如何用SPSS或AMOS實(shí)現(xiàn)調(diào)節(jié)效應(yīng)回歸方程解讀

1、如何用SPSSiAMO軟現(xiàn)調(diào)節(jié)效應(yīng)回歸方程一、調(diào)節(jié)效應(yīng)回歸方程：調(diào)節(jié)效應(yīng)是交互效應(yīng)的一種，是有因果指向的交互效應(yīng)，而單純的交互效應(yīng)可以互為因果關(guān)系；調(diào)節(jié)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(diào)節(jié)變量一般不能作為中介變量，在特殊情況下，調(diào)節(jié)變量也可以作為中介變量。在統(tǒng)計(jì)回歸分析中，檢驗(yàn)變量的調(diào)節(jié)效應(yīng)意味著檢驗(yàn)調(diào)節(jié)變量和自變量的交互效應(yīng)是否顯著。以最簡單的回歸方程為例，調(diào)節(jié)效應(yīng)檢驗(yàn)回歸方程包括2個(gè)如下：y=a+bx+cm+e1）y=a+bx+cm+cmx+e2）在上述方程中，m為調(diào)節(jié)變量，mx為調(diào)節(jié)效應(yīng)，調(diào)節(jié)效應(yīng)是否顯著即是分析C'是否顯著達(dá)到統(tǒng)計(jì)學(xué)意義上的臨界比率.

2、05水平）。二、檢驗(yàn)調(diào)節(jié)效應(yīng)的方法有三種：1. 在層次回歸分析中（Hierarchicalregression）,檢驗(yàn)2個(gè)回歸方程的復(fù)相關(guān)系數(shù)R2和R22是否有顯著區(qū)別，若R2和R2顯著不同，則說明mx交互作用顯著，即表明m的調(diào)節(jié)效應(yīng)顯著；2. 或看層次回歸方程中的c系數(shù)（調(diào)節(jié)變量偏相關(guān)系數(shù)），若c（spss輸出為標(biāo)準(zhǔn)化?值）顯著，則說明調(diào)節(jié)效應(yīng)顯著；3. 多元方差分析，看交互作用水平是否顯著；4. 在分組回歸情況下，調(diào)節(jié)效應(yīng)看各組回歸方程的R2。注：上述四種方法主要用于顯變量調(diào)節(jié)效應(yīng)檢驗(yàn)，且和x與m的變量類型相關(guān)，具體要根據(jù)下述幾種類型采用不同的方式檢驗(yàn)三、顯變量調(diào)節(jié)效應(yīng)分析的幾種類型根據(jù)調(diào)

3、節(jié)效應(yīng)回歸方程中自變量和調(diào)節(jié)變量的幾種不同類型組合，分析調(diào)節(jié)效應(yīng)的方法和操作也有區(qū)別如下：1. 分類自變量（x）+分類調(diào)節(jié)變量（m）如果自變量和調(diào)節(jié)變量都是分類變量的話，實(shí)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2X3交互作用方差分析，在spss里面可以很容易實(shí)現(xiàn)，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(xù)調(diào)節(jié)變量（m）這種類型調(diào)節(jié)效應(yīng)分析需要對分類自變量進(jìn)行偽變量轉(zhuǎn)換，將自變量和調(diào)節(jié)變量中心化（計(jì)算變量離均差）然后做層次回歸分析。分類自變量轉(zhuǎn)換為偽變量的方法：假設(shè)自變量X有n種分類，則可以轉(zhuǎn)換為n-1個(gè)偽變量，

4、例如自變量為年收入水平，假設(shè)按人均年收入水平分為8千以下、80002萬、2萬5萬、5萬10萬、10萬以上四種類型，則可以轉(zhuǎn)換為3個(gè)偽變量如下：x1x2x310萬以上1005萬到10萬0102萬到5萬0018千以下000上述轉(zhuǎn)換在spss中可以建立3個(gè)偽變量x1、x2、x3,變量數(shù)據(jù)中心化后標(biāo)準(zhǔn)回歸方程表示為：y=b1x1+b2x2+b3x3+cm+e3）y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e4）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。止匕時(shí)8千以下的回歸方程表示為：y=cm+e（在x1、x2、x3上的偽變量

