交互項去中心化有必要嗎
『壹』 Mplus 涓や釜璋冭妭鍙橀噺鍒嗗埆璋冭妭涓嶅悓闃舵電殑涓浠 搴旇ユ庝箞鍐欎唬鐮侊紵
鏈綃囧唴瀹瑰寘鎷琈plus SEM鍩虹妯″瀷, 鍚(榪炵畫鍙婄被鍒鏁版嵁)EFA/CFA鍙婁笉鍚孋FA妯″瀷鐨勬瘮杈冿紝嫻嬮獙絳夊兼楠, 涓嶅悓鏁版嵁綾誨瀷娼滃彉閲忎箣涓浠(Bootstrap), 璋冭妭, 璋冭妭鐨勪腑浠,鍙婄畝鍗曟晥搴斿垎鏋愬強鍋氬浘銆傛湁浜虹暀璦璇㈤棶鍩虹妯″瀷錛屾墍浠ヤ竴嬈℃ф妸涓昏佺殑鍩虹妯″瀷浠嬬粛瀹屼簡鍝堝搱鈥︹﹀傛灉鏈変漢榪橀棶浣燤plus鍩虹妯″瀷鍜嬫悶錛岃鋒妸榪欑瘒鏂囩珷鐢╃粰ta鈥︹
鐩褰
1 CFA
1.1 CFA 鍩烘湰璇鍙
1.1.1璇鍙ヨВ璇
1.1.2 Mplus璇鍙ヤ竴浜涘父鐢ㄧ﹀彿
1.1.3妯″瀷鎷熷悎鎸囨暟璇存槑
1.2 CFA MpLUS 紺轟緥鍙婄粨鏋滆В璇
1.3 澶囨嫨妯″瀷鍙奀FA妯″瀷姣旇緝
1.4 綾誨埆鍙橀噺CFA
1.5 Subgroup CFA Test invariance
1.5.1 Measurement invariance (MI)浠嬬粛
1.5.2 鎬у埆浣滀負subgroup MI 紺轟緥
# EFA鎺㈢儲鎬у洜瀛愬垎鏋
#.1 榪炵畫鍙橀噺鐨凟FA
#.2 綾誨埆鍙橀噺鐨凟FA
2 涓浠嬫ā鍨嬬殑媯楠
2.1 涓浠嬫ā鍨
2.2 Bootstrap
1.3 use model constraint 璁懼畾涓浠嬫ā鍨
2.5 璋冭妭鐨勪腑浠
3 璋冭妭妯″瀷媯楠
3.1 娼滃彉閲忚皟鑺傛ā鍨
3.2 綆鍗曟晥搴斿垎鏋愬強浜や簰浣滅敤鍥
4 濡備綍鎶ュ憡鏁版嵁鍞よ厰緇撴灉
5 浠ｇ爜鑾峰彇鏂規硶
1 CFA
Testing ameasurement model via CFA is always the first step in fitting a structural equationmodel (SEM).
1.1 CFA鍩烘湰璇鍙
1.1.1璇鍙ヨВ璇
Title: 鍙浠ヤ換鎰忕粰瀹氾紝濡倀hree factor model
TITLE: three factor model
VARIABLE:錛佽皚閾懼盡鏁版嵁鏂囦歡閲屾墍鏈夌殑鍙橀噺鍚
USEVARIABLES= 鎵浣跨敤鐨勫彉閲
MISSING = ALL(-1); 錛佺晫瀹氱己澶卞礆紝鏍規嵁鑷宸辯殑璁懼畾鍙浠ユ槸-999錛 -99浠繪剰
ANALYSIS:
TYPE = GENERAL;
TYPE 涓昏佹湁鍥涚嶅父瑙佺殑鍒嗘瀽綾誨瀷
路 GENERAL鏈甯哥敤鐨, CFA, SEM, 涓鑸綰挎у洖褰掓ā鍨
路 MIXTURE 鐢ㄤ簬綾誨埆鍙橀噺鐨勬ā鍨嬶紝鏈甯哥敤鐨刲atent class analysis
路 TWOLEVEL 澶氭按騫蟲暟鎹錛屽彲浠ユ槸榪炵畫鎬у強綾誨埆鍙橀噺
路 EFA 鎺㈢儲鎬у洜瀛愬垎鏋
ESTIMATOR= ML; !estimation method
濡傛灉鎵鏈夌殑鍥犲彉閲忔槸榪炵畫鎬у彉閲忥紝鍙浠ヤ嬌鐢∕L (Maximum Likelihood)
濡傛灉鏈変竴涓鎴栧氫釜鍥犲彉閲忔槸綾誨埆鍙橀噺categorical variable錛屽簲璇ヤ嬌鐢╓LSMV(a weighted least squares estimate)
ITERATIONS= 1000; !榪愯岀殑嬈℃暟
MODEL:!鐣屽畾妯″瀷
fdback BY FDBACK1 FDBACK2 FDBACK3;
rolecon BY ROLECON1 ROLECON2 ROLECON3;
OUTPUT:
MOD STAND;
MOD modificationindices,
