如何在SPSS及AMOS分析調節(jié)效應(實戰(zhàn)篇)

調節(jié)效應重要理論及操作務實一、調節(jié)效應回歸方程：調節(jié)效應是交互效應的一種，是有因果指向的交互效應，而單純的交互效應可以互為因果關系；調節(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；調節(jié)變量一般不能作為中介變量，在特殊情況下，調節(jié)變量也可以作為中介變量，例如認知歸因方式既可以作為挫折性應激〔X〕和應對方式〔Y〕的調節(jié)變量也可以作為中介變量。常見的調節(jié)變量有性別、年齡、收入水平、文化程度、社會地位等。在統(tǒng)計回歸分析中，檢驗變量的調節(jié)效應意味著檢驗調節(jié)變量和自變量的交互效應是否顯著。以最簡單的回歸方程為例，調節(jié)效應檢驗回歸方程包括2個如下：y=a+bx+cm+e1〕y=a+bx+cm+c’mx+e2〕在上述方程中，m為調節(jié)變量，mx為調節(jié)效應，調節(jié)效應是否顯著即是分析C’是否顯著到達統(tǒng)計學意義上的臨界比率.05水平)。二、檢驗調節(jié)效應的方法有三種：1.在層次回歸分析中〔Hierarchicalregression〕,檢驗2個回歸方程的復相關系數R12和R22是否有顯著區(qū)別，假設R12和R22顯著不同，那么說明mx交互作用顯著，即說明m的調節(jié)效應顯著；2.或看層次回歸方程中的c’系數〔調節(jié)變量偏相關系數〕，假設c’〔spss輸出為標準化?值〕顯著，那么說明調節(jié)效應顯著；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，調節(jié)效應看各組回歸方程的R2。注：上述四種方法主要用于顯變量調節(jié)效應檢驗，且和x與m的變量類型相關，具體要根據下述幾種類型采用不同的方式檢驗三、顯變量調節(jié)效應分析的幾種類型根據調節(jié)效應回歸方程中自變量和調節(jié)變量的幾種不同類型組合，分析調節(jié)效應的方法和操作也有區(qū)別如下：1.分類自變量〔x〕+分類調節(jié)變量(m)如果自變量和調節(jié)變量都是分類變量的話，實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，那么可以做2×3交互作用方差分析，在spss里面可以很容易實現，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)調節(jié)變量〔m〕這種類型調節(jié)效應分析需要對分類自變量進行偽變量轉換，將自變量和調節(jié)變量中心化〔計算變量離均差〕然后做層次回歸分析。分類自變量轉換為偽變量的方法：假設自變量X有n種分類，那么可以轉換為n-1個偽變量，例如自變量為年收入水平，假設按人均年收入水平分為8千以下、8000~2萬、2萬~5萬、5萬~10萬、10萬以上四種類型，那么可以轉換為3個偽變量如下：x1x2x310萬以上1005萬到10萬0102萬到5萬0018千以下000上述轉換在spss中可以建立3個偽變量x1、x2、x3,變量數據中心化后標準回歸方程表示為：y=b1x1+b2x2+b3x3+cm+e3)y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e4)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)；之所以單獨列出這個方程，是為了方便大家根據回歸方程畫交互作用圖,即求出c值就可以根據方程畫出8千以下變量的調節(jié)效應圖。檢驗方法為分析R2顯著性或調節(jié)系數C’顯著性。注：在這4種分類自變量的調節(jié)效應分析中，采用R12和R22顯著性檢驗時，是對4種類型自變量在調節(jié)變量作用下的調節(jié)效應的整體檢驗，總體顯著的效果可能會掩蓋某種類型自變量與調節(jié)變量的交互作用不顯著的情況，此時，我們就要逐一審查各個交互項的偏相關系數。對方程4〕而言，如果檢查調節(jié)變量的偏相關系數，那么有可能會出現一些調節(jié)變量偏相關系數不顯著的情況，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，此時可根據交互項的偏相關系數來發(fā)現到底是那種類型的自變量與調節(jié)變量的交互作用不顯著。3.連續(xù)自變量〔x〕+分類調節(jié)變量〔m〕這種類型的調節(jié)效應需要采用分組回歸分析，所謂分組回歸分析既是根據調節(jié)變量的分類水平，建立分組回歸方程進行分析，回歸方程為y=a+bx+e。當然也可以采用將調節(jié)變量轉換為偽變量以后進行層次回歸分析，層次回歸具體步驟同上，見三、2，需要注意的是，分類的調節(jié)變量轉換為偽變量進行層次回歸分析后，調節(jié)效應是看方程的決定系數R2顯著性整體效果，這和不同分類水平的自變量下調節(jié)變量的調節(jié)效應識別有區(qū)別。我們這里主要講下如何進行調節(jié)效應分組回歸分析，調節(jié)效應的分組回歸分析可以在SPSS中完成，當然也可以通過SEM分析軟件如AMOS來實現，我們首先來看看如何通過SPSS來實現分組回歸來實現調節(jié)效應分析的。SPSS中對分組回歸的操作主要分兩步進行，第一步是對樣本數據按調節(jié)變量的類別進行分割，第二步那么是回歸分析。具體步驟見下列圖：第一步：對樣本數據按調節(jié)變量的類別進行分割：注：選取的gender為調節(jié)變量，分別為女=0，男=1，當然在實際研究中可能有更多的分類，大家完全可以用1、2、3、4…….等來編號。這個窗口選取的兩個命令是比擬多組(comparegroups和按分組變量對數據文件排序〔sortthefilebygroupingvariables〕第二步：選擇回歸命令并設置自變量和因變量這個窗口里面選取了自變量comp和因變量pictcomp,然后再點擊statistics在彈出窗口中設置輸出參數項如下列圖，勾取estimates\modelfit\Rsquaredchange：第三步：看輸出結果，分析調節(jié)效應，見表格數據：表格1VariablesEntered/RemovedbgenderModelVariablesEnteredVariablesRemovedMethod01COMPa.Enter11COMPa.Entera.Allrequestedvariablesentered.b.DependentVariable:PICTCOMP表格1顯示了因變量是pictcomp,回歸方法采用強行進入法〔enter〕，共有兩組回歸方程，一組是女性〔0〕，另一組是男性〔1〕。表格2ModelSummarygenderModelRRSquareAdjustedRSquareStd.ErroroftheEstimateChangeStatisticsRSquareChangeFChangedf1df2Sig.FChange01.349.122.1132.723.12214.1611102.00011.489.239.2282.647.23921.709169.000a.Predictors:(Constant),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(p<.001)，說明性別這一變量具有顯著的調節(jié)效應。從表格數據可以看出，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：此模型的數據是虛擬的，只是方便大家理解，無實際意義，實際研究中回歸方程的自變量很少會只有一個的情況〕。表格3CoefficientsagenderModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta01(Constant)7.355.9437.797.000COMP.342.091.3493.763.00011(Constant)5.6261.1055.090.000COMP.490.105.4894.659.000a.DependentVariable:PICTCOMP此表格給出了自變量的標準化回歸系數Beta值，在女性組中，標準化Beta為.349;在男性組中Beta值為.489,且都到達顯著性水平p<.001，說明自變量comp對因變量有顯著的預測作用。上述對分類調節(jié)變量操作和解釋主要是基于SPSS來實現的，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AMOS中實現多組回歸分析〔multiplegroupanalyze〕：第一步：模型設置好后，點擊analyze\managegroups:第二步：在彈出的窗口輸入女，如下：第三步：設置好第一組名稱后，點擊new,急速輸入第二組名稱：第三步：設置好兩個組后，關閉組別設置窗口，回到主界面，點擊File\datafiles，如下列圖：第四步：在彈出窗口中可以看到如下兩組名稱：第五步：然后點擊女組數據，再點擊filename,翻開數據文件，然后點擊groupingvariable,這時系統(tǒng)會彈出你的spss數據文件中的變量，在其中選擇你的分類變量，按分組變量的值設置好女性組的數據；男組數據重復這個過程，見下列圖：設置好分組以后，點擊ok，回到主界面，進行模型比擬設置〔溫忠麟關于在AMOS中進行分組比擬的策略，采用如下做法：先將兩組的結構方程回歸系數限制為相等,得到一個χ2值和相應的自由度。然后去掉這個限制,重新估計模型,又得到一個χ2值和相應的自由度。前面的χ2減去后面的χ2得到一個新的χ2,其自由度就是兩個模型的自由度之差。如果χ2檢驗結果是統(tǒng)計顯著的,那么調節(jié)效應顯著〕。第六步：設置限制模型和無限制模型。點擊analyze\managemodels,首先設置無限制模型〔無任何限制，不需要改動〕；然后點擊下面的new，設置結構方程回歸系數限制相等模型，如下列圖：注：上圖限制模型中，W表示所有回歸系數，可在Plugin\nameparameter中進行設置。第七步：兩個模型設置好后，進行分析設置，點擊view\ananlysisProperties,在output中選中前面三項和臨界比率檢驗一項，回到主界面，點擊左側繪圖工具欄中的運算圖標，即可得到輸出結果，操作如下：第八步：看分組比擬運算結果，一個看模型圖的標準化輸出，一個看文本輸出結果，本例輸出結果如下列圖：圖1：女性組無限制模型標準化路徑圖圖2男性組無限制模型標準化路徑圖圖3女性組限制模型標準化路徑圖圖4男性組限制模型標準化路徑圖從上述分組比擬的標準化路徑圖來看，限制模型和無限制模型在一些擬合指標上并無顯著變化，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節(jié)效應并不顯著，為了進一步檢驗，我們結合文本輸出結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果分析：Assumingmodel無限制模型〔所有參數自由估計〕tobecorrect:ModelDFCMINPNFI

