交互项去中心化有必要吗
『壹』 Mplus 涓や釜璋冭妭鍙橀噺鍒嗗埆璋冭妭涓嶅悓闃舵电殑涓浠 搴旇ユ庝箞鍐欎唬鐮侊紵
鏈绡囧唴瀹瑰寘鎷琈plus SEM鍩虹妯″瀷, 鍚(杩炵画鍙婄被鍒鏁版嵁)EFA/CFA鍙婁笉鍚孋FA妯″瀷鐨勬瘮杈冿紝娴嬮獙绛夊兼楠, 涓嶅悓鏁版嵁绫诲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瑷璇㈤棶鍩虹妯″瀷锛屾墍浠ヤ竴娆℃ф妸涓昏佺殑鍩虹妯″瀷浠嬬粛瀹屼簡鍝堝搱鈥︹﹀傛灉鏈変汉杩橀棶浣燤plus鍩虹妯″瀷鍜嬫悶锛岃锋妸杩欑瘒鏂囩珷鐢╃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 绀轰緥鍙婄粨鏋滆В璇
1.3 澶囨嫨妯″瀷鍙奀FA妯″瀷姣旇緝
1.4 绫诲埆鍙橀噺CFA
1.5 Subgroup CFA Test invariance
1.5.1 Measurement invariance (MI)浠嬬粛
1.5.2 鎬у埆浣滀负subgroup MI 绀轰緥
# EFA鎺㈢储鎬у洜瀛愬垎鏋
#.1 杩炵画鍙橀噺鐨凟FA
#.2 绫诲埆鍙橀噺鐨凟FA
2 涓浠嬫ā鍨嬬殑妫楠
2.1 涓浠嬫ā鍨
2.2 Bootstrap
1.3 use model constraint 璁惧畾涓浠嬫ā鍨
2.5 璋冭妭鐨勪腑浠
3 璋冭妭妯″瀷妫楠
3.1 娼滃彉閲忚皟鑺傛ā鍨
3.2 绠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缁撴灉
5 浠ｇ爜鑾峰彇鏂规硶
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: 鍙浠ヤ换鎰忕粰瀹氾紝濡倀hree factor model
TITLE: three factor model
VARIABLE:锛佽皑閾惧尽鏁版嵁鏂囦欢閲屾墍鏈夌殑鍙橀噺鍚
USEVARIABLES= 鎵浣跨敤鐨勫彉閲
MISSING = ALL(-1); 锛佺晫瀹氱己澶卞硷紝鏍规嵁鑷宸辩殑璁惧畾鍙浠ユ槸-999锛 -99浠绘剰
ANALYSIS:
TYPE = GENERAL;
TYPE 涓昏佹湁鍥涚嶅父瑙佺殑鍒嗘瀽绫诲瀷
路 GENERAL鏈甯哥敤鐨, CFA, SEM, 涓鑸绾挎у洖褰掓ā鍨
路 MIXTURE 鐢ㄤ簬绫诲埆鍙橀噺鐨勬ā鍨嬶紝鏈甯哥敤鐨刲atent class analysis
路 TWOLEVEL 澶氭按骞虫暟鎹锛屽彲浠ユ槸杩炵画鎬у強绫诲埆鍙橀噺
路 EFA 鎺㈢储鎬у洜瀛愬垎鏋
ESTIMATOR= ML; !estimation method
濡傛灉鎵鏈夌殑鍥犲彉閲忔槸杩炵画鎬у彉閲忥紝鍙浠ヤ娇鐢∕L (Maximum Likelihood)
濡傛灉鏈変竴涓鎴栧氫釜鍥犲彉閲忔槸绫诲埆鍙橀噺categorical variable锛屽簲璇ヤ娇鐢╓LSMV(a weighted least squares estimate)
ITERATIONS= 1000; !杩愯岀殑娆℃暟
MODEL:!鐣屽畾妯″瀷
fdback BY FDBACK1 FDBACK2 FDBACK3;
rolecon BY ROLECON1 ROLECON2 ROLECON3;
OUTPUT:
MOD STAND;
MOD modificationindices,
娉锛欱Y 鏄疢easured by 鐨勭缉鍐
ON 鏄痳egressed on 鐨勭缉鍐
Y ON X Z; 琛ㄧずX, Z 涓虹ゥ宀╄嚜鍙橀噺锛孻 涓哄洜鍙橀噺;
WITH 鏄痗o-vary with鐨勭缉鍐欙紝琛ㄧず鐩稿叧
