如何判断调节变量的调节作用是增强还是减弱？
<br /> 众所周知，调节效应是交互效应的一种，在分析时我们可以将其分成增强型交互作用（reinforcement interaction）和干扰型交互作用（interference interaction）。对于前者，随着X2（调节变量）的增大，自变量X1对因变量Y的正向影响越来越强；对于后者，随着X2（调节变量）的增大，自变量X1对因变量Y的正向影响越来越弱。<br /> <br /> 在加入调节变量时，方程如下：<br /> Y= a + bX1 + cX2 + dX1*X2<br /> <br /> 但我有一问题不明：我们是基于什么来判定调节作用是属于增强型还是干扰型（或减弱型）呢？是否在做分层回归分析时，只要看方程中回归系数d是正值还是负值即可（假设调节效应显著）？<br /> <br /> 我们能否这样理解：<br /> （A）假设自变量X1和因变量Y存在正相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是增强型或正向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是干扰型或负向调节；<br /> （B）假设自变量X1和因变量Y存在负相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是干扰型或负向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是增强型或正向调节；<br /> <br /> 请各位朋友积极讨论一下。谢谢 呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵 请各位大虾指点迷津啊，不要一笑而过啊。<br /> 可能问题对你而言很容易，但也许对我而言是挺难的事，呵呵 在结构方程模型里调节作用和交互作用定义不同。<br /> 可以这么理解：<br /> 1.调节作用：x对y产生影响x->y。c与x、y都有关，但不是x->y关系间的中间变量，也就是x不会通过c影响y。c的存在可以使x->y间的关系夸大或减弱。<br /> 2.交互作用：x可以直接对y产生影响，x->y；也可通过C对y产生影响x->c->y。x到y的总效应分为两部分，x->y的直接作用，x->c->y的间接作用。<br /> 3.在结构方程（sem）中，交互作用、调节作用是加强还是抑制，可以通过amos或lisrel中的专门功能反映出来<br /> total effect，direct effect ，indirect effect。他们的关系total effect=direct effect+indirect effect。<br /> 直接、间接效应可正 可负，他们相加后所得的总效应会使各种增强、抑制作用被综合考虑。 <br /> <strong>4# <i>freetest</i> </strong><br /> <br /> 我认为你对该问题有点误解。<br /> 我说的并非如何分析调节效应是否显著，而是：经检验得出调节效应变量时，如何确定调节变量（B）在自变量（A）与因变量（C）间起增强作用，还是减弱作用。<br /> 而且，似乎你说的“交互作用”其实是指中介作用（mediating effect），而非调节作用（moderating effect）或交互作用(interaction effect)。 我所说的交互作用是mediating effect，而调节在我的专业领域更多的被称为混杂。<br /> <br /> 对于<br /> “经检验得出调节效应变量时，如何确定调节变量（B）在自变量（A）与因变量（C）间起增强作用，还是减弱作用。”<br /> 在保证变量赋值方向一致的前提下，可以根据total effect的正负来判断增强还是抑制。 <strong> 6# <i>freetest</i> </strong> <br /> <br /> thank you!<br /> but the interaction effect you mentioned should not be equal to the mediating effect!<br /> in fact, moderating effect is one type of interaction effect, which suggects how much effect the independent variable has on dependent varialbe relys on the third variable (the moderating variable). It should be mentioned that moderating effect has its direction, however, the pure interaction effect has not. <br /> <br /> Further, we should differ the mediating effect from moderating effect. <br /> <strong>Note that a mediational model is a causal model. For example, </strong>independent variable (A) has an impact on the dependent variable (C) through the mediating role of B. In a word, the mediator (<strong>B</strong>) can deliver the impact that independent variable (A) offered to the dependent varialbe (C). The path should be "<strong>A---->B----->C</strong>". <br /> <strong>however,</strong> <strong>a</strong><strong> moderator variable M is a variable that alters the strength of the causal relationship.