简单效应和简单简单效应检验
一个三因素实验设计可以检验多个交互作用，其中有两次交互作用，也有三次交互作用。当方差分析表表明栽些交互作用显著的时候，应该如何进步解释它的含义呢？
一、两次交互作用和简单效应检验
与在一个两因素实验中一样，当研究者发现一个三因素实验中有显著的两次互作用后，需要做的第一件事是作交互作用的图解。作图时，应该忽略该两次交互作用中未涉及一个因素，而仅取考察的两个因素的数据。例如，在第一节的例题中的AC 交互作用是不是显著的，不需作进一步的检验。AB 和BC 两个两次
AB 、BC 平均灵敏表作图。
当初步了解了AB 、BC
用做一个方向的简单效应检验。比较简单明了的方法党政军是利用表5—1—2中的AB 、BC 表进行计算。
(1)B 因素在a 1、a 2水平的简单效应：
2222()222()(35)(31)(66) 1.00088(8)(2)
(56)(80)(136)36.00088(8)(2)a SSB SSB =+-==
++=1以a 水平以水平 (2)B 因素在c 1、c 2水平的简单效应：
2222()222()(48)(48)(96).00088(8)(2)
(43)(63)(103)25.00088(8)(2)c SSB SSB =+-==
++=1以c 水平以水平 表中可看到了，AB 、BC 两次交互作用是显著的，结合图解与简单效应检验，可以对AB 交互作用做进一步的解释：当文章的生字密度较大(a 1)时，学生对叙述文(b 2)和说明文(b 1)和说明文(b 1)的阅读理解都很2 1 12
差，且差异不显著(F,(1,24)=.64,p>.05)。当文章生字密度较小(a 1)时，学生的阅读理解明显提高，且对叙述文的阅读理解显著好于对说明文的阅读理解(F(1,24)=23.04,p<.01)。对BC 交互作用的进一步解释是：当文章中的平均句子较长(c 2)时，学生对叙述了的阅读理解显著好于对说明文的阅读理解(F,(1,24)=16.00,p<.01)。AC 交互作用不显著，因此不必进一步做简单效应平方和计算的正确性：
1
p aj j SSB
SSB SSAB ==+∑在水平 1.000+36.000=12.500+24.500 1p cl l SSB
SSB SSBC ==+∑在水平
0.000+25.00=12.500+12.500
二、三次交互作用和简单效应检验
一般来说，三次交互作用是比较难以直接解释的，最好把它分解为几个简单效应或几个两次互作用来加以考察和检验。当我们发现实验中一个三次交互作用显著时，第一步还是先做个交互作用的图解。
我们仍以第一节中的例题为例。利用ABC 表，我们可以用两种方式把一个三交交互作用在两维平面上表现出来：
图5—2—3ABC 平均数表与ABC 交互作用图解
可以看出，当一个三次交互作用被分解在两级平面上时，可以表现为一个因素在另外两个因素水平的结合上的处理效应，或者表现为在一个因素的各水平上，另外两个因素的交互作用。在获得了这个直观的了解后，前一种分解可以进一步做简单简单效应检验，后一种分解可以进一步做简单交互作用检验。
1.简单简单效应检验举例
我们还是对ABC 交互作用做一个方向的简单简单效应检验。
B 11122122
1212在B 1水平 在B 2水平
11122121222
()222
()222()222
()(16)(16)(32)0.00044(4)(2)
(19)(15)(34) 2.00044(4)(2)
(32)(32)(64)0.00044(4)(2)(24)(48)(72)72.00044(4)(2)
a c a c a c a c SSB SSB SSB SSB =+-==+-==+-==+-=在结合在结合在结合在结合
当进一步做简单简单效应检验以解释该三次交互作用的意义。表中做了一个方向的简单简单效应检验。可以看出，B 因素在a 1c 1、a 1c 2、a 2c 1三个处理水平绳索合上的简单应都是不显著的，只有B 因素在a 2c 1、上是显著的。结合图解和简单简单效应检验的结果，可以对ABC 交互作用做的解释如下：当文章生字密度大、平均句子长度较短时，学生对叙述文和说明文的阅读理解都很差，且没有差别(F(1,24)=0.00，p>.05)。当文章生字密度大、平均句子长度异(F(1,24)=1.28,p>.05)。当文章生字度小、平均句子长度较短时，学生对叙述文和说明文的阅读理解仍然无差别(F(1,24)=0.00，p>.05)。只有当文章生字符密度小、平均句子长度较长时，学生对叙述文的阅读理解显著好于对说明文的阅读理解((F(1,24)=46.08，p>.01)。 利用简单效应平方和检验计算的正确性