XWITH鏄鐢ㄦ潵鍒涘缓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; 锛佸傛灉鎴戜滑鎯宠佽惧畾涓や釜娼滃彉閲忕浉鍏充负0锛
* 鏄熷彿鐢ㄦ潵 free a fixed 鈥揵y-default parameter
姣斿俋 BY X1* X2@1 X3 X4;
涓轰簡妯″瀷璇嗗埆锛孧plus閫氬父榛樿ょ涓涓鏉＄洰鐨刲oading 绯绘暟涓1锛屽傛灉浣犳兂瑕佹敼鍙橀粯璁よ剧疆锛屽皢绗浜屼釜鏉＄洰闄愬畾loading 绯绘暟涓1锛岃岀涓涓鏉＄洰free to be estimated. 灏卞彲浠ョ敤浠ヤ笂銆
() 杩欎釜鏄鐢ㄦ潵鍛藉悕鐗瑰畾绯绘暟锛屼竴鑸澶嶆潅妯″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 绀轰緥鍙婄粨鏋滆В璇
瀵瑰簲浠ｇ爜鏂囦欢: M1.2 three factor CFA
妯″瀷璇存槑锛氫笁涓鍙橀噺social support, teamwork, job satisfaction 鍒嗗埆鏈2涓鏉＄洰娴嬮噺锛岄獙璇丆FA涓夊洜瀛愭ā鍨嬶紝鐐瑰嚮杩愯孧pLUS浼氱粰鍑烘ā鍨嬫嫙鍚堟寚鏁板強Loading銆
鏍规嵁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绯绘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绌
鍙浠ヨ瘯鐫杩愯1 factor, or three, 鐒跺悗鏍规嵁chi-sq, df姣旇緝妯″瀷锛宯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℃柟锛岃嚜鐢卞害鍙樺寲鍊糳f1-df0,鏌ュ崱鏂硅〃鏄鍚︽樉钁).
Satorra & Bentler(2010)鎻愬嚭涓绉嶆柊鐨勬柟娉曪紝Mplus瀹樼綉鏈変粙缁嶏細
鏉ユ簮锛
https://www.statmodel.com/chidiff.shtml
鎴戝凡鎶婅繖涓鍏寮忔斁鍦ㄤ竴涓狤XCEL閲岄潰锛屼綘鍙闇瑕丮pLUS 閲孍STIMATOR = ML, ML淇鏀逛负MLR锛岃窇涓や釜涓嶅悓鐨刵estedmodel 锛圡1 M0锛,鐒跺悗浼氬緱鍒扮浉鍏崇殑鍑犱釜鏁版嵁锛岃緭鍏ュ瑰簲鐨凟XCEL锛屽啀鍘绘煡鍗℃柟琛ㄥ嵆鍙銆
1.4 绫诲埆鍙橀噺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〃寮鍙戯紝鎴栬呯旱鍚戣拷韪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彲浠ラ槄璇绘枃鐚 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︽湳绗旇版彁渚涳紒
閫氬父妫楠岋細
路 factorloading, (weak invariance)
路 intercepts,(strong invariance)
路 andresial variances (strict invariance)
鐒跺悗鏍规嵁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埆浣滀负subgroup MI 绀轰緥
鎴戞妸涓変釜妯″瀷鐨勪唬鐮佸啓鍦ㄤ竴涓猻yntax鏂囦欢閲屼簡锛岃繍琛岀殑鏃跺欏彧闇瑕佸垹鎺夊墠闈㈡敞閲婄﹀彿!鍗冲彲Model 1灏辨槸鏅閫氱殑CFA涓嶉渶瑕佹坊鍔犱换浣曪紝Model 2, 闇瑕佸湪鏁版嵁涓嬮潰娣诲姞GROUPING 鈥analysis娣诲姞渚濅竴鍙 !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!
