“有調(diào)節(jié)的中介模型”方法論報告-基于Hayes編制的process

“有調(diào)節(jié)的中介”模型方法論報告——基于Hayes編制的process2018.12.07中介與調(diào)節(jié)可參考書籍此書為process配套書本文檔所涉及軟件及數(shù)據(jù)SPSS_24.0安裝包過大，不便上傳，自行尋找Process_3.2本壓縮包自帶用于本文檔涉及的所有數(shù)據(jù)案例由于筆者也是剛換的3.2版，雖然大體上仍懂得使用和解讀，對于里面一些選項可能了解得還不是很透徹。不清楚的地方都會在ppt中提到，如果讀者有興趣可以自行查閱pro的說明手冊，提升使用技巧。用于本文檔涉及的所有excel操作SPSS語法檔1.理論與技術準備2.有調(diào)節(jié)的中介模型與被中介的調(diào)節(jié)模型

（moderatedmediationandmediatedmoderation）3.有調(diào)節(jié)的中介模型在process中的技術實現(xiàn)4.調(diào)節(jié)效果圖的幾種制作方法5.國內(nèi)基于process的帶調(diào)節(jié)的中介論文分析6.推薦閱讀目錄1.理論與技術準備

1.1回歸模型1.2中介模型1.3Bootstrap技術1.4調(diào)節(jié)模型1.5變量間的關系1.1回歸模型根據(jù)日常經(jīng)驗，我們的身高與體重有正向關系，于是我們認為身高會影響體重。那么，我們想知道，例如，身高（自變量）每增加一厘米，我們的體重（因變量）平均增加多少公斤，于是我們做回歸分析。回歸模型探討的是自變量X對因變量Y的影響方向及大小1.1回歸模型自變量因變量XY假設1Y=a+bx+eY（因變量）

=a（截距）

+b（斜率）X+e（隨機誤差）圖解公式解讀1.1回歸模型Spss實現(xiàn)1.1回歸模型Spss實現(xiàn)右鍵，可更改為“顯示變量名”選定變量與方法1.1回歸模型Spss實現(xiàn)回歸方程：Y(CC)=0.507+0.613X(HH)

截距斜率HH每增加1個單位，CC就能增加0.613個單位t=斜率/標準誤=0.613/0.03≈20.570R方即因變量的變異（方差）被解釋的百分比回歸方程的顯著性檢驗（F檢驗）0.554^2≈0.307標準誤END1.2中介模型小孩家長給玩電腦當家長（自變量）叫小孩子做作業(yè)（因變量）時，可能沒有任何效果（直接影響），于是家長提出，只要做作業(yè)就給玩電腦（中介變量），這時候小孩子可能就會去做作業(yè)了（間接影響）。中介模型探討的是自變量通過何種途徑/方式（中介變量）對因變量產(chǎn)生影響1.2中介模型自變量因變量XY假設1Me=a1+b1X+e1Y=a2+b2X+b3Me+e2圖解公式解讀Me假設2假設2中介變量注：b2為直接效果，b1*b3為間接效果，兩者相加為總效果。直接效果與間接效果模型1.2中介模型自變量因變量XY假設1Y=a1+b1X+e1圖解公式解讀注：此處的b1即為總效果，等同于上一張ppt中的間接效果與直接效果的相加?？傂ЧＰ?.2中介模型XY部分中介Me中介模型分類XYMe完全中介1.2中介模型Spss實現(xiàn)打開此文件，或者Hayes的書（第二版）第584頁開始，有模型圖，適用于process3.0以上版本。筆者發(fā)現(xiàn)，pro3.2的版本中，許多模型都被移除了，但是老模型也挺有價值，而且許多人用的還是老pro，所以筆者將舊版模型圖與新版混合做了該模型手冊。認清楚我們要使用的模型號碼1.2中介模型Spss實現(xiàn)安裝完畢后（內(nèi)有安裝指導圖），打開process1.2中介模型Spss實現(xiàn)5000次Bootstrap使用Bootstrap方法計算置信區(qū)間模型4顯示小數(shù)點后3位展示總效果各條中介路徑的效果量1.2中介模型Spss實現(xiàn)根據(jù)我們的圖解，一共會有兩個回歸方程，我們現(xiàn)在見到的是第一個（根據(jù)因變量名字來判斷）模型信息因變量AABBCC注：process輸出的都是非標準的結(jié)果截距和斜率標準誤1.2中介模型非標準化與標準化Duncan（1975）說，如果看標準化，就是看解釋能力，如果看非標準化，主要就是看改變率（斜率），報告非標準化比較符合統(tǒng)計意義。文獻來源：TheModerator-MediatorVariableDistinctioninSocialPsychologicalResearchConceptual,Strategic,andStaticticalConsiderations上面的論文也提到了類似的話題。文獻來源：Asymptoticandresamplingstrategiesforassessingandcomparingindirecteffectsinmultiplemediatormodels1.2中介模型非標準化與標準化

