如何在SPSS及AMOS分析調節效應(實戰篇) 下載本文

調節效應重要理論及操作務實

一、調節效應回歸方程:

調節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;調節變量一般不受自變量和因變量影響,但是可以影響自變量和因變量;調節變量一般不能作為中介變量,在特殊情況下,調節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)的調節變量也可以作為中介變量。常見的調節變量有性別、年齡、收入水平、文化程度、社會地位等。在統計回歸分析中,檢驗變量的調節效應意味著檢驗調節變量和自變量的交互效應是否顯著。以最簡單的回歸方程為例,調節效應檢驗回歸方程包括2個如下:

y=a+bx+cm+e 1) y=a+bx+cm+c’mx+e 2)

在上述方程中,m為調節變量,mx為調節效應,調節效應是否顯著即是分析C’是否顯著達到統計學意義上的臨界比率.05水平)。 二、檢驗調節效應的方法有三種:

2

1.在層次回歸分析中(Hierarchical regression),檢驗2個回歸方程的復相關系數R1和222

R2是否有顯著區別,若R1和R2顯著不同,則說明mx交互作用顯著,即表明m的調節效應顯著;

2.或看層次回歸方程中的c’系數(調節變量偏相關系數),若c’(spss輸出為標準化?值)顯著,則說明調節效應顯著;

3.多元方差分析,看交互作用水平是否顯著;

2

4.在分組回歸情況下,調節效應看各組回歸方程的R。

注:上述四種方法主要用于顯變量調節效應檢驗,且和x與m的變量類型相關,具體要根據下述幾種類型采用不同的方式檢驗 三、顯變量調節效應分析的幾種類型

根據調節效應回歸方程中自變量和調節變量的幾種不同類型組合,分析調節效應的方法和操作也有區別如下:

1.分類自變量(x)+分類調節變量(m)

如果自變量和調節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顯著性分析,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里面可以很容易實現,這我就不多講了,具體操作看spss操作工具書就可以了。 2.分類自變量(x)+連續調節變量(m)

這種類型調節效應分析需要對分類自變量進行偽變量轉換,將自變量和調節變量中心化(計算變量離均差)然后做層次回歸分析。分類自變量轉換為偽變量的方法: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8千以下、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:

x1 x2 x3 10萬以上 1 0 0 5萬到10萬 0 1 0 2萬到5萬 0 0 1 8千以下 0 0 0

上述轉換在spss中可以建立3個偽變量x1、x2、x3,變量數據中心化后標準回歸方程表示為:

y=b1x1+b2x2+b3x3+cm+e 3)

y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e 4)

x1=1表示10萬以上;x2=1表示5萬到10萬;x3=1表示2萬到5萬;8千以下=0。此時8千以下的回歸方程表示為:y=cm +e(在x1、x2、x3上的偽變量值為0);之所以單獨列出這個方程,是為了方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8千以下變量的調節效應圖。

2

檢驗方法為分析R顯著性或調節系數C’顯著性。

22

注:在這4種分類自變量的調節效應分析中,采用R1和R2顯著性檢驗時,是對4種類型自變量在調節變量作用下的調節效應的整體檢驗,總體顯著的效果可能會掩蓋某種類型自變量與調節變量的交互作用不顯著的情況,此時,我們就要逐一審查各個交互項的偏相關系數。對方程4)而言,如果檢查調節變量的偏相關系數,則有可能會出現一些調節變量偏相關系數不顯著的情況,例如,c1顯著、c2和c3不顯著或c1和c2顯著,c3不顯著的情況等,此時可根據交互項的偏相關系數來發現到底是那種類型的自變量與調節變量的交互作用不顯著。

3.連續自變量(x)+分類調節變量(m)

這種類型的調節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節變量的分類水平,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節變量轉換為偽變量以后進行層次回歸分析,層次回歸具體步驟同上,見三、2,需要注意的是,分

2

類的調節變量轉換為偽變量進行層次回歸分析后,調節效應是看方程的決定系數R顯著性整體效果,這和不同分類水平的自變量下調節變量的調節效應識別有區別。

我們這里主要講下如何進行調節效應分組回歸分析,調節效應的分組回歸分析可以在SPSS中完成,當然也可以通過SEM分析軟件如AMOS來實現,我們首先來看看如何通過SPSS來實現分組回歸來實現調節效應分析的。

SPSS中對分組回歸的操作主要分兩步進行,第一步是對樣本數據按調節變量的類別進行分割,第二步則是回歸分析。具體步驟見下圖: 第一步:對樣本數據按調節變量的類別進行分割:

注:選取的gender為調節變量,分別為女=0,男=1,當然在實際研究中可能有更多的分類,大家完全可以用1、2、3、4…….等來編號。這個窗口選取的兩個命令是比較多組(compare groups和按分組變量對數據文件排序(sort the file by grouping variables)

第二步:選擇回歸命令并設置自變量和因變量

這個窗口里面選取了自變量comp和因變量pictcomp,然后再點擊statistics在彈出窗口中設置輸出參數項如下圖,勾取estimates\\model fit\\Rsquared change:

第三步:看輸出結果,分析調節效應,見表格數據: 表格1

Variables Entered/Removed Variables gender Model Entered Variables Removed Method b0 1 1 1 COMP COMP aa. Enter . Enter a. All requested variables entered. b. Dependent Variable: PICTCOMP 表格1顯示了因變量是pictcomp,回歸方法采用強行進入法(enter),共有兩組回歸方程,一組是女性(0),另一組是男性(1)。 表格2 Model Summary Std. Error Modegender l 0 1 COMP 表格2是回歸模型的總體情況,男行和女性的兩組回歸方程具有顯著效應(p<.001),表明性別這一變量具有顯著的調節效應。從表格數據可以看出,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:此模型的數據是虛擬的,只是方便大家理解,無實際意義,實際研究中回歸方程的自變量很少會只有一個的情況)。

表格3 Coefficients Unstandardized Coefficients gender Model 0 1 (Constant) COMP 1 1 (Constant) COMP a. Dependent Variable: PICTCOMP B 7.355 .342 5.626 .490 Std. Error .943 .091 1.105 .105 .489 .349 Standardized Coefficients Beta t 7.797 3.763 5.090 4.659 Sig. .000 .000 .000 .000 aChange Statistics R Square F df2 102 69 Sig. F Change .000 .000 Adjusted of the R .349 .489 aaR Square R Square Estimate .122 .239 .113 .228 2.723 2.647 Change Change df1 .122 .239 14.161 21.709 1 1 1 1 a. Predictors: (Constant), 此表格給出了自變量的標準化回歸系數Beta值,在女性組中,標準化Beta為.349;在男性組中Beta值為.489,且都達到顯著性水平p<.001,說明自變量comp對因變量有顯著的預測作用。

上述對分類調節變量操作和解釋主要是基于SPSS來實現的, AMOS軟件也有同樣功能,下面以同樣回歸方程變量為例談下如何在AMOS中實現多組回歸分析(multiple group analyze):





黑龙江22选5兑奖期限