11p r j l j l SSB a c
SSB SSAB SSBC SSABC ===+++∑∑在
0.000+2.000+0.000+72.000
=12.500+24.500+12.500+24.500
74.000
2.简单交互作用检验举例
B
[BC1]=(16)2+(19)2+(16)2+(15)2=1098.000
[B1]=(35)2/2+(31)2/2=1093.000
[C1]=(32)2/2+(34)2/2=1090.00
[Y1]=(33)2/4=1098.000
1[1][1][1][1] 1.0004
a BC B C Y SSBC --+==在水平 (2)B 因素和C 因素在a 2水平的简单交互作用：
[BC2]=(32)2+(24)2+(32)2+(48)2
=4928.000
[B2]=(56)2/2+(80)2/2=4868.000
[C2]=(64)2/2+(72)2/2=4640.000
[Y2]=(136)2/4=4624.000 2[2][2][2][2]36.0004
a BC B C Y SSBC --+==在水平
表5—2—3 三因素完全随机实验的方差分析
在表5—2—3中对ABC 三次互作用做了一个方向的简单交互作用检验。结果表明，BC 两次交互作用在a 1水平上是不显著的，而以a 2水平上是不显著的，而在a 2水平是显著的。因此，可对ABC 三次交互作用做的另一种解释如下：当学生阅读生字密度大的文章时，文章类型与平均句子长度的交互作用是不显著的(F(1.24=0.64,p>.05)，即文章类型与平均句子长度是各自独立地影响学生的阅读理解的。当学生阅读生字密度小的文章时，文章类型与平均句子长度的交互作用是显著的(F,(1,24)=23.03p<.01)，即阅读说明文时，平均句子长度对学生的阅读理解无明显影响，而当阅读叙述文时，学生阅读平均句子长度较长的文章好于平均句子长度较短的文章。
利用简单交互作用平方和可以检验计算的正确性： 1j p a j SSBC
SSBC SSABC ==+∑在水平
1.000+36.00=1
2.500+24.500
=37.00
REFORMATION &STRATEGY 2008.9 泡沫（Bubble）一词在经济领域中是指一种或一系列资产的市场价格在一定时期内偏离其真实价值的现象。1987年出版的《Palgrave 经济学大辞典》中引用了著名经济学家金德尔伯格（Charles P.Kindleberg）对泡沫经济所做的定义：“泡沫状态这个名词，可以不严格地定义为一种或一系列资产在一个连续过程中陡然涨价，开始的价格上升会使人们产生还要涨价的预期，于是又吸引了新的买主——这些人一般只是想通过买卖牟取利润，而对这些资产本身的使用和产生盈利的能力是不感兴趣的。随着涨价常常是预期的逆转，接着就是价格暴跌，最后以金融危机告终。”（奉立城，2007）从这个定义可以看出，经济领域中的泡沫经济是一种价格现象，是指某种或者一系列资产的市场价格在短期内脱离其实际价值迅速上涨的经济现象，是一种虚假繁荣，一旦泡沫破灭，就会导致金融危机和社会震荡。 一、泡沫经济的生成机理 （一）虚拟资本和虚拟经济的产生虚拟资本是泡沫经济的主要载体，是指以有价证券形式表现的、能给持有者带来一定收入的资本。如银行券、债券、股票、期货、期权等。虚拟资本是信用制度逐步完善和资本证券化的产物，虽然它的存在是以它所表现的实体资本为基础的，但其价格的变动却不是由实体资本的价值决定，而是由预期收入和平均利息率决定，所以其价格往往会与实体资本价值变动相背离。而虚拟经济是伴随着虚拟资本的出现而出现的，在实体资本被虚拟化为虚拟资本的同时，与实际经济相对应的虚拟经济就产生了。虚拟经济是关于虚拟资本运行的经济，其源于实体经济又相对独立于实体经济。一方面，虚拟经济的发展可以为实体经济的发展提供有效的融资工具，有利于实体经济存量的结构调整和 重组，从而可以促进实体经济的发展；另一方面，虚拟经济对经济发展又有负效应，当虚拟经济的发展脱离了实体经济发展的需要盲目发展、过度膨胀，就会引发泡沫经济。 