如何运用SPSS及AMOS进行中介效应与调节效应
分析
定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析
.doc
如何运用SPSS及AMOS进行中介效应
与调节效应分析
主题一:中介效应重要理论及操作务实
一、中介效应概述
中介效应是指变量间的影响关系(X?Y)不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应;当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。在心理学研究当中，变量间的关系很少是直接的，更常见的是间接影响，许多心理自变量可能要通过中介变量产生对因变量的影响，而这常常被研究者所忽视。例如，大学生就业压力与择业行为之间的关系往往不是直接的，而更有可能存在如下关系: 1就业压力?个体压力应对?择业行为反应。 ?
此时个体认知评价就成为了这一因果链当中的中介变量。在实际研究当中，中介变量的提出需要理论依据或经验支持，以上述因果链为例，也完全有可能存在另外一些中介因果链如下:
2就业压力?个体择业期望?择业行为反应; ?
3就业压力?个体生涯规划?择业行为反应; ?
因此，研究者可以更具自己的研究需要研究不同的中介关系。当然在复杂中介模型中，中介变量往往不止一个，而且中介变量和调节变量也都有可能同时存在，导致同一个模型中即有中介效应又有调节效应，而此时对模型的检验也更复杂。
以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下:
Y=cx+e 1) 1
M=ax+e 2) 2
Y=c’x+bM+e 3) 3
上述3个方程模型图及对应方程如下:
二、中介效应检验方法
中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法: 1.依次检验法(causual steps)。依次检验法分别检验上述1)2)3)三个方程中的回归系数，程序如下:
1.1首先检验方程1)y=cx+ e1，如果c显著(H0:c=0被拒绝)，则继续检验方程2)，如果c不显著(说明X对Y无影响)，则停止中
介效应检验;
1.2 在c显著性检验通过后，继续检验方程2)M=ax+e2，如果a显著(H0:a=0被拒绝)，则继续检验方程3);如果a不显著，则停止检验;
1.3在方程1)和2)都通过显著性检验后，检验方程3)即y=c’x + bM + e3,检验b的显著性，若b显著(H0:b=0被拒绝),则说明中介效应显著。此时检验c’,若c’显著，则说明是不完全中介效应;若不显著，则说明是完全中介效应，x对y的作用完全通过M来实现。
评价:依次检验容易在统计软件中直接实现，但是这种检验对于较弱的中介效应检验效果不理想，如a较小而b较大时，依次检验判定为中介效应不显著，但是此时ab乘积不等于0，因此依次检验的结果容易犯第二类错误(接受虚无假设即作出中介效应不存在的判断)。 2.系数乘积项检验法(products of coefficients)。此种方法主要检验ab乘积项的系数是否显著，检验统计量为z = ab/ s，实际上熟ab悉统计原理的人可以看出，这个公式和总体分布为正态的总体均值显著性检验差不多，不过分子换成了乘积项，分母换成了乘积项联合
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
误而已，而且此时总体分布为非正态，因此这个检验公式的Z值和正态分布下的Z值检验是不同的，同理临界概率也不能采用正态分布概率曲线来判断。具体推导公式我就不多讲了，大家有兴趣可以自己
2222去看相关统计书籍。分母s的计算公式为:s=，在这个as，bsababba
22公式中，s和s分别为a和b的标准误，这个检验称为sobel检验，ba
当然检验公式不止这一种例如Goodman I检验和Goodman II检验都
可以检验(见下),但在样本比较大的情况下这些检验效果区别不大。
在AMOS中没有专门的soble检验的模块，需要自己手工计算出而在
lisrel里面则有，其临界值为z>0.97或z<-0.97(P <0.05，Nα/2α/2
?200)。关于临界值比率表见附件(虚无假设概率分布见MacKinnon
表中无中介效应C.V.表，双侧概率，非正态分布。这个临界表没有
直接给出.05的双侧概率值，只有.04的双侧概率值;以N=200为
例，.05的双侧概率值在其表中大概在?0.90左右，而不是温忠麟那
篇文章中提出的0.97。关于这一点，我看了温的参考文献中提到的
MacKinnon那篇文章，发现温对于.97的解释是直接照搬MacKinnon
原文中的一句话
，实际上在MacKinnon的概率表中，这个.97的值是
在N=200下对应的.04概率的双侧统计值，而不是.05概率双侧统计
值，因为在该表中根本就没有直接给出.05概率的统计值。为了确定
这点，我专门查了国外对这个概率表的介绍，发现的确如此，相关文
章见附件mediationmodels.rar。当然，从统计概率上来说，大于0.97
98th在这个表中意味着其值对应概率大于.05，但是当统计值小于0.97
97th时而大于0.87，其值对应概率的判断就比较麻烦了，此时要采用
0.90作为P<.05的统计值来进行判断。之所以对温的文章提出质疑，
