如何用SPSS做中介效应与调节效应

1、调节变量的定义

变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。

2、调节效应的分析方法

　  显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按 M的取值分组,做 Y对 X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。

潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自 由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变 量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau提出的无约束的模型。

3．中介变量的定义

自变量X对因变量Y的影响,如果X通过影响变量M来影响Y,则称M为中介变量。Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。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,c′是直接效应。当只有一个中介变量时,效应之间有c=c′+ab，中介效应的大小用c-c′=ab来衡量。

4、中介效应分析方法

中介效应是间接效应,无论变量是否涉及潜变量,都可以用结构方程模型分析中介效应。步骤为：第一步检验系统c，如果c不显著，Y与X相关不显著，停止中介 效应分析，如果显著进行第二步；第二步一次检验a，b，如果都显著，那么检验c′，c′显著中介效应显著，c′不显著则完全中介效应显著；如果a，b至少有一个不显著，做Sobel检验，显著则中介效应显著，不显著则中介效应不显著。Sobel检验的统计量是z=^a^b/sab ，中 ^a, ^b分别是 a, b的估计, sab=^a2sb2   +b2sa2, sa,sb分别是 ^a, ^b的标准误。

5. 调节变量与中介变量的比较

	调节变量M	中介变量M
研究目的	X何时影响Y或何时影响较大	X如何影响Y
关联概念	调节效应、交互效应	中介效应、间接效应
什么情况下考虑	X对Y的影响时强时弱	X对Y的影响较强且稳定
典型模型	Y=aM+bM+cXM+e	M=aX+e2　　Y=c′X+bM+e3
模型中M的位置	X,M在Y前面,M可以在X前面	M在X之后、Y之前
M的功能	影响Y和X之间关系的方向(正或负)和强弱	代表一种机制,X通过它影响Y
M与X、Y的关系	M与X、Y的相关可以显著或不显著(后者较理想)	M与X、Y的相关都显著
效应	回归系数c	回归系数乘积ab
效应估计	^c	^a^b
效应检验	c是否等于零	ab是否等于零
检验策略	做层次回归分析,检验偏回归系数c的显著性(t检验);或者检验测定系数的变化(F检验)	做依次检验,必要时做Sobel检验

6. 中介效应与调节效应的SPSS操作方法

处理数据的方法

第一做描述性统计，包括M SD 和内部一致性信度a（用分析里的scale里的realibility analsys）

第二将所有变量做相关，包括统计学变量和假设的X，Y，M

第三做回归分析。（在回归中选线性回归linear）

要先将自变量和M中心化，即减去各自的平均数

1、现将M（调节变量或者中介变量）、Y因变量，以及与自变量、因变量、M调节变量其中任何一个变量相关的人口学变量输入indpendent

2、再按next 将X自变量输入（中介变量到此为止）

3、要做调节变量分析，还要将X与M的乘机在next里输入作进一步回归。

分析结果中的Beta就是Y=cX+bM+e的系数，B下的constant是常数。检验主要看F是否显著

You could also refer the following articles for reference.

• http://dukespace.lib.duke.edu/dspace/bitstream/handle/10161/4143/279443600001.pdf?sequence=1
• http://jingyan.baidu.com/article/215817f7d8f4b21eda1423f6.html
• http://www.ats.ucla.edu/stat/spss/faq/mediation_complex.htm
• http://www.upa.pdx.edu/IOA/newsom/da2/ho_mediation.pdf
• http://www.afhayes.com/spss-sas-and-mplus-macros-and-code.html
• http://www.quantpsy.org/pubs/preacher_hayes_2008b.pdf
  

中介效应重要理论及操作务实

目录：
一、中介效应概述
    中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。
二、中介效应检验方法
1.依次检验法（causual steps）。
2.系数乘积项检验法(products of coefficients)
3.差异检验法(difference in coefficients)。
4.温忠麟等提出了一个新的检验中介效应的程序，
三 中介效应操作在统计软件上的实现
1.如何在SPSS中实现中介效应分析
2.在spss中运用spssmaro脚本来分析中介效应
3.如何在AMOS中实现中介效应分析

https://bbs.pinggu.org/forum.php?mod=viewthread&tid=657087&page=1#pid4336865

My training was in psychology, but that was in the days before mediation became the rage.  By that time, I was working in the
area of health-related research & biostatistics.  One thing I find interesting is that the definitions of confounding and mediation are nearly identical, the difference being that the mediator is on a presumed causal chain between X and Y.  For some good discussion of this, see Mike Babyak's short article available here:

   http://ebmh.bmj.com/content/12/3/68.full

Given this similarity between confounding and mediation, I find it very interesting that the standard advice in the world of biostatistics is (or at least was a few years ago) that one should NOT perform a statistical test for confounding, whereas the mediation folks are going whole hog down the road of testing (e.g., developing standard errors).

Here's an example of the biostats view from Bob Wolfe's (from University of Michigan) "classic lecture" series.  (Unfortunately, these lectures no longer seem to be available online.  Fortunately, I saved copies of some of them.)

--- start of excerpt ---

C. Testing for confounding (don't do it):

When attempting to document the effect of a specific risk factor on an outcome, confounding factors should be controlled for even if they are not significantly related to the outcome in the analysis.  In this case, the objective of the analysis is to estimate the strength of the relationship between the risk factor and the outcome not explainable by confounding factors, and the strength of the relationship between the confounding factors and the outcome is not as important.

When searching for a parsimonious model for predicting the outcome, it is useful to exclude unimportant factors from the model.  Some data analysts use statistical significance as a criterion for importance.  This approach may miss confounders.

--- end of excerpt ---

Finally, I should mention that the next section in that same lecture has the title, "D. Confounders and intervening variables:  Often a quandary." Intervening variable is another name for mediator, of course.
Bruce Weaver Professor, Lakehead University Canada

是只要与自变量、因变量与中介变量相关的人口学变量都要放进去是吗？

还有一个问题：像是自变量、因变量和中介变量的其他水平在检验时是否需要一同控制呢？

比如说A是自变量有A1，A2，A3三个水平；B是因变量有B1，B2，B3三个水平；中介变量为C。我已经控制了有关的人口学变量（比如年龄、性别、年级、专业等等），在做中介检验（即：C在A1和B1上的中介）时，是否还需要控制A2、A3、B2、B3呢？