標準化指的是標準差的改變，X每增加一個標準差，Y增加XXX個標準差。非標準化指的是單位的改變。X每增加一個單位，Y增加XXX個單位。

用非標準化去做的一個原因是，非標準化的系數(shù)，才有標準誤，而標準化系數(shù)是沒有標準誤的。

所以，做中介和調(diào)節(jié)效果的時候，最好報告非標準化系數(shù)。注：在稍后的Bootstrap中將會提到標準誤。1.2中介模型Spss實現(xiàn)因變量AABBCC注：如果不記得這些紅框信息如何解釋，請回到回歸模型一節(jié)。1.2中介模型Spss實現(xiàn)AACC總效果模型1.2中介模型Spss實現(xiàn)自變量到因變量的總效果直接效果間接效果此處雖然寫了部分標準化和完全標準化處理，但是目前筆者也不清楚這是怎么做的。一般來說，看上面非標準化的結(jié)果也夠了。Bootstrap出來的95%置信區(qū)間不包含0，表明中介效果顯著自變量每增加1個單位，就會通過中介變量BB對CC提升0.358個單位。1.2中介模型Spss實現(xiàn)AABBCC根據(jù)輸出結(jié)果，我們可以得到以下的模型圖：0.616***0.582***0.172***END1.3Bootstrap技術在上一小節(jié)中，我們見到了Bootstrap技術，這個技術我們還需要從中介講起。如下圖，A→B和B→C的斜率都只有0.1，兩者相乘得到的間接效果量的斜率就是0.1*0.1=0.01，這個時候，我們還能說存在中介效果嗎？

最早的時候，只要兩個系數(shù)顯著就可以說存在中介了，但是后來有人提出需要檢驗，最著名的是Sobeltest。從中介效應講起AABBCC0.1***0.1***0.5***1.3Bootstrap技術在每一次回歸后，每個斜率都會有相應的標準誤，所以A→B和B→C的結(jié)果出來后，會有兩個斜率和兩個標準誤，我們使用公式對其進行Sobeltest，根據(jù)結(jié)果判斷中介效應是否顯著。Sobeltest偷個懶，這是缺點1.3Bootstrap技術標準誤123456789…我們整個社會所有的人就是最大的樣本總體，我們每一次的調(diào)查只不過抽取了這個樣本總體中的一小部分，就如左邊的小黃圈。我們假設進行100次調(diào)查，那么我們這100次調(diào)查將會得到100個均值，這個時候，我們對這100個均值求它們的標準差，即為標準誤。1均值12100……均值2均值100……求這些數(shù)字的標準差1.3Bootstrap技術標準誤根據(jù)上一頁ppt的說法，筆者從網(wǎng)上找來了推導出了標準誤的公式：

但是，我們研究人員每一次只會做一次調(diào)查，有心人可能會重復做一下，我們壓根沒有這么大的精力去做極多數(shù)量的重復調(diào)查，哪里能計算出標準誤？！所以我們偷懶，使用下面公式計算：1.3Bootstrap技術拒絕黃、賭、毒與虛假標準誤根據(jù)上一頁ppt，我們可以知道，我們的標準誤都是虛假又不準確的，而Sobeltest本身要求數(shù)據(jù)正態(tài)就不太符合中介效果，并且該計算公式還涉及標準誤，我們以往的標準誤都是虛擬出來的值，這能算數(shù)嗎！還好，某一位大佬發(fā)明了Bootstrap技術，他的學生又將其發(fā)揚光大，加上計算機計算性能的提升，我們現(xiàn)在開始拋棄Sobeltest，而使用Bootstrap技術進行估計，以此檢驗中介效果是否顯著。1.3Bootstrap技術數(shù)據(jù)造假的基本原理假設我們這次研究一共有9個樣本（如右），那么，我們假裝做5000次研究，每次都有9個樣本！123456789

操作：1.隨機抽出1個樣本，放回；隨機抽出第2個樣本，放回；一共重復9次，所以我們這次可能得到的結(jié)果是111145678。因為我們不斷抽出放回，所以同一個樣本在一次Bootstrap中是可以不斷被抽到的。