杈撳叆锛丮plus鏃犳硶璇嗗埆锛宮plus渚濈劧浼氳繍琛屽師鏈闇瑕佸拷鐣ョ殑浠ｇ爜锛屼慨鏀逛负鑻辨枃!灏变細鍙樻垚澶囨敞妯″紡
MODEL 2 Stronginvariance
(瀵瑰簲浠ｇ爜鏂囦欢M1.5.2 strong measurement invariance)
灏变細寰楀埌invariance testing, 浠ュ強妯″瀷鎷熷悎鎸囨暟
ModeL3 Strict model
锛圡1.5.3strict measurement invariance锛
Strict 妯″瀷鎷熷悎杈冨樊
# EFA鎺㈢储鎬у洜瀛愬垎鏋
#.1 杩炵画鍙橀噺鐨凟FA
EFA姣旇緝绠鍗曪紝绠鍗曡翠笅 (瀵瑰簲浠ｇ爜鏂囦欢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锛岃繍琛屽氨鍙浠ヤ簡
缁撴灉灏变細缁欏嚭涓嶅悓妯″瀷鐨勬瘮杈僱oading锛屼互鍙婃嫙鍚堟寚鏁
1 factor loadings
Two factors
Three factor
姣旇緝鍙戠幇锛宼wo factor , 澶氫釜鏉＄洰鍑虹幇鍙岃浇鑽穋ross-loading锛屼笁涓灏辨洿宸浜嗭紝缁煎悎妯″瀷姣旇緝鎬loading 绯绘暟閫夊彇鍗曞洜瀛愭ā鍨
#.2 绫诲埆鍙橀噺鐨凟FA
鍙闇瑕佸埗瀹歝ategorical variable 鍗冲彲
2 涓浠嬫ā鍨嬬殑妫楠
2.1 涓浠嬫ā鍨
妯″瀷璇存槑 teamwork鈥攕ocial support---job satisfaction (浠ｇ爜鏂囦欢锛歁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绯绘暟閮芥樉钁楋紱
涓浠嬩篃鏄鏄捐憲
2.2 Bootstrap
浠ュ悓鏍风殑妯″瀷涓轰緥锛歵eamwork鈥攕ocial support---job satisfaction
鍦ˋNALYSIS: 鍛戒护涓嬫坊鍔燘ootstrap = 10000; 鏍规嵁Hayes (2013) 涓鑸5000娆′互涓婂氨鍙浠ャ
鐩稿簲鍦帮紝鍦∣UTPUT: CINTERVAL (bcbootstrap)锛涘湪浠ｇ爜M2mediation mplus, 宸茬粡娣诲姞浜咮ootstrap锛屽彧闇瑕佸垹鎺夊墠闈㈢殑锛佸彿鍗冲彲锛堬紒鍦╩plus琛ㄧず娉ㄩ噴璇存槑锛夛紝杩愯屽氨浼氳幏寰梑ootstrap 缁撴灉锛
鍙闇瑕佷笉鍖呭惈0璇存槑缁撴灉鏄捐憲銆
1.3 use model constraint 璁惧畾涓浠嬫ā鍨
濡傛灉娑夊強澶氫釜涓浠嬫椂鍊欒繖绉嶆柟娉曟瘮杈冨ソ涓浜
2.4 缁撴灉鍙橀噺涓虹被鍒鍙橀噺鐨勪腑浠嬫ā鍨
浠ユу埆浣滀负缁撴灉鍙橀噺锛屼粎浠呮槸涓轰簡婕旂ず鈥︹︿笉鐒舵嬁鎬у埆鍋氬洜鍙橀噺鎭愭曞緢闅捐村緱閫
鍦ㄧ敤鍒扮殑鍙橀噺閲岃存槑绫诲埆鍙橀噺锛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爜鏂囦欢M2.5 moderated mediation
鏂板缓浜嗕氦浜掍綔鐢╓Dxsocsup, 鐢ㄦ綔鍙橀噺鎴栨樉鍙橀噺鐨勬椂鍊欏湪鍒嗘瀽鏂规硶浜や簰浣滅敤璁惧畾閮戒細鏈夋墍涓嶅悓銆傚湪鍓嶆枃MpLUS璇鍙ヤ粙缁嶉噷鏈夎存槑 WITH 璇鍙ャ
鍏跺畠鐨勭粨鏋滆В璇荤暐鍘汇
杩欓噷婕旂ず鐨勯兘浠ユ綔鍙橀噺妯″瀷涓轰緥瀛愶紝鏄惧彉閲忔ā鍨嬪彲浠ュ弬鑰僊pLUS USER GUIDE P.37-41
3 璋冭妭妯″瀷妫楠
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缓浜や簰椤癸紝娼滃彉閲忕敤 WITH 璇鍙
宸ヤ綔璧勬簮闇姹傛ā鍨嬬殑锛寃ork demand *social support, 宸ヤ綔璧勬簮瀵瑰伐浣滈渶姹傜殑buffer effect
