (p<0.01) sb = 0.013
c’的显著性自变量对因变量的直接影响c’= 0.174 (p<0.01)
第三步：
a 和
b 都是显著的，所以M 有中介效应。
如果c’不显著，那么就是完全中介效应，如果显著，就是部分中介效应。
c’= 0.174 (p<0.01)，所以M是部分中介效应。
如果a 和 b 都不显著，那么M没有中介效应。
如果a 和 b 有一个显著，那么：
第四步：Sobel Test
H0: ab = 0
也就是
Z = 0.20*0.281 / (0.20*0.013)2 + (0.281*0.015) 2 = 11.348 p<0.01
a = 0.20 sa = 0.015
b = 0.281 sb = 0.013
z =
compute a = 0.20 .
compute sa = 0.015.
compute b = 0.281.
compute sb = 0.013 .
compute ab=a*b.
compute se2 = a*sb*a*sb + b*sa*b*sa.
compute se = sqrt(se2).
compute z = ab/se.
EXECUTE .
1. 首先保证自变量对因变量的影响是显著的。
2．开始做中介效应分析。
Agreeableness – tonggan beta = 0.19 se = 0.016 p<0.05
Group – tonggan beta = 0.113 se = 0.443 p>0.05
Agreeableness – tongqing beta = 0.206 se = 0.015 p<0.05
Group – tongqing beta = 0.086 se = 0.421 p>0.05
Agreeableness –helping beta = 0.152 se = 0.003 p<0.05
Group – helping beta = 0.199 se = 0.082 p<0.05
Tonggan – helping beta = 0.291 se = 0.012 p<0.05
Tongqing – helping beta = 0.182 se = 0.012 p<0.05
3. Agreeableness –tonggan –helping 显著的
Agreeableness –tongqing –helping 显著的
Group – tonggan beta = 0.113 se = 0.443 p>0.05 Tonggan – helping beta = 0.291 se = 0.012 p<0.05
Z = 0.26
Group – tongqing beta = 0.086 se = 0.421 p>0.05 Tongqing – helping beta = 0.182 se = 0.012 p<0.05
Z = 0.20
group –tonggan –helping 不显著的
group –tongqing –helping 不显著的
4
重新分析各条路径系数，以及直接和间接效应。
原始模型直接效应和间接效应的分析
直接的效应（direct effect）
Agreeableness –helping beta = 0.152
间接的效应（indirect effect）
1. Agreeableness – tonggan – helping 0.19 * 0.291 = 0.05529 Agreeableness – tonggan beta = 0.19
Tonggan – helping beta = 0.291
2. Agreeableness – tongqing – helping 0.206*0.182 = 0.037492 Agreeableness – tongqing beta = 0.206
Tongqing – helping beta = 0.182
Total effect ( Agreeableness –helping) :
0.152 + 0.05529 + 0.037492 = 0.244782 = 0.245
直接效应的比例0.152/0.245 = 0.6204
间接效应：0.05529/0.245 = 0.2257
0.037492/0.245 = 0.153。