值得一提的是，虽然诸如股票这类的虚拟资本往往会成为泡沫经济的载体，历史上很多泡沫事件的载体也主要是股票，但并不是说泡沫经济的所有载体都是股票。历史上，房地产、古董、甚至鲜花等等具有稀缺性的物品都成为过载体，这可以用以下将要提到的投机需求来解释。 （二）羊群效应 社会需求基本上可以分为真实需求和投机需求两类。真实需求的目的是为了满足消费或再生产，而投机需求的目的则是为了获得买与卖之间的差价，从而牟取利润。与真实需求相比，投机需求具有交易成本低、资金占用时间短、可导致巨大的财富转移效应等特点。这些特点决定了投机需求与泡沫经济有着 2008年第9期改革与战略 NO.9,2008第24卷（总第181期） REFORMATION &STRATEGY （Cumulatively,NO.181） 泡沫经济的成因及治理对策研究 汪慧玲，韩珠珠 （兰州大学经济学院，甘肃兰州 730000） [摘要]文章通过对虚拟经济、羊群效应和资金流动性过剩这三种经济现象的分析，揭示了泡沫经济的生成机理及危害，并提出对泡沫经济的防范、治理要采取宏观政策调控和微观心理引导双管齐下的策略，防范金融风险，保持宏观经济的健康、稳定发展。 [关键词]泡沫经济；虚拟经济；羊群效应；货币政策[中图分类号]F123.16 [文献标识码]A [文章编号]1002-736X(2008)09-0032-03 On the Forming Mechanism of Bubble Economy and Its Countermeasure Wang Huiling ，Han Zhuzhu (College of Economics,Lanzhou University,Lanzhou,Gansu 730000) Abstract:This paper reveals the forming mechanism and damage of bubble economy by analyzing three kinds of economy phenomenon:virtual economy,herd behavior and capital liquidity surplus;it is pointed out that macroeconomic control policy and micro psychology guiding should be adopted to avoid and govern bubble economy so as to avoid financial risk and keep macroeconomic development healthy and stable. Key words :bubble economy;virtual economy;herd behavior;monetary policy [作者简介]汪慧玲（1963-），女，甘肃民勤人，兰州大学经济学院教授，研究方向：区域经济学、数量经济学；韩珠珠（1983-）， 女，山西长治人，兰州大学经济学院硕士研究生，研究方向：数量经济学。32
一、实验目的及要求： 1、目的 用SPSS软件实现均值检验和方差分析。 2、内容及要求 用SPSS对所要求数据进行相应的数据处理和分析：均值检验、方差分析。 二、仪器用具： 三、实验方法与步骤: 1.从网上下载到可用的数据 2.将所需数据复制到SPSS中，并且把学校变量改为数值型变量，用1、2分别代替“A”和“B”。 四、实验结果与数据处理： 首先用SPSS软件对单变量进行正态性检验，结果如下： 因为样本数n=60<2000，所以此处选用Shapiro-Wilk统计量。由Sig.值我们可以认为五科的录取分数均遵从正态分布。 用SPSS的GLM模块进行多元正态分布有关均值与方差的检验，结果如下：
第一张主体间因子表展示了样本数据分别来自两个学校的个数。第二张多变量检验表给出了几个统计量，由Sig.值可以看出，无论从哪个统计量来看，两个学校的录取分数都是有显著差别的。由于模型通过了显著性检验，意味着两所学校的录取分数线是不同的。 主体间因子 N 学校 A 30 B 30
