去中心化後調節變數不顯著了

⑴ 調節變數要和因變數相關才能檢驗調節效應嗎

不是的，調節變數其實可以跟自變數或者因變數都不相關。

調節效應的主要前提是自變數和因變數應該有相關，因為調節的目的就是看自變數對因變數的作用在不同條件下有哪些變化。如果自變數和因變數本來就無關，也就是說在任何條件下都無關，那也沒必要談條件了。

在用軟體做調節效應分析：

X是自變數，M是調節變數，Y是因變數（1）單獨分析X與Y顯著（2）單獨分析M和Y也顯著（3）單獨分析X和M顯著（4）最後將X*M，X和Y同時帶入方程，結果顯示交互項X*M顯著，但是X和M分別對Y不顯著了。

Y與X的關系受到第三個變數M的影響。調節變數可以是定性的（如性別、種族、學校類型等），也可以是定量的（如年齡、受教育年限、刺激次數等），它影響因變數和自變數之間關系的方向（正或負）和強弱。

以上內容參考：網路-調節變數

⑵ 請教，調節效應不顯著，好像是調節變數起到了自

？？具體什麼問題呢？

⑶ 收集的數據,分析後調節變數不顯著,數據要怎麼做修改

摘要 你好，親，1.

⑷ 調節變數去中心化後不顯著怎麼辦

安裝CENTER。控制變數用來在多元回歸分析中緩解混雜變數對因果效應估計的干擾。我們不需要過多的擔心「控制變數的系數變化並沒有預期的跡象」。

因為在實際操作中控制變數的估計總是可能會產生偏差。相反，研究人員應該更加專注於解釋主要變數的邊際效應。相比之下，控制變數幾乎沒有實質性意義，我們可以放心地省略或只在附錄中討論。這樣不僅會有效阻止研究人員從控制變數中得出錯誤的因果結論，而且還簡化實證研究論文的討論部分，並節省寶貴的資源用來討論主要變數的經濟效果。

⑸ spss中，變數去中心化是變數減去該變數的均值，那麼zscore又是什麼呢

中心化是減去均值，Z分數是再除以標准差，二者都是中心化的方法。

⑹ 研究調節效應其他變數用不用放進來

研究調節效應其他變數用放進來，可以判斷具有調節效應。

交互項顯著說明有調節效應，調節變數不顯著說明這個調節變數在控制了自變數和調節項之後單獨的作用不顯著，簡單說就是「調節效應存在」。

可以這樣理解：調節效應存在，但是調節變數對因變數的影響不顯著，所以才會出現交互項顯著，但是調節變數不顯著結果。這個模型找到文獻支持可以成立的。調節變數可以是定性的，也可以是定量的。在做調節效應分析時,通常要將自變數和調節變數做中心化變換。

在用軟體做調節效應分析：

X是自變數，M是調節變數，Y是因變數（1）單獨分析X與Y顯著（2）單獨分析M和Y也顯著（3）單獨分析X和M顯著（4）最後將X*M，X和Y同時帶入方程，結果顯示交互項X*M顯著，但是X和M分別對Y不顯著了。

Y與X的關系受到第三個變數M的影響。調節變數可以是定性的（如性別、種族、學校類型等），也可以是定量的（如年齡、受教育年限、刺激次數等），它影響因變數和自變數之間關系的方向（正或負）和強弱。

以上內容參考：網路-調節變數

⑺ 做調節效應分析一定要把自變數和調節變數做去中心化處理嗎

不一定，中心化處理只不過是為了能夠方便解釋而已，並不會影響各項回歸系數。

數據中心化和標准化在回歸分析中是取消由於量綱不同、自身變異或者是數值相差較大所引起的誤差。數據中心化指的就是變數減去它的均值。數據標准化指的就是數值減去均值，再除以標准差。通過中心化和標准化處理，能夠得到均值為0，標准差為1的服從標准正態分布的數據。在一些實際問題當中，我們得到的樣本數據都是多個維度的，也就是一個樣本是用多個特徵來表徵的。很顯然，這些特徵的量綱和數值得量級都是不一樣的，而通過標准化的處理，可以使得不同的特徵具有相同的尺度(Scale)。這樣，在學習參數的時候，不同特徵對參數的影響程度就一樣了。簡而言之，當原始數據不同維度上的特徵的尺度(單位)不一致的時候，需要標准化步驟對數據進行預處理。數據預處理，一般有數據歸一化、標准化以及去中心化。歸一化：是將數據映射到[01]或[-11]區間范圍內，不同特徵的量綱不同，值范圍大小不同，存在奇異值，對訓練有影響。標准化：是將數據映射到滿足標准正態分布的范圍內，使數據滿足均值是0標准差是1。標准化同樣可以消除不同特徵的量綱。去中心化：就是使數據滿足均值為0，但是對標准差沒有要求。如果對數據的范圍沒有限定要求，則選擇標准化進行數據預處理；如果要求數據在某個范圍內取值，則採用歸一化；如果數據不存在極端的極大極小值時，採用歸一化；如果數據存在較多的異常值和噪音，採用標准化。

⑻ 我的因變數是多分類變數，自變數是連續變數，調節變數是連續變數，如何用spss做調節效應分析

1.如果自變數裡面的分類變數是只有兩個分類的，那你就把它跟其他定量自變數一起挪到自變數對話框就可以。
2.如果分類變數超過兩個分類，有3個或以上時，需要實現設定啞變數或者是叫做虛擬變數。

3.這個需要自己重新編碼，就是把每個分類單獨一列，該項選擇了就編碼成1，其他的是0。

4.然後把這些單獨設置的全部一起移入自變數對話框跟定量自變數一起做回歸就好了。

⑼ 用SPSS做調節效應分析。交互項顯著，但是調節變數不顯著。這樣可否判斷是否具有調節效應

可以判斷具有調節效應。

交互項顯著說明有調節效應，調節變數不顯著說明這個調節變數在控制了自變數和調節項之後單獨的作用不顯著，簡單說就是「調節效應存在」。

可以這樣理解：調節效應存在，但是調節變數對因變數的影響不顯著，所以才會出現交互項顯著，但是調節變數不顯著結果。這個模型找到文獻支持可以成立的。

(9)去中心化後調節變數不顯著了擴展閱讀

用SPSS做調節效應分析主要看交互項，交互項顯著即有調節效應，反之則沒有。調節效應應該檢驗交互因子的系數，這個系數顯著，就可以說明調節效應了。

調節作用研究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。

例如，R變化值僅為0.001非常非常低，而且△F值沒有呈現出顯著性，說明F值變化不顯著，也即說明分層2在分層1的基礎上加入交互項，並沒有對Y起著更多的作用，而且具體看交互項的回歸系數值為0.020，沒有呈現出顯著性，也即說明交互項沒有呈現出顯著性，進一步說明沒有調節作用產生。

⑽ 怎麼進行去中心化處理

根據侯傑泰的話：所謂中心化， 是指變數減去它的均值（即數學期望值）。對於樣本數據，將一個變數的每個觀測值減去該變數的樣本平均值，變換後的變數就是中心化的。
對於你的問題，應是每個測量值減去均值。