《SPSS AMOS调节效应操作务实》由会员分享，可在线阅读，更多相关《SPSS AMOS调节效应操作务实（20页珍藏版）》请在金锄头文库上搜索。
1、SPSSAMOS调节效应操作务实一、调节效应回归方程：调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系；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，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激（X）和应对方式（Y）的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下：y=a+bx+cm+e1）y=a+bx
2、+cm+cmx+e2）在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C是否显著达到统计学意义上的临界比率.05水平）。二、检验调节效应的方法有三种：1. 在层次回归分析中（Hierarchicalregression），检验2个回归方程的复相关系数R2和R2是否有显著区别，若R2和R2显著不同，则1212说明mx交互作用显著，即表明m的调节效应显著；2. 或看层次回归方程中的c系数（调节变量偏相关系数），若c（spss输出为标准化B值）显著，则说明调节效应显著；3. 多元方差分析，看交互作用水平是否显著；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
3、法主要用于显变量调节效应检验，且和x与m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x有两种水平，m有三种水平，则可以做2X3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spss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
4、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、80002万、2万5万、5万10万、10万以上四种类型，则可以转换为3个伪变量如下：x1x2x310万以上1005万到10万0102万到5万0018千以下000上述转换在spss中可以建立3个伪变量xl、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)xl=l表示10万以上；x2=l表示
5、5万到10万；x3=l表示2万到5万；8千以下=0。此时8千以下的回归方程表示为：y二cm+e（在xl、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8千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。注：在这4种分类自变量的调节效应分析中，采用R2和R2显著性检12验时，是对4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
6、现一些调节变量偏相关系数不显著的情况，例如，c1显著、c2和c3不显著或c1和c2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R2显著性整体效果，这和不同分类水平的自变量下调节变量
7、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SPSS中完成，当然也可以通过SEM分析软件如AMOS来实现，我们首先来看看如何通过SPSS来实现分组回归来实现调节效应分析的。SPSS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：EileEditiJcwCataIronsformAnml于忑戸Srsphs宀口鸟同环：.DefineVarlatileProperties.-.InfillCopyDsftaProperties.gQNew-
8、u-ston-i.Atti-ihutc.fitDefineDatrs.D&TineMultipleResponseSets.1:CLIENT|123ValldartlonIdentifyDuplicate匚sses.LdentifyUnusualCasta.456SortCases.lTs.TSortVariables.H3ETranspose.R&structure.MeraeFilesAagrecistE,789101112OrttLoaonsIDesian13CopyQstssst1415mSpirtFile.1ES&lectCases.hTwWelghrtCases.17PICICUT
9、.-IHPARANGorBLOCK&OBJECT&CODING冷catagory冷genderlgenders捞gender3捞ZscoreCDIGIT)ZDIGIT於ZscoreCCODING)ZC.-4pn.|-|=ifl-1Analyzeallcases,donotcreat已groupsI：?；ComparegroupsOrganizeuirtpirtbygroupsGroupsBasedon:炉gender(XSortth已-filetoygroupingvariablesFileisalreadysorteclCurrentStatus:Analysisbygroupsisoff.
10、Pa：?teResetCancelHelp注：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(sortthefilebygroupingvariables)第二步：选择回归命令并设置自变量和因变量矽CLIENT&AGEMATEINFO&：，COMP&：ARITH&：，SIMIL&VOCAB&：DIGIT&PARANG&：，BLOCK&OBJECT&：，CODING护catagory护gender护genderl於gender2於g
11、ender3挣Z：5：c：cireCDIGmZDIGrnDependent:QPICTCOMPrBlock1of1SelectionVariable:OK.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estimatesmodelfitRsquaredchange：ContinueCancelHelpi-RegressionCoefficient0Modelfit叵EstimatesConfidenceintervalsCovariancematrixsquaredchangeDescriptivesPartand
12、partialcorrelationsCoNinearitydiagnosticsrResidualsDurbin-WatsonCasewisediagnosticsOutliersoutside:卜|泓釦曲rddeviationsAllcases第三步：看输出结果，分析调节效应，见表格数据表格1VariablesEntered/RemovedbgenderModelVariablesEnteredVariablesRemovedMethod01COMPaEnter11COMPaEntera. Allrequestedvariablesentered.b. DependentVariable:
13、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2ModelSummaryModegenderlRRSquareAdjustedRSquareStd.ErroroftheEstimateChangeStatisticsRSquareChangeFChangedf1df2Sig.FChange01.349a.122.1132.723.12214.1611102.00011489a.239.2282.647.23921.709169.000a.Predictors:(Constant),COMP
14、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）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