灏辩畝鍗曡繍琛屼竴涓璋冭妭妯″瀷锛寃ork demand, social support, and WDxSSUP 瀵瑰伐浣滄弧鎰忓害鐨勫奖鍝
Output 杈撳嚭浠ｇ爜绋嶆湁涓嶅悓锛歋TAND CINT SAMPSTAT;
瀵瑰簲浠ｇ爜鏂囦欢锛3.1 latent moderation
涓绘晥搴旀樉钁楋紝浜や簰浣滅敤涓嶆樉钁椼
3.2 绠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︹
灏辩敤鏄惧彉閲忔ā鍨嬫紨绀恒
瀵瑰簲浠ｇ爜鏂囦欢锛歁3.2 Moderation analysis withsimple slope test and plot
棣栧厛鍒涘缓浜や簰椤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锛屾墍浠ュ湪鍑嗗囨暟鎹鐨勬椂鍊欐渶濂界洿鎺ュ垱寤轰氦浜掍綔鐢锛屾垨鑰呬篃鍙浠ョ敤Define, 鐒跺悗娣诲姞浜や簰浣滅敤鍒皍sevariables !閲嶈
绠鍗曟晥搴斿垎鏋愮殑绗涓姝ユ槸棣栧厛璺戜竴涓鍥炲綊妯″瀷锛屽傛灉寰楀埌浜や簰浣滅敤鏄捐憲涔嬪悗锛屾牴鎹姒傚康妯″瀷鍐欏嚭瀵瑰簲鍦板洖褰掓柟绋
Stress =b0+age+b1*wkdem + b2*support+b3*DEMxSUP
杩欓噷璋冭妭鍙橀噺涓簊up, 绠鍗曟晥搴斿垎鏋愬氨鏄璋冭妭鍙橀噺鍦ㄥ钩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绛変负闈炴爣鍑嗗寲鐨勫洖褰掔郴鏁般
Social support 骞冲潎鏁颁负3.464, 鏍囧噯宸涓0.991, 鍩轰簬姝ゅ彲浠ユ眰鍑猴紝Med, high, low social support; 杩欎簺鏁版嵁鍙浠ラ氳繃TECH1 TECH8; 灏卞彲浠ョ粰鍑猴紝娉∕Plus鎻愪緵鐨勬槸鏂瑰樊锛岄渶瑕佽嚜宸辫＄畻SD锛屾垨鑰呭彲浠ョ敤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杩囪浆鎹锛屽垎鍒鐣屽畾涓夋潯绾縧ow, med, high锛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缁撴灉
鍙鍙傝冨凡鍙戣〃瀹炶瘉鐮旂┒銆傛垨鍏虫敞UU瀛︽湳绗旇帮紝鐩鍓嶆垜浠鑱斿悎浼楀氬崥澹姝ｅ湪鏁寸悊绠＄悊瀛﹀強蹇冪悊瀛﹂嗗煙Top tier journal 鏁版嵁缁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瑷閮ㄥ垎鍙婃枃鐚缁艰堪銆佹柟娉曢儴鍒
Academic writing: method (sentence bank)
鍐欏ソ鑻辨枃瀛︽湳璁烘枃锛屼綘鍙宸涓涓鍙ュ簱 (Sentence Bank)
5浠ｇ爜鑾峰彇鏂规硶
路 浠ｇ爜閮藉凡缁忓湪鏂囩珷鎴鍥惧憟鐜帮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涓璧炲悓锛
路 杞鍙戣嚦浜300浜轰互涓婂績鐞嗗︽垨绠＄悊瀛︾曞＋鍗氬＋缇
鍙戣嚦閭绠眜[email protected]锛屾垜浠浼氬湪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风湅
Mplus 7.4 杞浠跺強浠ｇ爜
鎴栬呭傛灉娑夊強澶嶆潅妯″瀷锛孡CA
Latent Transition Analysis锛堟綔鍦ㄧ兢缁勮浆鍙橈級: Mplus鍒嗘瀽璇﹁В
----
娆㈣繋鍏虫敞鎴戜滑涓涓涓撴敞浜庡績鐞嗗﹀強绠＄悊瀛﹂嗗煙缁熻℃柟娉曪紙澶嶆潅妯″瀷Mplus鍙奟杞浠剁殑搴旂敤锛夊強鑻辨枃鍐欎綔鐨勫叕浼楀彿
----
鍙﹀傛灉娑夊強缁熻″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灏忔椂灏辨棤娉曞洖澶嶄簡銆