由上面主体间效应的检验表可知五科分数的Sig.值均为0.000说明两个学校本科录取分数在五门课上都存在显著差别。 协方差矩阵等同性的 Box 检验a Box 的 M 14.729 F .891 df1 15 df2 13544.526 Sig. .575 检验零假设，即观测到的因变量的协方差矩阵在所有组中均相等。 a. 设计 : 截距 + 学校 该表为协方差阵相等的检验表，检验统计量为Box’s M，由Sig.值可以认为两个学校(总体)的协方差阵是相等的。
由误差方差等同性的Levene检验表，可以得知，在显著性水平为0.05水平下，五科分数的误差平方在两个学校间是没有显著差别。 下页成对比较表给出了不同学校五科录取分数的比较与检验及检验的可信性统计量。
温忠麟老师的检验中介效应程序 一、中介效应概述 中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。 以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下： Y=cx+e1 1) M=ax+e2 2) Y=c’x+bM+e3 3) 上述3个方程模型图及对应方程如下： 二、中介效应检验方法 中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法：
1.依次检验法（causual steps）。依次检验法分别检验上述1）2）3）三个方程中的回归系数，程序如下： 1.1首先检验方程1）y=cx+ e1，如果c显著（H0:c=0被拒绝），则继续检验方程2），如果c不显著（说明X对Y无影响），则停止中介效应检验； 1.2在c显著性检验通过后，继续检验方程2）M=ax+e2，如果a 显著（H0:a=0被拒绝），则继续检验方程3）；如果a不显著，则停止检验； 1.3在方程1）和2）都通过显著性检验后，检验方程3）即y=c’x + bM + e3,检验b的显著性，若b显著（H0:b=0被拒绝）,则说明中介效应显著。此时检验c’,若c’显著，则说明是不完全中介效应；若不显著，则说明是完全中介效应，x对y的作用完全通过M来实现。 评价:依次检验容易在统计软件中直接实现，但是这种检验对于较弱的中介效应检验效果不理想，如a较小而b较大时，依次检验判定为中介效应不显著，但是此时ab乘积不等于0，因此依次检验的结果容易犯第二类错误（接受虚无假设即作出中介效应不存在的判断）。 2.系数乘积项检验法(products of coefficients)。此种方法主要检验ab乘积项的系数是否显著，检验统计量为z = ab/ s ab，实际上熟悉统计原理的人可以看出，这个公式和总体分布为正态的总体均值显著性检验差不多，不过分子换成了乘积项，分母换成了乘积项联合标准误而已，而且此时总体分布为非正态，因此这个检验公式的Z值和正态分布下的Z值检验是不同的，同理临界概率也不能采用正态分布
证券投资基金的羊群效应 2014-04-10 18:05 来源：证劵投资论文有 108人参与在线咨询 一、证券投资基金羊群效应的成因 （一）理论原因 基金业目前是证券市场上较为理性的机构投资者，因此中国基金业的羊群行为主要还是来自于理性羊群效应。基于理性羊群行为的研究模型主要分为以下三种；信息串联模型、基于委托—代理关系模型、收益外部性模型。1999年Wermers对这些理论模型进行了归纳，分为以下几类：一是经理人对自己的名声很看重，他们在决策时会忽视自己所拥有的信息，反而会跟随大多数的投资者采取行动；二是不同的投资经理可能从之前的具有更多信息的经理人的投资行为获得同样的私人信息，从而导致他们的投资行为趋于相同；三是不同经理人的投资行为表现出趋同性，可能是因为都得到相同或相关的私人信息，或者都采用同样的指标来进行分析等；四是不同机构投资者可能具有相同的风险偏好从而导致一致的投资行为。中国证券投资基金之所以产生羊群效应，一方面是由于上述理论因素，更主要的是中国作为世界上最大的发展中国家所表现出来的特有原因。 （二）中国所特有原因 第一，中国股票市场的信息不完全和监管制度不完善。缺乏充分有效的投资信息，使得投资者倾向于选择相同的投资策略。另外在中国的基金行业，由于与投资基金有关的法律制度不是很健全，很多投基金会投向高成长的国有企业，以期获得高额的报酬。这两点也有助于羊群效应的发生。第二，股票市场“高收益股短缺”以及股市的“高投机性”现象。中国股票市场的上市公司主要是国有企业，使得一些高成长性、收益较好的国有企业备受投资基金）的亲睐，从而助长了羊群行为。