调节效应在统计模型上与交互效应没有任何区别,系数的解释也很相似。有关交互效应的说明请参见:
https://bbs.pinggu.org/thread-2182096-1-1.html
那么他们唯一区别的地方是研究者可以自定义谁是自变量谁是调节变量(调节效应模型)。
假如X是自变量,M是调节变量,Y是因变量,那么针对X、M的不同测量标准,我们使用的方法也不同。
(1)显变量的情况下,检验乘积项是否显著。
方程1使用的方法、解释与上面讲到的交互效应一样;
方程2使用的方法是虚拟变量,例如将M的不同取值转换成虚拟变量(如果是二分类的,最好使用0、1编码);检验的方法主要看R方的改变量(是否包含交互项之差)是否显著。具体在回归过程中检验R方。
调节效应图尤其是在调节变量是分类的情况下,结果会更便于理解。
图中的虚线是女性组绘制的回归曲线,实线是男性组。
根据前面的交互效应项的解释,可以了解到性别(虚拟变量1表示男)每增加一个单位,消费对收入的回归,其斜率的变化程度,那么绘制的实际上就是男性组收入对消费的回归线,女性组的绘制同理(可以将男女编码互换)。其实这个过程的启示是,对交互项系数的检验就是在检验调节图中的不同组回归线的斜率是否有差异。所以调节效应图可以提供更直观的解释,当然如果希望在图中展示更详细的信息,可以将收入变量的取值编码的更细一点,就可以了。
方程3使用的其实就是一般的方差分析就可以完成检验,直接设置为全模型进行估计,然后判断交互项是否显著。
方程4使用的方法与方程2一样。
(2)潜变量的情况
如果是方程2和方程3的情况,直接在SEM软件里设置多群组模型就可以。多群组模型中限定不同参数的方法其实是对应着不同的统计模型,例如因子载荷的限定对应测量模型的信效度检验的问题,而路径系数的限定是对应着结构模型的调节效应。因此参数限定前后的最小差异量的变化就成为检验调节效应是否存在的依据了。
如果是方程1和方程4的情况,需生成交互项的指标,做法是交互项所涉及的潜变量,使其对应的指标相乘获得。另外需要强调的是方程1和方程4的自变量是离散变量,如果引入SEM模型中可能需要不同参数估计方法,否则结果可能会有偏。