在进行调节效应分析时，如果准备对数据进行中心化（自变量与调节变量），或者标准化（一般对所有变量），则数据的转换应当在分析前进行。在之后的分析中，全部采用转换后的数据进行分析，才能保证前后结果一致。
因此，如果你已经对数据进行转换，则在①中应当使用中心化的自变量。并且，②中的X、M也应当是中心化变量，并且XM需要是中心化的X与M相乘得到的调节项。

（①中是否使用中心化变量不会影响变量自身的显著性，但会影响截距。尽管截距经常被忽视，但其结果仍需要保持前后一致。）


中心化或标准化的作用：

1.减少非本质的多重共线性

当构成多项式的基础变量，如描述中的X或M，其均值远大于标准差时，会导致多项式与原始变量具有高度的相关，从而造成多重共线性，并可能进一步导致模型无法分析。对于这一点，你可以自己尝试：对X与M加上1000000的常数，计算调节项，并将这些数据进行相关分析。

2.改变低阶变量系数及其显著性

对于Y=aX+bM+cXM+...+e，最高阶多项式（使用变量相乘得到的新变量）是XM，无论X和M如何进行平移与缩放（中心化与标准化），其系数c也只会因为X和M的尺度缩放而跟随着缩放，XM的显著性无论如何都不会改变。

因为此时对XM求偏导，其系数为Y'(xm)=c，其斜率是一个常数c。
而此时低阶变量系数受到高阶变量影响。若以X为视角，求X偏导，则Y'(x)=a+cM，此时X的斜率是与常数a、c以及变量M有关的函数，也就是说，M数值变大或者变小都会影响X的斜率，自然，也会影响X斜率的显著性。

根据上述内容，进行多项式分析时，低阶变量的斜率和显著性永远是受影响的，所以直接解读低阶变量系数基本是没有意义的，除了某些特定的情况。

也即截图论文中描述的“改变回归系数a、b的大小和显著性检验结果”

3.调节效应的解释：能直接解读低阶变量系数的特定情况
调节效应的大白话版本是“条件效应”，即X→Y的关系是有条件的，而第三者M就是这个条件。随着M数值的变化，X→Y的系数可能变大或变小，这就是调节效应。

因此，对调节效应的解释需要结合调节变量M的水平，所以在回归分析中，调节项XM显著后，还需要进一步做简单斜率（Simple slope）分析来对调节效应进行解释。

而调节变量如果是具有特定实际意义的变量，例如年龄，则调节变量水平可以选择20岁或30岁。但实际分析中的调节变量往往较难选出一个具有实际意义的水平，所以一般会选择当前数据里调节变量的高、中、低等水平作为具有特定意义的水平，最常用的是正负1个标准差以及均值。

进行中心化或者标准化时，都涉及将数据减去数据自身平均值的平移过程，也就是说，此时数据已经转换为自身的“均值”水平，进一步说，此时的调节变量已经是均值水平。因此，此时的自变量X的系数是调节变量平均水平下的系数，也可以认为普遍情况下（假装不考虑调节效应）的X→Y系数，或者做两因素方差分析的研究者喜欢用的术语“主效应”。

此时X的系数可以直接进行解读，也即截图中描述的“改善对回归系数a和b的理解”

好的，感谢感谢~

大佬出现了！

在多元回归模型中，无论是第一步（Y = aX + 控制变量）还是第二步引入调节效应时（Y = aX + bM + cXM + 控制变量），自变量X是否需要中心化，并没有绝对的规则。然而，在进行调节效应分析或交互作用分析时，通常推荐对自变量和调节变量进行中心化处理，主要基于以下原因：

1. **减少多重共线性**：当模型中引入了交互项（例如XM）时，如果不进行中心化，X、M与他们的乘积XM之间可能会出现较高的相关性，这会导致多重共线性问题。中心化能够降低这种非本质的多重共线性。

2. **解释系数方便**：经过中心化后，模型中的截距项（常数项）可以被解释为样本均值处的预测值。同时，当X和M都进行中心化后，在没有交互效应时，a和b可以直接被解读为中心化后的自变量与因变量关系的斜率。

至于第一步中是否需要对X进行中心化处理，并不会直接影响到a的显著性测试结果（即t检验或F检验的结果）。中心化操作主要是为了减少多重共线性和简化系数解释，但并不改变原始数据的关系强度。因此，是否中心化通常基于研究者对于模型可解释性的考虑和对潜在多重共线性的担忧。

然而，在第一步（仅包含自变量X）的简单回归分析中进行中心化处理可能并不是必需的，因为这时不存在交互项引入的非本质多重共线性问题。但是，如果后续步骤中计划引入调节效应或交互项，那么从一开始就进行中心化是一个好习惯。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用