调节作用分析

所属分类：中介与调节效应

这个方法是做什么的

调节问的是边界条件：X 对 Y 的效应，在调节变量 M 的不同水平上是不是不一样。它和中介名字像，问的却不是一回事——中介问“经由什么传导”（机制），调节问“在什么情况下更强”（边界）。做法是层次回归加交互项：模型1 只放自变量与控制变量，模型2 加入调节变量，模型3 再加入 X 与 M 的乘积项；交互项那一行就是调节效应的检验。X 与 M 会被自动中心化。

除了交互项的系数、t 与 95% 区间，报告还给三样。一是效应量：模型3 相对模型2 的解释力增量 ΔR²、ΔF 检验与 Cohen's f²。二是条件效应：简单斜率检验给出 M 取均值 −1SD、均值、均值 +1SD 时 X 对 Y 的斜率及其检验，方差由模型3 的系数协方差矩阵算出。三是不依赖人为分档的 Johnson-Neyman 分析：给出简单斜率显著性的转变点、它是否落在观测范围内、观测范围内显著区域的占比，并画出带 95% 置信带的条件效应曲线。第一张卡另给中心化前后的 VIF 对比与残差诊断。

需要准备什么数据

• 因变量 (Y)：定量变量（数值）
• 自变量 (X)：定量变量（数值）
• 调节变量 (M)：定量变量（数值）
• 控制变量 (可选, 定量)（可选）：定量变量（数值）

数据要求

• 数据表至少 30 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 想验证“X 的作用在某类人身上更强”（组织支持感越高，工作投入对绩效的作用越大）
• 理论提出了边界条件、情境依赖或“匹配”假设
• 需要一张可直接排版的层次回归三模型表，外加简单斜率与 Johnson-Neyman 结果
• 自变量、调节变量与因变量都是定量变量

四个拖拽区都只收定量变量——模块要构造 X×M 乘积项，定类列在数值化时会整列变成缺失。同一个变量不能重复出现在两个区（因变量与自变量相同会得到 R² = 1 的假象）。有效行数不少于 30、缺失比例不超过 20%，经验上每个参数至少 20 例，而检出交互效应所需的样本量远大于检出主效应。本模块没有参数控件，简单斜率固定取 ±1 个标准差。

什么时候不要用它

• 调节变量是定类的（性别、实验组、城市）：拖拽区不收定类变量。改用「协方差分析」并打开“是否分析交互效应”，它检验的分组与协变量交互，正是“定类分组是否改变了协变量对 Y 的斜率”，还会单独给出回归斜率同质性检验；若自变量也是定类的，用「双因素方差分析」。
• 你要问的是机制而不是边界：想知道 X 经由什么传导到 Y，几条机制并列的用「平行中介效应」，中介之间有先后顺序的用「链式中介效应」。
• 因变量不是定量的：二分类结局用「逻辑回归」，等级结局用「有序逻辑回归」，计数结局用「计数数据回归」；本模块的自动中心化与简单斜率检验不适用于这些模型，也不要把这类结局硬当连续变量跑。
• 你想做的只是“加一组变量后解释力有没有显著提升”，并不涉及交互：那是分层回归的一般用法，用「分层回归」，它允许你自定义每一步放哪些变量。
• 自变量与调节变量本身就在测同一件事：两者相关很高时交互项与主效应难以区分，检验功效下降，而中心化解决不了这一条。先用「Pearson相关性分析」看清相关程度；若确实是同一构念的两种问法，应当合并而不是当成调节，用「因子分析(探索性)」核对它们是否同属一个维度。
• 观测之间不独立（同一批人多期测量、个体嵌套在组织内）：普通最小二乘会低估标准误。有个体与时间两维结构的用「面板模型」，重复测量或分层嵌套的用「混合模型」。

容易误读的地方

• 中心化不改变交互项的检验结果，它解决的是另一个问题。 第一张卡的 VIF 对比表最能说明：中心化前 X、M 与乘积项的 VIF 分别是 40.161、44.039、85.662，中心化后降到 1.007、1.039、1.038——但表注写明中心化不改变交互项的系数、标准误与 p 值，并直接称这是调节分析里最常见的误解。中心化真正改变的是主效应的含义：模型3 里 X 与 M 的系数变成了“当另一个变量取其均值时”的条件效应，因此不能与模型1、模型2 里同名的系数直接比较，更不能当成“平均主效应”去报。
• 交互项不显著，不等于不存在调节作用。 第一张卡有一条结论文案专讲这个：同等样本量下，检出同样标准化幅度的交互效应通常需要数倍于主效应的样本。所以阴性结果的正确写法是“未能支持该调节作用”，模块在交互项不显著时给出的论文表述段就是这么写的。反过来，ΔR² 小也不等于结果不重要——表注写明调节效应的 ΔR² 在社会科学实证中 0.01~0.03 已属常见，不宜套用主效应的经验标准。另外 ΔF 检验与交互项的 t 检验在数学上等价（F = t²），两个 p 值必然一致，它们是同一条证据的两种写法，不是两条。
• 两条简单斜率“一条显著一条不显著”，不构成调节效应的证据。 判定调节只能看交互项那一行。示例中 −1SD 时斜率 0.020（p = 0.788）、+1SD 时 0.805（p < 0.001），看着泾渭分明，但这两个数不过是同一条交互直线上的两个取值：相邻水平间简单斜率之差恒等于交互项系数乘以调节变量的一个标准差（0.048 × 8.210 = 0.392），它是交互项的换算而非独立证据。第四张卡的结论文案专门写明“简单斜率的显著性差异与交互项显著是两个不同的问题”。还要记得 ±1SD 只是惯例选取的代表性水平，数据里并不真的存在这样两个分组。
• Johnson-Neyman 比 ±1SD 全面，但它不做多重比较校正。 它在调节变量的每一个取值上都做一次检验，表注明写整体第一类错误率因此高于名义的 0.05。另有两条要留意：置信带在调节变量的极端取值处最宽，那里数据稀疏、估计最不可靠；落在观测范围之外的转变点属于外推，表里已标注，不要拿它解释现实。
• 调节说的是“效应强度随第三变量变化”，既不是机制，也不是因果。 第五张卡的解释边界写明了这一条。交互项显著只表示 X 与 Y 的关联在不同 M 水平上不同：它没有说 M 参与了传导（那是中介要回答的），也没有排除混淆——一个同时与 M 相关、又与 X 和 Y 的关系相关的变量若没放进模型，交互项照样可能显著。横截面数据上的调节结论必须限定为关联性表述。

报告里有什么

1. 输出结果一：数据概览与回归前提检验
2. 输出结果二：分层回归主结果表
3. 输出结果三：简单斜率图与条件效应可视化
4. 输出结果四：效应量与简单斜率事后检验
5. 输出结果五：结论与学术表述