2.重復這個令人窒息的操作5000次，我們就好像做了5000個研究！這下子有5000個均值了吧？可以做標準誤了吧？我們覺得這樣子計算出來的標準誤近似于真正的標準誤（真正的標準誤永遠不可能計算出來）。3.這就是Bootstrap技術。1.3Bootstrap技術Bootstrap與置信區(qū)間（CI）我們上一張屁屁踢中講述了我們?nèi)绾瓮ㄟ^偽造數(shù)據(jù)，來假裝自己做了5000次重復調(diào)查，那么這5000次偽造出來的數(shù)據(jù)，我們每一次都拿去跑中介效果，這樣子就會有5000個間接效果值，筆者要求它們按大小身高排好，如下圖：身高…………5000次間接效應值這5000個娃娃按身高乖乖站好后，去掉頭和尾巴，隔壁學校的博士都饞哭了！這就是中介效果95%置信區(qū)間的由來。只要不包含0，意味著顯著。（包含0意味著效果有正有負，會相互抵消，有時候沒中介）2.5%2.5%END1.4調(diào)節(jié)模型安靜的小孩他爸憤怒的小孩他爸小孩他媽受害人小孩他媽乖巧寶寶我們發(fā)現(xiàn)了一個科學定律：當小孩他爸（調(diào)節(jié)變量）默不作聲（低分）時，小孩他媽（自變量）要小孩做作業(yè)，小孩（因變量）并不聽（斜率?。划斝『⑺郑ㄕ{(diào)節(jié)變量）發(fā)脾氣（高分）時，小孩他媽（自變量）叫小孩（因變量）去做做作業(yè)，小孩馬上變得乖巧溫順又積極（斜率變大）。調(diào)節(jié)模型探討的是在不同情境下自變量對因變量的影響大小的變化1.4調(diào)節(jié)模型自變量因變量XY假設1Y=a1+b1X+b2Mo+b3X*Mo+e1圖解公式解讀Mo假設2XYMoX*Mo假設1假設2中心化為了避免X*Mo項與其他項有較大（非本質(zhì)）的共線性，一般會先對這兩個變量進行中心化，再相乘。（減去各自的均值，把自己的均值變成0）調(diào)節(jié)變量1.4調(diào)節(jié)模型調(diào)節(jié)作用與交互作用抗病毒藥感冒咳嗽祛痰止咳藥藥物選擇方案1方案2方案3方案4抗病毒藥吃√√不吃√√去痰止咳藥吃√√不吃√√治療效果等死一般一般特別好我們現(xiàn)在要治療感冒咳嗽癥狀（因變量），手頭有抗病毒藥（自變量1）和祛痰止咳藥（自變量2），我們發(fā)現(xiàn)，一共有四種組合，治療效果不一樣。當我們吃抗病毒藥的時候，我們吃不吃祛痰止咳藥，效果是不一樣的！這個時候，我們說存在交互作用。（我們不吃抗病毒藥的時候，吃不吃另一個藥，效果依然有差異）1.4調(diào)節(jié)模型調(diào)節(jié)作用與交互作用抗病毒藥感冒咳嗽祛痰止咳藥小孩他媽小孩小孩他爸的情緒2抗病毒藥感冒咳嗽祛痰止咳藥祛痰止咳藥*抗病毒藥小孩他媽小孩小孩他爸的情緒小孩他爸的情緒*小孩他媽143H1H2H1H2H3H1H2H1H2數(shù)學化圖解數(shù)學化圖解假設圖假設圖1.4調(diào)節(jié)模型調(diào)節(jié)作用與交互作用根據(jù)上一張ppt，我們可以發(fā)現(xiàn)，交互作用和調(diào)節(jié)作用的假設有差別！在交互作用中，兩個自變量是相同地位，各自對因變量產(chǎn)生的影響叫做“主效應”。在調(diào)節(jié)作用中，自變量與調(diào)節(jié)變量地位不同，調(diào)節(jié)變量只是作為一個情境變量參與進來，屬于一個外來變量，調(diào)節(jié)變量對因變量沒有假設！一般來說，心理學實驗設計多交互作用，HLM里也多交互作用，而人文社科里多調(diào)節(jié)作用。1.4調(diào)節(jié)模型調(diào)節(jié)模型的老牌做法XY假設1Mo假設2XYMo假設1XYMoX*Mo假設1假設212老做法中，我們會進行分層回歸，層一放置①的自變量，層二中加入調(diào)節(jié)項，即②，通過查看調(diào)節(jié)項是否顯著來判斷調(diào)節(jié)效果存在與否。1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)GGKKTT以右邊的模型為例子：我們需要將自變量GG與調(diào)節(jié)變量TT進行中心化，再相乘，做出調(diào)節(jié)項。1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)此時我們得到自變量和調(diào)節(jié)變量的中心值（均值）1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)原變量減去其均值自行取名完成后，數(shù)據(jù)檔中會多出一個變量我們用同樣的方法計算出TT的均值1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)！另一種計算均值的方式注：雖然看起來數(shù)值與我們之前的一模一樣，但是此處只是顯示了小數(shù)點后兩位，實際上精確到小數(shù)點后很遠的地方，而我們之前的手動計算只不過精確到小數(shù)點后兩三位。