第三，大多基金投资者持有短期投资理念。中国的投资者都很想在极短的时间内获利，而不会把投资基金当作长期获利的工具。一旦投资基金投资失败，各投资主体的短期持有心理又立马高涨，他们会要求基金公司还他们一个公道，迫于公司形象、舆论媒体的压力，基金公司会改变原有的投资策略，跟随主流的投资策略，造成一定程度的羊群行为。第四，中国的证券市场缺乏卖空机制。卖空机制能对冲在投资过程中产生的风险，从而保证在一定风险水平上有高的收益。但是缺乏卖空机制，限制了投资基金的操作空间，致使投资基金在证券市场上选择相同的投资策略，导致了投资基金“羊群效应”的发生。 二、证券投资基金羊群效应的解决对策 （一）加快发展金融衍生工具市场，丰富基金投资品种 尽管金融衍生工具给了投资基金更多的投资选择空间，在一定程度上能够对冲风险，避免投资策略的趋同性，尽量减少羊群行为发生的可能性。但是中国现在发展金融衍生工具的制度基础不够健全，还有待完善。 （二）加大投资基金监管和信息披露的完善工作 加强基金监管有助于维护宏观经济、金融的稳定、提高证券市场的运行效率、保障投资者的利益。监管主体应该主要从基金发行、基金日常运作、基金公司的审批几个方面来实施。信息对于进行投资决策时至关重要，对信息披露的严格要求，能够督促基金管理公司向公众提供真实、有效信息。
主体间效应的检验 因变量:分数 源III 型平方和df 均方 F Sig. 偏 Eta 方非中心参数观测到的幂b 模型108250.294a8 13531.287 162.223 .000 .968 1297.782 1.000 性别12.971 1 12.971 .156 .695 .004 .156 .067 年级1800.540 3 600.180 7.195 .001 .334 21.586 .973 性别 * 年级1312.742 3 437.581 5.246 .004 .268 15.738 .904 误差3586.706 43 83.412 总计111837.000 51 a. R 方 = .968（调整 R 方 = .962） b. 使用 alpha 的计算结果 = .05 描述性统计量 因变量:分数 性别年级均值标准偏差N 男初一65.6667 10.06645 3 初二41.2500 8.27647 8 高一34.2222 6.97814 9 高二50.4286 10.22835 7 总计44.0000 12.88708 27 女初一49.4286 8.20279 7 初二45.0000 15.25341 4 高一46.7778 8.12062 9 高二46.0000 9.27362 4 总计47.1250 9.20450 24 总计初一54.3000 11.35341 10 初二42.5000 10.50974 12 高一40.5000 9.78143 18 高二48.8182 9.67283 11 总计45.4706 11.30549 51 多个比较
应对与化解突发事件公众心理恐慌的对策（下）二、公众心理恐慌的原因及其分析 （二）公众心理恐慌的分析 从刚才给大家提到的这七个方面，我们来做进一步的梳理和分析。第一个是经济社会发展环境与转型当中的社会问题。在这个阶段，很容易出现信任危机，信是信息的信，任是任务的任。信任危机。我们来看这个转型时期，心理恐慌，从本质的角度来讲的话，最主要的是什么？是心理安全。那么我们为什么会产生恐慌呢？就是不安全了，通俗地讲，就是一种信用，在宏观层面中产生的信任危机。 比如说有的干部，可能都很清楚，政法系统原来的领导成了最大的老虎之一了；还有部队以前的首长，现在成为阶下囚了；以及在核心部门的领导，也是身陷囹圄。 在这种情况下，有一些老虎，还有一些小老虎，还有一些苍蝇，纷纷落马，它折射了一个背景，就是在这个过程中，既反映出我们党反腐的决心，也反映出比较客观的一面，其他国家在发展过程中也有类似的贪腐问题，在一定程度，这个问题非常突出。对于公众来讲，原来所信任的人，原来所信任的政府和自己实际的感受，尤其是在实际的接触过程中，产生了很强的反差，这个反差要注意它的时代性的特点，在这个过程当中，出现了对官员，对我们的公共部门，对一些国有企业“人肉”，还有其他的仇视问题。 我们这里要注意一个时代的背景，这个时代性，就是我们有一个问题需要去好好研究，就是在我们整个的转型过程中，我们很多的情况之下，在我们的心理上，是并不适应的。