Delta-1IFI

Delta-2RFI

rho-1TLI

rho2限制模型〔所有回歸權重限制相等〕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擬，從表中可知，對模型所有結構方程系數限制為相等后，卡方值改變量CMIN/df=8.545/8的臨界比率P>.05，卡方值改變量不顯著，因此可以從卡方值判斷，性別對于兩個潛變量的調節(jié)效應不顯著。CMINandCMIN/DF:ModelNPARCMINDFPCMIN/DF限制模型〔所有回歸權重限制相等〕3876.72570.2721.096無限制模型〔所有參數自由估計〕4668.18062.2751.100Saturatedmodel108.0000Independencemodel36467.86672.0006.498上表檢驗了限制模型和自由估計模型的卡方值及其卡方與自由度自比，兩者的P都大于.05，且卡方與自由度之比都小于2，說明模型都擬合良好，這進一步說明無限制模型和限制模型無顯著區(qū)別。BaselineComparisonsModelNFI

Delta1RFI

rho1IFI

Delta2TLI

rho2CFI限制模型〔所有回歸權重限制相等〕.836.831.983.983.983無限制模型〔所有參數自由估計〕.854.831.985.982.984Saturatedmodel1.0001.0001.000Independencemodel.000.000.000.000.000上表是基線比擬結果，NFI、RFI、IFI、TLI、CFI指標在限制模型和無限制模型中并無明顯改變。RMSEAModelRMSEALO90HI90PCLOSE限制模型〔所有回歸權重限制相等〕.024.000.052.937無限制模型〔所有參數自由估計〕.024.0