計算出來后仍然使用“計算變量”的功能進行中心化1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)用同樣步驟做出交乘項，然后我們就可以開始進行分層回歸了1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)由于我們著重想看調(diào)節(jié)項是否顯著，所以把調(diào)節(jié)項放入第二層分層回歸1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)有興趣的讀者也可以不對自變量和調(diào)節(jié)變量進行中心化，直接相乘，然后觀察觀察后續(xù)的共線性診斷結(jié)果。勾選輸出結(jié)果1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)根據(jù)R方改變量的顯著性可知調(diào)節(jié)項是否顯著1.4調(diào)節(jié)模型老牌做法的SPSS實現(xiàn)調(diào)節(jié)項的斜率解釋：TT（調(diào)節(jié)變量）每增加一個單位，GG（自變量）對KK（因變量）的影響（斜率）就會增加0.005個單位。VIF大于10即有嚴重共線性，有的地方標準是大于5。共線性至少成對出現(xiàn)，可以理解為兩個變量其實差不多是一個變量，例如“開心”與“快樂”。嚴格又精密的研究設計一般不會遭遇共線性，所以筆者未去找過VIF判斷標準的出處，有興趣的讀者可以自行到這本工具書中尋找，作為你論文報告中的標準來源。1.4調(diào)節(jié)模型新做法的spss實現(xiàn)選好模型圖后進入操作主要用來做中介，但是沒事都可以選，為了標準誤嘛模型1對結(jié)果模型進行中心化調(diào)節(jié)效果的進一步分析產(chǎn)生制作調(diào)節(jié)效果圖的數(shù)據(jù)由于筆者也是剛換的3.2版，不清楚這個選項是調(diào)節(jié)效果才勾選，還是想對數(shù)據(jù)結(jié)果中心化都可以選（和老版本的中心化選項的英文略有差異）。1.4調(diào)節(jié)模型Spss實現(xiàn)模型信息因變量回歸方程的結(jié)果調(diào)節(jié)項顯著對方程中出現(xiàn)的調(diào)節(jié)項的解釋老做法中，分層回歸的結(jié)果。1.4調(diào)節(jié)模型斜率與顯著性細心的讀者會發(fā)現(xiàn)，同樣都是顯著，GG的斜率是0.192，而交乘項的斜率只有0.005。造成這個的原因在于各個變量的大小范圍不同。有興趣的讀者可以來回換因變量做回歸，體驗一下。1.4調(diào)節(jié)模型Spss實現(xiàn)往下還有一些輸出結(jié)果，但是我們此處暫時不講。END1.5變量間的關系控制變量Cov調(diào)節(jié)變量Mo中介變量Me自變量X因變量Y1.自變量、控制變量與因變量自始至終都在模型中。2.自變量對中介變量和控制變量有假設，而控制變量沒有。3.控制變量對因變量有顯著，表示有控制作用，并且已經(jīng)排除了控制變量的影響。5.調(diào)節(jié)變量是一個外來變量，為模型提供情境性的解釋。4.控制變量其實是另一種自變量。1.5變量間的關系控制變量天線寶寶小明小紅天線寶寶每次拍球，小明就笑。時間久了以后，天線寶寶以為是因為自己拍皮球，小明看著開心，所以笑了。實際上，小明每次都和青梅竹馬的小紅出門，所以一出門都是樂呵呵的。排除掉小紅的影響，小明單獨出門，看見天線寶寶，可能禮貌性微笑都沒了。自變量因變量控制變量1.5變量間的關系控制變量與偏相關根據(jù)前一張ppt，我們可以發(fā)現(xiàn)，自變量和控制變量對于因變量來說，都是影響因素，所以，其實控制變量是第二個自變量的名稱罷了。如果把控制變量的邏輯關系放到了相關中，就成了偏相關分析。XYCov例如右圖，X與Y有相關關系（重合部分），但是這部分關系可能不是真實的，于是我們引入另一個變量Cov作為控制變量，再對X和Y做相關分析，發(fā)現(xiàn)這時候相關度就變小了。注：控制變量=協(xié)變量=自變量1.5變量間的關系控制變量對自變量的影響在SPSS中，我們通常把控制變量放在層1（塊1），把真正想看的自變量放在層2，通過分層回歸，依據(jù)層二新增的變量是否顯著，來判斷排除了控制變量后的效果。1.5變量間的關系根據(jù)結(jié)果，排除掉控制變量BB的作用后，自變量CC對因變量AA的影響仍然顯著?？刂谱兞繉ψ宰兞康挠绊?.5變量間的關系自變量間的相互影響如果因變量為AA，而自變量只有一個時，根據(jù)右圖，我們可以看到，自變量BB和CC都對AA有顯著影響，且系數(shù)都較大。1.5變量間的關系自變量間的相互影響如果今天我們的BB和CC同時都是自變量，那么不需要分層。此時的結(jié)果與分層回歸一致。并且，兩個自變量的系數(shù)都變小了。這就是自變量間的相互影響。（互為對方的控制變量）1.5變量間的關系Process中的控制變量協(xié)變量/其余的自變量/控制變量END調(diào)節(jié)變量中介變量2.有調(diào)節(jié)的中介模型與被中介的調(diào)節(jié)模型2.1有調(diào)節(jié)的中介模型2.2被中介的調(diào)節(jié)模型2.3模型檢驗順序2.4模型成立條件moderatedmediationandmediatedmoderationXYMoMe2.1有調(diào)節(jié)的中介模型XYMoMeXYMe12

