如何在SPSS及AMOS分析調(diào)節(jié)效應(yīng)實(shí)戰(zhàn)篇

1、調(diào)節(jié)效應(yīng)重要理論及操作務(wù)實(shí)一、調(diào)節(jié)效應(yīng)回歸方程：調(diào)節(jié)效應(yīng)是交互效應(yīng)的一種， 是有因果指向的交互效應(yīng)， 而單純 的交互效應(yīng)可以互為因果關(guān)系； 調(diào)節(jié)變量一般不受自變量和因變量影 響，但是可以影響自變量和因變量； 調(diào)節(jié)變量一般不能作為中介變量， 在特殊情況下， 調(diào)節(jié)變量也可以作為中介變量， 例如認(rèn)知?dú)w因方式既 可以作為挫折性應(yīng)激（X）和應(yīng)對方式（Y）的調(diào)節(jié)變量也可以作為中 介變量。常見的調(diào)節(jié)變量有性別、年齡、收入水平、文化程度、社會 地位等。在統(tǒng)計(jì)回歸分析中， 檢驗(yàn)變量的調(diào)節(jié)效應(yīng)意味著檢驗(yàn)調(diào)節(jié)變量和自變量的交互效應(yīng)是否顯著。以最簡單的回歸方程為例， 調(diào)節(jié)效應(yīng)檢驗(yàn)回歸方程包括 2 個(gè)如下：y=a+bx

2、+cm+ey=a+bx+cm+cmx+e在上述方程中，m為調(diào)節(jié)變量，mx為調(diào)節(jié)效應(yīng)，調(diào)節(jié)效應(yīng)是否顯著即 是分析C是否顯著達(dá)到統(tǒng)計(jì)學(xué)意義上的臨界比率.05水平）。二、檢驗(yàn)調(diào)節(jié)效應(yīng)的方法有三種：i. 在層次回歸分析中（ Hierarchical regression ） , 檢驗(yàn) 2 個(gè)回歸方 程的復(fù)相關(guān)系數(shù)R2和R22是否有顯著區(qū)別，若Ri2和顯著不同，則 說明mx交互作用顯著，即表明m的調(diào)節(jié)效應(yīng)顯著;2. 或看層次回歸方程中的C系數(shù)（調(diào)節(jié)變量偏相關(guān)系數(shù)），若cspss 輸出為標(biāo)準(zhǔn)化 ? 值）顯著，則說明調(diào)節(jié)效應(yīng)顯著；3. 多元方差分析，看交互作用水平是否顯著；4. 在分組回歸情況下，調(diào)節(jié)效應(yīng)看

3、各組回歸方程的 R2。注：上述四種方法主要用于 顯變量調(diào)節(jié)效應(yīng)檢驗(yàn)，且和x與m的變量 類型相關(guān)，具體要根據(jù)下述幾種類型采用不同的方式檢驗(yàn) 三、顯變量調(diào)節(jié)效應(yīng)分析的幾種類型根據(jù)調(diào)節(jié)效應(yīng)回歸方程中自變量和調(diào)節(jié)變量的幾種不同類型組合， 分析調(diào)節(jié)效應(yīng)的方法和操作也有區(qū)別如下：1. 分類自變量（X）+分類調(diào)節(jié)變量（m）如果自變量和調(diào)節(jié)變量都是分類變量的話，實(shí)際上就是多元方差 分析中的交互作用顯著性分析，如 X有兩種水平，m有三種水平，則可以做2X 3交互作用方差分析，在SPSS里面可以很容易實(shí)現(xiàn)，這我就不多講了，具體操作看 spss 操作工具書就可以了。2. 分類自變量（ X） +連續(xù)調(diào)節(jié)變量（ m）這

4、種類型調(diào)節(jié)效應(yīng)分析需要 對分類自變量進(jìn)行偽變量轉(zhuǎn)換，將自 變量和調(diào)節(jié)變量中心化 （計(jì)算變量離均差 ）然后做層次回歸分析。分 類自變量轉(zhuǎn)換為偽變量的方法：假設(shè)自變量X有n種分類，則可以轉(zhuǎn) 換為 n-1 個(gè)偽變量， 例如自變量為年收入水平， 假設(shè)按人均年收入水 平分為 8千以下、 80002萬、2 萬5萬、5萬10萬、10萬以上四種 類型，則可以轉(zhuǎn)換為 3 個(gè)偽變量如下：X1 X2 X310 萬以上 1005 萬到 10 萬 0 1 02 萬到 5 萬 0018 千以下 000上述轉(zhuǎn)換在 spss 中可以建立 3 個(gè)偽變量 x1、x2、x3, 變量數(shù)據(jù)中心化后標(biāo)準(zhǔn)回歸方程 表示為：y=b1x1+b