是因为这涉及到概率检验的结果可靠性，我为此查了很多资料，累)。
Goodman I检验公式如下 Goodman II检验检验公式如下
注:从统计学原理可知，随着样本量增大，样本均值和总体均值的差误趋向于减少;因此从这两个公式可看出，的值随着样本容量增大而呈几何平方值减小，几乎可以忽略不计算，因此MacKinnon et al. (1998)认为乘积项在样本容量较大时是“trivial”(琐碎不必要的)的，因此sobel检验和Goodman检验结果在大样本情况下区别不大，三个检验公式趋向于一致性结果，因此大家用soble检验公式就可以了(详情请参考文献A Comparison of Methods to Test Mediation
and Other Intervening Variable Effects. Psychological Methods
2002, Vol. 7, No. 1, 83–104)。
评价:采用sobel等检验公式对中介效应的检验容易得到中介效应显著性结果，因为其临界概率(MacKinnon)P<.05的Z值为z>0.90α/2
或z<-0.90，而正态分布曲线下临界概率P<.05的Z值为z>1.96α/2α/2
或z<-1.96，因此用该临界概率表容易犯第一类错误(拒绝虚无假α/2
设而作出中介效应显著的判断)
3.差异检验法(difference in coefficients)。此方法同样要找出联合标准误，目前存在一些计算公式，经过MacKinnon等人的分析，认为其中有两个公式效果较好，分别是Clogg 等人和Freedman等人提出的，这两个公式如下:
Clogg差异检验公式 Freedman差异检验公式
'c,c'C,C
t,t,,2NN3, 222rsxmc'S，S,2SS1,r''CCCCxm这两个公式都采用t检验，可以通过t值表直接查出其临界概率。Clogg等提出的检验公式中，的下标N-3表示t检验的自由度为N-3，为自变量与中介变量的相关系数，为X对Y的间接效应估计值的标准误;同理见Freedman检验公式。
评价:这两个公式在a=0且b=0时有较好的检验效果，第一类错误率接近0.05，但当a=0且b?0时，第一类错误率就非常高有其是Clogg等提出的检验公式在这种情况下第一类错误率达到100%，因此要谨慎对待。
4.温忠麟等提出了一个新的检验中介效应的程序，如下图:
这个程序实际上只采用了依次检验和sobel检验，同时使第一类错误率和第二类错误率都控制在较小的概率，同时还能检验部分中介效应
和完全中介效应，值得推荐。
三 中介效应操作在统计软件上的实现
根据我对国内国外一些文献的检索、分析和研究，发现目前已经有专门分析soble检验的工具软件脚本，可下挂在SPSS当中;然而在AMOS中只能通过手工计算，但好处在于能够方便地处理复杂中介模型，分析间接效应;根据温忠麟介绍，LISREAL也有对应的SOBEL检验分析命令和输出结果，有鉴于此，本文拟通过对在SPSS、AMOS中如何分析中介效应进行操作演示，相关SOBEL检验脚本及临界值表(非正态SOBEL检验临界表)请看附件。
1.如何在SPSS中实现中介效应分析
这个部分我主要讲下如何在spss中实现中介效应分析(无脚本，数据见附件spss中介分析数据，自变量为工作不被认同，中介变量为焦虑，因变量为工作绩效)。
第一步:将自变量(X)、中介变量(M)、因变量(Y)对应的潜变量的项目得分合并取均值并中心化，见下图
在这个图中，自变量(X)为工作不被认同，包含3个观测指标，即领导不认同、同事不认可、客户不认可;中介变量(M)焦虑包含3个观测指标即心跳、紧张、坐立不安;因变量(Y)包含2个观测指标即效率低和效率下降。
Descriptive Statistics
工作不被认同 焦虑 工作绩效 Valid N (listwise)
N 489 489 489 489
Mean 2.0821 2.0859 2.2807
上面三个图表示合并均值及中心化处理过程，生成3个对应的变量并中心化(项目均值后取离均差)得到中心化X、M、Y。
第二步:按温忠麟中介检验程序进行第一步检验即检验方程y=cx+e中的c是否显著，检验结果如下表:
Model Summary
Change Statistics
Adjusted R Std. Error of R Square
Model R R Square Square the Estimate Change F Change df1 df2 Sig. F Change
1 .678(a) .460 .459 .70570 .460 414.265 1 487 .000
a Predictors: (Constant), 不被认同(中心化)
aCoefficients
UnstandardizedStandardized
CoefficientsCoefficientsModelBStd. ErrorBetatSig.1(Constant).002.032.051.959
不被认同(中心化).804.040.67820.354.000
a. Dependent Variable: 工作绩效(中心化) 由上表可知，方程y=cx+e的回归效应显著，c值.678显著性为p<.000,可以进行方程m=ax+e和方程y=c’x+bm+e的显著性检验;