有調(diào)節(jié)的中介模型首先是一個中介模型！然后，這個中介效果被調(diào)節(jié)了！所以模型重心在于整個中介模型，然后才是中介路徑效果在不同情境下的不同效果量！Me稱為帶調(diào)節(jié)的中介變量。所以，按照邏輯關系，其實得先驗證中介效果再來驗證調(diào)節(jié)效果……但是嘛……2.2被中介的調(diào)節(jié)模型XYMoMeXY12

被中介的調(diào)節(jié)模型首先是一個調(diào)節(jié)模型！然后，這個調(diào)節(jié)效果在其他路徑（中介路徑）上也存在，于是有了被中介的調(diào)節(jié)模型。Mo稱為有中介的調(diào)節(jié)變量。所以，按照邏輯關系，其實得先驗證調(diào)節(jié)效果再來驗證中介效果……Mo2.3模型檢驗順序筆者整理國內(nèi)論文時發(fā)現(xiàn)，目前國內(nèi)寫調(diào)節(jié)與中介論文喜歡引用溫忠麟、葉寶娟（2013，2014）的方法，如果要引用的話，基本都是先驗證帶調(diào)節(jié)的直接效果，根據(jù)直接效果是否被調(diào)節(jié)，再驗證整個有調(diào)節(jié)的中介模型。XYMoXYMoMeXYMoMe12調(diào)節(jié)顯著調(diào)節(jié)不顯著前往帶調(diào)節(jié)的中介前往帶中介的調(diào)節(jié)2.3模型檢驗順序但是呢，根據(jù)有調(diào)節(jié)的中介和有中介的調(diào)節(jié)模型概念來說，是不應該兩種模型都這樣子進行驗證步驟的。對于有調(diào)節(jié)的中介模型，如果不已經(jīng)是一個中介模型了，我們干嘛要說這是一個被調(diào)節(jié)的中介呢？？？那我們就應該先驗證中介模型！但是有人會說了“你和大佬說的不一樣啊”！大佬都說了要先驗證直接效果的調(diào)節(jié)！包括Muller（2005）也是這么說的！為啥？筆者覺得，原因可能有兩個：①他們更多的是在做一種探索性的分析，所以采取這種方法（對于統(tǒng)計大佬來說，數(shù)據(jù)先行，數(shù)據(jù)到手了，論文是肯定要發(fā)的，就看數(shù)據(jù)出啥結(jié)果）；②較早的中介效應的檢驗流程，需要先檢驗總效果是否顯著。2.3模型檢驗順序筆者整理國內(nèi)論文的時候，發(fā)現(xiàn)兩種帶調(diào)節(jié)的中介模型的檢驗順序都是存在的。有時候啊，并不是真理讓你畢業(yè)或者投稿被接受，而是你的導師或者審稿人覺得你還行，那你就成了，所以大家見機行事。ACBabc’ACBabc’ACcDD2.4模型成立條件帶調(diào)節(jié)的中介模型成立情況有三種：①前后半段都顯著，前后半段的調(diào)節(jié)至少顯著一個；②前半段顯著，后半段不顯著，但是后半段調(diào)節(jié)顯著；③前半段不顯著，但是前半段調(diào)節(jié)顯著，后半段顯著。后兩種屬于交叉顯著，但實際上沒什么人做（中介都不成立誰還看這個）。ACBDACBDACBD123注：紅色線為顯著、成立，黑色線為不顯著，綠色線為可顯著可不顯著。END3.有調(diào)節(jié)的中介模型在process中的技術實現(xiàn)