娉錛欱Y 鏄疢easured by 鐨勭緝鍐
ON 鏄痳egressed on 鐨勭緝鍐
Y ON X Z; 琛ㄧずX, Z 涓虹ゥ宀╄嚜鍙橀噺錛孻 涓哄洜鍙橀噺;
WITH 鏄痗o-vary with鐨勭緝鍐欙紝琛ㄧず鐩稿叧
XWITH鏄鐢ㄦ潵鍒涘緩娼滃彉閲忕殑浜や簰浣滅敤
濡傦細 X BY X1 X2 X3;
Z BY Z1 Z2 Z3;
XZWITH | X WITH Z;
濡傛灉瑕佺敤娼滃彉閲忔ā鍨嬫眰璋冭妭妯″瀷闇瑕佺敤鍒般
1.1.2 Mplus璇鍙ヤ竴浜涘父鐢ㄧ﹀彿
@ 鏄鐢ㄦ潵set a constraint
X WITH Y@0; 錛佸傛灉鎴戜滑鎯寵佽懼畾涓や釜娼滃彉閲忕浉鍏充負0錛
* 鏄熷彿鐢ㄦ潵 free a fixed 鈥揵y-default parameter
姣斿俋 BY X1* X2@1 X3 X4;
涓轟簡妯″瀷璇嗗埆錛孧plus閫氬父榛樿ょ涓涓鏉＄洰鐨刲oading 緋繪暟涓1錛屽傛灉浣犳兂瑕佹敼鍙橀粯璁よ劇疆錛屽皢絎浜屼釜鏉＄洰闄愬畾loading 緋繪暟涓1錛岃岀涓涓鏉＄洰free to be estimated. 灝卞彲浠ョ敤浠ヤ笂銆
() 榪欎釜鏄鐢ㄦ潵鍛藉悕鐗瑰畾緋繪暟錛屼竴鑸澶嶆潅妯″瀷姣旇緝鏈夌敤銆
Y1 ON X1 (a);
Y2 ON X2 (b);
Model constraint :a = 2*b;
1.1.3妯″瀷鎷熷悎鎸囨暟璇存槑
CFI, TLI, RMSEA, AIC,BIC Kline (2010):
1.2CFA MpLUS 紺轟緥鍙婄粨鏋滆В璇
瀵瑰簲浠ｇ爜鏂囦歡: M1.2 three factor CFA
妯″瀷璇存槑錛氫笁涓鍙橀噺social support, teamwork, job satisfaction 鍒嗗埆鏈2涓鏉＄洰嫻嬮噺錛岄獙璇丆FA涓夊洜瀛愭ā鍨嬶紝鐐瑰嚮榪愯孧pLUS浼氱粰鍑烘ā鍨嬫嫙鍚堟寚鏁板強Loading銆
鏍規嵁HU & Bentler CFI TLI 0.95, 0.08 SRMR, .06RMSEA 璇存槑妯″瀷鎷熷悎鎸囨暟杈冨ソ
Loading緋繪暟鍙婂彉閲忎箣闂寸殑鐩稿叧銆
1.3 澶囨嫨妯″瀷鍙奀FA妯″瀷姣旇緝
鑷充簬濡備綍閫夋嫨涓嶅悓鐨勬ā鍨嬶紝鍙浠ュ弬鑰冨疄璇佺爺絀
鍙浠ヨ瘯鐫榪愯1 factor, or three, 鐒跺悗鏍規嵁chi-sq, df姣旇緝妯″瀷錛宯ested 妯″瀷閫氬父姣旇緝涓や釜妯″瀷鐨勫崱鏂瑰(鍗℃柟鍊肩殑鍙樺寲鍊 M1 鍗℃柟-M0鍗℃柟錛岃嚜鐢卞害鍙樺寲鍊糳f1-df0,鏌ュ崱鏂硅〃鏄鍚︽樉钁).
Satorra & Bentler(2010)鎻愬嚭涓縐嶆柊鐨勬柟娉曪紝Mplus瀹樼綉鏈変粙緇嶏細
鏉ユ簮錛
https://www.statmodel.com/chidiff.shtml
鎴戝凡鎶婅繖涓鍏寮忔斁鍦ㄤ竴涓狤XCEL閲岄潰錛屼綘鍙闇瑕丮pLUS 閲孍STIMATOR = ML, ML淇鏀逛負MLR錛岃窇涓や釜涓嶅悓鐨刵estedmodel 錛圡1 M0錛,鐒跺悗浼氬緱鍒扮浉鍏崇殑鍑犱釜鏁版嵁錛岃緭鍏ュ瑰簲鐨凟XCEL錛屽啀鍘繪煡鍗℃柟琛ㄥ嵆鍙銆
1.4 綾誨埆鍙橀噺CFA
鍙闇瑕佹坊鍔犱竴琛屼唬鐮佽存槑CATEGORICAL =
瀵瑰簲鐨凟STIMATOR =WLSMV;
1.5 SubgroupCFA Test invariance
1.5.1Measurement invariance (MI)浠嬬粛
閲忚〃寮鍙戱紝鎴栬呯旱鍚戣拷韙鏁版嵁鐨勬椂鍊欓渶瑕佹楠 measurement invariance (Van de Schoot,Lugtig, & Hox, 2012).