5、2x2+b3x3+cm+e3)y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e 4) x1 = 1表示10萬以上；x2=1表示5萬到10萬；x3=1表示2萬到5萬;8千以下=0。此時(shí)8千以下的回歸方程表示為：y=cm +e（在x1、x2、 x3 上的偽變量值為 0）；之所以單獨(dú)列出這個(gè)方程，是為了方便大家根據(jù)回歸方程畫交互作用圖 ,即求出 c 值就可以根據(jù)方程畫出 8 千以變量的調(diào)節(jié)效應(yīng)圖。檢驗(yàn)方法為分析r2顯著性或調(diào)節(jié)系數(shù)C顯著性。注：在這4種分類自變量的調(diào)節(jié)效應(yīng)分析中，采用 R2和F22顯著性檢驗(yàn)時(shí)，是對 4 種類型自變量在調(diào)節(jié)變量作用下的調(diào)節(jié)效應(yīng)的整體檢 驗(yàn)

6、，總體顯著的效果可能會掩蓋某種類型自變量與調(diào)節(jié)變量的交互作 用不顯著的情況 ，此時(shí)，我們就要逐一審查各個(gè)交互項(xiàng)的偏相關(guān)系數(shù)。對方程 4）而言，如果檢查調(diào)節(jié)變量的偏相關(guān)系數(shù)，則有可能會出現(xiàn)一些調(diào)節(jié)變量偏相關(guān)系數(shù)不顯著的情況，例如， c1 顯著、 c2 和 c3 不 顯著或 c1 和 c2 顯著， c3 不顯著的情況等，此時(shí)可根據(jù)交互項(xiàng)的偏 相關(guān)系數(shù)來發(fā)現(xiàn)到底是那種類型的自變量與調(diào)節(jié)變量的交互作用不 顯著。3. 連續(xù)自變量（X）+分類調(diào)節(jié)變量（m這種類型的調(diào)節(jié)效應(yīng)需要采用 分組回歸分析，所謂分組回歸分析既是根據(jù)調(diào)節(jié)變量的分類水平， 建立分組回歸方程進(jìn)行分析， 回歸方程 為y=a+bx+e。當(dāng)然也可

7、以采用將調(diào)節(jié)變量轉(zhuǎn)換為偽變量以后進(jìn)行層 次回歸分析，層次回歸具體步驟同上，見三、 2，需要注意的是，分類的調(diào)節(jié)變量轉(zhuǎn)換為偽變量進(jìn)行層次回歸分析后， 調(diào)節(jié)效應(yīng)是看方程 的決定系數(shù) R2 顯著性整體效果，這和不同分類水平的自變量下調(diào)節(jié)變 量的調(diào)節(jié)效應(yīng)識別有區(qū)別。我們這里主要講下如何進(jìn)行調(diào)節(jié)效應(yīng)分組回歸分析，調(diào)節(jié)效應(yīng)的 分組回歸分析可以在SP SS中完成，當(dāng)然也可以通過 SEM分析軟件如AMO來實(shí)現(xiàn)，我們首先來看看如何通過 SPSS來實(shí)現(xiàn)分組回歸來實(shí)現(xiàn)調(diào)節(jié)效應(yīng)分析的。SPSS中對分組回歸的操作主要分兩步進(jìn)行，第一步是對樣本數(shù)據(jù)按調(diào)節(jié)變量的類別進(jìn)行分割， 第二步則是回歸分析。 具體步驟見下圖： 第一步

8、：對樣本數(shù)據(jù)按調(diào)節(jié)變量的類別進(jìn)行分割：1 : CLIENT1012Orthonal Design1314copy Q?5rtaset15ie17呂卻廈Die.5 Sielect Cases.Weight Cases.=-蠱，Define Dates.Define MuKiple Response Sats.ValidationIdentify Dupli匚0(1上 Ucises-, 3 IClentity UnuSucI C*SeS.Sort cases.Sort VarisesTrerrspose.Restructure.Mere File00 Aggregsfte.Currenrt Sta