缂栬緫浜 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浼氬憳鐨勯珮绾х壒鏉冿紝寰堝氫汉閮戒笉鐭ラ亾锛佺櫧娴璐逛簡浼氬憳璐癸紒
妫夋夎姳绯栫殑鍥炵瓟
鏈変粈涔堥傚悎瀛︾敓鍏氱殑鎬т环姣旈珮鐨勬按涔冲楄呮帹鑽愬悧锛
璨傞嬭灪铔崇矇鐨勫洖绛
鐢风敓鎬庝箞鐭鏃堕棿鍐呭彉甯呫佸彉鐧斤紵
鎴戝剁嫍浼氬悗绌虹炕鐨勫洖绛
浣犱滑鐨勭棙鐥樻渶鍚庨兘鏄鎬庝箞瀹屽叏濂界殑锛
鎴戝彨闄堜笘缇庣殑鍥炵瓟
灏勯戠編瀹逛华鏄浼绉戝﹀悧锛
OO鍢寸殑鍥炵瓟
濂崇敓闀挎湡鑴捐儍涓嶅ソ锛岃ュ備綍鍏昏儍锛熸槸鍦ㄦ牎瀛︾敓鏈変粈涔堢畝鍗曢珮鏁堢殑鏂规硶鍚楋紵
绠楀懡鐨勮存垜寰堢埍鍚冪殑鍥炵瓟
璇烽棶澶у朵竴鑸鎵惧伐浣滈兘鏄鍦ㄤ粈涔坅pp涓婃壘鐨勶紝boss銆58銆佸墠绋嬫棤蹇с佹櫤鑱旇繖鍑犱釜闈犺氨鍚楋紵
闄堥粯Silence鐨勫洖绛
浠涔堢嫍绮姣旇緝濂斤紵
閾插睅瀹榢imi鐨勫洖绛
鐭ュ弸鎺ㄨ崘鐨勫北鑽绮夌湡鐨勮兘琛ヨ劸鑳冨悧锛屽枬涓や釜鏈堟湁浠涔堝彉鍖栵紵锛堜釜浜轰翰娴嬶級
闄堜綇姘旂殑鍥炵瓟
2022鏅鸿兘鎵嬭〃淇濆嗙骇閫夎喘鎸囧崡 | 鏅鸿兘鎵嬭〃鎬庝箞閫夛紵鍗庝负銆佽嫻鏋溿佸崕绫炽丱PPO绛変富娴佸搧鐗屾墜琛ㄦ繁搴﹀规瘮璇勬祴锛堝弻鍗佷簩鐗规洿锛
涓鏄傜緤鐨勫洖绛
鏀惰捣
澶у惰繕鍦ㄦ悳
浜哄姏璧勬簮绠＄悊5p妯″瀷
浜哄姏璧勬簮amo妯″瀷
浜哄姏璧勬簮绠＄悊鐨勬ā鍨
绮剧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
浜哄姏璧勬簮绠＄悊甯哥敤妯″瀷
浜哄姏璧勬簮345鍘熷垯
浜哄姏璧勬簮绠＄悊鎺у埗绋嬪簭
浜哄姏璧勬簮绠＄悊澶у挅
绱㈠凹浜哄姏璧勬簮绠＄悊妗堜緥
钖閰姘村钩绛栫暐鏈夊嚑绉嶆ā鍨
濉斿厠鏇煎洟闃熷彂灞曢樁娈垫ā鍨
濉斿厠鏇间簲闃舵垫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
浜哄姏璧勬簮绠＄悊kpi鎸囨爣
osi鍙傝冩ā鍨嬬殑涓冧釜灞傛
浜哄姏璧勬簮绠＄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¤惧
osi鍙傝冩ā鍨嬩竷涓灞傛
鑳滀换绱犺川妯″瀷6瑕佺礌
aba鐨勫熀鏈璁缁冩柟娉
ecp鍏瑕佺礌
濉斿厠鏇煎洟闃熷彂灞曢樁娈垫ā鍨
濉斿厠鏇间簲闃舵垫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:缂囧 鍦ㄤ笂鏈熷唴瀹逛腑,灏忕紪涓哄ぇ瀹剁畝鍗曚粙缁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夸互鍙婁竴绉嶆暟鎹鍒嗘瀽鏂规硶(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︿竴绉嶆暟鎹鍒嗘瀽鏂规硶鈥斺擬PLUS. 浣嗘槸鎴戜滑璇磋繖绉嶆柟寮忓逛簬娌℃湁...
蹇閫熶笂鎵婱PLUS鏁版嵁澶勭悊_鐭ヤ箮
浣滆:缂囧滄綔鍙橀噺妯″瀷鍙戝睍杩呴.鐒惰屾柟娉曞﹂嗗煙鐨勫彂灞曞欢浼稿埌搴旂敤棰嗗煙闇瑕佷竴娈垫椂闂.杩欎釜鏃堕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 娴嬮噺妯″瀷涓庨獙璇佹у洜绱犲垎鏋怌FA鈥斺旀兂鍋氱粨鏋勬柟宸鍏堜粠娴嬮噺妯″瀷寮濮嬪﹁捣03 缁撴瀯鏂圭▼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负鏄惧彉閲,璋冭妭鍙橀噺璋冭妭鐨勮矾寰勪负鐩存帴鏁堝簲,鍗砐鍒癥鐨勮繖鏉¤矾寰.濡傛灉浣犵殑妯″瀷鏄绗涓闃舵垫垨绗浜岄樁娈佃皟鑺,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涓轰腑...
