“有调节的中介模型”方法论报告——基于Hayes编制的process

“有调节的中介”模型方法论报告——基于Hayes编制的process邱宗满2018.12.07中介与调节可参考书籍此书为process配套书本文档所涉及软件及数据SPSS_24.0安装包过大，不便上传，自行寻找Process_3.2本压缩包自带用于本文档涉及的所有数据案例由于笔者也是刚换的3.2版，虽然大体上仍懂得使用和解读，对于里面一些选项可能了解得还不是很透彻。不清楚的地方都会在ppt中提到，如果读者有兴趣可以自行查阅pro的说明手册，提升使用技巧。用于本文档涉及的所有excel操作SPSS语法档1.理论与技术准备2.有调节的中介模型与被中介的调节模型（moderatedmediationandmediatedmoderation）3.有调节的中介模型在process中的技术实现4.调节效果图的几种制作方法5.国内基于process的带调节的中介论文分析6.推荐阅读目录1.理论与技术准备1.1回归模型1.2中介模型1.3Bootstrap技术1.4调节模型1.5变量间的关系1.1回归模型根据日常经验，我们的身高与体重有正向关系，于是我们认为身高会影响体重。那么，我们想知道，例如，身高（自变量）每增加一厘米，我们的体重（因变量）平均增加多少公斤，于是我们做回归分析。回归模型探讨的是自变量X对因变量Y的影响方向及大小1.1回归模型自变量因变量XY假设1Y=a+bx+eY（因变量）=a（截距）+b（斜率）X+e（随机误差）图解公式解读1.1回归模型Spss实现1.1回归模型Spss实现右键，可更改为“显示变量名”选定变量与方法1.1回归模型Spss实现回归方程：Y(CC)=0.507+0.613X(HH)截距斜率HH每增加1个单位，CC就能增加0.613个单位t=斜率/标准误=0.613/0.03≈20.570R方即因变量的变异（方差）被解释的百分比回归方程的显著性检验（F检验）0.554^2≈0.307标准误END1.2中介模型小孩家长给玩电脑当家长（自变量）叫小孩子做作业（因变量）时，可能没有任何效果（直接影响），于是家长提出，只要做作业就给玩电脑（中介变量），这时候小孩子可能就会去做作业了（间接影响）。中介模型探讨的是自变量通过何种途径/方式（中介变量）对因变量产生影响1.2中介模型自变量因变量XY假设1Me=a1+b1X+e1Y=a2+b2X+b3Me+e2图解公式解读Me假设2假设2中介变量注：b2为直接效果，b1*b3为间接效果，两者相加为总效果。直接效果与间接效果模型1.2中介模型自变量因变量XY假设1Y=a1+b1X+e1图解公式解读注：此处的b1即为总效果，等同于上一张ppt中的间接效果与直接效果的相加。总效果模型1.2中介模型XY部分中介Me中介模型分类XYMe完全中介1.2中介模型Spss实现打开此文件，或者Hayes的书（第二版）第584页开始，有模型图，适用于process3.0以上版本。笔者发现，pro3.2的版本中，许多模型都被移除了，但是老模型也挺有价值，而且许多人用的还是老pro，所以笔者将旧版模型图与新版混合做了该模型手册。认清楚我们要使用的模型号码1.2中介模型Spss实现安装完毕后（内有安装指导图），打开process1.2中介模型Spss实现5000次Bootstrap使用Bootstrap方法计算置信区间模型4显示小数点后3位展示总效果各条中介路径的效果量1.2中介模型Spss实现根据我们的图解，一共会有两个回归方程，我们现在见到的是第一个（根据因变量名字来判断）模型信息因变量AABBCC注：process输出的都是非标准的结果截距和斜率标准误1.2中介模型非标准化与标准化Duncan（1975）说，如果看标准化，就是看解释能力，如果看非标准化，主要就是看改变率（斜率），报告非标准化比较符合统计意义。