Johnson-Neyman（J-N）技术通常用于解析在回归分析中出现的交互作用，尤其当涉及连续变量时。它可以帮助你确定两个或更多自变量对因变量影响的方向和强度如何随着第三个变量（调节变量）的变化而变化。
在这个输出中：
1. **Moderator value(s) defining Johnson-Neyman significance region(s)**：这部分显示了调节变量的值，在这些特定点上，主要效应开始变得显著。这里是-3.9410和-.1158。这意味着当调节变量低于-3.9410或高于-.1158时，自变量X对因变量Y的影响开始显示出统计显著性。
2. **% below % above**：这表明了数据中调节变量值位于上述定义的J-N区域内的比例。例如，对于-3.9410，只有大约1.47%的数据点在这个值以下，而其余的都高于此值。
3. **Conditional effect of X on Y at values of the moderator (M)**：这部分提供了在不同调节变量（M）取值下的自变量X对因变量Y的影响。例如，在M=-6.1409时，X对Y的影响大小是-.3897，标准误差为.1603，t统计量为-2.4315，p值为.0153（通常p<.05表示显著），并且给出了置信区间(LLCI和ULCI)。
在撰写论文时，你需要解释这些结果如何支持或反驳你的假设，并讨论它们对研究问题的实际意义。例如，你可以说：“当调节变量M的值低于-3.9410或高于-.1158时，自变量X与因变量Y之间的关系变得显著。具体来说，在M=-6.1409时，X每增加一个单位，Y平均减少约.3897个单位（p<.05），且这一效应在统计上是显著的。”
这只是一个示例解读方式，你应根据具体情况调整对结果的描述。
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
扫码加好友，拉您进群
全部版块
我的主页
收藏
