徐嘉骏 发表于 2011-10-1 20:17
何苦呢,就用回归呗,理论创见比方法技术重要,如果调解效应显著,回归也能检验出来,就像8楼说的这个方法效 ...
设主变量为X与调节变量为Z,两者均为潜变量,则其调节效应的检验是通过分析调节变量与主变量之间的交互项X*Z来实现的。两个潜变量的交互效应,大体上有四种处理方法(温忠麟, 候杰泰, 马什赫伯特, 2003)。
一是用潜变量的因子得分作回归分析,这是是熟悉因子分析的人最容易想到的一种方法。该方法容易理解,用SPSS就可完成,但其缺点也是明显的。由于使用因子得分,忽略了指标的测量误差,故X*Z的回归系数的标准误差可能很不精确,因而影响检验结果。另外,该方法是两步估计(先估计因子得分,再估计回归系数),而在估计因子得分时,完全没有顾及各因子之间的关系,这进一点削弱了模型的精确度。
二是两步最小二乘回归分析,该方法可以在SPSS用一个命令即可完成。但该方法精确度较差,其估计的交互效应有较大偏差,检验功效较低,故不推荐使用。
三是用分组线性结构方程模型来分析,该方法是将其中的一个变量当作可观测变量,按其数值将样本分成若干子样本,然后分别对每一组分析结构方程模型,以检验交互效应在不同组别之间是否具有显著差异。该方法优势明显,如有SEM软件支撑,在一些特殊情况下(如交互效应不以乘积项而以比率项出现时)非常适用等。但问题也不少,如,对于两个变量者是潜变量的情形,分组具有人为性;基于可观测的变量分组,忽视了测量误差;会增加假设检验中的第二类错误;没有给出交互效应系数的估计;分组后子样本可能会太小;等等。
四是加入乘积项的的结构方程模型分析。该方法的由Kenny & Judd (1984)开始创建,后来不断完善,尤其是Algina & Moulder (2001)的中心化工作,使该方法大大改进,是目前比较好的分析潜变量交互效应的方法。该方法在实际应用中的主要问题,一是模型有较强的假设;二是即使两个变量都是正态分布,其乘积项也不是正态分布,因而模型的稳健性是个问题;三是必须熟悉结构方程,正确给出约束等式,否则模型有误。
精确性和简洁性是统计建模的两大追求。以上四种方法中,两种回归方法都是两步估计,误差较大;两种SEM方法由于同时考虑了指标与潜变量之间的关系以及潜变量与潜变量之间的关系,精确度较高。但由于SEM方法比较复杂与麻烦,对其加以进一步的简单化成为SEM方法的追求。