3.1模型提出3.2操作與解讀3.3報表制作3.4報表解讀3.1模型提出BBLLGGJJ我們的假設模型是這樣的：注：數(shù)學圖解和公式解讀可自行翻閱Hayes的模型圖END3.2操作與解讀BBLLGGJJ我們有兩種做法可選，不過目前國內(nèi)多用①，如果選擇②，需要先去pro中跑模型4（無論如何，都是拿pro進行兩次操作）。BBLLJJBBLLGG123調(diào)節(jié)不成立中介成立方法選擇3.2操作與解讀我們選擇①的做法進行本次操作：先記下我們會用到的兩個模型的號碼確認模型3.2操作與解讀BBLLGG先做總效果調(diào)節(jié)模型第一次操作3.2操作與解讀自變量BB對因變量LL的影響顯著（p＜0.01），而調(diào)節(jié)項不顯著（p＞0.05），符合預期，可以直接進行帶調(diào)節(jié)的中介模型運算。第一次操作的結(jié)果解讀回歸方程顯著3.2操作與解讀做全模型運算第二次操作GGJJBBLL3.2操作與解讀第二次操作的結(jié)果解讀前半段路徑系數(shù)顯著前半段調(diào)節(jié)作用顯著回歸方程顯著3.2操作與解讀第二次操作的結(jié)果解讀中介前半段路徑受到的調(diào)節(jié)效果的進一步解釋：調(diào)節(jié)變量GG的正負一個標準差以及均值情況下的效應值。BBJJGG3.2操作與解讀第二次操作的結(jié)果解讀GGJJBBLL直接效應不顯著后半段系數(shù)顯著后半段調(diào)節(jié)效應顯著回歸方程顯著3.2操作與解讀第二次操作的結(jié)果解讀中介后半段路徑受到的調(diào)節(jié)效果的進一步解釋：調(diào)節(jié)變量GG的正負一個標準差以及均值情況下的效應值。JJLLGG調(diào)節(jié)變量正一個標準差時，回歸不顯著3.2操作與解讀第二次操作的結(jié)果解讀調(diào)節(jié)變量正一個標準差時，95%的Bootsrap置信區(qū)間包含0，中介效果不顯著直接效果不顯著，所以，其實這是個完全中介模型直接效果與間接效果調(diào)節(jié)變量為均值時候的Bootstrap區(qū)間不包含0，中介效果顯著，這是我們最早需要報告到表格中的東西3.2操作與解讀第二次操作的結(jié)果解讀有位網(wǎng)友用pro2.12版跑出了index指標，這個指標出處在于2015年的一篇論文。但是，筆者在pro3.2版中并未見到這個指標，可能這個指標不是很實用，所以被作者移除了。Index指標來源：Hayes,A.F.(2015).Anindexandtestoflinearmoderatedmediation.MultivariateBehavioralResearch,50(1),1–22.3.2操作與解讀第二次操作的結(jié)果解讀最后相當于又用Bootstrap把所有結(jié)果都重新計算了一遍。END3.3報表制作將輸出的結(jié)果復制到EXCEL中，有時候會自動分格，有時候不會（筆者也不知道其中原因），如果遇到?jīng)]有自動分格，就按照本流程進行報表制作。3.3報表制作確認自己復制的時候粘貼到哪一行，并選中它，進行數(shù)據(jù)分列3.3報表制作確認一切正常（其實我也不知道啥叫一切正常，反正只要有圖上這些東西，基本就成了）3.3報表制作選擇“空格”后，就會自動添加豎線，進行下一步3.3報表制作按照步驟操作3.3報表制作如果出現(xiàn)井號鍵，需要調(diào)整列寬，調(diào)整完之后，有些紅色框，我們需要改變它們的顯示格式3.3報表制作更改顯示方式后，各個數(shù)值即顯示正常，我們就可以直接把表格復制到word中進行調(diào)整啦。然后把相類似的結(jié)果合成一個報表。3.3報表制作我們會發(fā)現(xiàn)，上面的圖太長了（而且有的地方還不顯著）。由于我們主要拿BT來驗證中介，所以有一部分人會在回歸中把BT的95%CI信息去掉，只在后面報告中介的CI。完整信息報表3.3報表制作最終報表這就是我們常用的論文報表此處是調(diào)節(jié)變量Mean和Mean±1SD的數(shù)據(jù)根據(jù)CI來解釋END3.4報表解讀對于這個報表，我們只需要用文字說明哪些地方顯著，哪些地方不顯著，XXX對XXX有正（或負）的影響，即可。直接效應不顯著，這是個完全中介了3.4報表解讀對于這個報表，我們可能需要報告一下Mean狀態(tài)下的中介效果顯著，并報告三種狀態(tài)下不同的間接效果大小和顯著性。

在以前，喜歡在調(diào)節(jié)顯著后，對調(diào)節(jié)變量進行高低分群（正負一個標準差），然后分別跑一次回歸，進行簡單斜率的檢驗，但是本結(jié)果中已經(jīng)具備這些數(shù)據(jù)，所以我們直接進行斜率的差異性檢驗。3.4報表解讀我們這里是直接用間接效果的斜率（兩條路徑斜率的乘積）來進行檢驗了，以前基本都是只檢驗單挑路徑上的調(diào)節(jié)效應。END4.調(diào)節(jié)效果圖的幾種制作方法

4.1Mean±1SD的調(diào)節(jié)效果圖4.2percentiles調(diào)節(jié)效果圖4.3Johnson-Neyman調(diào)節(jié)效果圖4.調(diào)節(jié)效果圖的幾種制作方法

