调节变量和中介变量.ppt

第十四章调节变量和中介变量 本章大纲 一、调节变量和中介变量在研究中的意义 我们的很多知识都是建立在变量间的相关关系或因果关系的基础上的，随着研究的深入，一些简单的关系已经不能够提供足够的信息，也难以概括复杂的情况。所以研究者们才提出了调节变量和中介变量的研究挖掘更多信息的方法。 1.1、调节变量的理论意义 为现有的理论画出限制条件和使用范围。 研究调节变量时，我们正是通过研究一组关系在不同条件下的变化及其背后的原因，来丰富我们原有的理论。所以调节变量能够帮助我们发展已有的理论，使理论对变量间的关系的解释更为精细。 1.2、中介变量的理论意义 中介变量整合已有的研究或理论 二、调节变量的原理和检验方法 调节变量定义： 如果变量X与变量Y有关系，但是X与Y的关系受第三个变量Z的影响，那么变量Z就是调节变量。 变量Y与变量X的关系是变量Z的函数，Z便称为X与Y关系的调节变量。 “视情况而定”“因人而异” “在什么样的情况下”“对于哪些人” 2.1 调节作用的原理 调节变量影响自变量和因变量之间的关系，即可以是对关系方向的影响，又可以是对关系强度的影响。 2.2 调节作用与交互作用 交互作用：两个变量(X1和X2)共同作用时对Y的影响不等于两者分别影响Y的简单数学和。两个自变量可以是对称也可以是不对称的。 调节作用：一个变量（X1）影响了另外一个变量（X2）对Y的影响。自变量和调节变量是不能互换的。 交互作用分类 增强型交互作用：随着X2变大，X1对Y的正面影响越来越强 干扰型交互作用：随着X2变大，X1对Y的正面影响逐渐减弱 2.3 检验调节作用的方法 检验调节作用最普遍的方法是多元调节回归分析：MMR MMR具体步骤 1.用虚拟变量代表类别变量 所需的虚拟变量的数目等于类别变量水平个数减一。 如2个类别变量的时候，D1=1；D1=0 2.对连续变量进行中心化或标准化 目的：减小回归方程中的变量间多重共线性 中心化：用这个变量中测量的每个数据点减去均值，使得新得到的数据样本均值为0 3.构造乘积项 5.调节作用的分析和解释 调节变量和自变量都是定类变量： 1）在不同的组中分别计算因变量的均值，然后用得到的值来做图，直观的表示出调节作用的模式。 2）在案调节变量所分的不同组中，检验自变量对结果变量回归的斜率。 调节变量是连续变量： 1）找到调节变量的中位数，对低于中位数的两组分别回归，来观察自变量对因变量的关系的不同作用模式。 2）找到调节变量的均值，然后在均值左右个一个标准差的区域之外各作为一组，在两组中分别回归。 2.4 多元调节回归中的统计功效问题 样本大小 所需样本的多少取决与调节作用的大小以及总体作用（自变量、调节变量、乘积项）的大小。一般来说，这些作用越小，需要的样本越大。 变量的选择 调节变量是类别变量时，群体的样本数量差异，测量误差差异会减小统计功效； 调节变量是连续变量时，个体变量的测量误差减小统计功效。 因变量的测量信度较低，减小统计功效。 避免统计功效减小的方法 通过理论预测调节作用的大小，再结合其他方法估计所需的最小样本。 调节变量是类别变量的时候，尽量保证各类中的样本大小相近或接近。 因变量有几种测量方法，尽量选择测量信度高的方法和测量敏感度较高的方法。 2.5 检验调节变量的其他方法 多层线性模型：HLM 结构方程模型：SEM 三、中介变量的原理和检验方法 3.1 中介作用的原理 凡是X影响Y，并且X是通过一个中间的变量M对Y产生影响的，M就是中介变量。 完全中介：c=0 部分中介：c0 3.2 中介作用的检验和分析 1.建立因果关系 两个变量X与Y之间存在因果关系，如果X与Y之间是完全没有关系的，接下来的步骤就不用做了。 这种关系是不是虚假的相关。 Wegener和Fabrigar提出：即使用非实验的研究，人们也可以通过把其他变量的作用控制掉的方法或收集几个时间点的数据的方法，来实现比较严格的因果关系研究。 3.2 中介作用的检验和分析 2.检验中介作用 1）b1应显著不等于0 2）b2应显著不等于0 3）控制中介变量后，b3应等于0或者显著降低，同时b4应显著不等于0。 3.3 中介作用检验中的问题 图中的四种X,M与Y的关系，所产生的X,M与Y的相关系数和相关矩阵是完全一样的。 3.3 中介作用检验中的问题 假如仅仅从数据的统计关系上就推导出中介作用的模型，我们就会很容易被数据所蒙蔽。 应该先建立可信的因果关系。 其次才是用统计检验的方法看数据是否与我们的假设模型相匹配。 Click to edit company slogan . * * 调节变量和中介变量在研究中的作用 1 调节变量的原理和检验方法 2 中介变量的原理和检