2025年SPSSAMOS調節(jié)效應操作務實

SPSSAMOS調整效應操作務實一、調整效應回歸方程：調整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；調整變量一般不受自變量和因變量影響，不過可以影響自變量和因變量；調整變量一般不能作為中介變量，在特殊狀況下，調整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）的調整變量也可以作為中介變量。常見的調整變量有性別、年齡、收入水平、文化程度、社會地位等。在記錄回歸分析中，檢查變量的調整效應意味著檢查調整變量和自變量的交互效應與否明顯。以最簡樸的回歸方程為例，調整效應檢查回歸方程包括2個如下：y=a+bx+cm+e1）y=a+bx+cm+c’mx+e2）在上述方程中，m為調整變量，mx為調整效應，調整效應與否明顯即是分析C’與否明顯到達記錄學意義上的臨界比率.05水平)。二、檢查調整效應的措施有三種：1.在層次回歸分析中（Hierarchicalregression）,檢查2個回歸方程的復有關系數(shù)R12和R22與否有明顯區(qū)別，若R12和R22明顯不一樣，則闡明mx交互作用明顯，即表明m的調整效應明顯；2.或看層次回歸方程中的c’系數(shù)（調整變量偏有關系數(shù)），若c’（spss輸出為原則化?值）明顯，則闡明調整效應明顯；3.多元方差分析，看交互作用水平與否明顯；4.在分組回歸狀況下，調整效應看各組回歸方程的R2。注：上述四種措施重要用于顯變量調整效應檢查，且和x與m的變量類型有關，詳細要根據下述幾種類型采用不一樣的方式檢查三、顯變量調整效應分析的幾種類型根據調整效應回歸方程中自變量和調整變量的幾種不一樣類型組合，分析調整效應的措施和操作也有區(qū)別如下：1.分類自變量（x）+分類調整變量(m)假如自變量和調整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明顯性分析，如x有兩種水平，m有三種水平，則可以做2×3交互作用方差分析，在spss裏面可以很輕易實現(xiàn)，這我就不多講了，詳細操作看spss操作工具書就可以了。2.分類自變量（x）+持續(xù)調整變量（m）這種類型調整效應分析需要對分類自變量進行偽變量轉換，將自變量和調整變量中心化（計算變量離均差）然後做層次回歸分析。分類自變量轉換為偽變量的措施：假設自變量X有n種分類，則可以轉換為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8仟如下、8000~2萬、2萬~5萬、5萬~10萬、10萬以上四種類型，則可以轉換為3個偽變量如下：x1x2x310萬以上1005萬到10萬0102萬到5萬0018仟如下000上述轉換在spss中可以建立3個偽變量x1、x2、x3,變量數(shù)據中心化後原則回歸方程表達為：y=b1x1+b2x2+b3x3+cm+e3)y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e4)x1=1表達10萬以上；x2=1表達5萬到10萬；x3=1表達2萬到5萬；8仟如下=0。此時8仟如下的回歸方程表達為：y=cm+e(在x1、x2、x3上的偽變量值為0)；之因此單獨列出這個方程，是為了以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8仟如下變量的調整效應圖。檢查措施為分析R2明顯性或調整系數(shù)C’明顯性。注：在這4種分類自變量的調整效應分析中，采用R12和R22明顯性檢查時，是對4種類型自變量在調整變量作用下的調整效應的整體檢查，總體明顯的效果也許會掩蓋某種類型自變量與調整變量的交互作用不明顯的狀況，此時，我們就要逐一審查各個交互項的偏有關系數(shù)。對方程4）而言，假如檢查調整變量的偏有關系數(shù)，則有也許會出現(xiàn)某些調整變量偏有關系數(shù)不明顯的狀況，例如，c1明顯、c2和c3不明顯或c1和c2明顯，c3不明顯的狀況等，此時可根據交互項的偏有關系數(shù)來發(fā)現(xiàn)究竟是那種類型的自變量與調整變量的交互作用不明顯。3.持續(xù)自變量（x）+分類調整變量（m）這種類型的調整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整變量的分類水平，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整變量轉換為偽變量後來進行層次回歸分析，層次回歸詳細環(huán)節(jié)同上，見三、2，需要注意的是，分類的調整變量轉換為偽變量進行層次回歸分析後，調整效應是看方程的決定系數(shù)R2明顯性整體效果，這和不一樣分類水平的自變量下調整變量的調整效應識別有區(qū)別。我們這裏重要講下怎樣進行調整效應分組回歸分析，調整效應的分組回歸分析可以在SPSS中完畢，當然也可以通過SEM分析軟件如AMOS來實現(xiàn)，我們首先來看看怎樣通過SPSS來實現(xiàn)分組回歸來實現(xiàn)調整效應分析的。SPSS中對分組回歸的操作重要分兩步進行，第一步是對樣本數(shù)據按調整變量的類別進行分割，第二步則是回歸分析。詳細環(huán)節(jié)見下圖：第一步：對樣本數(shù)據按調整變量的類別進行分割：注：選用的gender為調整變量，分別為女=0，男=1，當然在實際研究中也許有更多的分類，大家完全可以用1、2、3、4…….等來編號。