全部版块 我的主页
论坛 数据科学与人工智能 数据分析与数据科学 SPSS论坛
2018-8-10 20:31:49
lin2388800 发表于 2018-8-10 20:31
呵呵,你说的是JN图,这个是定量用的。我这个效应图是定性用。没事,JN图的教程我也可以做出来。
对对,请大神指导一下
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 20:39:04
打动我的心2016 发表于 2018-8-10 20:31
对对,请大神指导一下
JN图比较复杂。我还没做教程。如果做出教程文档,论坛币的价格肯定就要贵很多很多了。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 20:40:30
lin2388800 发表于 2018-8-10 20:39
JN图比较复杂。我还没做教程。如果做出教程文档,论坛币的价格肯定就要贵很多很多了。
大神,穷学生一个。还望手下留情。现在这个就挺高的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 20:46:25
打动我的心2016 发表于 2018-8-10 20:40
大神,穷学生一个。还望手下留情。现在这个就挺高的。
当初我学调节效应的时候,如果有这样买法,我早就买了,用钱可以解决的问题都不是问题,更何况这只是虚拟的论坛币。我买了多少书来看,求了多少人,碰了多少壁,你根本无法想象。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 20:46:25
打动我的心2016 发表于 2018-8-10 20:40
大神,穷学生一个。还望手下留情。现在这个就挺高的。
当初我学调节效应的时候,如果有这样买法,我早就买了,用钱可以解决的问题都不是问题,更何况这只是虚拟的论坛币。我买了多少书来看,求了多少人,碰了多少壁,你根本无法想象。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 21:12:02
lin2388800 发表于 2018-8-10 20:46
当初我学调节效应的时候,如果有这样买法,我早就买了,用钱可以解决的问题都不是问题,更何况这只是虚拟 ...
大神,尽快做一下吧。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 22:43:03
打动我的心2016 发表于 2018-8-10 21:12
大神,尽快做一下吧。
J-N法分析调节效应图
你说的也许是这个图吧
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 23:39:35
打动我的心2016 发表于 2018-8-10 20:26
嗯嗯,刚充钱下的。但是我看大部分文献都是有一个95%的置信区间线,而你这个好像不同数值
请问怎么把充的钱转化为币呢?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 23:46:10
Model = 14
    Y = Z注意力
    X = Z保护性
    M = Zexecufu
    V = ZV

Statistical Controls:
CONTROL= SFLS

Sample size
        597

**************************************************************************
Outcome: Zexecufu

Model Summary
          R       R-sq        MSE          F        df1        df2          p
      .1748      .0306      .9727     9.3623     2.0000   594.0000      .0001

Model
              coeff         se          t          p       LLCI       ULCI
constant      .0368      .0673      .5474      .5843     -.0953      .1690
Z保护性       .1684      .0409     4.1215      .0000      .0882      .2487
SFLS         -.0580      .0848     -.6841      .4942     -.2246      .1085

**************************************************************************
Outcome: Z注意力

Model Summary
          R       R-sq        MSE          F        df1        df2          p
      .5792      .3355      .6701    59.6809     5.0000   591.0000      .0000

Model
              coeff         se          t          p       LLCI       ULCI
constant     -.1304      .0563    -2.3162      .0209     -.2409     -.0198
Zexecufu     -.1914      .0342    -5.5918      .0000     -.2586     -.1242
Z保护性      -.1691      .0375    -4.5148      .0000     -.2427     -.0955
ZV           -.3881      .0372   -10.4191      .0000     -.4612     -.3149
int_1         .0753      .0334     2.2570      .0244      .0098      .1408
SFLS          .1862      .0706     2.6367      .0086      .0475      .3249

Interactions:

int_1    Zexecufu    X     ZV

******************** DIRECT AND INDIRECT EFFECTS *************************

Direct effect of X on Y
     Effect         SE          t          p       LLCI       ULCI
     -.1691      .0375    -4.5148      .0000     -.2427     -.0955

Conditional indirect effect(s) of X on Y at values of the moderator(s):

Mediator
                 ZV     Effect    Boot SE   BootLLCI   BootULCI
Zexecufu    -1.0000     -.0449      .0135     -.0759     -.0222
Zexecufu      .0000     -.0322      .0100     -.0550     -.0153
Zexecufu     1.0000     -.0196      .0101     -.0442     -.0041

Values for quantitative moderators are the mean and plus/minus one SD from mean.
Values for dichotomous moderators are the two values of the moderator.

