调节变量与调节效应理论概述

No.1

理论基础

考虑变量Y与变量X的关系是变量M的函数,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、学历等),也可以是定量的(如年龄),它影响因变量和自变量之间关系的方向(正或负)和大小。

No.2

示例

例1：假如自变量X是学习投入水平，因变量Y是学习成绩，调节变量M是学业拖延水平。则：当学业拖延水平高时，高水平的学习投入不易产生高等级的学习成绩；当学业拖延水平低时，高水平的学习投入就易于产生高等级的学习成绩。

例2：自变量X是个人节约意识，会影响个人节约行为(因变量Y)。而影响程度又受到社会风气(调节变量M)的调节。社会风气差时(民众都不节约)，个人的节约意识对其节约行为的影响程度就会变低。而当社会风气好时(民众都有良好的节约行为)，个人节约意识就会更大程度上影响其节约行为。

No.3

图示

下面以概念图的形式深入理解调节效应

而我们在建立调节效应模型时，应该将概念图转化为更加直观的统计图。调节效应的概念图和统计图有较大的区别，以下为概念图对应的统计图。

用数学公式表示调节效应为：

No.4

调节作用和交互作用

在社科文献中，调节效应经常与交互效应替换使用，在回归方程中检验调节效应是否显著主要看自变量和调节变量相乘的项（X*M）的回归系数是否显著。这与交互效应类似。但是调节效应和交互效应并不完全相同。

交互作用是指存在两个自变量时，自变量A对于因变量的影响在另一个自变量B出现变化时也会出现变化。在交互作用中，两个自变量的地位是对称，变量A和B都可以被称为调节变量。但是在调节效应中，自变量和调节变量定位明确，两者不可互换。因此，可以将调节效应作为交互效应的特例。

No.5

调节效应的分析方法

对于不同类型的变量，调节效应的分析方法也不相同。我们将变量分为显变量和潜变量两种类型。显变量是可以直接观测的变量，如个体在问卷条目上的得分或度量计上的计数。潜变量通常是指不能直接观测的变量，社会与行为中经常存在一些抽象的概念，例如我们想知道“你幸福吗？”。此时，针对抽象的概念，我们需要用一组测量同一个构念的显变量进行具体的测量（对于更多的潜变量与显变量之间的区别与联系，可以自行翻阅结构方程模型相关书籍）。

潜变量调节效应相对复杂，目前主要使用结构方程模型进行分析，在此不做过多讨论。下表给出了不同显变量调节效应分析的传统方法。在实际分析中，定序变量的取值比较多且间隔比较均匀时,也可以近似作为连续变量处理（温忠麟等，2012）。对于传统的使用层次回归的方法进行调节效应检验，在此不做赘述，对此感兴趣的小伙伴可以参考文献（方杰,温忠麟,梁东梅,李霓霓，2015）。我们的重点是如何使用process插件进行效应检验。

中心化问题

中心化操作即是将变量减去其样本均值。如果不进行中心化，那么交互项（自变量*调节变量）与自变量和调节变量之间产生的高度共线性会使模型估计有偏差。但是在Hayes的书《Introduction to Mediation, Moderation, and Conditional Process
Analysis》中的第九章证明了这种说法是错误的。书中用进行中心化之后的数据和原始数据分别进行估计并比较结果，结果表明中心化与否对交互项的估计几乎没有影响。中心化确实可以降低交互项与自变量和调节变量之间的相关，但是却不会影响模型的估计。对此感兴趣的小伙伴可以自行查看Hayes的书籍深入学习。在分析中进行中心化操作的作用在于，有些预测变量等于0时没有意义，所以要进行中心化处理。

简单斜率检验

若输出结果显示调节效应显著，应进行简单斜率检验，检验当调节变量取不同值时，自变量与因变量之间的关系。简单斜率检验在process中有三种实现方法：

（1） Mean±1 SD

根据‘M±1SD’（均值±1个标准差）的标准将调节变量分成高中低三个水平，观察在不同水平下的自变量对因变量的影响大小，即斜率的大小。缺点是当平均值有偏时，±1 SD可能会超出可接受范围。

（2） percentiles

将调节变量的范围以分位数的方式分成等份，观察在不同范围内的自变量对因变量的影响大小。此方法可以确保所有的值都在范围内。

（3） Johnson-Neyman 法（只适用于调节变量为连续型变量）

J-N法可以确定调节变量从哪个水平开始，能够使自变量对因变量的影响显著。例如，拖延水平会调节学习投入对学习成绩的影响，那么，在拖延处于哪个水平时才会产生调节作用？如果将拖延水平划分为1-5个等级，那么在拖延水平很低（=1）时，是否就能够调节学习投入对学习成绩的影响呢？如果不是，那么，从拖延水平达到哪个程度才会产生调节作用？J-N法就可以给我们答案。

本期介绍就到这里，具体操作步骤将在下期进行具体详细探讨。