5、值為0）；之所以單獨(dú)列出這個(gè)方程，是為了方便大家根據(jù)回歸方程畫交互作用圖,即求出c值就可以根據(jù)方程畫出8千以下變量的調(diào)節(jié)效應(yīng)圖。檢驗(yàn)方法為分析R2顯著性或調(diào)節(jié)系數(shù)C'顯著性。注：在這4種分類自變量的調(diào)節(jié)效應(yīng)分析中，采用R12和R22顯著性檢驗(yàn)時(shí)，是對4種類型自變量在調(diào)節(jié)變量作用下的調(diào)節(jié)效應(yīng)的整體檢驗(yàn)，總體顯著的效果可能會掩蓋某種類型自變量與調(diào)節(jié)變量的交互作用不顯著的情況，此時(shí)，我們就要逐一審查各個(gè)交互項(xiàng)的偏相關(guān)系數(shù)。對方程4）而言，如果檢查調(diào)節(jié)變量的偏相關(guān)系數(shù)，則有可能會出現(xiàn)一些調(diào)節(jié)變量偏相關(guān)系數(shù)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(shí)可

6、根據(jù)交互項(xiàng)的偏相關(guān)系數(shù)來發(fā)現(xiàn)到底是那種類型的自變量與調(diào)節(jié)變量的交互作用不顯著。3. 連續(xù)自變量（x）+分類調(diào)節(jié)變量（m）這種類型的調(diào)節(jié)效應(yīng)需要采用分組回歸分析，所謂分組回歸分析既是根據(jù)調(diào)節(jié)變量的分類水平，建立分組回歸方程進(jìn)行分析，回歸方程為y=a+bx+e。當(dāng)然也可以采用將調(diào)節(jié)變量轉(zhuǎn)換為偽變量以后進(jìn)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，分類的調(diào)節(jié)變量轉(zhuǎn)換為偽變量進(jìn)行層次回歸分析后，調(diào)節(jié)效應(yīng)是看方程的決定系數(shù)R2顯著性整體效果，這和不同分類水平的自變量下調(diào)節(jié)變量的調(diào)節(jié)效應(yīng)識別有區(qū)別。我們這里主要講下如何進(jìn)行調(diào)節(jié)效應(yīng)分組回歸分析，調(diào)節(jié)效應(yīng)的分組回歸分析可以在SPSSfr完成

7、，當(dāng)然也可以通過SE幀析軟件如AMO來實(shí)現(xiàn)，我們首先來看看如何通過SPS睞實(shí)現(xiàn)分組回歸來實(shí)現(xiàn)調(diào)節(jié)效應(yīng)分析的。SPSSfr對分組回歸的操作主要分兩步進(jìn)行，第一步是對樣本數(shù)據(jù)按調(diào)節(jié)變量的類別進(jìn)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(shù)據(jù)按調(diào)節(jié)變量的類別進(jìn)行分割:注：選取的gender為調(diào)節(jié)變量，分別為女=0,男=1,當(dāng)然在實(shí)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(gè)窗口選取的兩個(gè)命令是比較多組（comparegroups和按分組變量對數(shù)據(jù)文件排序(sortthefilebygroupingvariables)第二步：選擇回歸命令并設(shè)置自變量和因變量bQ

8、昌曷軻2M&1;CLIENT4CLIENT14263B49512613715.KRetiortaDescriptiveStatisticskTablesCcrnpareMeans>GeneralLinearModelGen時(shí)馴磔ciLinearModels>MixetlModelsCorrefate部3ICOMPARIT611713Regrftssion照Linear.L匈nsrNeuralNetworksnRuwqEstim&ion隹PartialLeastSquares.這個(gè)窗口里面選取了自變量comp和因變量pictcomp,然后再點(diǎn)擊statistics在彈

9、出窗口中設(shè)置輸出參數(shù)項(xiàng)如下圖，勾取estimatesmodelfitRsquaredchangeLinearRegression:StatisticsRegressionCoefficient叵EstimatesConficlenceintervalsCovsfiancemaitrix叵Modelft囹R筆qu日red心118rl&JDescriptives1Pert君ndpartialcorrelations.CollmesrrtydiagnosticsResidualsDurbin-Watsonstandard deviations"Casewisediagnostics

10、(/Qutli&rsoutside：OAHContinueCancelHelp第三步：看輸出結(jié)果，分析調(diào)節(jié)效應(yīng)，見表格數(shù)據(jù):表格1VariablesEntered/RemovedgenderModelVariablesEnteredVariablesRemovedMethod01COMP.Enter11comP.Entera. Allrequestedvariablesentered.b. DependentVariable:PICTCOMP表格1顯示了因變量是pictcomp,回歸方法采用強(qiáng)行進(jìn)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2Model

