编辑如何在SPSS及AMOS分析调节效应实战篇Word格式.docx

1、 这种类型调节效应分析需要对分类自变量进行伪变量转换，将自变量和调节变量中心化（计算变量离均差）然后做层次回归分析。分类自变量转换为伪变量的方法：假设自变量X有n种分类，则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人均年收入水平分为8千以下、80002万、2万5万、5万10万、10万以上四种类型，则可以转换为3个伪变量如下： x1 x2 x3 10万以上 1 0 0 5万到10万 0 1 0 2万到5万 0 0 1 8千以下 0 0 0上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心化后标准回归方程表示为：y=b1x1+b2x2+b3x3+cm+e 3）y=b

2、1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e 4）x1=1表示10万以上；x2=1表示5万到10万；x3=1表示2万到5万；8千以下=0。此时8千以下的回归方程表示为：y=cm +e（在x1、x2、x3上的伪变量值为0）；之所以单独列出这个方程，是为了方便大家根据回归方程画交互作用图,即求出c值就可以根据方程画出8千以下变量的调节效应图。检验方法为分析R2显著性或调节系数C显著性。在这4种分类自变量的调节效应分析中，采用R12和R22显著性检验时，是对4种类型自变量在调节变量作用下的调节效应的整体检验，总体显著的效果可能会掩盖某种类型自变量与调节变量的交互作用不显著

3、的情况，此时，我们就要逐一审查各个交互项的偏相关系数。对方程4）而言，如果检查调节变量的偏相关系数，则有可能会出现一些调节变量偏相关系数不显著的情况，例如，c1显著、c2和c3不显著或c1和c2显著，c3不显著的情况等，此时可根据交互项的偏相关系数来发现到底是那种类型的自变量与调节变量的交互作用不显著。3.连续自变量（x）+分类调节变量（m） 这种类型的调节效应需要采用分组回归分析，所谓分组回归分析既是根据调节变量的分类水平，建立分组回归方程进行分析，回归方程为y=a+bx+e。当然也可以采用将调节变量转换为伪变量以后进行层次回归分析，层次回归具体步骤同上，见三、2，需要注意的是，分类的调节变

4、量转换为伪变量进行层次回归分析后，调节效应是看方程的决定系数R2显著性整体效果，这和不同分类水平的自变量下调节变量的调节效应识别有区别。我们这里主要讲下如何进行调节效应分组回归分析，调节效应的分组回归分析可以在SPSS中完成，当然也可以通过SEM分析软件如AMOS来实现，我们首先来看看如何通过SPSS来实现分组回归来实现调节效应分析的。SPSS中对分组回归的操作主要分两步进行，第一步是对样本数据按调节变量的类别进行分割，第二步则是回归分析。具体步骤见下图：第一步：对样本数据按调节变量的类别进行分割：选取的gender为调节变量，分别为女=0，男=1，当然在实际研究中可能有更多的分类，大家完全可

5、以用1、2、3、4.等来编号。这个窗口选取的两个命令是比较多组（compare groups和按分组变量对数据文件排序（sort the file by grouping variables）第二步：选择回归命令并设置自变量和因变量这个窗口里面选取了自变量comp和因变量pictcomp,然后再点击statistics在弹出窗口中设置输出参数项如下图，勾取estimatesmodel fitRsquared change：第三步：看输出结果，分析调节效应，见表格数据：表格1Variables Entered/RemovedbgenderModelVariables EnteredVariabl

6、es RemovedMethod1COMPa.Entera. All requested variables entered.b. Dependent Variable: PICTCOMP表格1显示了因变量是pictcomp,回归方法采用强行进入法（enter），共有两组回归方程，一组是女性（0），另一组是男性（1）。表格2Model SummaryRR SquareAdjusted R SquareStd. Error of the EstimateChange StatisticsR Square ChangeF Changedf1df2Sig. F Change.349a.122.113

7、2.723packet n. 小包；小盒.12214.161102n. 投票；选票；表决.000boil vi. （指液体）沸腾；（水）开.489a.239.2282.647可靠的21.709非典型性肺炎1jar n. 罐；广口瓶69renaissance n. 新生；复兴；复活.000breathless adj. 气喘吁吁的；屏息的a. Predictors: （Constant）, COMPwaist n. 腰；腰部；腰围bark vi. （指狗等）吠叫；咆哮表格2是回归模型的总体情况，男行和女性的两组回归方程具有显著效应（p.001），表明性别这一变量具有显著的调节效应。从表格数据可以

8、看出，女性组的回归方程解释了因变量11.2%的方差变异，男性组的回归方程解释了因变量22.9%的方差变异，（注：此模型的数据是虚拟的，只是方便大家理解，无实际意义，实际研究中回归方程的自变量很少会只有一个的情况）。表格3CoefficientsaUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta（Constant）7.355.9437.797.000COMP.342.091.3493.7635.6261.1055.090.490.105.4894.659a. Dependent Variable:此表

9、格给出了自变量的标准化回归系数Beta值，在女性组中，标准化Beta为.349;在男性组中Beta值为.489,且都达到显著性水平p.05，卡方值改变量不显著，因此可以从卡方值判断，性别对于两个潜变量的调节效应不显著。CMIN and CMIN/DF:NPARCMIN/DF3876.72570.2721.096无限制模型（所有参数自由估计）4668.18062.2751.100Saturated model108Independence model36467.866726.498上表检验了限制模型和自由估计模型的卡方值及其卡方与自由度自比，两者的P都大于.05，且卡方与自由度之比都小于2，说明

10、模型都拟合良好，这进一步说明无限制模型和限制模型无显著区别。Baseline ComparisonsDelta1rho1Delta2CFI.836.831.983.854.985.982.9841.000上表是基线比较结果，NFI、RFI、IFI、TLI、CFI指标在限制模型和无限制模型中并无明显改变。RMSEALO 90HI 90PCLOSE.024.052.937.053.922.178.163.194上表的RMSEA指标在限制模型和无限制模型中为相等.05，说明限制模型和无限制模型都有良好的模型拟合。结论：从上述标准化路径图和表格输出结果来看，限制模型和无限制模型的区别不显著，意味着性别对两个潜变量的调节效应不明显。4.连续自变量（X）+连续调节变量（M） 这种类型相对来说操作比较简单，只需要把所有变量中心化之后就可以进行层次回归分析，标准化回归方程为：Y=bx+cm+e 1）Y=b1x+cm+c1mx+e 2）对上述方程的检验同层次回归分析。