鍏蜂綋鐨勭浉鍏崇悊璁烘柟闈㈠彲浠ラ槄璇繪枃鐚 Van de Schoot et al. 2012, 浣滆呰︾粏鎻愪緵浜唖tep by step guide 浠ュ強Mplus syntax銆
www.fss.uu.nl/mplus(), 鎵撳紑閾炬帴鍙戠幇浣滆呬篃鏄疷U鐨勨︹︾劧鑰屽苟娌℃湁鍙戠幇Mplus syntax鈥︼紝浣嗘槸UU瀛︽湳絎旇版彁渚涳紒
閫氬父媯楠岋細
路 factorloading, (weak invariance)
路 intercepts,(strong invariance)
路 andresial variances (strict invariance)
鐒跺悗鏍規嵁1.3鎻愬埌鐨勬ā鍨嬫瘮杈冩柟娉曟瘮杈冧笉鍚岀殑妯″瀷
1.5.2 鎬у埆浣滀負subgroup MI 紺轟緥
鎴戞妸涓変釜妯″瀷鐨勪唬鐮佸啓鍦ㄤ竴涓猻yntax鏂囦歡閲屼簡錛岃繍琛岀殑鏃跺欏彧闇瑕佸垹鎺夊墠闈㈡敞閲婄﹀彿!鍗沖彲Model 1灝辨槸鏅閫氱殑CFA涓嶉渶瑕佹坊鍔犱換浣曪紝Model 2, 闇瑕佸湪鏁版嵁涓嬮潰娣誨姞GROUPING 鈥analysis娣誨姞渚濅竴鍙 !MODEL = configural metric scalar;
娉ㄦ剰:鍦ㄤ慨鏀逛唬鐮佹椂鍊欎竴瀹氳佸湪鑻辨枃杈撳叆娉曟ā寮!
杈撳叆錛丮plus鏃犳硶璇嗗埆錛宮plus渚濈劧浼氳繍琛屽師鏈闇瑕佸拷鐣ョ殑浠ｇ爜錛屼慨鏀逛負鑻辨枃!灝變細鍙樻垚澶囨敞妯″紡
MODEL 2 Stronginvariance
(瀵瑰簲浠ｇ爜鏂囦歡M1.5.2 strong measurement invariance)
灝變細寰楀埌invariance testing, 浠ュ強妯″瀷鎷熷悎鎸囨暟
ModeL3 Strict model
錛圡1.5.3strict measurement invariance錛
Strict 妯″瀷鎷熷悎杈冨樊
# EFA鎺㈢儲鎬у洜瀛愬垎鏋
#.1 榪炵畫鍙橀噺鐨凟FA
EFA姣旇緝綆鍗曪紝綆鍗曡翠笅 (瀵瑰簲浠ｇ爜鏂囦歡M0EFA 1-4factor)
鍙闇瑕侀夋嫨闇瑕佽繘琛孍FA 鐨勫彉閲忥紝鐒跺悗鍐嶅垎鏋愭柟娉曟寚瀹欵FA 鐒跺悗 1鍜 4鍒嗗埆鎸囷紝1-4 factor錛岃繍琛屽氨鍙浠ヤ簡
緇撴灉灝變細緇欏嚭涓嶅悓妯″瀷鐨勬瘮杈僱oading錛屼互鍙婃嫙鍚堟寚鏁
1 factor loadings
Two factors
Three factor
姣旇緝鍙戠幇錛宼wo factor , 澶氫釜鏉＄洰鍑虹幇鍙岃澆鑽穋ross-loading錛屼笁涓灝辨洿宸浜嗭紝緇煎悎妯″瀷姣旇緝鎬loading 緋繪暟閫夊彇鍗曞洜瀛愭ā鍨
#.2 綾誨埆鍙橀噺鐨凟FA
鍙闇瑕佸埗瀹歝ategorical variable 鍗沖彲
2 涓浠嬫ā鍨嬬殑媯楠
2.1 涓浠嬫ā鍨
妯″瀷璇存槑 teamwork鈥攕ocial support---job satisfaction (浠ｇ爜鏂囦歡錛歁2.1 mediation bootstrap)
鐢ㄦ綔鍙橀噺涓浠嬫ā鍨嬶紝姣忎釜鍙橀噺鏈変袱涓鏉＄洰
IND: only add atest for the indirect effect
鍙浠ョ湅鍑猴紝鎵鏈夌殑鍥炲綊緋繪暟閮芥樉钁楋紱
涓浠嬩篃鏄鏄捐憲
2.2 Bootstrap
浠ュ悓鏍風殑妯″瀷涓轟緥錛歵eamwork鈥攕ocial support---job satisfaction
鍦ˋNALYSIS: 鍛戒護涓嬫坊鍔燘ootstrap = 10000; 鏍規嵁Hayes (2013) 涓鑸5000嬈′互涓婂氨鍙浠ャ
鐩稿簲鍦幫紝鍦∣UTPUT: CINTERVAL (bcbootstrap)錛涘湪浠ｇ爜M2mediation mplus, 宸茬粡娣誨姞浜咮ootstrap錛屽彧闇瑕佸垹鎺夊墠闈㈢殑錛佸彿鍗沖彲錛堬紒鍦╩plus琛ㄧず娉ㄩ噴璇存槑錛夛紝榪愯屽氨浼氳幏寰梑ootstrap 緇撴灉錛
鍙闇瑕佷笉鍖呭惈0璇存槑緇撴灉鏄捐憲銆
1.3 use model constraint 璁懼畾涓浠嬫ā鍨
濡傛灉娑夊強澶氫釜涓浠嬫椂鍊欒繖縐嶆柟娉曟瘮杈冨ソ涓浜
2.4 緇撴灉鍙橀噺涓虹被鍒鍙橀噺鐨勪腑浠嬫ā鍨
浠ユу埆浣滀負緇撴灉鍙橀噺錛屼粎浠呮槸涓轟簡婕旂ず鈥︹︿笉鐒舵嬁鎬у埆鍋氬洜鍙橀噺鎮愭曞緢闅捐村緱閫
鍦ㄧ敤鍒扮殑鍙橀噺閲岃存槑綾誨埆鍙橀噺錛屽垎鏋愭柟娉曚篃闇瑕佺敤MLR, a maximum likelihood estimator withrobust standard errors using a numerical integration algorithm will be used (Muth茅n &Muth茅n, 2017).