11、SummarygenderModelRRSquareAdjustedRSquareStd.ErroroftheEstimateChangeStatisticsRSquareChangeFChangedf1df2Sig.FChange01a.349.122.1132.723.12214.1611102.00011._a.489.239.2282.647.23921.709169.000a.Predictors:(Constant),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(yīng)（p<.001）,表明性別這一變量具有顯著的調(diào)節(jié)效應(yīng)。從表格數(shù)據(jù)可以看出，女性組的回歸方

12、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(shù)據(jù)是虛擬的，只是方便大家理解，無實(shí)際意義，實(shí)際研究中回歸方程的自變量很少會只有一個(gè)的情況）表格3CoefficientsgenderModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta01(Constant)7.355.9437.797.000COMP.342.091.3493.763.00011(Constant)5.6261.1055.090.000COMP.490.105.4894.659.0

13、00a.DependentVariable:PICTCOMP此表格給出了自變量的標(biāo)準(zhǔn)化回歸系數(shù)Beta值，在女性組中，標(biāo)準(zhǔn)化Beta為.349;在男性組中Beta值為.489,且都達(dá)到顯著性水平p<.001,說明自變量comp寸因變量有顯著的預(yù)測作用。上述對分類調(diào)節(jié)變量操作和解釋主要是基于SPS來實(shí)現(xiàn)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(shí)現(xiàn)多組回歸分析(multiplegroupanalyze):第步：模型設(shè)置好后，點(diǎn)擊analyzemanagegroups:nputFileEdit¥iewDiagram弧aly工些ToolsPlugin

14、sHelphlilCalculateEstinoatesCtrl+F9StopCalculatingEstimatesManageGr&ups.第二步：在彈出的窗口輸入女，如下：第三步：設(shè)置好第一組名稱后，點(diǎn)擊new,急速輸入第二組名稱:Filo口Edi t Vi awG roup srMove殳roup第三步：設(shè)置好兩個(gè)組后，關(guān)閉組別設(shè)置窗口，回到主界面，點(diǎn)擊Filedatafiles,如下圖:£dit fie 冒 E.i agran M41y 工 e lo»ls EJugins KelpJ甌*NewwithTemplate.,Open,.RetrieveBjic

15、kup.Ctrl+SSaveSaveSaveAsTemplate.-.DataFilesaCtrl+D第四步：在彈出窗口中可以看到如下兩組名稱:Les第五步：然后點(diǎn)擊女組數(shù)據(jù)，再點(diǎn)擊filename打開數(shù)據(jù)文件，然后點(diǎn)擊groupingvariable,這時(shí)系統(tǒng)會彈出你的spss數(shù)據(jù)文件中的變量，在其中選擇你的分類變量，按分組變量的值設(shè)置好女性組的數(shù)據(jù);男組數(shù)據(jù)重復(fù)這個(gè)過程，見下圖:設(shè)置好分組以后，點(diǎn)擊ok,回到主界面，進(jìn)行模型比較設(shè)置（溫忠麟關(guān)于在AMO阱進(jìn)行分組比較的策略，采用如下做法：先將兩組的結(jié)構(gòu)方程回歸系數(shù)限制為相等，得到一個(gè)x2值和相應(yīng)的自由度。然后去掉這個(gè)限制，重新估計(jì)模型，又得

16、到一個(gè)x2值和相應(yīng)的自由度。前面的x2減去后面的x2得到一個(gè)新的x2,其自由度就是兩個(gè)模型的自由度之差。如果x2檢驗(yàn)結(jié)果是統(tǒng)計(jì)顯著的，則調(diào)節(jié)效應(yīng)顯著）。第六步：設(shè)置限制模型和無限制模型。點(diǎn)擊analyzemanagemodels,首先設(shè)置無限制模型（無任何限制，不需要改動）；然后點(diǎn)擊下面的new,設(shè)置結(jié)構(gòu)方程回歸系數(shù)限制相等模型，如下圖：npwFile Edi t View Diagram O wAnalyzeToolsPluginsHelpMilCalculateEstimatesCtrl+F9StopCalculatingEstimatesManageGroups.KSSSSl%IMana

