中介效应与调节效应分析.ppt

中介效应与调节效应分析.ppt

《中介效应与调节效应分析.ppt》由会员分享，可在线阅读，更多相关《中介效应与调节效应分析.ppt（32页珍藏版）》请在冰点文库上搜索。

IBM-SPSS,中介效应与调节效应分析,社会心理学研究中，经常遇到分析待研究的自变量与因变量之外的第三者变量在其中所扮演的角色和意义。

如果第三者变量是协变量，我们可以通过协变量的方差分析或回归分析加以控制；如果第三者变量经过排查不是协变量，可能是因果之间的间接变量和（或）调节变量，对这类的问题的研究中介效应与调节效应分析是可行的解决之道。

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（XY）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。

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。

通常将变量经过中心化转化后，得方程1：

Y=cX+e1；方程2：

M=aX+e2；方程3：

Y=cX+bM+e3。

其中，c是X对Y的总效应，a、b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。

2.中介效应检验过程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；第二步依次检验a，b，如果都显著，那么检验c，c显著，为部分中间效应模型，c不显著，为完全中介效应模型；如果a，b至少有一个不显著，做Sobel检验，检验的统计量是Z=ab/Sab，显著则中介效应显著，不显著则中介效应不显著。

Sobel检验免费的在线计算器在“http:

/,实例讲解,例30.1：

研究工作认同感与工作绩效之间心理因素（焦虑）的意义，见例30.1.sav。

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。

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。

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。

（3）中介效应分析第一步检验，即检验方程Y=cX+e1中的c是否显著，检验结果如图30-7、图30-8所示。

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。

4）单击“确定”按钮，输出结果。

由图30-7、图30-8可知，方程Y=cX+e1的回归效应显著，c值等于0.678，P=0.000，可以进行方程M=aX+e2和Y=cX+bM+e3的显著性检验。

（4）中介效应分析第二步检验，即检验方程M=aX+e2中的a是否显著，检验结果如图30-9、图30-10所示。

二、调节效应分析,1.调节效应的概述如果变量Y与变量X的关系是变量M的函数，Y=f（X,M）+e，则称M为调节变量。

即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和强弱。

调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量，调节变量一般不能作为中介变量。

通常将变量中心化转化后，得方程1：

Y=aX+bM+e1；方程2：

Y=aX+bM+cXM+e2。

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衡量了调节效应的大小，如果c显著，表明变量M的调节效应有意义。

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：

做Y对X和M的回归，得决定系数R12；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；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；4）当自变量是连续变量时，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后，同2）做层次回归分析。

潜变量的调节效应分析方法。

分两种情形讨论：

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。

1）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2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2值和相应的自由度。

前面的2减去后面的2得到一个新的2，其自由度就是两个模型的自由度之差。

如果2检验结果是统计显著的，则调节效应显著；2）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。

实例讲解,例30.2：

在一项心理学研究中判断“设备”因素在“亮度”与学生“得分”中是否表现出调节作用，见例30.2.sav。

操作步骤：

（1）由数据资料可知自变量“亮度”与调节变量“设备”都是类别变量，可以选用多因素方差分析对两因素的交互作用的显著性进行判断。

检验结果如图30-13所示。

（2）SPSS实现过程如下：

1）单击“分析”|“一般线性模型”|“单变量”命令，弹出图30-14所示的“单变量”对话框。

2）将变量“得分”放入“因变量（D）”框；将变量“设备”和“亮度”放入“自变量（I）”框。

3）其它采用系统默认，单击“确定”按钮，输出结果。

实例讲解,例30.3：

研究“性别”在青少年个体“体重”与“做功”之间有无调节效应，见例30.3.sav。

（1）将自变量“体重”和因变量“做功”做中心化（即个体值与其均数之差）转化，产生新变量“体重（中心化）”和“做功（中心化）”。

（2）对样本数据按调节变量的类别进行分割。

SPSS实现过程如下：

1）单击“数据”|“拆分文件”|“分割文件”命令，弹出图30-15所示的“单变量”对话框。

2）单击“比较组”复选框，左边选择“性别”变量进入“分组方式”框内。

3）其它采用系统默认，单击“确定”按钮。

（3）进行分组的线性回归分析。

SPSS实现过程如下：

1）单击“分析”|“回归”|“线性”命令，弹出图30-16所示的“线性回归”对话框。

2）将变量“做功（中性化）”放入“因变量（D）”框；将变量“体重（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30-17“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，点击继续返回主对话框。

（4）结果分析经过对“性别”的分组线性回归分析后，检验结果如图30-18、30-19、30-20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。

图30-19所示给出了性别分组后的方差分析结果，P=0.000表明预测变量“体重（中心化）”在模型中有统计学意义。

图30-20所示中给出了回归方差中的回归系数a值及标准化后的a值，在男性组中a1=3.046，标准化后a1=0.865，在女性组中a2=1.549，标准化后a2=0.746，且都达到显著性水平（P=0.000），说明自变量“体重”对因变量“做功”有显著的预测作用。

THEEND,