鍏跺畠鎶婄被鍒鍙橀噺鍋氳嚜鍙橀噺涔嬬被鐨勶紝閮藉ぇ鍚屽皬寮傦紝涓嶅啀璧樿堪銆傛劅鍏磋叮鐨勫彲浠ョ湅鐪婱pLUS USER GUIDE P.39-40
2.5 璋冭妭鐨勪腑浠
瀵瑰簲浠ｇ爜鏂囦歡M2.5 moderated mediation
鏂板緩浜嗕氦浜掍綔鐢╓Dxsocsup, 鐢ㄦ綔鍙橀噺鎴栨樉鍙橀噺鐨勬椂鍊欏湪鍒嗘瀽鏂規硶浜や簰浣滅敤璁懼畾閮戒細鏈夋墍涓嶅悓銆傚湪鍓嶆枃MpLUS璇鍙ヤ粙緇嶉噷鏈夎存槑 WITH 璇鍙ャ
鍏跺畠鐨勭粨鏋滆В璇葷暐鍘匯
榪欓噷婕旂ず鐨勯兘浠ユ綔鍙橀噺妯″瀷涓轟緥瀛愶紝鏄懼彉閲忔ā鍨嬪彲浠ュ弬鑰僊pLUS USER GUIDE P.37-41
3 璋冭妭妯″瀷媯楠
3.1 娼滃彉閲忚皟鑺傛ā鍨
鍏跺疄宸茬粡鍦ㄤ笂闈涓浠嬬殑璋冭妭閲屾湁璇存槑浜嗗備綍鍒涘緩浜や簰欏癸紝娼滃彉閲忕敤 WITH 璇鍙
宸ヤ綔璧勬簮闇奼傛ā鍨嬬殑錛寃ork demand *social support, 宸ヤ綔璧勬簮瀵瑰伐浣滈渶奼傜殑buffer effect
灝辯畝鍗曡繍琛屼竴涓璋冭妭妯″瀷錛寃ork demand, social support, and WDxSSUP 瀵瑰伐浣滄弧鎰忓害鐨勫獎鍝
Output 杈撳嚭浠ｇ爜紼嶆湁涓嶅悓錛歋TAND CINT SAMPSTAT;
瀵瑰簲浠ｇ爜鏂囦歡錛3.1 latent moderation
涓繪晥搴旀樉钁楋紝浜や簰浣滅敤涓嶆樉钁椼
3.2 綆鍗曟晥搴斿垎鏋愬強浜や簰浣滅敤鍥
璇村疄鍦ㄥ湪MpLUS閲岀畝鍗曟晥搴斿垎鏋愭瘮杈冮夯鐑︼紝鍋氬嚭鏉ョ殑鍘熷嬪浘涔熸瘮杈冧笐鈥︹
灝辯敤鏄懼彉閲忔ā鍨嬫紨紺恆
瀵瑰簲浠ｇ爜鏂囦歡錛歁3.2 Moderation analysis withsimple slope test and plot
棣栧厛鍒涘緩浜や簰欏癸紝浣嗘槸鍥炲綊鍒嗘瀽涓鑸闇瑕佹暟鎹涓蹇冨寲澶勭悊錛屾墍浠ュ湪鍑嗗囨暟鎹鐨勬椂鍊欐渶濂界洿鎺ュ壋寤轟氦浜掍綔鐢錛屾垨鑰呬篃鍙浠ョ敤Define, 鐒跺悗娣誨姞浜や簰浣滅敤鍒皍sevariables !閲嶈
綆鍗曟晥搴斿垎鏋愮殑絎涓姝ユ槸棣栧厛璺戜竴涓鍥炲綊妯″瀷錛屽傛灉寰楀埌浜や簰浣滅敤鏄捐憲涔嬪悗錛屾牴鎹姒傚康妯″瀷鍐欏嚭瀵瑰簲鍦板洖褰掓柟紼
Stress =b0+age+b1*wkdem + b2*support+b3*DEMxSUP
榪欓噷璋冭妭鍙橀噺涓簊up, 綆鍗曟晥搴斿垎鏋愬氨鏄璋冭妭鍙橀噺鍦ㄥ鉤鍧囨暟鍔犲噺涓涓鏍囧噯宸涔嬩笁鑰呬箣闂磗lope鐨勫樊寮, bo b1絳変負闈炴爣鍑嗗寲鐨勫洖褰掔郴鏁般
Social support 騫沖潎鏁頒負3.464, 鏍囧噯宸涓0.991, 鍩轟簬姝ゅ彲浠ユ眰鍑猴紝Med, high, low social support; 榪欎簺鏁版嵁鍙浠ラ氳繃TECH1 TECH8; 灝卞彲浠ョ粰鍑猴紝娉∕Plus鎻愪緵鐨勬槸鏂瑰樊錛岄渶瑕佽嚜宸辮＄畻SD錛屾垨鑰呭彲浠ョ敤SPSS
