调节效应检验回归方程包括2个如下：  
y=a+bx+cm+e                  1）
y=a+bx+cm+c’mx+e         2）  
在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。
但具体到调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如
参考http://wenku.baidu.com/link?url=XFpAzr_Glnen_gDdGvHM_2au3XFfO2Riqe4xkl5dHScuQNbs_RyWbUFCX1aHoKSXc6BcH9ORqBgQfGgmTaq0iix-bnPrC86Ym9mUXshELki

在进行调节效果分析时，你的第一步模型显示自变量和调节变量都对因变量有显著影响。自变量的系数为正（B = .553），并且Wald统计量对应的Sig.值小于0.05（Sig. = .001），说明这个效应是显著的；调节变量的系数为负（B = -1.624），且其Sig.值也小于0.05（Sig. = .000），这同样表明调节变量对因变量的影响也是显著的。

但是，当你将交互项引入模型后，原自变量和调节变量的效应可能不再显著。这是因为在包含交互项的情况下，主效应对结果的解释要更复杂一些。交互项表示自变量与调节变量一起作用时的效果变化，并不是独立于彼此的效果了。

在加入交互项后的结果中，你没有完整列出所有的Wald、Sig.和Exp(B)值，但从你给出的信息来看，“自变量”（B = 1.156）的效应可能仍然是正向的，但S.E.增大为0.501，导致Wald统计量变小，这可能会使得“自变量”的效应不再显著。

这种变化提示我们，在存在交互项的情况下解释结果时需要特别小心。如果交互项（即自变量与调节变量乘积）不显著，那么单独看主效果可能不再有意义，因为它们的独立作用可能被交互效应所掩盖或改变。然而，如果交互项确实显著，那么分析应聚焦于理解在不同水平的调节变量下，自变量对因变量影响的变化。

因此，在你的情况下，你需要仔细检查交互项的结果，并结合理论和数据来解释为什么单独考虑时自变量和调节变量都显著，而加入交互项后可能变得不显著。这可能需要通过绘制图或计算边际效应等方式进一步探索这种关系的具体性质。

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