Mplus鍒嗘瀽鏈夎皟鑺傜殑閾惧紡涓浠嬫ā鍨媉鐭ヤ箮
涔嬪墠鎴戜滑灏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杩欐潯璺寰勭殑璇,鎴戜滑鍦ㄩ摼寮忎腑浠嬭鍙ョ殑鍩虹涓,濡備綍杩涜屽垎鏋愬憿?閾惧紡涓浠嬬殑Mplus璇鍙ラ摼鎺:鐢∕plus鍒嗘瀽閾惧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叕浼楀彿蹇冪悊缁熻′笌娴嬮噺:...
鏈夎皟鑺傜殑涓浠嬪湪Mplus涓鐨勫疄鐜板強缁撴灉璇︾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,
『贰』 中心化数据的交互项也是中心化的吗
以Y＝a0+a1*X+a2*Z+a3*XZ——（模型1）为例，一般在做交互项的时候，进入模型的数据都是经过去中心化的，即X、Z、XZ都是经过去中心化的。
现在问题来了，对于模型Y＝a0+a1*X+a2*Z＋a4*M+a5*N——（模型2），首先使用“正常”的数据进行回归，
现在我们想要考察X和Z的交互作用，模型成为Y＝a0+a1*X'+a2*Z'+a3*X'Z'＋a4*M+a5*N——（模型3）,
此时按照一般做法，x'、Z'是去中心化之后的数据，
『叁』 中介效应、调节效应是什么
在当前学术研究中，会经常遇到中介作用和调节作用，但很多小伙伴还搞不清楚什么是中介效应、什么是调节效应？以及如何区分两者？
那么闲话少叙下面就来为大家一一讲解。
中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。
中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。
调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度 是否有着明显的不一样。
中介作用的分析较为复杂，共分为以下三个步骤：
中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。
检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。
中介作用共分为3个模型。 针对上图，需要说明如下：
模型1： 自变量X和因变量（Y）的回归分析
模型2： 自变量X，中介变量(M)和因变量（Y）的回归分析
模型3： 自变量X和中介变量（M）的回归分析
模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。
在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：
第1步是 数据标准化处理 （对X,M,Y需要分别进行标准化处理，有时也使用中心化处理）（SPSSAU用户使用“生成变量”功能）
第2步和第3步是 进行分层回归 完成（分层1放入X，分层2放入M）
第4步单独进行模型3，即 X对M的影响 （使用回归分析或分层回归均可，分层回归只有分层1时事实上就是回归分析）
最后第5步进行 中介作用检验 。
检验图如下：
a代表X对M的回归系数；
b代表M对Y的回归系数；
c代表X对Y的回归系数（模型1中）；
c’代表X对Y的回归系数（模型3中）。
用户可直接按照上图流程在 SPSSAU 中进行分析，生成结果。具体分析步骤可参考链接页面： SPSS在线_SPSSAU_中介作用
调节作用在进行具体研究时需要对应使用研究方法去实现；调节作用分析时，Y一定是定量数据。通常情况下X均为定量数据（比如开车速度），调节变量Z可以为分类数据（比如是否喝酒），也可以是定量数据（比如喝酒多少）。
调节作用通常是使用分层回归进行研究，如果X和Z均为分类数据，则使用多因素方差分析（通常是双因素方差分析）进行研究。针对上图，需要说明如下：
1、如果X或者Z也或者Y由多项表示，通常需要先计算对应项的平均值生成得到新列（SPSSAU生成变量功能）
2、如果X或者Z是分类数据，并且使用分层回归，则需要对X进行虚拟变量处理（哑变量处理）
3、对X或者Z进行标准化处理，也可以进行中心化处理均可
4、Y并不需要进行标准化或者中心化处理（处理也可以）
5、交互项是指两项相乘的意思，记住交互项不能再次进行标准化或中心化
6、R平方变化显著的判断，是看△F 值是否呈现出显著性，如果显著则说明R平方变化显著
7、R平方变化显著，正常情况下交互项也会出现显著。如果说R平方变化显著，但交互项并不显著，建议以没有调节作用作为最终结论；如果交互项显著，R平方变化显著，建议以有调节作用作为最终结论。
用户判断好数据类型后，直接按照上图流程，在 SPSSAU 中进行数据处理及分析即可。具体分析流程可参考链接页面： SPSS在线_SPSSAU_调节作用
『肆』 什么是调节模型和中介模型