9、tus： Anat/sis by 少0叩3 is off.OK jj I PasteReset 11 CancelHelp注：選取的gender為調(diào)節(jié)變量，分別為女=0,男=1,當(dāng)然在實(shí)際研.等來編號。究中可能有更多的分類，大家完全可以用1、2、3、4這個(gè)窗口選取的兩個(gè)命令是比較多組(compare groups和按分組變量對數(shù)據(jù)文件排序(sort the file by grouping variables第二步：選擇回歸命令并設(shè)置自變量和因變量Si*tT!T?ScaT5aFa5eTTlSFS? Data THrTorDie Edit里iew兇teIrarisformAnalyze grap

10、hsliti豁AcM-fifiS 也 nctow HelpQ- H且同軻L M S IReports1 : CLIENTCLIENTTablesCoQipere MeansCOWGARITDescriptive Statistics11Gjenerai Linear ModelGeneralized Linear ModelsMixedl IMocteis121315CorrelateRegressionLogliriearNeural Networks13iSi Linear.Fl Curve Estimatkin. 蕊 Partial Lee Sciuares.SsXinear Rppre

11、ffsxon少 CLIENT鳥 AGEIATE鳥 INFO禺 COMP啟 ARITH 畠 SIML 石5 VOCAB 熬 DIGIT 為 PARANGBLOCK氛 OBJECT 畐 CODING 爐 category 少 gendergenderl書歹 Sender2 護(hù) gendersQ 工念匕前賀DIGIT) ZDIGITl Depencterrt:* _ picrcoM pBloch 1 of 1P reyicu-OKNextMethod;.EnterSfelectkjn VerbatJle; Case Labels：PasteResetCancel. J-Uc _Help這個(gè)窗口里面選

12、取了自變量comp和因變量Pictcomp,然后再點(diǎn)擊statistics在彈出窗口中設(shè)置輸出參數(shù)項(xiàng)如下圖，勾取estimatesmodel fitRsquared cha nge5LinearRegressn: StatxsticsrRegression Coefficient0 Estimates CoQtidence intervalsI Covariance matrix回 Model fit0 R 生斗 uared change Descriptives Pert and partial correlationsI I Collinearrty diagnosticsr Residu

13、als Durbin-Watson Casewise diagnostics Quiliers outsideO 1111 casesI Cantinue |Cancel j IHelp第三步：看輸出結(jié)果，分析調(diào)節(jié)效應(yīng)，見表格數(shù)據(jù):表格1Variables Entered/Removed bgen der ModelVariables En teredVariablesRemovedMethod0 1comP.En ter1 1comP.En tera. All requested variables en tered.b. De pen de nt Variable: PICTCO MP表格

14、1顯示了因變量是pictcomp,回歸方法采用強(qiáng)行進(jìn)入法（enter ）,共有兩組回歸方程，一組是女性（0），另一組是男性（1）。表格2Model SummarygenderModelRR SquareAdjusted R SquareStd. Error of the EstimateChange StatisticsR Square ChangeFChangedf1df2Sig. FChange01.349 a.122.1132.723.12214.1611102.00011.489 a.239.2282.647.23921.709169.000a. P redictors: (Con s

15、ta nt),COMP表格2是回歸模型的總體情況，男行和女性的兩組回歸方程具有顯著效應(yīng)（P.001），表明性別這一變量具有顯著的調(diào)節(jié)效應(yīng)。從表格數(shù)據(jù)可以看出,女性組的回歸方程解釋了因變量11.2%的方差變異，男性組的回歸方程解釋了因變量22.9%的方差變異，（注：此模型的數(shù)據(jù)是虛擬的，只是方便大家理解，無實(shí)際意義，實(shí)際研究中回歸方程的自變量很少會只有一個(gè)的情況表格3Coefficie nts agen der ModelUn sta ndardizedCoefficie ntsStan dardizedCoefficie ntstSig.BStd. ErrorBeta01(Co nsta nt

16、)7.355.9437.797.000COMP.342.091.3493.763.00011(Co nsta nt)5.6261.1055.090.000COMP.490.105.4894.659.000a. De pen de nt Variable: PICTCO MP此表格給出了自變量的標(biāo)準(zhǔn)化回歸系數(shù) Beta值，在女性組中，標(biāo)準(zhǔn)化Beta為.349;在男性組中Beta值為.489,且都達(dá)到顯著性水平p.001 ,說明自變量comp寸因變量有顯著的預(yù)測作用。AMOS上述對分類調(diào)節(jié)變量操作和解釋主要是基于 SPS來實(shí)現(xiàn)的，AMOS軟件也有同樣功能，下面以同樣回歸方程變量為例談下如何在）：中