LOSUP= 3.464 - 0.991;
MEDSUP = 3.464;
HISUP = 3.464 + 0.991;
鐒跺悗鐣屽畾涓変釜slope,
SIMP_LO = b1 +b3*LOSUP;
SIMP_MED = b1 + b3*MEDSUP;
SIMP_HI = b1 + b3*HISUP;
鐒跺悗涓婇潰鐨勫叕寮忕粡榪囪漿鎹錛屽垎鍒鐣屽畾涓夋潯綰縧ow, med, high錛岃繍琛屽緱鍑虹粨鏋
鍙戠幇鍙鏈塴ow social support 鏄捐憲鈥︹︾劧鍚庢煡鐪嬪叿浣撲氦浜掍綔鐢ㄥ浘
鈥︹︿互鍓嶄互涓篗pLUS 鍋氬嚭鏉ョ殑鍥句笐鍒版棤杈光︹﹀叾瀹炴槸娌℃湁璋冩暣濂解︹
4 濡備綍鎶ュ憡鏁版嵁緇撴灉
鍙鍙傝冨凡鍙戣〃瀹炶瘉鐮旂┒銆傛垨鍏蟲敞UU瀛︽湳絎旇幫紝鐩鍓嶆垜浠鑱斿悎浼楀氬崥澹姝ｅ湪鏁寸悊綆＄悊瀛﹀強蹇冪悊瀛﹂嗗煙Top tier journal 鏁版嵁緇撴灉鎶ュ憡鐨勫父鐢ㄥ彞搴擄紝鏈鏉ヤ竴涓鏈堝唴浼氬彂鍦ㄥ叕浼楀彿銆傚彟澶栵紝鎴戜滑鑻辨枃鍐欎綔鍙ュ簱宸茬粡鍙戝竷浜嗗紩璦閮ㄥ垎鍙婃枃鐚緇艱堪銆佹柟娉曢儴鍒
Academic writing: method (sentence bank)
鍐欏ソ鑻辨枃瀛︽湳璁烘枃錛屼綘鍙宸涓涓鍙ュ簱 (Sentence Bank)
5浠ｇ爜鑾峰彇鏂規硶
路 浠ｇ爜閮藉凡緇忓湪鏂囩珷鎴鍥懼憟鐜幫紝鎵浠ュ彲浠ユ牴鎹鑷宸辨暟鎹鏀圭紪銆
路 杞鍙戣嚦鏈嬪弸鍦堣幏寰30涓璧炲悓錛
路 杞鍙戣嚦浜300浜轟互涓婂績鐞嗗︽垨綆＄悊瀛︾曞＋鍗氬＋緹
鍙戣嚦閭綆眜[email protected]錛屾垜浠浼氬湪3涓宸ヤ綔鏃ュ唴鍙戠粰浣犱唬鐮佸強鏁版嵁
濡傛灉闇瑕丮pLUS 杞浠舵垨鑰呮暟鎹鍑嗗囦笉娓呮氾紝璇風湅
Mplus 7.4 杞浠跺強浠ｇ爜
鎴栬呭傛灉娑夊強澶嶆潅妯″瀷錛孡CA
Latent Transition Analysis錛堟綔鍦ㄧ兢緇勮漿鍙橈級: Mplus鍒嗘瀽璇﹁В
----
嬈㈣繋鍏蟲敞鎴戜滑涓涓涓撴敞浜庡績鐞嗗﹀強綆＄悊瀛﹂嗗煙緇熻℃柟娉曪紙澶嶆潅妯″瀷Mplus鍙奟杞浠剁殑搴旂敤錛夊強鑻辨枃鍐欎綔鐨勫叕浼楀彿
----
鍙﹀傛灉娑夊強緇熻″強浠ｇ爜闂棰橈紝璇峰湪鏂囩珷涓嬫柟鐣欒█鎴栭偖瀵勩傚叕浼楀彿鍥炲48灝忔椂灝辨棤娉曞洖澶嶄簡銆
緙栬緫浜 2020-02-06 路 钁椾綔鏉冨綊浣滆呮墍鏈
璧炲悓 146
璇勮
鐩稿叧鎺ㄨ崘
浜涓淧LUS浼氬憳鐨勯珮綰х壒鏉冿紝寰堝氫漢閮戒笉鐭ラ亾錛佺櫧嫻璐逛簡浼氬憳璐癸紒
媯夋夎姳緋栫殑鍥炵瓟
鏈変粈涔堥傚悎瀛︾敓鍏氱殑鎬т環姣旈珮鐨勬按涔沖楄呮帹鑽愬悧錛
璨傞嬭灪錏崇矇鐨勫洖絳
鐢風敓鎬庝箞鐭鏃墮棿鍐呭彉甯呫佸彉鐧斤紵