17、geModels.注：上圖限制模型中，W表示所有回歸系數(shù)，可在Pluginnameparameter中進(jìn)行設(shè)置。第七步：兩個(gè)模型設(shè)置好后，進(jìn)行分析設(shè)置，點(diǎn)擊viewananlysisProperties,在output中選中前面三項(xiàng)和臨界比率檢驗(yàn)一項(xiàng)，回到主界面，點(diǎn)擊左側(cè)繪圖工具欄中的運(yùn)算圖標(biāo)即可得到輸出結(jié)果,操作如下:InputFileEditViewDiagramalyreToolsPlugiiisKelpInterfaceFroperties.黑ArtalyEisProperties.Ctrl+ICtrl+A第八步：看分組比較運(yùn)算結(jié)果，一個(gè)看模型圖的標(biāo)準(zhǔn)化輸出，一個(gè)圖1 :女性組無限制模

18、型標(biāo)準(zhǔn)化路徑圖看文本輸出結(jié)果，本例輸出結(jié)果如下圖:Standardizedestimates卡方值二68.180(P=275卜自由度二62TLI=982;CFU984：RMSEA=.O24NFI=.854卡方/自由度二1,1004DIGITSIMIL"COM由“INFO產(chǎn)ee圖3女性組限制模型標(biāo)準(zhǔn)化路徑圖Standardizedestimates卡方值二6880(P=275)：自由度二62TLI=,982；CFI=,984RMSEA：024；NF匚.854卡方/白由度=1.100圖2男性組無限制模型標(biāo)準(zhǔn)化路徑圖>fpiGjr HsTmilT*QnfoStandardizedes

19、timates卡方值二76.725(P二,272)；自由度=0TLI二983：CFI=983：RMSEA=024；NFI=.836卡方/自由度=1.096Standardizedestimates卡方值二76.725(P=)2)；自由度二70TLI=983：CFI=.983RMSEA=024;FI=.836卡方，自由度二L096圖4男性組限制模型標(biāo)準(zhǔn)化路徑圖從上述分組比較的標(biāo)準(zhǔn)化路徑圖來看，限制模型和無限制模型在一些擬合指標(biāo)上并無顯著變化，且兩者的卡方與自由度之比都小于2,這提示我們可能性別的調(diào)節(jié)效應(yīng)并不顯著，為了進(jìn)一步檢驗(yàn)，我們結(jié)合文本輸出結(jié)果來判斷是否無限制模型和限制模型的區(qū)別不顯著，具體

20、分析見如下表格與結(jié)果分析:Assumingmodel無限制模型（所有參數(shù)自由估計(jì)）tobecorrect:ModelCLi2NNFIIFIRFITLIDFCMINPDelta-1Delta-2rho-1rho2限制模型（所有回歸權(quán)重限制相等）88.545.382.018.021-.001-.001上表是分組回歸分析無限制模型和限制模型的比較，從表中可知，對模型所有結(jié)構(gòu)方程系數(shù)限制為相等后，卡方值改變量CMIN/df=8.545/8的臨界比率P>.05,卡方值改變量不顯著，因此可以從卡方值判斷，性別對于兩個(gè)潛變量的調(diào)節(jié)效應(yīng)不顯著。CMINandCMIN/DF:ModelNPARCMINDF

21、PCMIN/DF限制模型（所有回歸權(quán)重限制相等）3876.72570.2721.096無限制模型（所有參數(shù)自由估計(jì)）4668.18062.2751.100Saturatedmodel108.0000Independencemodel36467.86672.0006.498上表檢驗(yàn)了限制模型和自由估計(jì)模型的卡方值及其卡方與自由度自比，兩者的P都大于.05,且卡方與自由度之比都小于2,說明模型都擬合良好，這進(jìn)一步說明無限制模型和限制模型無顯著區(qū)別。BaselineComparisonsModelNFIDelta1RFIrho1IFIDelta2TLIrho2CFI限制模型（所有回歸權(quán)重限制相等）.836.831.983.983.983無限制模型（所有參數(shù)自由估計(jì)）.854.831.985.982.984Saturatedmodel1.0001.0001.000Independencemodel.000.000.000.000.000上表是基線比較結(jié)果，NFI、RFI、IFI、TLI、CFI指標(biāo)在限制模型和無限制模型中并無明顯改變。RMSEAModelRMSEALO90HI90PCLOSE限制模型（所有回歸權(quán)重限