如何用SPSS做中介效应与调节效应
- 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)。
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。
3.中介变量的定义
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。Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c是X对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
c=c′+ab,中介效应的大小用c-c′=ab来衡量。
4、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。步骤为:第一步检验系统c,如果c不显著,Y与X相关不显著,停止中介效应分析,如果显著进行第二步;第二步一次检验a,b,如果都显著,那么检验c′,c′显著中介效应显著,c′不显著则完全中介效应显著;如果a,b 至少有一个不显著,做Sobel检验,显著则中介效应显著,不显著则中介效应不显著。Sobel检验的统计量是z=^a^b/sab ,中 ^a, ^b分别是 a, b的估计, sab=^a2sb2 +b2sa2, sa,sb分别是 ^a, ^b的标准误。
5. 调节变量与中介变量的比较
6. 中介效应与调节效应的SPSS操作方法
处理数据的方法
第一做描述性统计,包括M SD 和内部一致性信度a(用分析里的scale里的realibility analsys)
第二将所有变量做相关,包括统计学变量和假设的X,Y,M
第三做回归分析。(在回归中选线性回归linear)
要先将自变量和M中心化,即减去各自的平均数
1、现将M(调节变量或者中介变量)、Y因变量,以及与自变量、因变量、M调节变量其中任何一个变量相关的人口学变量输入indpendent
2、再按next 将X自变量输入(中介变量到此为止)
3、要做调节变量分析,还要将X与M的乘机在next里输入作进一步回归。
分析结果中的Beta就是Y=cX+bM+e的系数,B下的constant是常数。检验主要看F是否显著
Statistics菜单的Correlate选项->Partial Correlations过程
看看控制var1(自变量)之后,var2(中介变量)与var3(因变量)之间的相关系数(Correlation Coefficient)、检验值(Significance)及决定系数r2的数值变化。如果线性相关大幅下降甚至消失,即证明var2(中介变量)对var3(因变量)的影响,是协同var1(自变量)而产生的。
接着,再看看控制var2(中介变量)之后,var1(自变量)与var3(因变量)之间相关程度的变化。如果线性相关仍然存在,则可见var1(自变量)有著独立於var2(中介变量)的影响力。
如是者,便能确定var2(中介变量)在var1(自变量)和var3(因变量)之间存在中介效果。Statistics菜单的Correlate选项->Partial Correlations过程
看看控制var1(自变量)之后,var2(中介变量)与var3(因变量)之间的相关系数(Correlation Coefficient)、检验值(Significance)及决定系数r2的数值变化。如果线性相关大幅下降甚至消失,即证明var2(中介变量)对var3(因变量)的影响,是协同var1(自变量)而产生的。
接着,再看看控制var2(中介变量)之后,var1(自变量)与var3(因变量)之间相关程度的变化。如果线性相关仍然存在,则可见var1(自变量)有著独立於var2(中介变量)的影响力。
如是者,便能确定var2(中介变量)在var1(自变量)和var3(因变量)之间存在中介效果