</strong> So for instance, psychotherapy may reduce depression more for men than for women, and so we would say that gender (<strong>M</strong>) moderates the causal effect of psychotherapy (<strong>X</strong>) on depression (<strong>Y</strong>). The path should be "<strong>X*M--->Y</strong>"<br /> <br /> anyway, thank you for you reply!<br /> <br /> 刚看调节变量，现学现卖，一起探讨。<br /> 如果自变量X,因变量Y。调节变量为M，那么所谓调节方程应为<br /> Y = aX + bM + cXM + e<br /> 重新写成<br /> Y = bM + ( a + cM ) X + e<br /> 对于固定的M ,这是Y对X 的直线回归。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。故也即C值也就是你所说的调节变量是增还是减。<br /> 另外还要注意调节效应和中介效应的区别，我认为你所说的应是正确。<br /> 我推荐一篇文篇给你看<br /> 调节效应与中介效应的比较和应用（温忠麟1, 2 侯杰泰2 张 雷）<br /> 另外，前面的贴子里可能也有相关的题，如<br /> http://bbs.pinggu.org/thread-358719-1-1.html你可以参考<br /> （个人理解：里面所说的离均差应是中心化，也就原观察值减去观察值的均值）<br /> 不外，上面所说的外文文献我都没有找到，如果你找到了可以发给我，谢了！lrfdnv@163.com<br /> 我也是刚刚学，说错地方多多见谅。</p><p></p> <ul class="s_clear"> <strong> 8# <i>lrfdnv</i> </strong> <br /> <br /> 谢谢！你说的基本是正确的。<br /> 但是可能你们还没有明白我的意思：<br /> （1）我这里并非讨论什么是“中介效应”和“调节效应”；<br /> （2）我也并非讨论调节效应的检验。事实上，调节效应的检验有许多成熟的方法，例如通过分层回归分析（hierarchical regression analysis）、温忠麟，候杰泰提出的“无约束估计法”等。<br /> <br /> 我的意思是：通过以上程序，我们已经检验得出调节变量（M）在自变量（X）和因变量（Y）间起调节作用（Y 对 X*M 回归显著）；在此之后，我们如何确定该调节变量是增强了，还是减弱了自变量（X）和因变量（Y）的关系的强度？ 按温的说法 调节效应并非是交互相应的一种 从统计上来说他们的分析是一致的 此外不知楼主关于调节效应的两种分类是从哪里看来的？ <blockquote>a-duo 发表于 2009-7-1 12:54 <img src="http://bbs.pinggu.org/images/common/back.gif" "thumbImg(this)" alt="" /><br /> 按温的说法 调节效应并非是交互相应的一种 从统计上来说他们的分析是一致的 此外不知楼主关于调节效应的两种分类是从哪里看来的？</blockquote>阿铎，你可能看错了，事实上调节效应确实是交互效应的一种，只不过前者有方向，后者没有方向的。温也是持这种观点的。 看了将近一个星期关于调节变量和交互作用的文献。同意楼上的观点，在大量的外文文献中，作者们在验证调节变量与交互作用时候，无论是在对假设的表述，还是检验的方法都非常类似， 几乎都采用分层回归法！ <strong> 9# <i>shenym</i> </strong> 其实调节变量的问题，系数为正且显著则表明具有加强作用；系数为负且显著则表明具有减弱作用。但加强和减弱与楼主人认为的正向和负向是两码事。调节变量的作用好像没有正向和负向之说，至少我没有看到的文献中这样阐述过。因此，只需判断显著的系数是加强还是减弱即可！ <br /> 众所周知，调节效应是交互效应的一种，在分析时我们可以将其分成增强型交互作用（reinforcement interaction）和干扰型交互作用（interference interaction）。对于前者，随着X2（调节变量）的增大，自变量X1对因变量Y的正向影响越来越强；对于后者，随着X2（调节变量）的增大，自变量X1对因变量Y的正向影响越来越弱。<br /> <br /> 在加入调节变量时，方程如下：<br /> Y= a + bX1 + cX2 + dX1*X2<br /> <br /> 但我有一问题不明：我们是基于什么来判定调节作用是属于增强型还是干扰型（或减弱型）呢？是否在做分层回归分析时，只要看方程中回归系数d是正值还是负值即可（假设调节效应显著）？<br /> <br /> 我们能否这样理解：<br /> （A）假设自变量X1和因变量Y存在正相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是增强型或正向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是干扰型或负向调节；<br /> （B）假设自变量X1和因变量Y存在负相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是干扰型或负向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是增强型或正向调节；<br /> <br /> 请各位朋友积极讨论一下。