第三步:按温忠麟第二步检验程序分别检验a和b的显著性，如果都显著，则急需检验部分中介效应和完全中介效应;如果都不显著，则停止检验;如果a或b其中只有一个较显著，则进行sobel检验，检验结果见下表:
Model Summary
Change Statistics
AdjustedStd. Error ofR Square
ModelRR SquareR Squarethe EstimateChangeF Changedf1df2Sig. F Changea1.284.283.76763.284193.2471487.000.533
a. Predictors: (Constant), 不被认同(中心化)
aCoefficients
UnstandardizedStandardized
CoefficientsCoefficientsModelBStd. ErrorBetatSig.1(Constant).001.035.034.973
不被认同(中心化).597.043.53313.901.000
a. Dependent Variable: 焦虑(中心化)
由上面两个表格结果分析可知，方程m=ax+e中，a值0.533显著性p<.000，继续进行方程y=c’x+bm+e的检验，结果如下表:
Model Summary
Change Statistics
AdjustedStd. Error ofR Square
ModelRR SquareR Squarethe EstimateChangeF Changedf1df2Sig. F Changea1.492.490.68485.492235.4902486.000.702
a. Predictors: (Constant), 焦虑(中心化), 不被认同(中心化)
aCoefficients
UnstandardizedStandardized
CoefficientsCoefficientsModelBStd. ErrorBetatSig.1(Constant).001.031.044.965
不被认同(中心化).670.045.56414.773.000
焦虑(中心化).225.040.2135.577.000
a. Dependent Variable: 工作绩效(中心化) 由上面两个表的结果分析可知，方程y=c’x+bm+e中，b值为0.213显著性为p<.000,因此综合两个方程m=ax+e和y=c’x+bm+e的检验结果，a和b都非常显著，接下来检验中介效应的到底是部分中介还是完全中介;
第四步:检验部分中介与完全中介即检验c’的显著性:
由上表可知，c’值为.564其p值<.000,因此是部分中介效应，自变量对因变量的中介效应不完全通过中介变量焦虑的中介来达到其影响，工作不被认同对工作绩效有直接效应，中介效应占总效应的比值为: effect=ab/c=0.533×0.213/0.678=0.167,中介效应解释了因变量m
的方差变异为sqrt(0.490-0.459)=0.176(17.6%)
小结 在本例中，中介效应根据温忠麟的检验程序最后发现自变量和因变量之间存在不完全中介效应，中介效应占总效应比值为0.167,中介效应解释了因变量17.6%的方差变异。
2.在spss中运用spssmaro脚本来分析中介效应
下面我们采用Preacher(2004)
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
的spssmaro脚本来进行中介效应分析，该脚本是美国俄亥俄和州立大学Preacher和Hayes于2004年开发的在spss中计算间接效应、直接效应和总效应的脚本，对间接效应的计算采用了sobel检验，并给出了显著性检验结果，这个脚本可在如下网址下载:www.comm.ohio-state.edu/ahayes/sobel.htm。 脚本文件名为sobel_spss，关于如何在spss使用该脚本请看附件(附件为pdf文件，文件名为runningscripts)。在运行了脚本后，在打开的窗口中分别输入自变量、中介变量和调节变量，在选项框中可以选择bootstrap(自抽样)次数，设置好后，点击ok，运行结果如下:
Run MATRIX procedure:
VARIABLES IN SIMPLE MEDIATION MODEL
Y 工作绩效
X 不被认同
M 焦虑
DESCRIPTIVES STATISTICS AND PEARSON CORRELATIONS
Mean SD 工作绩效 不被认同 焦虑
工作绩_1 .0000 .9590 1.0000 .6780 .5139 不被认同 -.0020 .8085 .6780 1.0000 .5330 焦虑(中 .0000 .9063 .5139 .5330 1.0000
SAMPLE SIZE
489
DIRECT And TOTAL EFFECTS
Coeff s.e. t Sig(two) b(YX) .8042 .0395 20.3535 .0000 c
b(MX) .5975 .0430 13.9013 .0000 a
b(YM.X) .2255 .0404 5.5773 .0000 b
b(YX.M) .6695 .0453 14.7731 .0000 c’
注:b(yx)相当于c，b(my)相当于a, b(YM.X)相当于b, b(YX.M)相当于c’
INDIRECT EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION
Value s.e. LL 95 CI UL 95 CI Z Sig(two) Effect .1347 .0261 .0836 .1858 5.1647 .0000 (sobel)
BOOTSTRAP RESULTS For INDIRECT EFFECT
Data Mean s.e. LL 95 CI UL 95 CI LL 99 CI UL 99 CI Effect .1347 .1333 .0295 .0800 .1928 .0582 .2135
NUMBER OF BOOTSTRAP RESAMPLES
1000
FAIRCHILD ET AL. (2009) VARIANCE IN Y ACCOUNTED FOR BY INDIRECT EFFECT:
.2316
********************************* NOTES **********************************
------ END MATRIX -----
从spssmacro脚本运行的结果来看，总效应、中介效应、间接效应
达到了显著值，其中c为0.8042，a值为0.5975，b值为0.2255,c’值
为0.6695,间接效应(在本例中为中介效应)解释了自变量23.16%的
方差，中介效应占中效应的比例为0.168。下面用对加载脚本前后的
计算结果进行比较见下表:
c a b c’ 效应比 中介效应方差变异
************无脚本 0.678 0.513 0.213 0.564 0.1674 17.6%
************Spssmacrao 0.804 0.598 0.226 0.670 0.1675 23.16%
从比较结果可以看出，加载脚本后分析中介效应结果，总体效应提高
了，但效应比没有多大变化(0.0001)，说明中介效应实际上提高了;
中介效应对因变量的方差变异的解释比例也提高了了近5个百分点，
说明采用bootstrap抽样法能更准确地估计总体效应和间接效应。
3.如何在AMOS中实现中介效应分析
无论变量是否涉及潜变量，都可以利用结构方程模型来实现中介
效应分析，下面我来谈谈如何在AMOS中实现中介效应分析，数据见附件(AMOS中介效应分析数据)。
第一步:建立好模型图，如下:
e2e1e3111
紧张坐立不安心跳1
1e10焦虑11e6领导不认可abe7效率低1
c'1绩效表现工作不被认可e5同事不认可
111效率下降e8
1e4客户不认可e11
本模型假设，工作不被认可通过中介变量影响绩效表现。 第二步:设置参数，要在AMOS中分析中介效应，需要进行一些必要的参数设置，步骤见下图:
按照上面几个图提示的步骤设置好后，读取数据进行运算，工具栏提
示如下
上图表示采用bootstrap(自抽样5000次)运算结果，数据迭代到第8次得到收敛。模型卡方为26.0，自由度为17.
第三步:看输出结果即模型图和文本输出:
从模型标准化路径图可以看出，模型卡方与自由度之比为1.529，p值>.05，各项拟合指数皆较理想，说明模型较理想，下面我们来看下
模型的总体效应和间接效应的文本输出，见下表:
Standardized Total Effects (Group number 1 - Default model)
Standardized Total Effects - Lower Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现 焦虑 .554 .000 .000 绩效表现 .714 .077 .000 效率下降 .612 .068 .830 效率低 .661 .070 .889 领导不认可 .818 .000 .000 同事不认可 .771 .000 .000 客户不认可 .729 .000 .000 坐立不安 .451 .776 .000 紧张 .405 .688 .000 心跳 .436 .753 .000 Standardized Total Effects - Upper Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现 焦虑 .703 .000 .000 绩效表现 .831 .303 .000 效率下降 .733 .263 .905 效率低 .771 .284 .958 领导不认可 .907 .000 .000 同事不认可 .858 .000 .000 客户不认可 .841 .000 .000 坐立不安 .600 .883 .000 紧张 .540 .802 .000 心跳 .582 .868 .000 Standardized Total Effects - Two Tailed Significance (BC) (Group number 1 - Default
model)
工作不被认可 焦虑 绩效表现 焦虑 .000 ... ... 绩效表现 .000 .002 ... 效率下降 .000 .002 .001 效率低 .000 .002 .001 领导不认可 .000 ... ...
工作不被认可 焦虑 绩效表现
同事不认可 .001 ... ...
客户不认可 .001 ... ...
坐立不安 .000 .001 ...
紧张 .000 .000 ...
心跳 .000 .000 ...
