一、调节作用原理及剖析

• 调节作用研究指X对于Y的影响时，M的不同时，X对Y的影响幅度是否不一致。使用SPSSAU进行调节作用时，可通过两个方法功能进行实现，分别是问卷研究模块里面的调节作用方法，也或者进行方法模块里面的分层回归方法。

• 在进行调节作用研究时，共涉及两大块理论内容。分别是X和M的数据类型识别和数据处理两个角度阐述，且数据处理分析定类数据哑变量处理和定量数据中心化处理。

• 如果X或M为潜变量并且希望使用结构方程模型进行调节作用研究，可查阅SPSSAU帮助手册的单独文档剖析。

1.X和M数据类型

• 第一种情况：X为定量，M为定量；此时可使用SPSSAU问卷的调节作用模块，设置好数据类型即可进行分析。如果X或者M的个数为多个，此时使用SPSSAU进阶方法的分层回归。

• 第二种情况：X为定量，M为定类；此时可使用SPSSAU问卷的调节作用模块，设置好数据类型即可进行分析。如果X或者M的个数为多个，此时使用SPSSAU进阶方法的分层回归。

• 第三种情况：X为定类，M为定量；此时可使用SPSSAU问卷的调节作用模块，设置好数据类型即可进行分析。如果X或者M的个数为多个，此时使用SPSSAU进阶方法的分层回归。

• 第四种情况：X为定类，M为定类；此时可使用SPSSAU进阶方法的双因素方差。

• SPSSAU问卷研究模块中的调节作用方法，其仅支持放入1个X和1个M，如果有多个X或者多个M，此时需要使用SPSSAU进阶方法中的分层回归。当然也可重复进行多次分析，然后汇总表格结果。

• 针对X或者M在不同的数据类型进行调节作用，统一的处理原则为‘定类作哑变量处理，定量作中心化处理’。具体接下来说明：

2.数据处理之哑变量处理

关于直接使用SPSSAU问卷研究模块里面的调节作用方法，可直接设定某项数据为定类数据，此时SPSSAU系统默认则会进行哑变量设置。如下图：

但是SPSSAU问卷研究模块中的调节作用分析方法，仅支持X和M均为1项时，如果超过1项时，此时研究人员也可使用SPSSAU数据处理->生成变量功能里面的哑变量，然后设置好哑变量之后，再使用SPSSAU进阶方法里面的分层回归进行分析。如下图：

3.数据处理之中心化处理

针对X或者M，原则统一为‘定类数据哑变量，定量数据中心化’。

如果X，也或者M为定量数据，通常情况下需要进行量纲处理，一般是使用中心化处理。如果是使用SPSSAU问卷研究模块里面的调节作用，默认为中心化处理（也可下拉参数设置，让系统不进行处理，或者进行标准化处理）。如下图：

如果使用SPSSAU进阶方法里面的分层回归，此时需要自行对定量的X或者M进行中心化（或标准化处理），可使用数据处理里面的生成变量功能。

二、调节作用分析流程

如果X和M均为1项，此时建议直接使用SPSSAU->问卷研究模块->调节作用即可进行分析（如果X和M均1项且均为定类，则使用双因素方差）。如果X或M超过1项时，此时本部分分析结合上述四种情况讲解如何使用分层回归进行研究。下述中以X为2个，M为1个为例（不包括第4种情况即X和M均为定类这一特殊情况），实际研究中，X为多个或M为多个时，均类似的处理方式即可。

2.1 X定量为2个, M定量为1个

• 首先分别针对定量数据的2个X和1个M进行中心化，然后将中心化后的数据分别得到交互项（即相乘乘积项），总共2个，然后进行分层回归。

• 分层回归时，原理上第1层放入自变量X（处理后），第2层放入M（处理后），第3层放入交互项。

• 如果说交互项呈现出显著性，则说明具有调节作用，如果交互项回归系数显著且大于0则说明正向调节，反之则说明负向调节。

2.2 X定量为2个, M定类为1个

• 首先针对定量数据的2个X进行中心化，并且针对定类的M进行哑变量设置，并且参照项为dummyM_0，接着进行交互项生成。最后进行分层回归。

• 分层回归时，原理上第1层放入自变量X（处理后），第2层放入M（处理后），第3层放入交互项。

• 如果说交互项呈现出显著性，则说明具有调节作用，如果交互项回归系数显著且大于0则说明正向调节，反之则说明负向调节。

2.3 X定类为2个, M定量为1个

• 首先分别针对定量数据的X和M进行中心化，然后将中心化后的数据分别得到交互项（即相乘乘积项），然后进行分层回归。

• 如果说交互项呈现出显著性，则说明具有调节作用，如果交互项回归系数显著且大于0则说明正向调节，反之则说明负向调节。

2.4 X定类为1个, M定类为1个

三、SPSSAU操作说明

本部分分别阐述如何利用SPSSAU进行操作说明，并且结合X和M的数据类型进行分别阐述。

3.1 X定量为2个, M定量为1个

针对X和M均为定量数据时，首先将2个X和1个M均进行中心化处理。如下图：

处理之后，得到X1与M的交互项，X2与M的交互项【重复操作2次即可】。如下图操作：

在完成数据处理之后，接着进行分层回归分析，操作如下图：

最后关于调节作用的分析上，只需要针对SPSSAU输出表格结果中交互项的回归系数显著性情况进行分析即可（共2个交互项），如果交互项呈现出显著性，那么就说明具有调节作用。如果呈现出显著性，则交互项的回归系数大于0则说明具有正向调节作用，反之交互项呈现出显著性且回归系数小于0则说明具有负向调节作用。