17、實(shí)現(xiàn)多組回歸分析（multi pie group an alyze第一步：模型設(shè)置好后，點(diǎn)擊 analyzemanage groups:Inputle Edit Vi BiagramI II II II IIII II lU I IIa o w眇 alyi 色 Tools 衛(wèi) ugins1!1!1 Calculi ate EstimatesHelpCtrHFS第二步：在彈出的窗口輸入女，如下:Input:File EditII Hill II III II I Hill Ilin II IIIJ 1= r 二 Rgure capons ft a巴 禽ME K 詒O i_ nn 4=TitidY

18、i Di agran 血 alyie Tools Flui ns HelpIII n Hill ir in 轡 gl=3(tTanage GroupsGroup NameNewDeletei-i-ii-ii-ii Close第三步：設(shè)置好第一組名稱后，點(diǎn)擊new,急速輸入第二組名稱:Edi tViewTitgD_x Q-gT-fim AjiaJ-vre Tools Plui ns HelpFiledata files,如下圖:Sipuf Li 14 I Edi t Vi ew CjagrsJHewHew withTemplate.直O(jiān)pen.TRetrievepickup.H3av&S3av&

19、 As.-3av& AsTemplate.Ctrl+SCtrl+E第四步：在彈出窗口中可以看到如下兩組名稱:Data FilesGroup Hajte | FileVariable f Value 1 fJ Grouping VariableHelp（T）；Clip Vilrie I h ICancelI kssie/i c.asfls to groups秦科1:file第三步：設(shè)置好兩個(gè)組后，關(guān)閉組別設(shè)置窗口，回到主界面，點(diǎn)擊第五步：然后點(diǎn)擊女組數(shù)據(jù)，再點(diǎn)擊file n ame,打開數(shù)據(jù)文件，然后點(diǎn)擊 grouping variable,這時(shí)系統(tǒng)會彈出你的spss數(shù)據(jù)文件中的變量，在其中選擇

20、你的分類變量，按分組變量的值設(shè)置好女性組的數(shù)據(jù);男組數(shù)據(jù)重復(fù)這個(gè)過程，見下圖:Data FilesGroup Mane FileCFA-Visc, Fau Choose_a Grouping Varr.,Greup:文File: c:, cfa-wisc. savView DataOKVar. . IIAOBJECT CODING cata.,hinder _ =gendtf 1 gender? genderS :LICIT ZCODINC endh H H1VOKCancelioVariableHelp.as?s tc erQUP3HelpCancelData FilesGrsup Maae

21、 | FileI Variable/CFA-Wisc. 5av fender File NansViev lataOKI Alloif nan-rmimje i i C dat sChoose Value fOTGfoupCroup:女File-： CI cfarwLsc. s豹Vifiable: genderCases: 175104HelpGroup 四lueCancelasHS to groupsOKCancelIJo ValueHelp設(shè)置好分組以后，點(diǎn)擊 ok，回到主界面，進(jìn)行模型比較設(shè)置（溫忠麟關(guān)于在AMO卿進(jìn)行分組比較的策略，采用如下做法：先將兩組的 結(jié)構(gòu)方程回歸系數(shù)限制為相等，

22、得到一個(gè)X2值和相應(yīng)的自由度。然 后去掉這個(gè)限制，重新估計(jì)模型，又得到一個(gè)X2值和相應(yīng)的自由 度。前面的X 2減去后面的X 2得到一個(gè)新的X 2,其自由度就是兩個(gè)模型的自由度之差。如果 X2檢驗(yàn)結(jié)果是統(tǒng)計(jì)顯著的，則調(diào)節(jié)效應(yīng)顯著）。第六步：設(shè)置限制模型和無限制模型。點(diǎn)擊analyzemanage models,首先設(shè)置無限制模型（無任何限制，不需要改動(dòng)）；然后點(diǎn)擊下面的=F_ile Edi t Vi ew Diagramao Wngnew,設(shè)置結(jié)構(gòu)方程回歸系數(shù)限制相等模型，如下圖:Tools Flugins HelpI!I!I CalcTilate EstimatesCtrl+F9.I _I J