上述三个表格是采用BC(bias-corrected)偏差校正法估计的总体效应标准化估计的下限值、上限值和双尾显著性检验结果，双尾检验结果显示，总体效应显著，提示自变量(工作不被认可)对因变量(绩效表现)的总体效应显著)值显著，P<.000;下面我们继续看直接效应的文本输出结果，如下表:
Standardized Direct Effects (Group number 1 - Default model)
Standardized Direct Effects - Lower Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .554 .000 .000
绩效表现 .549 .077 .000
效率下降 .000 .000 .830
效率低 .000 .000 .889
领导不认可 .818 .000 .000
同事不认可 .771 .000 .000
客户不认可 .729 .000 .000
坐立不安 .000 .776 .000
紧张 .000 .688 .000
心跳 .000 .753 .000
Standardized Direct Effects - Upper Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .703 .000 .000
绩效表现 .759 .303 .000
效率下降 .000 .000 .905
效率低 .000 .000 .958
领导不认可 .907 .000 .000
同事不认可 .858 .000 .000
工作不被认可 焦虑 绩效表现
客户不认可 .841 .000 .000
坐立不安 .000 .883 .000
紧张 .000 .802 .000
心跳 .000 .868 .000
Standardized Direct Effects - Two Tailed Significance (BC) (Group number 1 - Default
model)
工作不被认可 焦虑 绩效表现
焦虑 .000 ... ...
绩效表现 .000 .002 ...
效率下降 ... ... .001
效率低 ... ... .001
领导不认可 .000 ... ...
同事不认可 .001 ... ...
客户不认可 .001 ... ...
坐立不安 ... .001 ...
紧张 ... .000 ...
心跳 ... .000 ...
和总体效应输出表格形式一致，前两个表格都是标准化估计的95%置信区间的上限值和下限值，第三个表格提示了直接效应显著，见红体字部分(在本例中即为中介效应ab和c’)。下面我们来看下间接效应的显著性分析结果，见下图:
Standardized Indirect Effects (Group number 1 - Default model)
Standardized Indirect Effects - Lower Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .000 .000 .000
绩效表现 .050 .000 .000
效率下降 .612 .068 .000
效率低 .661 .070 .000
领导不认可 .000 .000 .000
同事不认可 .000 .000 .000
客户不认可 .000 .000 .000
坐立不安 .451 .000 .000
工作不被认可 焦虑 绩效表现
紧张 .405 .000 .000
心跳 .436 .000 .000
Standardized Indirect Effects - Upper Bounds (BC) (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .000 .000 .000
绩效表现 .197 .000 .000
效率下降 .733 .263 .000
效率低 .771 .284 .000
领导不认可 .000 .000 .000
同事不认可 .000 .000 .000
客户不认可 .000 .000 .000
坐立不安 .600 .000 .000
紧张 .540 .000 .000
心跳 .582 .000 .000
Standardized Indirect Effects - Two Tailed Significance (BC) (Group number 1 - Default
model)
工作不被认可 焦虑 绩效表现
焦虑 ... ... ...
绩效表现 .002 ... ...
效率下降 .000 .002 ...
效率低 .000 .002 ...
领导不认可 ... ... ...
同事不认可 ... ... ...
客户不认可 ... ... ...
坐立不安 .000 ... ...
紧张 .000 ... ...
心跳 .000 ... ...
表格形式同上，显著性见红体字部分，在本例中即为c’。综合上述文本化输出的结果，我们可以判定，c,a,b,c’的估计值都达到了显著性，下面，我们来看些这四个路径系数的标准化估计值和标准误到底是多少呢,见下表:
Standardized Regression Weights: (Group number 1 - Default model)