******************** INDEX OF MODERATED MEDIATION ************************

Mediator
              Index   SE(Boot)   BootLLCI   BootULCI
Zexecufu      .0127      .0065      .0021      .0282

******************** ANALYSIS NOTES AND WARNINGS *************************

Number of bootstrap samples for bias corrected bootstrap confidence intervals:
     5000

Level of confidence for all confidence intervals in output:
    95.00

------ END MATRIX -----
楼主,真不好意思,又要来求助你了。我今天又删了一点数据。做出这个情况的结果。从结果上看,有调节的中介是成立了。但是我有一个很大的疑问,我看别人论文上表格显示的是调节变量加减一个标准差的结果。但是为什么我做出来的这个模型没有,只有中介变量加减标准差的结果呢?我选择的是模型14,调节的是中介的后半路径。
是我没有选对模型还是我理解错了?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-10 23:54:34
Shuwell 发表于 2018-8-10 23:46
Model = 14
    Y = Z注意力
    X = Z保护性
我要纠正的是:
1、在你的模型中,有调节的中介并未成立。
2、你所认为的中介变量加减标准差,其实是调节变量加减标准差。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-11 00:00:35
Shuwell 发表于 2018-8-10 23:46
Model = 14
    Y = Z注意力
    X = Z保护性
你现在是597个样本,还有很大的调整空间,使劲地砍掉那些干扰的、无用的数据吧。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-11 00:00:35
Shuwell 发表于 2018-8-10 23:46
Model = 14
    Y = Z注意力
    X = Z保护性
你现在是597个样本,还有很大的调整空间,使劲地砍掉那些干扰的、无用的数据吧。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-11 16:31:03
lin2388800 发表于 2018-8-10 23:54
我要纠正的是:
1、在你的模型中,有调节的中介并未成立。
2、你所认为的中介变量加减标准差,其实是调 ...
谢谢,那从上面的分析来看,哪些指标说明有调节的中介是否成立呢?其实,这批数据我已经删了太多了
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-11 20:39:03
Shuwell 发表于 2018-8-11 16:31
谢谢,那从上面的分析来看,哪些指标说明有调节的中介是否成立呢?其实,这批数据我已经删了太多了
你在我所建楼的帖子上发的数据,与你自己的空间内所发的帖子的数据不一样。
在我帖子上的数据中,有调节的中介是不成立的。
在你帖子上的数据中,有调节的中介是成立的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-14 11:57:12
lin2388800 发表于 2018-8-11 20:39
你在我所建楼的帖子上发的数据,与你自己的空间内所发的帖子的数据不一样。
在我帖子上的数据中,有调节 ...
谢谢你!![em44]我看了好久。
不同的地方是
Mediator
                 ZV     Effect    Boot SE   BootLLCI   BootULCI
Zexecufu    -1.0000     -.0449      .0135     -.0759     -.0222
Zexecufu      .0000     -.0322      .0100     -.0550     -.0153
Zexecufu     1.0000     -.0196      .0101     -.0442     -.0041
不知道理解得对不对。
其实,还有一个问题想要咨询你,困扰我好久,我的有些数据,中介成立,调节不成立,但是有调节的中介检验成立这是为什么呢?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-14 19:21:17
Shuwell 发表于 2018-8-14 11:57
谢谢你!!我看了好久。
不同的地方是
Mediator
中介成立,调节不成立,但是有调节的中介检验成立????
我没遇到过这样的情况,请发一下你跑出来的结果给我看看,
让我见识见识
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-15 10:29:22
楼主,你好,你的这个分享让我学习了很多,因为我也在用process做调节效应,还有一些问题想向你请教,关于process的结果输出,还是有些地方不是很明白,麻烦帮我看一下,十分感谢!
Outcome: Y均值

Model Summary
          R       R-sq        MSE          F        df1        df2          p
      .5744      .3300      .7605    23.7072     7.0000   337.0000      .0000

Model
              coeff         se          t          p       LLCI       ULCI
constant    -5.9224     2.5517    -2.3210      .0209   -10.9416     -.9032
M均值      1.8268      .4886     3.7389      .0002      .8657     2.7878
X均值      1.5340      .4575     3.3528      .0009      .6340     2.4340
int_1        -.2532      .0815    -3.1062      .0021     -.4136     -.0929
C            7.0381     2.8400     2.4782      .0137     1.4517    12.6244
int_2       -1.2609      .5328    -2.3664      .0185    -2.3090     -.2128
int_3       -1.5541      .5607    -2.7720      .0059    -2.6570     -.4513
int_4         .2756      .0953     2.8912      .0041      .0881      .4630