23、-廠：T a -二m 卜匕-li 一 4 0 L Manage oiips.Models. . blanage To delsfV51VS VQlVTV71V3V31V9V91F- WeightsA IModel Name領(lǐng)制模型（所有回歸權(quán)重限制相等）Caramel er ConstraintsVIVll聊2V21-即3W31W4MlW5V51WS:塔SIV/7imV/3W1Illi I町W11W2W21W3購W41嶼W51W61IOW71圳SWS1JJewfParametftr conEtraints for the curDelet eClose注：上圖限制模型中，W表示所有回歸系數(shù)，可

24、在Plugi nnameparameter中進(jìn)行設(shè)置。第七步：兩個(gè)模型設(shè)置好后，進(jìn)行分析設(shè)置，點(diǎn)擊viewanan lysisProp erties,在out put中選中前面三項(xiàng)和臨界比率檢驗(yàn)一項(xiàng)，回到主界面，點(diǎn)擊左側(cè)繪圖工具欄中的運(yùn)算圖標(biāo)，即可得到輸出結(jié)果,操作如下:InputVi ew Diagram alyre ToolsPlug：! ns Help:即UKInterface Froper ties.,.Ctrl+Talysis Proper ties.,Ctrl+AFile EditEst ima ioTL | Mujnerical (J BiasBoot st rap J) P e

25、 rm-at at i ons | Randoii. # | Title JMinimization historyIndirect J direct &. t ot al 丑fecESLandardiaed estimatesE.actor score weightsSuared muItipie correlaTionacjvarT anc e 3 of e 3 im at esSonplc mojfcentsCorrelations of estimatesImplied momentsCritical radios for differencesAll imp lied momervt

26、sTffsts for normality and out 1 iere廠 gesidual moment sOttserved inf or mat ion matrxK廠 Modificati口n indicesThreshold for modification indices第八步：看分組比較運(yùn)算結(jié)果，一個(gè)看模型圖的標(biāo)準(zhǔn)化輸出，一個(gè)看文本輸出結(jié)果，本例輸出結(jié)果如下圖:.1IT JiI SIMiLjICOMRjf|INFoF47,e10.07.27F2standardized estimates卡方值=68.180(P = .275)自由度M2TLI二衛(wèi)史：CFI二984： RMSEA二

27、 024： NFI二 854卡方/自由度=1.100圖1:女性組無限制模型標(biāo)準(zhǔn)化路徑圖Fa4siMiL 9 叩OCASein.ee.ee.43ARANife-LocrirTCOKIfi一44F2standardized estimates卡方值=68 180(P= 275)：自由度二62TLI = .982i CFI=984； RMSEA=.O24； NFI = .854卡方/g由度=1.100.14HINFQ rstandardized estimates卡方值=76.725(P=.272)i 自由度二70TLI = .983t CFI=983： RMSEA= 024? NFI = .836

28、卡方/自由度=1.096圖3女性組限制模型標(biāo)準(zhǔn)化路徑圖圖2男性組無限制模型標(biāo)準(zhǔn)化路徑圖OFNi）Bj申LOc國oMd 朽 S2Standardized estimates卡方值二 76.725（P 二-272）；自由度二了0TLI = .983? CFI=.983 RMSEA=.O24? NFI = .836卡方丿自由度= 1,096圖4男性組限制模型標(biāo)準(zhǔn)化路徑圖從上述分組比較的標(biāo)準(zhǔn)化路徑圖來看，限制模型和無限制模型在一些擬合指標(biāo)上并無顯著變化，且兩者的卡方與自由度之比都小于2,這提示我們可能性別的調(diào)節(jié)效應(yīng)并不顯著，為了進(jìn)一步檢驗(yàn)，我們結(jié)合文本輸出結(jié)果來判斷是否無限制模型和限制模型的區(qū)別不顯著，具體分析見如下表格與結(jié)果分析:Assumi ng model 無限制模型（所有參數(shù)自由估計(jì)）to be correct:ModelDFCMINPNFIDelta-1IFIDelta-2RFI rho-1TLI rho2限制模型（所有回歸 權(quán)重限制相等）88.545.382.018.021-.001-.001上表是分組回歸分析無限制模型和限制模型的比較，從表中可知，對模型所有