做一项工作，我们经常要去热热身，其实还要注意，我们做很多工作还要暖暖心，要暖心。实际上我们作为人要感性，人有心理方面的需求。在转型的过程中，有人致富了，而很多人没有挣到太多的财富，还有的人，在转型过程中有这样那样的问题，遇到一些瓶颈和困难，收入低，当然这是他非常显著的一点，仅仅是一个点而已。给很多人一个印象，就是我们贫富差距的扩大。客观地讲，我们的基尼系数在增大，在一段时间之内，这种信任感，在这种背景之下，它是出现心理安全问题，甚至是在某些情况下出现心理恐慌的一个社会背景，一个时代背景，所以说它有时代性的特点。 在这个过程当中，第二个方面，还有政府自身的行为能力。在转型过程当中，我们政府自身的行为能力，我们对整个公共事件的信息公开，在这个宏观的背景之下，传统的计划经济时代的管理方式，面临着市场经济条件下的管理方式的挑战。同时传统的技术条件，比如
本次数据讨论的是性别不同的条件下，不同的刺激情况在不同条件下的被试的反应时状况， 主要是2×2×2的组内方差统计分析。 一、首先是对主体因子进行统计分析图一 主体内因子 度量:MEASURE_1 A B 因变量 1 1 A1BI 2 A1B2 2 1 A2B1 2 A2B2 图一是主体内因子排列情况，我们可以看出A变量有2个因子，B变量有两个因子。 共同构成了四个处理水平，分别为A1B1、A2B1、A2B1、A2B2。 图二 主体间因子 值标签N gender 1.00 male 15 2.00 female 15 图二描述的是主体间因子的情况，主要是gender这一变量有两个值标签，分别为男性 和女性，同时男性被试和女性被试分别为15人。 图三 描述性统计量 gender 均值标准偏差N A1BI male 1.1733 .35550 15 female 1.3467 .30907 15 总计 1.2600 .33896 30 A1B2 male 1.7067 .26313 15 female 2.0333 .29196 15 总计 1.8700 .31964 30 A2B1 male 2.3933 .34115 15 female 2.7733 .24919 15 总计 2.5833 .35143 30 A2B2 male 1.5533 .14075 15 female 1.5733 .19809 15 总计 1.5633 .16914 30
图三是对数据不同处理水平下的男性的女性的相关描述性统计。 图四 主体内效应的检验 度量:MEASURE_1 源III 型平方和df 均方 F Sig. 偏Eta 方A 采用的球形度7.752 1 7.752 97.263 .000 .776 Greenhouse-Geisser 7.752 1.000 7.752 97.263 .000 .776 Huynh-Feldt 7.752 1.000 7.752 97.263 .000 .776 下限7.752 1.000 7.752 97.263 .000 .776 A * gender 采用的球形度.019 1 .019 .235 .631 .008 Greenhouse-Geisser .019 1.000 .019 .235 .631 .008 Huynh-Feldt .019 1.000 .019 .235 .631 .008 下限.019 1.000 .019 .235 .631 .008 误差(A) 采用的球形度 2.232 28 .080 Greenhouse-Geisser 2.232 28.000 .080 Huynh-Feldt 2.232 28.000 .080 下限 2.232 28.000 .080 B 采用的球形度 1.261 1 1.261 16.181 .000 .366 Greenhouse-Geisser 1.261 1.000 1.261 16.181 .000 .366 Huynh-Feldt 1.261 1.000 1.261 16.181 .000 .366 下限 1.261 1.000 1.261 16.181 .000 .366 B * gender 采用的球形度.080 1 .080 1.028 .319 .035 Greenhouse-Geisser .080 1.000 .080 1.028 .319 .035 Huynh-Feldt .080 