如何用SPSS或AMOS实现调节效应回归方程解读Word文档格式.docx
《如何用SPSS或AMOS实现调节效应回归方程解读Word文档格式.docx》由会员分享，可在线阅读，更多相关《如何用SPSS或AMOS实现调节效应回归方程解读Word文档格式.docx（14页珍藏版）》请在冰点文库上搜索。
4.在分组回归情况下，调节效应看各组回归方程的
R2。
注：
上述四种方法主要用于显变量调节效应检验，且和
x
与
的变
量类型相关，具体要根据下述几种类型采用不同的方式检验
三、显变量调节效应分析的几种类型
根据调节效应回归方程中自变量和调节变量的几种不同类型组合，
分析调节效应的方法和操作也有区别如下：
1.分类自变量（x）+分类调节变量（m）
如果自变量和调节变量都是分类变量的话，实际上就是多元方差
分析中的交互作用显著性分析，如
有两种水平，m
有三种水平，
则可以做
2×
3
交互作用方差分析，在
spss
里面可以很容易实现，
这我就不多讲了，具体操作看
操作工具书就可以了。
2.分类自变量（x）+连续调节变量（m）
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、8000~2
万、2
万~5
万、5
万~10
万、10
万
以上四种类型，则可以转换为
个伪变量如下：
x1x2x3
10
万以上100
5
万到
万010
万001
千以下000
上述转换在
中可以建立
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+e3）
y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e4）
x1=1
表示
万以上；
x2=1
万；
x3=1
5
千以下=0。
此时
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
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
显著性
检验时，是对
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
c3
不显著或
c1
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
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
中完成，当然也可以通过
SEM
分析软件如
来实现，我们首先来看看如何通过
来实现分组回归来实
现调节效应分析的。
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（comparegroups
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
estimates\model
fit\Rsquared
change：
Mode
l
R
Square
Adjusted
R
Std.
Error
of
the
Estimate
Change
Statistics
Change
F
df1
df2
Sig.
0
1
.349a
.122
.113
2.723
14.161
102
.000
1
.489a
.239
.228
2.647
21.709
69
Model
Variables
Entered
Removed
Method
COMPa
.
Enter
第三步：
看输出结果，分析调节效应，见表格数据：
表格1
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2
COMP
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）
Unstandardized
Coefficients
Standardized
t
Sig.
B
Std.
Error
Beta
（Constant）
7.355
.342
.943
.091
.349
7.797
3.763
5.626
.490
1.105
.105
.489
5.090
4.659
。
表格3
此表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<
.001，说明自变量comp对因变量有显著的预测作用。
上述对分类调节变量操作和解释主要是基于SPSS来实现的，
AMOS软件也有同样功能，下面以同样回归方程变量为例谈下如何在
AMOS中实现多组回归分析（multiple
group
analyze）：
模型设置好后，点击analyze\manage
groups:
在弹出的窗口输入女，如下：
设置好第一组名称后，点击new,急速输入第二组名称：
设置好两个组后，关闭组别设置窗口，回到主界面，点击
File\data
files，如下图：
第四步：
在弹出窗口中可以看到如下两组名称：
第五步：
然后点击女组数据，再点击file
name,打开数据文件，然
后点击grouping
variable,这时系统会弹出你的spss数据文件中的
变量，在其中选择你的分类变量，按分组变量的值设置好女性组的
数据；
男组数据重复这个过程，见下图：
设置好分组以后，点击
ok，回到主界面，进行模型比较设置（温忠
麟关于在
中进行分组比较的策略，采用如下做法：
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
值和相应的自
由度。
前面的
减去后面的
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
检验结果是统计显著的,则调节效
应显著）。
第六步：
设置限制模型和无限制模型。
点击
analyze\manage
models,首先设置无限制模型（无任何限制，不需要改动）；
然后点
击下面的
new，设置结构方程回归系数限制相等模型，如下图：
上图限制模型中，W
表示所有回归系数，可在
Plugin\name
parameter
中进行设置。
第七步：
两个模型设置好后，进行分析设置，点击
view\ananlysis
Properties,在
output
中选中前面三项和临界比率检验一项，回到
主界面，点击左侧绘图工具栏中的运算图标，即可得到输出结
果，操作如下：
第八步：
看分组比较运算结果，一个看模型图的标准化输出，一个
看文本输出结果，本例输出结果如下图：
图
1：
女性组无限制模型标准化路径图
男性组无限制模型标准化路径图
女性组限制模型标准化路径图
DF
CMIN
P
NFI
IFI
RFI
TLI
Delta-1
Delta-2
rho-1
rho2
限制模型（所有回
归权重限制相等）
8.545
.382
.018
.021
-.001
-.001
男性组限制模型标准化路径图
从上述分组比较的标准化路径图来看，限制模型和无限制模型在一
些拟合指标上并无显著变化，且两者的卡方与自由度之比都小于
2，这提示我们可能性别的调节效应并不显著，为了进一步检验，
我们结合文本输出结果来判断是否无限制模型和限制模型的区别不
显著，具体分析见如下表格与结果分析：
Assuming
model
无限制模型（所有参数自由估计）
to
be
correct:
上表是分组回归分析无限制模型和限制模型的比较，从表中可知，
对模型所有结构方程系数限制为相等后，卡方值改变量
CMIN/df=8.545/8
的临界比率
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。
TLI
CFI
Delta1
rho1
Delta2
限制模型（所有回归权重限制相等）
无限制模型（所有参数自由估计）
Saturated
model
Independence
.836
.831
.983
.983
.854
.985
.982
.984
1.000
1.000
.000
NPAR
CMIN/DF
38
76.725
70
.272
1.096
46
68.180
62
.275
1.100
108
36
467.866
72
6.498
RMSEA
LO
90
HI
PCLOSE
.024
.052
.937
.053
.922
.178
.163
.194
and
CMIN/DF:
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
都大于.05，且卡方与自由度之比都小于
2，说明模型
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
Comparisons
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。
RMSEA
上表的
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+e1）
Y=b1x+cm+c1mx+e2）
对上述方程的检验同层次回归分析。
读书的好处
1、行万里路，读万卷书。
2、书山有路勤为径，学海无涯苦作舟。
3、读书破万卷，下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。
——达尔文
5、少壮不努力，老大徒悲伤。
6、黑发不知勤学早，白首方悔读书迟。
——颜真卿
7、宝剑锋从磨砺出，梅花香自苦寒来。
8、读书要三到：
心到、眼到、口到
9、玉不琢、不成器，人不学、不知义。
10、一日无书，百事荒废。
——陈寿
11、书是人类进步的阶梯。
12、一日不读口生，一日不写手生。
13、我扑在书上，就像饥饿的人扑在面包上。
——高尔基
14、书到用时方恨少、事非经过不知难。
——陆游
15、读一本好书，就如同和一个高尚的人在交谈——歌德
16、读一切好书，就是和许多高尚的人谈话。
——笛卡儿
17、学习永远不晚。
18、少而好学，如日出之阳；
壮而好学，如日中之光；
志而好学，如炳烛之光。
——刘向
19、学而不思则惘，思而不学则殆。
——孔子
20、读书给人以快乐、给人以光彩、给人以才干。
——培根
升级会员 