有机分子结构理论发展过程中的一种学说。中介效应，它指的是X对Y的影响是通过M实现的，也就是说M是X的函数，Y是M的函数（Y-M-X）。考虑自变量X对因变量Y的影响，如果X通过M影响变量Y，则称M为中介变量。例如，上司的归因研究：下属的表现——上司对下属表现的归因——上司对下属表现的反应，其中“上司对下属表现的归因”为中介变量。假设变量已经中心化或标准化其中，c是X对Y的总效应，ab是经过中介变量M的中介效应（mediating effect），c‘是直接效应。当只有一个中介变量时，效应之间有如下关系：c=c’+ab，中介效应的大小用c-c'=ab来衡量。
『伍』 虚拟变量可以去中心化吗
不需要。在计量经济学的郑丛设置原则中，虚拟变量是不需要中心化的喊宴樱，其他交互项中的连祥毕续变量都需要中心化。虚拟变量又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。
『陆』 中介效应中一般资料调查表中的数据处理跟中介效应有什么关系
目前SPSSAU已支持中介作用、调节作用、带调节的中介作用的自动智能化分析。
SPSSAU问卷研究界面
调节作用已添加自动输出简单斜率分析、简单斜率图、模型图等。
中介作用可选择平行中介或链式中介检验，支持逐步检验法、Bootstrap抽样法，并自动输出中介作用检验结论、及效应量结果。
SPSSAU_调节作用分析
SPSSAU_中介作用分析
----------- 原文内容 -------------
在当前学术研究中，会经常遇到中介作用和调节作用，但很多小伙伴还搞不清楚什么是中介效应、什么是调节效应？以及如何区分两者？
那么闲话少叙下面就来为大家一一讲解。
1明确概念
中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。
中介效应
中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。
调节作用
调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度 是否有着明显的不一样。
2研究步骤
2.1中介效应
中介作用的分析较为复杂，共分为以下三个步骤：
第1步：确认数据，确保正确分析。
中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。
资料来源：SPSSAU帮助手册-中介作用
第2步：中介作用检验
检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。
资料来源：SPSSAU帮助手册-中介作用
中介作用共分为3个模型。针对上图，需要说明如下：
模型1：自变量X和因变量（Y）的回归分析
模型2：自变量X，中介变量(M)和因变量（Y）的回归分析
模型3：自变量X和中介变量（M）的回归分析
模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。
在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：
资料来源：SPSSAU帮助手册-中介作用
第1步是数据标准化处理（对X,M,Y需要分别进行标准化处理，有时也使用中心化处理）（SPSSAU用户使用“生成变量”功能）
第2步和第3步是进行分层回归完成（分层1放入X，分层2放入M）
第4步单独进行模型3，即X对M的影响（使用回归分析或分层回归均可，分层回归只有分层1时事实上就是回归分析）
最后第5步进行中介作用检验。
检验图如下：
资料来源：SPSSAU帮助手册-中介作用
a代表X对M的回归系数；
b代表M对Y的回归系数；
c代表X对Y的回归系数（模型1中）；
c’代表X对Y的回归系数（模型3中）。
第3步：SPSAU进行分析
用户可以直接按照上图流程在SPSSAU中进行分析，生成结果。具体分析步骤可参考链接页面：SPSS在线_SPSSAU_中介作用
图片来源：SPSSAU官网网站
2.2调节效应
第1步：识别X和M的数据类别，选择合适的研究方法。
调节作用在进行具体研究时需要对应使用研究方法去实现；调节作用分析时，Y一定是定量数据。通常情况下X均为定量数据（比如开车速度），调节变量Z可以为分类数据（比如是否喝酒），也可以是定量数据（比如喝酒多少）。
资料来源：SPSSAU帮助手册-调节作用
第2步：调节作用检验
资料来源：SPSSAU帮助手册-调节作用
调节作用通常是使用分层回归进行研究，如果X和Z均为分类数据，则使用多因素方差分析（通常是双因素方差分析）进行研究。针对上图，需要说明如下：
如果X或者Z也或者Y由多项表示，通常需要先计算对应项的平均值生成得到新列（SPSSAU生成变量功能）
如果X或者Z是分类数据，并且使用分层回归，则需要对X进行虚拟变量处理（哑变量处理）
对X或者Z进行标准化处理，也可以进行中心化处理均可
Y并不需要进行标准化或者中心化处理（处理也可以）
交互项是指两项相乘的意思，记住交互项不能再次进行标准化或中心化