GGKKTT本章所有案例數(shù)據(jù)均采用本模型：4.1Mean±1SD的調(diào)節(jié)效果圖在檢驗到存在調(diào)節(jié)效應之后，許多人會對調(diào)節(jié)變量進行“均值±1個標準差”的高低分群，然后分別進行回歸，再根據(jù)回歸結(jié)果進行調(diào)節(jié)效果圖的作圖。他們基本都是根據(jù)Aiken&West（1991）的方法來作圖。但是，如果平均值有偏，±1SD可能就會超出可接受范圍。文獻來源：AikenLS,WestSG.MultipleRegression:TestingandInterpretingInteractionsSagePublications,NewburyPark,CA,19914.1Mean±1SD的調(diào)節(jié)效果圖SPSS實現(xiàn)產(chǎn)生制圖數(shù)據(jù)打開語法粘貼過來全部選定后，運行4.1Mean±1SD的調(diào)節(jié)效果圖SPSS實現(xiàn)全部復制，注意右下角的小數(shù)點4.1Mean±1SD的調(diào)節(jié)效果圖SPSS實現(xiàn)圖形出來后，左鍵雙擊圖形，進入編輯狀態(tài)點擊添加內(nèi)插線，即會出現(xiàn)下面的線條。4.1Mean±1SD的調(diào)節(jié)效果圖SPSS實現(xiàn)關掉編輯狀態(tài)框，圖形就會進入有內(nèi)插線的狀態(tài)，此時對圖形右鍵，即可直接進行復制。END在老版本process中有提供percentile（Hayes自己發(fā)明的）的調(diào)節(jié)圖畫法，但是pro3.2的版本不知道是把這項功能移除了，還是筆者的插件有問題，并不能產(chǎn)生用于percentile的畫圖數(shù)據(jù)，只產(chǎn)生了不同條件下的調(diào)節(jié)效果比較。

不過，畫圖方法是一樣的，如果使用老版本的讀者可以自行嘗試。4.2percentiles調(diào)節(jié)效果圖4.2percentiles調(diào)節(jié)效果圖在老版本中，做出來的調(diào)節(jié)效果圖是這樣的。END4.3Johnson-Neyman調(diào)節(jié)效果圖參考文獻：HayesAF,MatthesJ.ComputationalproceduresforprobinginteractionsinOLSandlogisticregression:SPSSandSASimplementations.BehavioralResearchMethods.2009;41:924–936.在Mean±1SD的方法中，我們只能知道調(diào)節(jié)效果（兩條斜率）的差異，但是我們并不知道這個差異從哪里開始，到哪里結(jié)束。在1936年，Johnson發(fā)明了這項技術，而Hayes在2009年將其應用于調(diào)節(jié)效果的分析中。J-N法是先設定p值顯著與否的臨界點，再尋找相對應變量值的一種方法，這樣子我們就能清楚知道，在哪一個點上，調(diào)節(jié)效應開始存在顯著差異。J-N法要求：調(diào)節(jié)變量必須是連續(xù)變量。4.3Johnson-Neyman調(diào)節(jié)效果圖出處：GeneticModerationofContextualEffectsonNegativeArousalandParenting示例圖J-N法作圖后如右圖臨界點顯著差異無差異4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)復制此塊區(qū)域的選中部分至excel調(diào)節(jié)作用開始達到顯著的臨界點，記住它4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)復制到EXCEL后如果沒有自動分割數(shù)據(jù)，那就用老方法進行手動分割，分割完畢后調(diào)整數(shù)據(jù)顯示格式，并刪除紅色框內(nèi)容。4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)復制選中部分到語法檔中并選擇全部內(nèi)容后運行語法紅色框內(nèi)為每次做J-N需要替換的部分。上下兩個紅色小框根據(jù)我們的調(diào)節(jié)變量名更改。4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)出現(xiàn)了調(diào)節(jié)效果圖，我們雙擊后先添加內(nèi)插線。4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)加入內(nèi)插線后，我們選擇加入?yún)⒖季€4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)我們將之前的臨界點的值輸入，作為參考線4.3Johnson-Neyman調(diào)節(jié)效果圖SPSS實現(xiàn)做完之后如右圖，表示在參考線右部分是調(diào)節(jié)變量開始起作用的部分，有顯著差異。注：此處的數(shù)值為中心化后的調(diào)節(jié)變量的數(shù)值。END5.國內(nèi)基于process的帶調(diào)節(jié)的中介論文分析

