一、调节效应的含义
调节效应是交互效应的一种，是有因果指向的交互效应，而单纯
的交互效应可以互为因果关系；调节变量一般不受自变量和因变
量影响，但是可以影响自变量和因变量；调节变量一般不能作为
中介变量，在特殊情况下，调节变量也可以作为中介变量。在统
计回归分析中，检验变量的调节效应意味着检验调节变量和自变
量的交互效应是否显著。
简单来说，就是当x对y有影响，但这种影响关系是否因为第三个
变量而改变呢？如果发生改变，则这第三个变量为调节变量。二、例子
不考虑调节效应，分析驾驶车速与发生事故概率的关系，一般而
言，车速越高，发生事故的概率越大。两者呈现正向关系，如
图，横坐标表示行车速度，纵坐标表示发生事故的概率。红色线
表示不考虑其它因素情况下，车速与事故概率的关系。
下面考虑调节效应，比如考虑喝酒对两者关系的调节作用。如果
喝了1瓶酒，车速与发生事故的概率关系变成图中蓝色线1b，如果
喝了3瓶酒，车速与发生事故的概率关系变成图中蓝色线3b，如果
喝了6瓶酒，车速与发生事故的概率关系变成图中蓝色线6b，这就
意味着，在考虑喝酒量因素的情况下，车速与发生事故概率的关
系发生了变化，即便在同样车速的情况下，不同喝酒量也会导致
两者关系的变化，因此喝酒量这个因素就起到了车速与事故概率
的调节作用。三、调节效应的检验
以最简单的回归方程为例，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0.05水平。
数据要求：因变量y一定要求为连续变量，而自变量x和调节变量m
可以为分类变量或者连续变量，四种组合都可以。1.自变量与调节变量均为分类变量
如果自变量和调节变量都是分类变量的话，实际上就是多元方差
分析中的交互作用显著性分析，如x有两种水平，m有三种水平，
则可以做2×3交互作用方差分析，在spss里面可以很容易实现。
以一个例子来说明，数据附后。
打开SPSS-----分析菜单-----一般线性模型----单变量
如果打开后中文是乱码，请关闭SPSS，然后打开空SPSS文件，在编辑----选项----语言---数字和语法的字符编码下面选Unicode。
将LOY放入因变量框中，将income和gender放入固定因子中，确定，显示结果如下：
发现gender和income交叉项不显著（p>0.05）,表明不存在交互效
应，表明调节效应不存在。- 连续自变量与分类调节变量
这种类型的调节效应需要采用分组回归分析，所谓分组
回归分析既是根据调节变量的分类水平，建立分组回归方程进行分析，回归方程为y=a+bx+e。当然也可以采用将
调节变量转换为伪变量以后进行层次回归分析，需要注意的是，分类的调节变量转换为伪变量进行层次回归分析
后，调节效应是看方程的决定系数R2显著性整体效
果，这和不同分类水平的自变量下调节变量的调节效应
识别有区别。
可在SPSS里面操作，还是上述例子，按性别拆分文件
（数据---拆分文件---将gender选入分组变量），然后
做线性回归，因变量为LOY，自变量选SQ和SAT，回
归得到下面系数结果（下第二图）：
比较非标准化的参数估计值和标准误差，通过Z判断两
者是否存在显著差异（软件没有直接给结果，需要手
算，利用下面公式，判断是否存在显著差异），当然
利用标准化的fish Z 统计量判断是否显著也可以。
3.分类自变量与连续调节变量
这种类型调节效应分析需要对分类自变量进行伪变量转换，将自
变量和调节变量中心化（计算变量离均差）然后做层次回归分
析。分类自变量转换为伪变量的方法：假设自变量X有n种分类，
则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人
均年收入水平分为8千以下、8000~2万、2万~5万、5万~10万、
10万以上四种类型，则可以转换为3个伪变量如下：
x1 x2 x3
10万以上 1 0 0
5万到10万 0 1 0
2万到5万 0 0 1
8千以下 0 0 0
上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心化后标准回归方程表示为：
y=b1x1+b2x2+b3x3+cm+e 3)
y=b1x1+b2x2+b3x3+cm+c1mx1+c2mx2+c3mx3+e 4)
x1=1表示10万以上；x2=1表示5万到10万；x3=1表示2万到5万；8
千以下=0。此时8千以下的回归方程表示为：y=cm +e(在x1、x2、
x3上的伪变量值为0)；之所以单独列出这个方程，是为了方便大家
根据回归方程画交互作用图,即求出c值就可以根据方程画出8千以
下变量的调节效应图。
检验方法为分析R2显著性或调节系数C’显著性。
注：在这4种分类自变量的调节效应分析中，采用R12和R22显著性
检验时，是对4种类型自变量在调节变量作用下的调节效应的整体检
验，总体显著的效果可能会掩盖某种类型自变量与调节变量的交互
作用不显著的情况，此时，我们就要逐一审查各个交互项的偏相关
系数。对方程4）而言，如果检查调节变量的偏相关系数，则有可能
会出现一些调节变量偏相关系数不显著的情况，例如，c1显著、c2
和c3不显著或c1和c2显著，c3不显著的情况等，此时可根据交互项
的偏相关系数来发现到底是那种类型的自变量与调节变量的交互作
用不显著。4.连续自变量与连续调节变量
软件操作步骤：
1.将所有数据标准化
2.自变量与调节变量相乘
3.执行分层回归，自变量与调节变量放在第一层，两者交互放到第
二层
4.勾选R2改变量
操作：将数据中SQ,LOY,SAT,Switching(调节变量）标准化，分析---
描述统计---描述（将变量保存为标准化结果）
转换---计算变量---interaction=ZSQ*ZSAT（保存为interaction
变量到数据集中）
转换---计算变量---SQSWT=ZSQ*ZSwitching
转换---计算变量---SATSWT=ZAT*ZSwitching
分析---回归---线性回归---因变量ZLOY,第一层自变量输入控制
变量（比如gender，marriage），第二层输入主要自变量
（ZSQ,ZSAT,ZSWitching），第三层输入交互变量
（interaction，SQSWT，SATSWT） ，然后在统计按钮中勾选R2改变量，确定
结果如图：
三个模型，分别包括各层的自变量，根据最后一列显
著性判断加入变量是否显著，三个主要变量（第二
层）至少有一个起显著作用，第三层加入的交互不显
著
从系数来看，三个交互均不显著，注意解释，交叉项的
解释，以第一个交叉项为例，当SWC每增加一个单位
（标准差），SQ对LOY会减少0.079个单位（标准差）（斜率减小），注意调节项先描述
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