Parameter SE SE-SE Mean Bias SE-Bias 焦虑 <--- 工作不被认可 .038 .000 .628 -.001 .001 绩效表现 <--- 工作不被认可 .053 .001 .659 .000 .001 绩效表现 <--- 焦虑 .058 .001 .187 -.001 .001 心跳 <--- 焦虑 .029 .000 .814 .000 .000 坐立不安 <--- 焦虑 .027 .000 .837 .000 .000 客户不认可 <--- 工作不被认可 .028 .000 .790 .000 .000 同事不认可 <--- 工作不被认可 .023 .000 .818 .001 .000 领导不认可 <--- 工作不被认可 .023 .000 .865 -.001 .000 效率低 <--- 绩效表现 .017 .000 .927 .000 .000 效率下降 <--- 绩效表现 .020 .000 .871 .000 .000 紧张 <--- 焦虑 .029 .000 .747 .000 .000 上表是采用bootstrap方法得出的标准化估计值及其标准误，se表示估计值标准误;se-se表示用bootstrap估计标准误而产生的标准误;mean表示标准化估计均值;bias表示采用bootstrap前后的标准化估计值的差异值，符号表示差异大小;se-bias表示对估计值差异估计的标准误。对照这个表，可以得出a=0.628，对应的标准误Sa为0.038;b=0.187,对应的标准误S为0.058;c’值为0.659,标准b
误为0.053。到现在为止，我们已经找出了a、b、c’的标准化估计值及其对应的标准误，那么c的标准化估计值及其标准误在哪里找呢,看下表:
Standardized Total Effects (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .629 .000 .000
绩效表现 .777 .188 .000
效率下降 .677 .164 .871
效率低 .721 .175 .927
领导不认可 .866 .000 .000
同事不认可 .818 .000 .000
客户不认可 .790 .000 .000
坐立不安 .526 .836 .000
工作不被认可 焦虑 绩效表现
紧张 .470 .747 .000
心跳 .513 .814 .000
这个表格红体字部分即为c值，其标准误为0.030(见下表红体字部分)
Standardized Total Effects - Standard Errors (Group number 1 - Default model)
工作不被认可 焦虑 绩效表现
焦虑 .038 .000 .000
绩效表现 .030 .058 .000
效率下降 .031 .050 .020
效率低 .028 .054 .017
领导不认可 .023 .000 .000
同事不认可 .023 .000 .000
客户不认可 .028 .000 .000
坐立不安 .038 .027 .000
紧张 .034 .029 .000
心跳 .037 .029 .000
现在我们已经找出所有标准化的效应估计值及其标准误，那么还等什么呢，开始分析中介效应吧。在本例中，c值显著性p<.000,因此可以继续进入a和b检验;由上面分析可知，a和b都显著，说明存在显著中介效应，下一步就看是完全中介还是不完全能中介了;因此下一步直接检验c’值显著性，从上面分析可知，c’值显著性小于.000，因此本例的中介效应是不完全中介。最后，我们来看看这个模型的中介效应与总体效应的比例为多少呢，计算得出的结果为a×b/c=0.628×0.187/0.777=0.151;说明中介效应占总体效应的比例接近1/7;为了提高检验的功效，我们也可以进一步进行行sobel检验，当然在amos中只提供了标准化a和b的估计值及其标准误，要得出sobel检验结果还要我们做两件事，第一件就是对照sobel检验公式输入对应项的值，第二件就是查非正态临界值表(见附件);sobel检验公
式如下:
ab,
z,
22 22sb，saab
我们在上面输出中找到对应的值代入，a=0.628, S为0.038;ab=0.187,S为0.058,最后算出值=3.173，查MacKinnon的临界值表b
可知，3.173>大于0.90(p<0.05),因此说明中介效应显著。大家有兴趣可以根据我们之前提到的c-c’检验公式把对应值代入检验，这里我就不再多讲了。
主题二:调节效应重要理论及操作务实
一、调节效应回归方程:
调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系;调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量;调节变量一般不能作为中介变量，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激(X)和应对方式(Y)的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下:
y=a+bx+cm+e 1)
y=a+bx+cm+c’mx+e 2)
在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。 二、检验调节效应的方法有三种:
1.在层次回归分析中(Hierarchical regression),检验2个回归方
2222程的复相关系数R和R是否有显著区别，若R和R显著不同，则1212
说明mx交互作用显著，即表明m的调节效应显著;
2.或看层次回归方程中的c’系数(调节变量偏相关系数)，若c’(spss输出为标准化ß值)显著，则说明调节效应显著;
3.多元方差分析，看交互作用水平是否显著;
24.在分组回归情况下，调节效应看各组回归方程的R。 注:上述四种方法主要用于显变量调节效应检验，且和x与m的变量类型相关，具体要根据下述几种类型采用不同的方式检验 三、显变量调节效应分析的几种类型
根据调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如下:
1.分类自变量(x)+分类调节变量(m)