文献来源：TheModerator-MediatorVariableDistinctioninSocialPsychologicalResearchConceptual,Strategic,andStaticticalConsiderations上面的论文也提到了类似的话题。文献来源：Asymptoticandresamplingstrategiesforassessingandcomparingindirecteffectsinmultiplemediatormodels1.2中介模型非标准化与标准化标准化指的是标准差的改变，X每增加一个标准差，Y增加XXX个标准差。非标准化指的是单位的改变。X每增加一个单位，Y增加XXX个单位。用非标准化去做的一个原因是，非标准化的系数，才有标准误，而标准化系数是没有标准误的。所以，做中介和调节效果的时候，最好报告非标准化系数。注：在稍后的Bootstrap中将会提到标准误。1.2中介模型Spss实现因变量AABBCC注：如果不记得这些红框信息如何解释，请回到回归模型一节。1.2中介模型Spss实现AACC总效果模型1.2中介模型Spss实现自变量到因变量的总效果直接效果间接效果此处虽然写了部分标准化和完全标准化处理，但是目前笔者也不清楚这是怎么做的。一般来说，看上面非标准化的结果也够了。Bootstrap出来的95%置信区间不包含0，表明中介效果显著自变量每增加1个单位，就会通过中介变量BB对CC提升0.358个单位。1.2中介模型Spss实现AABBCC根据输出结果，我们可以得到以下的模型图：0.616***0.582***0.172***END1.3Bootstrap技术在上一小节中，我们见到了Bootstrap技术，这个技术我们还需要从中介讲起。如下图，A→B和B→C的斜率都只有0.1，两者相乘得到的间接效果量的斜率就是0.1*0.1=0.01，这个时候，我们还能说存在中介效果吗？最早的时候，只要两个系数显著就可以说存在中介了，但是后来有人提出需要检验，最著名的是Sobeltest。从中介效应讲起AABBCC0.1***0.1***0.5***1.3Bootstrap技术在每一次回归后，每个斜率都会有相应的标准误，所以A→B和B→C的结果出来后，会有两个斜率和两个标准误，我们使用公式对其进行Sobeltest，根据结果判断中介效应是否显著。Sobeltest偷个懒，这是缺点1.3Bootstrap技术标准误123456789…我们整个社会所有的人就是最大的样本总体，我们每一次的调查只不过抽取了这个样本总体中的一小部分，就如左边的小黄圈。我们假设进行100次调查，那么我们这100次调查将会得到100个均值，这个时候，我们对这100个均值求它们的标准差，即为标准误。1均值12100……均值2均值100……求这些数字的标准差1.3Bootstrap技术标准误根据上一页ppt的说法，笔者从网上找来了推导出了标准误的公式：标准误（SE）=𝑆√𝑁=标准差√样本量但是，我们研究人员每一次只会做一次调查，有心人可能会重复做一下，我们压根没有这么大的精力去做极多数量的重复调查，哪里能计算出标准误？！所以我们偷懒，使用下面公式计算：1.3Bootstrap技术拒绝黄、赌、毒与虚假标准误根据上一页ppt，我们可以知道，我们的标准误都是虚假又不准确的，而Sobeltest本身要求数据正态就不太符合中介效果，并且该计算公式还涉及标准误，我们以往的标准误都是虚拟出来的值，这能算数吗！还好，某一位大佬发明了Bootstrap技术，他的学生又将其发扬光大，加上计算机计算性能的提升，我们现在开始抛弃Sobeltest，而使用Bootstrap技术进行估计，以此检验中介效果是否显著。1.3Bootstrap技术数据造假的基本原理假设我们这次研究一共有9个样本（如右），那么，我们假装做5000次研究，每次都有9个样本！123456789操作：1.随机抽出1个样本，放回；随机抽出第2个样本，放回；一共重复9次，所以我们这次可能得到的结果是111145678。