1.000 .080 1.028 .319 .035 下限.080 1.000 .080 1.028 .319 .035 误差(B) 采用的球形度 2.182 28 .078 Greenhouse-Geisser 2.182 28.000 .078 Huynh-Feldt 2.182 28.000 .078 下限 2.182 28.000 .078 A * B 采用的球形度19.927 1 19.927 259.310 .000 .903 Greenhouse-Geisser 19.927 1.000 19.927 259.310 .000 .903 Huynh-Feldt 19.927 1.000 19.927 259.310 .000 .903 下限19.927 1.000 19.927 259.310 .000 .903 A * B * gender 采用的球形度.494 1 .494 6.430 .017 .187 Greenhouse-Geisser .494 1.000 .494 6.430 .017 .187
温忠麟老师的检验中介 效应程序 文档编制序号：[KK8UY-LL9IO69-TTO6M3-MTOL89-FTT688]
温忠麟老师的检验中介效应程序 一、中介效应概述 中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。 以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下： 1) Y=cx+e 1 M=ax+e 2) 2 3) Y=c’x+bM+e 3 上述3个方程模型图及对应方程如下： 二、中介效应检验方法 中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法：
1.依次检验法（causual steps）。依次检验法分别检验上述1）2）3）三个方程中的回归系数，程序如下： 首先检验方程1）y=cx+ e1，如果c显着（H0:c=0被拒绝），则继续检验方程2），如果c不显着（说明X对Y无影响），则停止中介效应检验； 在c显着性检验通过后，继续检验方程2）M=ax+e2，如果a显着（H0:a=0被拒绝），则继续检验方程3）；如果a不显着，则停止检验； 在方程1）和2）都通过显着性检验后，检验方程3）即y=c’x + bM + e3,检验b的显着性，若b显着（H0:b=0被拒绝）,则说明中介效应显着。此时检验c’,若c’显着，则说明是不完全中介效应；若不显着，则说明是完全中介效应，x对y的作用完全通过M来实现。 评价:依次检验容易在统计软件中直接实现，但是这种检验对于较弱的中介效应检验效果不理想，如a较小而b较大时，依次检验判定为中介效应不显着，但是此时ab乘积不等于0，因此依次检验的结果容易犯第二类错误（接受虚无假设即作出中介效应不存在的判断）。 2.系数乘积项检验法(products of coefficients)。此种方法主要检验 ，实际上熟悉统计ab乘积项的系数是否显着，检验统计量为z = ab/ s ab 原理的人可以看出，这个公式和总体分布为正态的总体均值显着性检验差不多，不过分子换成了乘积项，分母换成了乘积项联合标准误而已，而且此时总体分布为非正态，因此这个检验公式的Z值和正态分布下的Z 值检验是不同的，同理临界概率也不能采用正态分布概率曲线来判断。
浅谈生活中的“羊群效应” “羊群效应”最早是股票投资中的一个术语，主要是指投资者在交易过程中存在学习与模仿现象，“有样学样”，盲目效仿别人，从而导致他们在某段时期内买卖相同的股票的现象。现在，在管理学上，通常用它来描述企业的一些市场行为现象。 羊群是一种很散乱的组织，平时在一起也是盲目地左冲右撞，但一旦有一只头羊动起来，其他的羊也会不假思索地一哄而上，全然不顾前面可能有狼或者不远处有更好的草。因此，“羊群效应”就是比喻人都有一种从众心理，从众心理很容易导致盲从，而盲从往往会陷入骗局或遭到失败。 有则幽默讲：一位石油大亨到天堂去参加会议，一进会议室发现已经座无虚席，没有地方落座，于是他灵机一动，喊了一声：“地狱里发现石油了！”这一喊不要紧，天堂里的石油大亨们纷纷向地狱跑去，很快，天堂里就只剩下那位后来的了。这时，这位大亨心想，大家都跑了过去，莫非地狱里真的发现石油了？于是，他也急匆匆地向地狱跑去。 