谢谢 呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵呵 请各位大虾指点迷津啊，不要一笑而过啊。<br /> 可能问题对你而言很容易，但也许对我而言是挺难的事，呵呵 在结构方程模型里调节作用和交互作用定义不同。<br /> 可以这么理解：<br /> 1.调节作用：x对y产生影响x->y。c与x、y都有关，但不是x->y关系间的中间变量，也就是x不会通过c影响y。c的存在可以使x->y间的关系夸大或减弱。<br /> 2.交互作用：x可以直接对y产生影响，x->y；也可通过C对y产生影响x->c->y。x到y的总效应分为两部分，x->y的直接作用，x->c->y的间接作用。<br /> 3.在结构方程（sem）中，交互作用、调节作用是加强还是抑制，可以通过amos或lisrel中的专门功能反映出来<br /> total effect，direct effect ，indirect effect。他们的关系total effect=direct effect+indirect effect。<br /> 直接、间接效应可正 可负，他们相加后所得的总效应会使各种增强、抑制作用被综合考虑。 <br /> <strong>4# <i>freetest</i> </strong><br /> <br /> 我认为你对该问题有点误解。<br /> 我说的并非如何分析调节效应是否显著，而是：经检验得出调节效应变量时，如何确定调节变量（B）在自变量（A）与因变量（C）间起增强作用，还是减弱作用。<br /> 而且，似乎你说的“交互作用”其实是指中介作用（mediating effect），而非调节作用（moderating effect）或交互作用(interaction effect)。 我所说的交互作用是mediating effect，而调节在我的专业领域更多的被称为混杂。<br /> <br /> 对于<br /> “经检验得出调节效应变量时，如何确定调节变量（B）在自变量（A）与因变量（C）间起增强作用，还是减弱作用。”<br /> 在保证变量赋值方向一致的前提下，可以根据total effect的正负来判断增强还是抑制。 <strong> 6# <i>freetest</i> </strong> <br /> <br /> thank you!<br /> but the interaction effect you mentioned should not be equal to the mediating effect!<br /> in fact, moderating effect is one type of interaction effect, which suggects how much effect the independent variable has on dependent varialbe relys on the third variable (the moderating variable). It should be mentioned that moderating effect has its direction, however, the pure interaction effect has not. <br /> <br /> Further, we should differ the mediating effect from moderating effect. <br /> <strong>Note that a mediational model is a causal model. For example, </strong>independent variable (A) has an impact on the dependent variable (C) through the mediating role of B. In a word, the mediator (<strong>B</strong>) can deliver the impact that independent variable (A) offered to the dependent varialbe (C). The path should be "<strong>A---->B----->C</strong>". <br /> <strong>however,</strong> <strong>a</strong><strong> moderator variable M is a variable that alters the strength of the causal relationship.</strong> So for instance, psychotherapy may reduce depression more for men than for women, and so we would say that gender (<strong>M</strong>) moderates the causal effect of psychotherapy (<strong>X</strong>) on depression (<strong>Y</strong>). The path should be "<strong>X*M--->Y</strong>"<br /> <br /> anyway, thank you for you reply!<br /> <br />页:
[1]
2