3.2 X定量为2个, M定类为1个

针对X为定量，M为定类，此时首先针对定量的2个X进行中心化处理，并且针对定类M进行哑变量处理。如下图：

处理之后，接着进行交互项设置，M是定类数据（且有3个选项），此时哑变量设置后会得到3个标题（分别是M_选项1，M_选项2，M_选项3），M_选项1作为参照项，因此不进行交互项设置。2个中心化后的X，以及哑变量留下一个参照项后余2项（分别是M_选项2，M_选项3），因而最终为2*2=4个交互项，重复进行4次交互项设置即可，如下图操作：

在完成数据处理之后，接着进行分层回归分析，第1层放入中心化后的X，第2层放入哑变量设置后的2个哑变量项（其中有1项作为参照项不放入），第3层放入4个交互项，操作如下图：

最后关于调节作用的分析上，只需要针对SPSSAU输出表格结果中交互项的回归系数显著性情况进行分析即可（共计4个交互项），如果交互项呈现出显著性，那么就说明具有调节作用。如果呈现出显著性，则交互项的回归系数大于0则说明具有正向调节作用，反之交互项呈现出显著性且回归系数小于0则说明具有负向调节作用。

3.3 X定类为2个, M定量为1个

• 如果X为2个且均为定类数据，那么分别针对2个X进行哑变量设置，得到哑变量后，将其与定量的M（且中心化处理后），进行交互项生成。本部分假定X1的类别数量为3，X2的类别选项数量也为3，因此X1得到3个哑变量，X2得到3个哑变量，X1和X2分别均需要留下一个参照项，那么X1余2个哑变量与中心化后的M进行交互项生成，X2余2个哑变量与中心化后的M进行交互项生成。总共得到2+2共计4个交互项。

• 关于X1和X2进行哑变量生成，且M进行中心化处理，且X1的2个哑变量和X2的2个哑变量分别与中心化后的M进行交互项生成，操作如下：

将X1和X2均进行哑变量设置后，接着进行分层回归分析。第1层放入X1的2个哑变量和X2的2个哑变量，第2层放入中心化后的M，第3层放入2+2共计4个交互项。操作如下图：

最后关于调节作用的分析上，只需要针对SPSSAU输出表格结果中交互项的回归系数显著性情况进行分析即可（共计4个交互项），如果交互项呈现出显著性，那么就说明具有调节作用。如果呈现出显著性，则交互项的回归系数大于0则说明具有正向调节作用，反之交互项呈现出显著性且回归系数小于0则说明具有负向调节作用。

3.4 X定类为1个, M定类为1个

如果X和M均为1个，且均为定类数据（只能X和M均为定类数据，且个数一定为1个），此时可使用SPSSAU进阶方法里面的双因素方差分析进行研究（不需要进行哑变量设置等），并且选中‘二阶效应’（即交互项），操作如下图：

最后关于调节作用的分析上，只需要针对SPSSAU输出表格结果中交互项的显著性情况进行分析即可（只有1个交互项），如果交互项呈现出显著性，那么就说明具有调节作用。至于调节作用的进一步分析，则可使用SPSSAU默认生成的交互图等综合进行研究剖析即可。

四、总结

• 综上所述：除X和M均为1个使用双因素方差分析这种特殊情况外。其余的情况下，只要X或M是定类数据，那么就进行哑变量设置，只要X或M是定量数据则需要进行中心化处理。哑变量或中心化处理之后，接着进行交互项生成。哑变量处理后，一定记得参照项（一般是第1项）不进行交互项生成，也不会放入分层回归中。

• 分层回归进行调节作用分析时，一般第1层放入X（哑变量或中心化处理之后的），第2层放入M(哑变量或中心化处理之后的)，第3层放入所有的交互项。

• 至于调节作用的检验上，通常情况下是针对交互项的显著性进行剖析即可，如果交互项显著，则说明具有调节作用，进一步的调节作用分析等，则需要结合交互项的回归系数方向（或自行绘制图形等）进行研究。

• 调节作用的原理是数据处理（包括哑变量或中心化，交互项）之后进行分层回归，此操作过程步骤较多，如果X和M个数均为1个，建议使用SPSSAU问卷研究模块里面的调节作用分析方法即可。如果X或M的个数超过1个，建议可重复性地使用SPSSAU问卷研究模块里面的调节作用分析方法即可。SPSSAU问卷研究模块里面的调节作用分析方法，其内部原理即为分层回归（且会自动进行数据处理等），方便易用，研究人员需要理解核心的内部原理后，方能游刃有余地使用SPSSAU完成科学研究。

• 除此之外，如果X或M为潜变量并且希望使用结构方程模型进行调节作用研究，其核心原理基本一致，也是数据处理，交互项生成，然后放入模型分析等，但内部的细节处理等差异很大，可查阅SPSSAU帮助手册的单独文档剖析。