因为我们不断抽出放回，所以同一个样本在一次Bootstrap中是可以不断被抽到的。2.重复这个令人窒息的操作5000次，我们就好像做了5000个研究！这下子有5000个均值了吧？可以做标准误了吧？我们觉得这样子计算出来的标准误近似于真正的标准误（真正的标准误永远不可能计算出来）。3.这就是Bootstrap技术。1.3Bootstrap技术Bootstrap与置信区间（CI）我们上一张屁屁踢中讲述了我们如何通过伪造数据，来假装自己做了5000次重复调查，那么这5000次伪造出来的数据，我们每一次都拿去跑中介效果，这样子就会有5000个间接效果值，笔者要求它们按大小身高排好，如下图：身高…………5000次间接效应值这5000个娃娃按身高乖乖站好后，去掉头和尾巴，隔壁学校的博士都馋哭了！这就是中介效果95%置信区间的由来。只要不包含0，意味着显著。（包含0意味着效果有正有负，会相互抵消，有时候没中介）2.5%2.5%END1.4调节模型安静的小孩他爸愤怒的小孩他爸小孩他妈受害人小孩他妈乖巧宝宝我们发现了一个科学定律：当小孩他爸（调节变量）默不作声（低分）时，小孩他妈（自变量）要小孩做作业，小孩（因变量）并不听（斜率小）；当小孩他爸（调节变量）发脾气（高分）时，小孩他妈（自变量）叫小孩（因变量）去做做作业，小孩马上变得乖巧温顺又积极（斜率变大）。调节模型探讨的是在不同情境下自变量对因变量的影响大小的变化1.4调节模型自变量因变量XY假设1Y=a1+b1X+b2Mo+b3X*Mo+e1图解公式解读Mo假设2XYMoX*Mo假设1假设2中心化为了避免X*Mo项与其他项有较大（非本质）的共线性，一般会先对这两个变量进行中心化，再相乘。（减去各自的均值，把自己的均值变成0）调节变量1.4调节模型调节作用与交互作用抗病毒药感冒咳嗽祛痰止咳药药物选择方案1方案2方案3方案4抗病毒药吃√√不吃√√去痰止咳药吃√√不吃√√治疗效果等死一般一般特别好我们现在要治疗感冒咳嗽症状（因变量），手头有抗病毒药（自变量1）和祛痰止咳药（自变量2），我们发现，一共有四种组合，治疗效果不一样。当我们吃抗病毒药的时候，我们吃不吃祛痰止咳药，效果是不一样的！这个时候，我们说存在交互作用。（我们不吃抗病毒药的时候，吃不吃另一个药，效果依然有差异）1.4调节模型调节作用与交互作用抗病毒药感冒咳嗽祛痰止咳药小孩他妈小孩小孩他爸的情绪2抗病毒药感冒咳嗽祛痰止咳药祛痰止咳药*抗病毒药小孩他妈小孩小孩他爸的情绪小孩他爸的情绪*小孩他妈143H1H2H1H2H3H1H2H1H2数学化图解数学化图解假设图假设图1.4调节模型调节作用与交互作用根据上一张ppt，我们可以发现，交互作用和调节作用的假设有差别！在交互作用中，两个自变量是相同地位，各自对因变量产生的影响叫做“主效应”。在调节作用中，自变量与调节变量地位不同，调节变量只是作为一个情境变量参与进来，属于一个外来变量，调节变量对因变量没有假设！一般来说，心理学实验设计多交互作用，HLM里也多交互作用，而人文社科里多调节作用。1.4调节模型调节模型的老牌做法XY假设1Mo假设2XYMo假设1XYMoX*Mo假设1假设212老做法中，我们会进行分层回归，层一放置①的自变量，层二中加入调节项，即②，通过查看调节项是否显著来判断调节效果存在与否。1.4调节模型老牌做法的SPSS实现GGKKTT以右边的模型为例子：我们需要将自变量GG与调节变量TT进行中心化，再相乘，做出调节项。1.4调节模型老牌做法的SPSS实现此时我们得到自变量和调节变量的中心值（均值）1.4调节模型老牌做法的SPSS实现原变量减去其均值自行取名完成后，数据档中会多出一个变量我们用同样的方法计算出TT的均值1.4调节模型老牌做法的SPSS实现！另一种计算均值的方式注：虽然看起来数值与我们之前的一模一样，但是此处只是显示了小数点后两位，实际上精确到小数点后很远的地方，而我们之前的手动计算只不过精确到小数点后两三位。计算出来后仍然使用“计算变量”的功能进行