Product terms key:

int_1    X均值     X     M均值
int_2    X均值     X     C
int_3    M均值     X     C
int_4    X均值     X     M均值     X     C

R-square increase due to three-way interaction:
         R2-chng   F(1,df2)        df2          p
int_4      .0166     8.3589   337.0000      .0041
Conditional effect of X on Y at values of the moderator(s):
          C    M均值     Effect         se          t          p       LLCI       ULCI
      .0000     4.6830      .3482      .1364     2.5539      .0111      .0800      .6164
      .0000     5.5679      .1242      .1237     1.0042      .3160     -.1191      .3674
      .0000     6.4528     -.0999      .1496     -.6675      .5049     -.3943      .1945
     1.0000     4.6830      .3777      .1135     3.3273      .0010      .1544      .6010
     1.0000     5.5679      .3975      .1151     3.4541      .0006      .1711      .6239
     1.0000     6.4528      .4173      .1320     3.1617      .0017      .1577      .6769

Values for quantitative moderators are the mean and plus/minus one SD from mean.
Values for dichotomous moderators are the two values of the moderator.

Conditional effect of X*M interaction at values of W:
          C     Effect         se          t          p       LLCI       ULCI
      .0000     -.2532      .0815    -3.1062      .0021     -.4136     -.0929
     1.0000      .0223      .0494      .4525      .6512     -.0748      .1195
我想问的是,1、int-这项的确切含义是什么?
                  2、从这个结果看调节效应应该是显著的,但是具体怎么调节是不是应该看调节效应图的斜率变化?
                 3、Conditional effect of X*M interaction at values of W: 这一项下的结果确切含义又是什么呢?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-15 19:17:38
jjy2016 发表于 2018-8-15 10:29
楼主,你好,你的这个分享让我学习了很多,因为我也在用process做调节效应,还有一些问题想向你请教,关于p ...
1、int-这项的确切含义是“交互项”;
2、你说得很对,调节效应在函数中所反映的就是斜率的变化,如果两线趋于平行,说明几乎没有调节作用;
3、我不知道你是模型几,怎么会有4个交互项这么复杂,一下子很难解答。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 08:58:51
lin2388800 发表于 2018-8-15 19:17
1、int-这项的确切含义是“交互项”;
2、你说得很对,调节效应在函数中所反映的就是斜率的变化,如果两 ...
谢谢楼主,我选的是model3, 也就是在调节变量M的调节下,又加入另一个调节变量C,Intel我知道是交互项,这些交互项下面的相关系数是不是代表着交互项对Y的影响系数?还是在调节变量的调节下X对Y的影响系数呢?
Conditional effect of X*M interaction at values of W 这一部分我一直不敢确定,按照字面意思应该是约束条件下X和M的交互项在W不同取值下的影响系数,关键到底是对谁的影响系数呢,是对Y的吗?
谢谢!
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 11:02:47
lin2388800 发表于 2018-8-15 19:17
1、int-这项的确切含义是“交互项”;
2、你说得很对,调节效应在函数中所反映的就是斜率的变化,如果两 ...
另外,我的这个结果在调节变量C取0组的情形下,调节变量M只有在低值4.6830 时X对Y的影响才通过显著性检验,可是在中和高的情况下不显著,那这个调节效应图不是只能画一条曲线了吗,这怎么看调节效应呢?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 12:14:16
jjy2016 发表于 2018-8-16 08:58