鎴戝剁嫍浼氬悗絀虹炕鐨勫洖絳
浣犱滑鐨勭棙鐥樻渶鍚庨兘鏄鎬庝箞瀹屽叏濂界殑錛
鎴戝彨闄堜笘緹庣殑鍥炵瓟
灝勯戠編瀹逛華鏄浼縐戝﹀悧錛
OO鍢寸殑鍥炵瓟
濂崇敓闀挎湡鑴捐儍涓嶅ソ錛岃ュ備綍鍏昏儍錛熸槸鍦ㄦ牎瀛︾敓鏈変粈涔堢畝鍗曢珮鏁堢殑鏂規硶鍚楋紵
綆楀懡鐨勮存垜寰堢埍鍚冪殑鍥炵瓟
璇烽棶澶у朵竴鑸鎵懼伐浣滈兘鏄鍦ㄤ粈涔坅pp涓婃壘鐨勶紝boss銆58銆佸墠紼嬫棤蹇с佹櫤鑱旇繖鍑犱釜闈犺氨鍚楋紵
闄堥粯Silence鐨勫洖絳
浠涔堢嫍綺姣旇緝濂斤紵
閾插睅瀹榢imi鐨勫洖絳
鐭ュ弸鎺ㄨ崘鐨勫北鑽綺夌湡鐨勮兘琛ヨ劸鑳冨悧錛屽枬涓や釜鏈堟湁浠涔堝彉鍖栵紵錛堜釜浜轟翰嫻嬶級
闄堜綇姘旂殑鍥炵瓟
2022鏅鴻兘鎵嬭〃淇濆嗙駭閫夎喘鎸囧崡 | 鏅鴻兘鎵嬭〃鎬庝箞閫夛紵鍗庝負銆佽嫻鏋溿佸崕綾熾丱PPO絳変富嫻佸搧鐗屾墜琛ㄦ繁搴﹀規瘮璇勬祴錛堝弻鍗佷簩鐗規洿錛
涓鏄傜緤鐨勫洖絳
鏀惰搗
澶у惰繕鍦ㄦ悳
浜哄姏璧勬簮綆＄悊5p妯″瀷
浜哄姏璧勬簮amo妯″瀷
浜哄姏璧勬簮綆＄悊鐨勬ā鍨
綺劇泭鍏瑗挎牸鐜涘煎叆闃舵
浜哄姏璧勬簮鑳藉姏妯″瀷
浜哄姏璧勬簮鍒嗘瀽甯哥敤妯″瀷
浜哄姏璧勬簮綆＄悊甯哥敤妯″瀷
浜哄姏璧勬簮345鍘熷垯
浜哄姏璧勬簮綆＄悊鎺у埗紼嬪簭
浜哄姏璧勬簮綆＄悊澶у挅
緔㈠凹浜哄姏璧勬簮綆＄悊妗堜緥
鍚閰姘村鉤絳栫暐鏈夊嚑縐嶆ā鍨
濉斿厠鏇煎洟闃熷彂灞曢樁孌墊ā鍨
濉斿厠鏇間簲闃舵墊ā鍨
鎴愬瀷鍙傛暟浜斿ぇ瑕佺礌
钂傝挋鏂妯″瀷鐨勪笁瑕佺礌
浜哄姏璧勬簮綆＄悊kpi鎸囨爣
osi鍙傝冩ā鍨嬬殑涓冧釜灞傛
浜哄姏璧勬簮綆＄悊涓冪嶅師鍒
fms鐨勪竷涓璇勪及鍔ㄤ綔鍥
鎬佸害杞鍙樻ā鍨嬪寘鍚瑕佺礌
osi妯″瀷鐨勪竷涓灞傛¤懼
osi鍙傝冩ā鍨嬩竷涓灞傛
鑳滀換緔犺川妯″瀷6瑕佺礌
aba鐨勫熀鏈璁緇冩柟娉
ecp鍏瑕佺礌
濉斿厠鏇煎洟闃熷彂灞曢樁孌墊ā鍨
濉斿厠鏇間簲闃舵墊ā鍨
鐩稿叧鎺ㄨ崘
鍗佸垎閽熷︿細鏈夎皟鑺傜殑涓浠嬪垎鏋愨斺擬PLUS_鐭ヤ箮
浣滆:緙囧 鍦ㄤ笂鏈熷唴瀹逛腑,灝忕紪涓哄ぇ瀹剁畝鍗曚粙緇嶄簡鏈夊叧鈥滄湁璋冭妭鐨勪腑浠嬫ā鍨嬧濈殑姒傚康銆佺洰鍓嶅彂灞曡秼鍔誇互鍙婁竴縐嶆暟鎹鍒嗘瀽鏂規硶(PROCESS).鍥犳ゆ湰鏈熷唴瀹逛富瑕佽仛鐒︿簬鏈夎皟鑺傜殑涓浠嬬殑鍙︿竴縐嶆暟鎹鍒嗘瀽鏂規硶鈥斺擬PLUS. 浣嗘槸鎴戜滑璇磋繖縐嶆柟寮忓逛簬娌℃湁...
蹇閫熶笂鎵婱PLUS鏁版嵁澶勭悊_鐭ヤ箮
浣滆:緙囧滄綔鍙橀噺妯″瀷鍙戝睍榪呴.鐒惰屾柟娉曞﹂嗗煙鐨勫彂灞曞歡浼稿埌搴旂敤棰嗗煙闇瑕佷竴孌墊椂闂.榪欎釜鏃墮棿鐨勯暱鐭鍙栧喅浜庢柟娉曞﹁呯殑... 01 MPLUS鍩虹鐭ヨ瘑鍜屾搷浣02 嫻嬮噺妯″瀷涓庨獙璇佹у洜緔犲垎鏋怌FA鈥斺旀兂鍋氱粨鏋勬柟宸鍏堜粠嫻嬮噺妯″瀷寮濮嬪﹁搗03 緇撴瀯鏂圭▼妯″瀷涓...