R平方变化显著的判断，是看△F 值是否呈现出显著性，如果显著则说明R平方变化显著
R平方变化显著，正常情况下交互项也会出现显著。如果说R平方变化显著，但交互项并不显著，建议以没有调节作用作为最终结论；如果交互项显著，R平方变化显著，建议以有调节作用作为最终结论。
第3步：SPSAU进行分析
用户判断好数据类型后，直接按照上图流程，在SPSSAU中进行数据处理及分析即可。具体分析流程可参考链接页面：SPSS在线_SPSSAU_调节作用
图片来源：SPSSAU官方网站
相关学习资料：
为大家提供上述分析方法的相关学习资料，包括中介作用、调节作用以及分析过程所需的生成变量和分层回归：
SPSS在线_SPSSAU_生成变量
SPSS在线_SPSSAU_中介作用
SPSS在线_SPSSAU_调节作用
SPSS在线_SPSSAU_分层回归分析
第二次
在当前学术研究中，会经常遇到中介作用和调节作用，但很多小伙伴还搞不清楚什么是中介效应、什么是调节效应？以及如何区分两者？
那么闲话少叙下面就来为大家一一讲解。
1明确概念
中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。
中介效应
中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。
调节作用
调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度 是否有着明显的不一样。
2研究步骤
2.1中介效应
中介作用的分析较为复杂，共分为以下三个步骤：
第1步：确认数据，确保正确分析。
中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。
第2步：中介作用检验
检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。
中介作用共分为3个模型。针对上图，需要说明如下：
模型1：自变量X和因变量（Y）的回归分析
模型2：自变量X，中介变量(M)和因变量（Y）的回归分析
模型3：自变量X和中介变量（M）的回归分析
模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。
在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：
第1步是数据标准化处理（对X,M,Y需要分别进行标准化处理，有时也使用中心化处理）（SPSSAU用户使用“生成变量”功能）
第2步和第3步是进行分层回归完成（分层1放入X，分层2放入M）
第4步单独进行模型3，即X对M的影响（使用回归分析或分层回归均可，分层回归只有分层1时事实上就是回归分析）
最后第5步进行中介作用检验。
检验图如下：
a代表X对M的回归系数；
b代表M对Y的回归系数；
c代表X对Y的回归系数（模型1中）；
c’代表X对Y的回归系数（模型3中）。
第3步：SPSAU进行分析
用户可以直接按照上图流程在SPSSAU中进行分析，生成结果。具体分析步骤可参考链接页面：SPSS在线_SPSSAU_中介作用
2.2调节效应
第1步：识别X和M的数据类别，选择合适的研究方法。
调节作用在进行具体研究时需要对应使用研究方法去实现；调节作用分析时，Y一定是定量数据。通常情况下X均为定量数据（比如开车速度），调节变量Z可以为分类数据（比如是否喝酒），也可以是定量数据（比如喝酒多少）。
第2步：调节作用检验
调节作用通常是使用分层回归进行研究，如果X和Z均为分类数据，则使用多因素方差分析（通常是双因素方差分析）进行研究。针对上图，需要说明如下：
如果X或者Z也或者Y由多项表示，通常需要先计算对应项的平均值生成得到新列（SPSSAU生成变量功能）
如果X或者Z是分类数据，并且使用分层回归，则需要对X进行虚拟变量处理（哑变量处理）
对X或者Z进行标准化处理，也可以进行中心化处理均可
Y并不需要进行标准化或者中心化处理（处理也可以）
交互项是指两项相乘的意思，记住交互项不能再次进行标准化或中心化
R平方变化显著的判断，是看△F 值是否呈现出显著性，如果显著则说明R平方变化显著
R平方变化显著，正常情况下交互项也会出现显著。如果说R平方变化显著，但交互项并不显著，建议以没有调节作用作为最终结论；如果交互项显著，R平方变化显著，建议以有调节作用作为最终结论。
第3步：SPSAU进行分析
用户判断好数据类型后，直接按照上图流程，在SPSSAU中进行数据处理及分析即可。
『柒』 如何做SPSS的调节效应
做SPSS的调节效应方法：
用回归，回归也有两种方法来检验调节效应，看下面的两个方程，y是因变量，x是自变量，m是调节变量，mx是调节变量和自变量的交互项，系数是a b c c'。检验两个方程的R方该变量，如果该变量显著，说明调节作用显著，也可以直接检验c'的显著性，如果显著也可以说明调节作用。