谢谢楼主,我选的是model3, 也就是在调节变量M的调节下,又加入另一个调节变量C,Intel我知道是交互项,这 ...
1、调节效应,是斜率的变化,所以,是对X影响Y的路径的调节,但通过Y的变化来体现。不知道这样解释,你是否能明白。
2、交互项对Y的影响。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 12:22:44
jjy2016 发表于 2018-8-16 11:02
另外,我的这个结果在调节变量C取0组的情形下,调节变量M只有在低值4.6830 时X对Y的影响才通过显著性检验 ...
永远要记住,调节效应是斜率的变化。调节变量均值和高一个标准差不显著,也就是表明了这两条线的斜率趋于平行,而低一个标准差的那条线呈一条带夹角的斜线,斜切均值和高一个标准差这两条线。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 12:29:44
jjy2016 发表于 2018-8-16 11:02
另外,我的这个结果在调节变量C取0组的情形下,调节变量M只有在低值4.6830 时X对Y的影响才通过显著性检验 ...
你不能仅仅在字面上理解调节作用,
在绘图上,必须要深刻地知道何为之“斜率的变化”;
在实际的运用上,必须清楚调节作用,其实就是一种影响条件:也就是说,在自变量X影响因变量Y的过程中,因为调节变量W的加入,而导致X对Y的影响变强或者变弱。
因此,在实务中,调节变量的研究会比中介变量的研究更有意义。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 15:32:25
lin2388800 发表于 2018-8-16 12:22
永远要记住,调节效应是斜率的变化。调节变量均值和高一个标准差不显著,也就是表明了这两条线的斜率趋于 ...
谢谢楼主的解释,楼主对调节效应的涵义理解的很准确,调节效应确实是探究调节变量影响下X和Y之间的关系,这种关系表现在方向和强弱方面,但是我困惑的是我的结果在M调节下,在C也就是w分组下,在W为0这一组,均值和高一个标准差这两种情形下,我用你的方法画过图了,这两条并不是平行的,是相交的。也就是不通过检验不代表一定是斜率没有变化。关键是X对Y的影响是不显著的情况下能否将这两种情况画在调节效应图里呢去反映调节效应呢??这是我困惑的。
谢谢!
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 16:07:28
jjy2016 发表于 2018-8-16 15:32
谢谢楼主的解释,楼主对调节效应的涵义理解的很准确,调节效应确实是探究调节变量影响下X和Y之间的关系, ...
如果是全都不显著,画入调节效应图当然就没意义了。
但,如果有显著和不显著的同时存在,我认为是可以画进去的,有对比,就可以写出很多东西来。还可以引申至如何才能控制高调节引起的X对Y的不显著,以及如何进一步加强低调节等等。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 16:18:01
jjy2016 发表于 2018-8-16 15:32
谢谢楼主的解释,楼主对调节效应的涵义理解的很准确,调节效应确实是探究调节变量影响下X和Y之间的关系, ...
要深入地理解你所说的“不通过检验不代表一定是斜率没有变化”。
两直线平行,那是代表斜率相等,也即是:调节效应一定是不显著的。
两直线相交,也不一定代表调节效应一定存在,数据要出现统计学意义,才能判定显著性,也就是说,两直线因为斜率的差异,相交,达到一定夹角,统计软件才会认为具备显著性。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 17:33:27
lin2388800 发表于 2018-8-16 16:18
要深入地理解你所说的“不通过检验不代表一定是斜率没有变化”。
两直线平行,那是代表斜率相等,也即是 ...
谢谢楼主,学习了很多,我就是想把显著与不显著的三条线都画出来,这样可以明显得对比,但是担心的就是不显著的在统计学上没有通过检验,画出来是否有意义,还有一点就是,我发现我的这个结果在W等于1的这组,M取三个值下,X对Y的影响都通过了显著性检验,但是画的图却是几乎平行的三条直线,也就是斜率几乎没有变化,调节效应几乎没有,这又怎么解释呢?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 21:16:11
jjy2016 发表于 2018-8-16 17:33
谢谢楼主,学习了很多,我就是想把显著与不显著的三条线都画出来,这样可以明显得对比,但是担心的就是不 ...
我重新看了一下,在W等于1的这组,M取三个值下,X对Y的影响都通过了显著性检验,指的是直接效应的显著。
而有调节的中介不存在啊,怎么可能画出显著性的效果呢
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-16 22:12:31
jjy2016 发表于 2018-8-16 17:33
谢谢楼主,学习了很多,我就是想把显著与不显著的三条线都画出来,这样可以明显得对比,但是担心的就是不 ...
从你的数据上看,只有在W等于0的这组,有调节的中介才是真正的成立。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2018-8-17 11:27:41
lin2388800 发表于 2018-8-16 22:12
从你的数据上看,只有在W等于0的这组,有调节的中介才是真正的成立。
感谢楼主,可是我想做的不是有调节的中介呀,我用的model3是就是做调节的呀,感觉是多步调节,先引入m调节变量,然后在m的调节下再引入另一个调节变量w,所以经过了三次交互,难道是我理解的有误?对了,楼主方便留个qq吗?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群