鏈夎皟鑺傜殑涓浠嬪湪Mplus涓鐨勫疄鐜(璋冭妭鐩存帴璺寰)_鐭ヤ箮
褰撲竴涓妯″瀷涓鏃㈡湁涓浠嬪彉閲,鍙堟湁璋冭妭鍙橀噺鏃,濡備綍鍦∕plus涓瀹炵幇鍛?鏈鏂囩殑鍙橀噺鍧囦負鏄懼彉閲,璋冭妭鍙橀噺璋冭妭鐨勮礬寰勪負鐩存帴鏁堝簲,鍗砐鍒癥鐨勮繖鏉¤礬寰.濡傛灉浣犵殑妯″瀷鏄絎涓闃舵墊垨絎浜岄樁孌佃皟鑺,鍙浠ュ弬鐓ф湰鏂囩暐浣滀慨鏀.鏉ョ湅涓嬫ā鍨嬮暱鍟ユ牱,M涓轟腑...
Mplus鍒嗘瀽鏈夎皟鑺傜殑閾懼紡涓浠嬫ā鍨媉鐭ヤ箮
涔嬪墠鎴戜滑灝濊瘯鍒嗘瀽浜嗛摼寮忎腑浠,濡傛灉鏈変竴涓鍙橀噺W璋冭妭浜哅1鍒癕2榪欐潯璺寰勭殑璇,鎴戜滑鍦ㄩ摼寮忎腑浠嬭鍙ョ殑鍩虹涓,濡備綍榪涜屽垎鏋愬憿?閾懼紡涓浠嬬殑Mplus璇鍙ラ摼鎺:鐢∕plus鍒嗘瀽閾懼紡涓浠嬪傛灉鎯充粠寰淇″叕浼楀彿涓婃煡鐪嬫湰鏂囪峰叧娉ㄥ叕浼楀彿蹇冪悊緇熻′笌嫻嬮噺:...
鏈夎皟鑺傜殑涓浠嬪湪Mplus涓鐨勫疄鐜板強緇撴灉璇︾粏瑙ｈ籣鐭ヤ箮
鍦ㄥ啓璁烘枃鐨勬椂鍊,鎴戜滑甯稿父浼氬皢涓浠嬪拰璋冭妭娣峰悎浣跨敤,
『貳』 中心化數據的交互項也是中心化的嗎
以Y＝a0+a1*X+a2*Z+a3*XZ——（模型1）為例，一般在做交互項的時候，進入模型的數據都是經過去中心化的，即X、Z、XZ都是經過去中心化的。
現在問題來了，對於模型Y＝a0+a1*X+a2*Z＋a4*M+a5*N——（模型2），首先使用「正常」的數據進行回歸，
現在我們想要考察X和Z的交互作用，模型成為Y＝a0+a1*X'+a2*Z'+a3*X'Z'＋a4*M+a5*N——（模型3）,
此時按照一般做法，x'、Z'是去中心化之後的數據，
『叄』 中介效應、調節效應是什麼
在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？
那麼閑話少敘下面就來為大家一一講解。
中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。
中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。
調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。
中介作用的分析較為復雜，共分為以下三個步驟：
中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。
檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。
中介作用共分為3個模型。 針對上圖，需要說明如下：
模型1： 自變數X和因變數（Y）的回歸分析
模型2： 自變數X，中介變數(M)和因變數（Y）的回歸分析
模型3： 自變數X和中介變數（M）的回歸分析
模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。
在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：
第1步是 數據標准化處理 （對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）
第2步和第3步是 進行分層回歸 完成（分層1放入X，分層2放入M）
第4步單獨進行模型3，即 X對M的影響 （使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）
最後第5步進行 中介作用檢驗 。
檢驗圖如下：
a代表X對M的回歸系數；
b代表M對Y的回歸系數；
c代表X對Y的回歸系數（模型1中）；
c』代表X對Y的回歸系數（模型3中）。
用戶可直接按照上圖流程在 SPSSAU 中進行分析，生成結果。具體分析步驟可參考鏈接頁面： SPSS在線_SPSSAU_中介作用
調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。
調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：
1、如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）
2、如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）
3、對X或者Z進行標准化處理，也可以進行中心化處理均可
4、Y並不需要進行標准化或者中心化處理（處理也可以）
5、交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化
6、R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著
7、R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。
用戶判斷好數據類型後，直接按照上圖流程，在 SPSSAU 中進行數據處理及分析即可。具體分析流程可參考鏈接頁面： SPSS在線_SPSSAU_調節作用
『肆』 什麼是調節模型和中介模型
有機分子結構理論發展過程中的一種學說。中介效應，它指的是X對Y的影響是通過M實現的，也就是說M是X的函數，Y是M的函數（Y-M-X）。考慮自變數X對因變數Y的影響，如果X通過M影響變數Y，則稱M為中介變數。例如，上司的歸因研究：下屬的表現——上司對下屬表現的歸因——上司對下屬表現的反應，其中「上司對下屬表現的歸因」為中介變數。假設變數已經中心化或標准化其中，c是X對Y的總效應，ab是經過中介變數M的中介效應（mediating effect），c『是直接效應。當只有一個中介變數時，效應之間有如下關系：c=c』+ab，中介效應的大小用c-c'=ab來衡量。
『伍』 虛擬變數可以去中心化嗎
不需要。在計量經濟學的鄭叢設置原則中，虛擬變數是不需要中心化的喊宴櫻，其他交互項中的連祥畢續變數都需要中心化。虛擬變數又稱虛設變數、名義變數或啞變數，用以反映質的屬性的一個人工變數，是量化了的自變數，通常取值為0或1。
『陸』 中介效應中一般資料調查表中的數據處理跟中介效應有什麼關系
目前SPSSAU已支持中介作用、調節作用、帶調節的中介作用的自動智能化分析。
SPSSAU問卷研究界面
調節作用已添加自動輸出簡單斜率分析、簡單斜率圖、模型圖等。
中介作用可選擇平行中介或鏈式中介檢驗，支持逐步檢驗法、Bootstrap抽樣法，並自動輸出中介作用檢驗結論、及效應量結果。
SPSSAU_調節作用分析
SPSSAU_中介作用分析
----------- 原文內容 -------------
在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？
那麼閑話少敘下面就來為大家一一講解。
1明確概念
中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。
中介效應
中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。
調節作用
調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。
2研究步驟
2.1中介效應
中介作用的分析較為復雜，共分為以下三個步驟：
第1步：確認數據，確保正確分析。
中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。