如果自变量和调节变量都是分类变量的话，实际上就是多元方差分析中的交互作用显著性分析，如x有两种水平，m有三种水平，则可以做2×3交互作用方差分析，在spss里面可以很容易实现，这我就不多讲了，具体操作看spss操作工具书就可以了。 2.分类自变量(x)+连续调节变量(m)
这种类型调节效应分析需要对分类自变量进行伪变量转换，将自变量和调节变量中心化(计算变量离均差)然后做层次回归分析。分类自变量转换为伪变量的方法:假设自变量X有n种分类，则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人均年收入水平分为8千以下、8000~2万、2万~5万、5万~10万、10万以上四种类型，则可以转换为3个伪变量如下:
x1 x2 x3
10万以上 1 0 0
5万到10万 0 1 0
2万到5万 0 0 1
8千以下 0 0 0 上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心
化后标准回归方程表示为:
y=b1x1+b2x2+b3x3+cm+e 3)
y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e 4)
x1=1表示10万以上;x2=1表示5万到10万;x3=1表示2万到5万;8千以下=0。此时8千以下的回归方程表示为:y=cm +e(在x1、x2、x3上的伪变量值为0);之所以单独列出这个方程，是为了方便大家根据回归方程画交互作用图,即求出c值就可以根据方程画出8千以下变量的调节效应图。
2检验方法为分析R显著性或调节系数C’显著性。
22注:在这4种分类自变量的调节效应分析中，采用R和R显著性检12验时，是对4种类型自变量在调节变量作用下的调节效应的整体检验，总体显著的效果可能会掩盖某种类型自变量与调节变量的交互作用不显著的情况，此时，我们就要逐一审查各个交互项的偏相关系数。对方程4)而言，如果检查调节变量的偏相关系数，则有可能会出现一些调节变量偏相关系数不显著的情况，例如，c1显著、c2和c3不显著或c1和c2显著，c3不显著的情况等，此时可根据交互项的偏相关系数来发现到底是那种类型的自变量与调节变量的交互作用不显著。
3.连续自变量(x)+分类调节变量(m)
这种类型的调节效应需要采用分组回归分析，所谓分组回归分析既是根据调节变量的分类水平，建立分组回归方程进行分析，回归方程为y=a+bx+e。当然也可以采用将调节变量转换为伪变量以后进行层
次回归分析，层次回归具体步骤同上，见三、2，需要注意的是，分类的调节变量转换为伪变量进行层次回归分析后，调节效应是看方程
2的决定系数R显著性整体效果，这和不同分类水平的自变量下调节变量的调节效应识别有区别。
我们这里主要讲下如何进行调节效应分组回归分析，调节效应的分组回归分析可以在SPSS中完成，当然也可以通过SEM分析软件如AMOS来实现，我们首先来看看如何通过SPSS来实现分组回归来实现调节效应分析的。
SPSS中对分组回归的操作主要分两步进行，第一步是对样本数据按调节变量的类别进行分割，第二步则是回归分析。具体步骤见下图: 第一步:对样本数据按调节变量的类别进行分割:
注:选取的gender为调节变量，分别为女=0，男=1，当然在实际研究中可能有更多的分类，大家完全可以用1、2、3、4„„.等来编号。这个窗口选取的两个命令是比较多组(compare groups和按分组变量对数据文件排序(sort the file by grouping variables)
第二步:选择回归命令并设置自变量和因变量
这个窗口里面选取了自变量comp和因变量pictcomp,然后再点击
statistics在弹出窗口中设置输出参数项如下图，勾取
estimates\model fit\Rsquared change:
第三步:看输出结果，分析调节效应，见表格数据:
表格1
bVariables Entered/Removed
Variables Variables
gender Model Entered Removed Method
a0 1 COMP . Enter
a1 1 COMP . Enter
a. All requested variables entered.
b. Dependent Variable: PICTCOMP
表格1显示了因变量是pictcomp,回归方法采用强行进入法(enter)，共有两组回归方程，一组是女性(0)，另一组是男性(1)。
表格2
Model Summary
Change Statistics Std. Error
ModeAdjusted of the R Square F Sig. F gender l R R Square R Square Estimate Change Change df1 df2 Change
a0 1 .349 .122 .113 2.723 .122 14.161 1 102 .000
a1 1 .489 .239 .228 2.647 .239 21.709 1 69 .000
a. Predictors: (Constant),
COMP
表格2是回归模型的总体情况，男行和女性的两组回归方程具有显著效应(p<.001)，表明性别这一变量具有显著的调节效应。从表格数据可以看出，女性组的回归方程解释了因变量11.2%的方差变异，男性组的回归方程解释了因变量22.9%的方差变异，(注:此模型的数据是虚拟的，只是方便大家理解，无实际意义，实际研究中回归方程的自变量很少会只有一个的情况)。
表格3
aCoefficients
Unstandardized Standardized
Coefficients Coefficients
gender Model B Std. Error Beta t Sig.