5.1案例15.2案例2注：由于作者偷懶，此章使用之前報告的內(nèi)容，并使用了一個正面案例和一個反面案例。5.1案例1文章概要文章沒有直接給出模型圖，根據(jù)文章，我們畫出模型圖：婚姻沖突知覺敏感同伴關系不良攻擊行為模型提出5.1案例1方法參考&工具&分析程序1.對模型變量做方差分析2.做相關分析，提出變量間可能的關系3.做直接效應的調(diào)節(jié)分析：process（溫、葉方法）4.做中介模型的調(diào)節(jié)分析：process5.作Mean±1SD的斜率圖注：多個量表未報告其尺度，作者而后對變量進行了Z轉(zhuǎn)換。5.1案例1圖表報告·A兩變量的相關程度其實部分暗示兩個變量間可能有的關系：1.兩變量中等程度相關時，可以考慮有中介。2.兩變量低等程度相關時，可以考慮被調(diào)節(jié)。3.兩變量高等程度相關是，可以考慮合并。（有時候是其他系統(tǒng)誤差導致）5.1案例1圖表報告·B作者沒有報告帶調(diào)節(jié)的中介模型的表格，全部用文字報告，增加我們的閱讀成本。根據(jù)論文，作者只報告了兩個方程，作者的流程如下：婚姻沖突知覺敏感同伴關系不良攻擊行為1婚姻沖突知覺敏感同伴關系不良2××0.09*文章未報告顯著水平，只說了顯著，所以顯著的路徑系數(shù)后只加一個“*”0.06*0.69*兩變量相關水平與其回歸水平具有一定關系，但不是絕對，不過大部分時間下還是較為準確5.1案例1圖表報告·C雖然中介前半段不顯著，但是調(diào)節(jié)顯著，于是作者上了Mean±1SD的調(diào)節(jié)圖。5.1案例1參考文獻1.溫忠麟等關于帶調(diào)節(jié)中介模型的檢驗：溫忠麟,葉寶娟.有調(diào)節(jié)的中介模型檢驗方法:競爭還是替補?.心理學報,2014,46(5):714-7262.Process的使用：HayesAF.Introductiontomediation,moderation,andconditionalprocessanalysis:Aregression-basedapproach.JournalofEducationalMeasurement,2013,51(3):335-3373.斜率圖：

AikenLS,WestSG.MultipleRegression:TestingandInterpretingInteractionsSagePublications,NewburyPark,CA,1991注：壓縮包內(nèi)提供的Hayes的書是第二版5.1案例1END文章概要通訊作者，可能是導師可能是現(xiàn)在的學生可能是畢業(yè)了去學校做老師的學生可能是畢業(yè)了去讀博的學生5.2案例2模型提出觀察變量畫得像潛變量，而且畫得挺丑，一般來說，這群人肯定不常做這方面論文。筆者寫到這一頁的時候，無聊，感覺這作者水平不高，于是翻到論文開頭，標注了其中可能誰是導師，誰是學生的的注解，還上知網(wǎng)隨便查了其中一個作者的論文。結(jié)果，筆者寫到后面，發(fā)現(xiàn)這篇論文問題很大，并且該作者為數(shù)不多的論文里有兩篇都是一模一樣的問題！看來，平常的小細節(jié)都會暴露很多東西，諸位讀者以后多加小心。5.2案例2額外話題拿著其中一名作者的名字到知網(wǎng)上搜了一下，果不其然，而且看這發(fā)表論文時間，是個新人。5.2案例2方法參考&工具&分析程序1.共同方法偏差2.檢查共線性：檢查VIF3.直接帶調(diào)節(jié)的中介效應檢驗：溫忠麟、Hayes4.簡單斜率分析：Mean±1SD注：Bootstrap使用了Erceg-Hurn等人(2008)的建議5.2案例2圖表報告·A又出現(xiàn)一個根據(jù)相關判斷是否可以做中介的論斷，還記得之前提到的根據(jù)相關判斷后續(xù)分析的方法嗎？分類變量的相關不怎么看，相關高了可能要控制一下5.2案例2圖表報告·B作者直接奔向共產(chǎn)主義，拿Process只做了一次。又是一個不給F后面數(shù)字標“*”的人5.2案例2圖表報告·C然后作者報告了調(diào)節(jié)的效果圖。5.2案例2圖表報告·D作者居然把已經(jīng)分析好的路徑模型又拿到了SEM當中跑了一遍？？？這是什么操作？？？好像沒見過呀?。?！跑到調(diào)節(jié)斜率圖出來，我覺得挺好，可以結(jié)束了啊?。?！而且，作者做出來的這個模型圖？？？？？？？？？翻車了吧。5.2案例2出大事了湊巧的是，今天下午（現(xiàn)在是晚上）有位朋友要做帶調(diào)節(jié)的中介模型，然后與我商量了一下，說他要跟著一篇paper做，我一看，這做法有點問題?。D是下面這樣的。我當時與他說完，繼續(xù)做本系列論文報告，結(jié)果做到晚上的時候，發(fā)現(xiàn)了這篇論文，我忽然想起來與下午那篇做法相似？5.2案例2出大事了令人驚訝的是，這兩篇論文的作者居然是同一撥人?。?！5.2案例2出大事了我們先回憶一下作者的模型，是這樣的，為了方便觀看，我們給它轉(zhuǎn)個方向。完美主義知覺敏感時間傾向管理攻擊行為知覺敏感時間傾向管理攻擊行為它的調(diào)節(jié)路徑如下：5.2案例2出大事了作者迷一樣的手法，嚇得我趕緊翻開手頭Mackinnon大師的書：5.2案例2出大事了Mackinnon的說法大致就是上面左邊的調(diào)節(jié)圖，它的數(shù)學表達公式就是上面右邊的圖。