控制变量 调节变量 中介变量.pptVIP

控制变量 调节变量 中介变量 崔国越 1、控制变量 不仅仅只有自变量才是和因变量有关的，于自变量之外往往存在额外相关变量，此类变量简称额外变量，因其必须被想办法控制，在实验中保持恒定不变，又称其为控制变量。所谓的“控制变量”，就是看一下，排除了这些变量的影响之后，其他变量对因变量的预测作用是怎么样的。 分析方法：可以用分层回归分析。 比如，在分析时，将人口统计学变量（性别，年龄等）作为控制变量，在分层回归时放入BLOCK1，之后在BLOCK2中放入其他变量。通过观察导出的结果，可以看出，在剔除了人口统计学变量之后，其他变量的方差贡献增加率。 文献分析 控制变量：性别、年龄、一般自我效能感、绩效自信心和风险厌恶水平。 一般自我效能采用Schwarzer等人构建的10个题项的量表，在本样本中的内部一致性洗漱为0.86； 构造两个题项测量个体对工作绩效的自信心，两个测量题的内部一致性系数α=0.70； 风险厌恶水平参照Cadsby等在探讨绩效工资体系激励和人才筛选效应的实验研究中所使用博彩决策测量工具。 方法：采用层级Logistic分析，第一层纳入控制变量 2、调节变量 2. 1　调节变量的定义如果变量Y与变量X的关系是变量M 的函数,称M 为调节变量 。就是说, Y与X 的关系受到第三个变量M 的影响,这种有调节变量的模型一般地可以用图示意。调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱 。 X Y M e Y=f（X,M）+e 例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该项自我概念的重视程度是调节变量。在做调节效应分析时,通常要将自变量和调节变量做中心化变换 。本次主要考虑最简单常用的调节模型,即假设Y与X 有如下关系Y = aX + bM + cXM + e (1)可以把上式重新写成Y = bM + ( a + cM ) X + e对于固定的M ,这是Y对X 的直线回归。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。 2.2调节效应与交互效应 对模型(1)中调节效应的分析主要是估计和检验c。如果c显著(即H0∶c = 0的假设被拒绝) ,说明M 的调节效应显著。 熟悉交互效应的读者可以从模型(1)看出, c其实代表了X与M 的交互效应,所以这里的调节效应就是交互效应。这样,调节效应与交互效应从统计分析的角度看可以说是一样的。 然而,调节效应和交互效应这两个概念不完全一样。在交互效应分析中,两个自变量的地位可以是对称的,其中任何一个都可以解释为调节变量;也可以是不对称的,只要其中有一个起到了调节变量的作用,交互效应就存在。但在调节效应中,哪个是自变量,哪个是调节变量,是很明确的,在一个确定的模型中两者不能互换。 2.3调节效应分析方法 调节效应分析和交互效应分析大同小异。这里分两大类进行讨论。一类是所涉及的变量(因变量、自变量和调节变量)都是可以直接观测的显变量(observable variable) ,另一类是所涉及的变量中至少有一个是潜变量( latent variable) 。 1.3.1显变量的调节效应分析方法　 调节效应分析方法根据自变量和调节变量的测量级别而定。变量可分为两类, 一类是类别变量(categorical variable) ,包括定类和定序变量,另一类是连续变(continuous variable) ,包括定距和定比变量。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。 调节变量（M） 自变量(X) 类别 连续 类别 两因素有交互效应的方差分析（ANOVA）交互效应即调节效应 分组回归：按M的取值分组做Y对X的回归。若回归系数的差异显著。则调节效应显著。 连续 自变量使用伪变量，将自变量和调节变量中心化处理，做Y=aX+bM+Cxm+e 的层次回归分析： 1、做Y对X和M的回归分析，测得R12。 2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者，做XM的回归系数检验，若显著，则调节效应显著。 将自变量和调节变量中心化，做 Y=aX+bM+cXM+e 的