0 1 (Constant) 7.355 .943 7.797 .000
COMP .342 .091 .349 3.763 .000
1 1 (Constant) 5.626 1.105 5.090 .000
COMP .490 .105 .489 4.659 .000
a. Dependent Variable: PICTCOMP
此表格给出了自变量的标准化回归系数Beta值，在女性组中，标准化Beta为.349;在男性组中Beta值为.489,且都达到显著性水平p<.001，说明自变量comp对因变量有显著的预测作用。
上述对分类调节变量操作和解释主要是基于SPSS来实现的， AMOS软件也有同样功能，下面以同样回归方程变量为例谈下如何在AMOS中实现多组回归分析(multiple group analyze):
第一步:模型设置好后，点击analyze\manage groups:
第二步:在弹出的窗口输入女，如下:
第三步:设置好第一组名称后，点击new,急速输入第二组名称:
第三步:设置好两个组后，关闭组别设置窗口，回到主界面，点击 File\data files，如下图:
第四步:在弹出窗口中可以看到如下两组名称:
第五步:然后点击女组数据，再点击file name,打开数据文件，然后点击grouping variable,这时系统会弹出你的spss数据文件中的变量，在其中选择你的分类变量，按分组变量的值设置好女性组的数据;男组数据重复这个过程，见下图:
设置好分组以后，点击ok，回到主界面，进行模型比较设置(温忠麟关于在AMOS中进行分组比较的策略，采用如下做法:先将两组的
2结构方程回归系数限制为相等 ,得到一个χ 值和相应的自由度。然
2后去掉这个限制 ,重新估计模型 ,又得到一个χ值和相应的自由
222度。前面的χ减去后面的χ得到一个新的χ,其自由度就是两个模
2型的自由度之差。如果χ检验结果是统计显著的 ,则调节效应显著)。
第六步:设置限制模型和无限制模型。点击analyze\manage models,
首先设置无限制模型(无任何限制，不需要改动);然后点击下面的new，设置结构方程回归系数限制相等模型，如下图:
注:上图限制模型中，W表示所有回归系数，可在Plugin\name parameter中进行设置。
第七步:两个模型设置好后，进行分析设置，点击view\ananlysis Properties,在output中选中前面三项和临界比率检验一项，回到主界面，点击左侧绘图工具栏中的运算图标，即可得到输出结果，操作如下:
第八步:看分组比较运算结果，一个看模型图的标准化输出，一个
看文本输出结果，本例输出结果如下图:
图1:女性组无限制模型标准化路径图
图2 男性组无限制模型标准化路径图
图3 女性组限制模型标准化路径图
图4 男性组限制模型标准化路径图
从上述分组比较的标准化路径图来看，限制模型和无限制模型在一些拟合指标上并无显著变化，且两者的卡方与自由度之比都小于2，这提示我们可能性别的调节效应并不显著，为了进一步检验，我们结合文本输出结果来判断是否无限制模型和限制模型的区别不显著，具体分析见如下表格与结果分析:
Assuming model 无限制模型(所有参数自由估计) to be correct:
NFI IFI RFI TLI Model DF CMIN P Delta-1 Delta-2 rho-1 rho2 限制模型(所有回归8 8.545 .382 .018 .021 -.001 -.001 权重限制相等)
上表是分组回归分析无限制模型和限制模型的比较，从表中可知，对模型所有结构方程系数限制为相等后，卡方值改变量
CMIN/df=8.545/8的临界比率P>.05，卡方值改变量不显著，因此可以从卡方值判断，性别对于两个潜变量的调节效应不显著。
CMIN and CMIN/DF:
Model NPAR CMIN DF P CMIN/DF 限制模型(所有回归权重限制相等) 38 76.725 70 .272 1.096 无限制模型(所有参数自由估计) 46 68.180 62 .275 1.100
Saturated model 108 .000 0
Independence model 36 467.866 72 .000 6.498 上表检验了限制模型和自由估计模型的卡方值及其卡方与自由度自比，两者的P都大于.05，且卡方与自由度之比都小于2，说明模型都拟合良好，这进一步说明无限制模型和限制模型无显著区别。 Baseline Comparisons
NFI RFI IFI TLI Model CFI Delta1 rho1 Delta2 rho2 限制模型(所有回归权重限制相等) .836 .831 .983 .983 .983 无限制模型(所有参数自由估计) .854 .831 .985 .982 .984 Saturated model 1.000 1.000 1.000 Independence model .000 .000 .000 .000 .000 上表是基线比较结果，NFI、RFI、IFI、TLI、CFI指标在限制模型和无限制模型中并无明显改变。
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE 限制模型(所有回归权重限制相等) .024 .000 .052 .937 无限制模型(所有参数自由估计) .024 .000 .053 .922 Independence model .178 .163 .194 .000 上表的RMSEA指标在限制模型和无限制模型中为相等<.05，说明限制模型和无限制模型都有良好的模型拟合。
结论:从上述标准化路径图和表格输出结果来看，限制模型和无限制模型的区别不显著，意味着性别对两个潜变量的调节效应不明显。
4.连续自变量(X)+连续调节变量(M)
这种类型相对来说操作比较简单，只需要把所有变量中心化之后就可以进行层次回归分析，标准化回归方程为:
Y=bx+cm+e 1) Y=b1x+cm+c1mx+e 2) 对上述方程的检验同层次回归分析。
浙公网安备 33021202002483