這個窗口選用的兩個命令是比較多組(comparegroups和按分組變量對數(shù)據文獻排序（sortthefilebygroupingvariables）第二步：選擇回歸命令并設置自變量和因變量這個窗口裏面選用了自變量comp和因變量pictcomp,然後再點擊statistics在彈出窗口中設置輸出參數(shù)項如下圖，勾取estimates\modelfit\Rsquaredchange：第三步：看輸出成果，分析調整效應，見表格數(shù)據：表格1VariablesEntered/RemovedbgenderModelVariablesEnteredVariablesRemovedMethod01COMPa.Enter11COMPa.Entera.Allrequestedvariablesentered.b.DependentVariable:PICTCOMP表格1顯示了因變量是pictcomp,回歸措施采用強行進入法（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.FChange01.349a.122.1132.723.12214.1611102.00011.489a.239.2282.647.23921.709169.000a.Predictors:(Constant),COMP表格2是回歸模型的總體狀況，男行和女性的兩組回歸方程具有明顯效應(p<.001)，表明性別這一變量具有明顯的調整效應。從表格數(shù)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(shù)據是虛擬的，只是以便大家理解，無實際意義，實際研究中回歸方程的自變量很少會只有一種的狀況）。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原則化回歸系數(shù)Beta值，在女性組中，原則化Beta為.349;在男性組中Beta值為.489,且都到達明顯性水平p<.001，闡明自變量comp對因變量有明顯的預測作用。上述對分類調整變量操作和解釋重要是基于SPSS來實現(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怎樣在AMOS中實現(xiàn)多組回歸分析（multiplegroupanalyze）：第一步：模型設置好後，點擊analyze\managegroups:第二步：在彈出的窗口輸入女，如下：第三步：設置好第一組名稱後，點擊new,急速輸入第二組名稱：第三步：設置好兩個組後，關閉組別設置窗口，回到主界面，點擊File\datafiles，如下圖：第四步：在彈出窗口中可以看到如下兩組名稱：第五步：然後點擊女組數(shù)據，再點擊filename,打開數(shù)據文獻，然後點擊groupingvariable,這時系統(tǒng)會彈出你的spss數(shù)據文獻中的變量，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(shù)據；男組數(shù)據反復這個過程，見下圖：設置好分組後來，點擊ok，回到主界面，進行模型比較設置（溫忠麟有關在AMOS中進行分組比較的方略，采用如下做法：先將兩組的構造方程回歸系數(shù)限制為相等,得到一種χ2值和對應的自由度。然後去掉這個限制,重新估計模型,又得到一種χ2值和對應的自由度。前面的χ2減去背面的χ2得到一種新的χ2,其自由度就是兩個模型的自由度之差。假如χ2檢查成果是記錄明顯的,則調整效應明顯）。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）；然後點擊下面的new，設置構造方程回歸系數(shù)限制相等模型，如下圖：注：上圖限制模型中，W表達所有回歸系數(shù)，可在Plugin\nameparameter中進行設置。第七步：兩個模型設置好後，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查一項，回到主界面，點擊左側繪圖工具欄中的運算圖標，即可得到輸出成果，操作如下：第八步：看分組比較運算成果，一種看模型圖的原則化輸出，一種看文本輸出成果，本例輸出成果如下圖：圖1：女性組無限制模型原則化途徑圖圖2男性組無限制模型原則化途徑圖圖3女性組限制模型原則化途徑圖圖4男性組限制模型原則化途徑圖從上述分組比較的原則化途徑圖來看，限制模型和無限制模型在某些擬合指標上并無明顯變化，且兩者的卡方與自由度之比都不不小于2，這提醒我們也許性別的調整效應并不明顯，為了深入檢查，我們結合文本輸出成果來判斷與否無限制模型和限制模型的區(qū)別不明顯，詳細分析見如下表格與成果分析：Assumingmodel無限制模型（所有參數(shù)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較，從表中可知，對模型所有構造方程系數(shù)限制為相等後，卡方值變化量CMIN/df=8.545/8的臨界比率P>.05，卡方值變化量不明顯，因此可以從卡方值判斷，性別對于兩個潛變量的調整效應不明顯。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(shù)自由估計）4668.18062.2751.100Saturatedmodel108.0000Independencemodel36467.86672.0006.498上表檢查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都不小于.05，且卡方與自由度之比都不不小于2，闡明模型都擬合良好，這深入闡明無限制模型和限制模型無明顯區(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(shù)自由估計）.854.831.985.982.984Saturatedmodel1.0001.0001.000Independencemodel.000.000.000.000.000上表是基線比較成果，NFI、RFI、IFI、TLI、CFI指標在限制模型和無限制模型中并無明顯變化。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(shù)自由估計）.024.0