資料來源：SPSSAU幫助手冊-中介作用
第2步：中介作用檢驗
檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。
資料來源：SPSSAU幫助手冊-中介作用
中介作用共分為3個模型。針對上圖，需要說明如下：
模型1：自變數X和因變數（Y）的回歸分析
模型2：自變數X，中介變數(M)和因變數（Y）的回歸分析
模型3：自變數X和中介變數（M）的回歸分析
模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。
在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：
資料來源：SPSSAU幫助手冊-中介作用
第1步是數據標准化處理（對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）
第2步和第3步是進行分層回歸完成（分層1放入X，分層2放入M）
第4步單獨進行模型3，即X對M的影響（使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）
最後第5步進行中介作用檢驗。
檢驗圖如下：
資料來源：SPSSAU幫助手冊-中介作用
a代表X對M的回歸系數；
b代表M對Y的回歸系數；
c代表X對Y的回歸系數（模型1中）；
c』代表X對Y的回歸系數（模型3中）。
第3步：SPSAU進行分析
用戶可以直接按照上圖流程在SPSSAU中進行分析，生成結果。具體分析步驟可參考鏈接頁面：SPSS在線_SPSSAU_中介作用
圖片來源：SPSSAU官網網站
2.2調節效應
第1步：識別X和M的數據類別，選擇合適的研究方法。
調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。
資料來源：SPSSAU幫助手冊-調節作用
第2步：調節作用檢驗
資料來源：SPSSAU幫助手冊-調節作用
調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：
如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）
如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）
對X或者Z進行標准化處理，也可以進行中心化處理均可
Y並不需要進行標准化或者中心化處理（處理也可以）
交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化
R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著
R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。
第3步：SPSAU進行分析
用戶判斷好數據類型後，直接按照上圖流程，在SPSSAU中進行數據處理及分析即可。具體分析流程可參考鏈接頁面：SPSS在線_SPSSAU_調節作用
圖片來源：SPSSAU官方網站
相關學習資料：
為大家提供上述分析方法的相關學習資料，包括中介作用、調節作用以及分析過程所需的生成變數和分層回歸：
SPSS在線_SPSSAU_生成變數
SPSS在線_SPSSAU_中介作用
SPSS在線_SPSSAU_調節作用
SPSS在線_SPSSAU_分層回歸分析
第二次
在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？
那麼閑話少敘下面就來為大家一一講解。
1明確概念
中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。
中介效應
中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。
調節作用
調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。
2研究步驟
2.1中介效應
中介作用的分析較為復雜，共分為以下三個步驟：
第1步：確認數據，確保正確分析。
中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。
第2步：中介作用檢驗
檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。
中介作用共分為3個模型。針對上圖，需要說明如下：
模型1：自變數X和因變數（Y）的回歸分析
模型2：自變數X，中介變數(M)和因變數（Y）的回歸分析
模型3：自變數X和中介變數（M）的回歸分析
模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。
在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：
第1步是數據標准化處理（對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）
第2步和第3步是進行分層回歸完成（分層1放入X，分層2放入M）
第4步單獨進行模型3，即X對M的影響（使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）
最後第5步進行中介作用檢驗。
檢驗圖如下：
a代表X對M的回歸系數；
b代表M對Y的回歸系數；
c代表X對Y的回歸系數（模型1中）；
c』代表X對Y的回歸系數（模型3中）。
第3步：SPSAU進行分析
用戶可以直接按照上圖流程在SPSSAU中進行分析，生成結果。具體分析步驟可參考鏈接頁面：SPSS在線_SPSSAU_中介作用
2.2調節效應
第1步：識別X和M的數據類別，選擇合適的研究方法。
調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。
第2步：調節作用檢驗
調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：
如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）
如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）
對X或者Z進行標准化處理，也可以進行中心化處理均可
Y並不需要進行標准化或者中心化處理（處理也可以）
交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化
R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著
R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。
第3步：SPSAU進行分析
用戶判斷好數據類型後，直接按照上圖流程，在SPSSAU中進行數據處理及分析即可。
『柒』 如何做SPSS的調節效應
做SPSS的調節效應方法：
用回歸，回歸也有兩種方法來檢驗調節效應，看下面的兩個方程，y是因變數，x是自變數，m是調節變數，mx是調節變數和自變數的交互項，系數是a b c c'。檢驗兩個方程的R方該變數，如果該變數顯著，說明調節作用顯著，也可以直接檢驗c'的顯著性，如果顯著也可以說明調節作用。