法国科学家让亨利·法布尔曾经做过一个松毛虫实验。他把若干松毛虫放在一只花盆的边缘，使其首尾相接成一圈，在花盆的不远处，又撒了一些松毛虫喜欢吃的松叶，松毛虫开始一个跟一个绕着花盆一圈又一圈地走。这一走就是七天七夜，饥饿劳累的松毛虫尽数死去。而可悲的是，只要其中任何一只稍微改变路线就能吃到嘴边的松叶。 曾经有一只兔子听到“咕咚”声响，大叫“不好了，咕咚来了”，结果，动物们都恐慌地跟着跑起来。动物如此，人也不见的有多高明。有一个人白天在大街上跑，结果大家也跟着跑，除了第一个人，大家都不知道奔跑的原因大街上有两个人在吵架，这根本不是什么大事，结果，人越来越多，最后连交通也堵塞了。甚至连后面的人也停下了脚步，努力地抬头向人群里观望……从2003年的“非典”时期的疯抢“板蓝根”到前段时间发生核泄露后的“盐荒”,从全民炒股到今天的房价问题，都真实的反映出“羊群效应”随处可见。 有学者曾经进行过一项有关从众心理的实验，结果发现在被测试的人群中仅有1/4~1/3的人没有发生过从众行为，保持着自己的独立性。可见这是一种常见的生活
SPSS实例：[16]中介效应的检验过程 spss做中介效应现在用的越来越普遍，虽然说用amos是最佳的工具，但是很多人还是喜欢spss，更容易理解，操作起来也比amos简单。下面我们就来分享一下如何使用spss进行中介效应的检验，这个教程是理论上的讲解，目的是让你理解这个过程。后面我们会具体的来操作一下，让你知道如何具体的去做，先来看看理论上的过程： 1.先要明确你的自变量和因变量，假如我们有三个变量分别是：自变量（x），因变量（y），中介变量（M）。 2.第一个要检验的是自变量对因变量的作用，我们用下面的方程表示：我们首先要做的是对系数c的检验，你 应该知道，用回归做检验，假如c不显著，说明不存在中介效应，停止检验；假如c显著，还不能说明存在中介效应，接着进行下面的步骤： 3.接着我们做自变量和中介变量之间的回归方程的检验，也就是用下面的方程来表示，假如系数a显著，说明X 确实可以预测M，但仍然没有说明中介效应的存在。假如a不显著，那就需要进行sobel检验。我们暂时不去 做sobel，因为还有一个步骤 4.现在我们要检验M和Y之间的关系，也就是下面的方程的系数是否显著。假如a显著、b也显著，那么就可以 证明中介效应存在；假如a和b中有一个不显著，另一个先不显著我们不知道，我们需要进行sobel检验，s obel检验显著，那么中介效应存在。 5.到此为止，我们就完成了中介效应的检验，下面来总结一下整个流程，看下面的流程图： 6.中介效应的具体操作，参考我的下一篇文章。
SPSS实例：[17]进行sobel检验(小白教程) 通常我们在做中介效应的时候，遇到有一个系数没有达到显著性水平，我们需要进行sobel检验，但是sobel检验的公式非常麻烦，如果你按计算器就很麻烦了，更何况你还有很多中介效应去验证，所以今天我给大家分享一个Excel可以很快的计算。 1.从下面的参考资料里下载一个Excel文件 2.下载下来以后，打开Excel，你会看到一个这样的表格 3.将你的三个模型的三线表粘贴过来
羊群效应——盲从与科学 在2011年，在日本核泄漏之后，我国出现人民群众大批大批到商场买盐的情况，导致盐价飙升，甚至翻了两三倍，甚至随着盐价上升，蔬菜瓜果的价格也有所提升。尽管政府等有关部门，新闻群体等已发表说明核泄漏不会对我国沿海有污染，人们本应对我国所出售的盐放心，可为什么还会出现“抢盐”的闹剧呢？ 在股票投资中有一个术语，名为“羊群效应”。在一群羊前面横放一根木棍，第一只羊跳了过去，第二只、第三只也会跟着跳过去；这时，把那根棍子撤走，后面的羊，走到这里，仍然像前面的羊一样，向上跳一下，尽管拦路的棍子已经不在了，这就是所谓的“羊群效应”也称“从众心理”。是指管理学上一些企业的市场行为的一种常见现象。它是指由于对信息不充分的和缺乏了解，投资者很难对市场未来的不确定性作出合理的预期，往往是通过观察周围人群的行为而提取信息，在这种信息的不断传递中，许多人的信息将大致相同且彼此强化，从而产生的从众行为。也是因为从众心理，才会出现“抢盐”的闹剧，才会让黑心的商家有机可乘。明明知道核泄漏对我国的盐是没有危害的，却因为盲目的跟从，道听途说，误信传言，导致人们去超市抢购盐，破坏了社会秩序，可见盲从危害之大。 大家都知道盲从是不好的，人云亦云是不科学的，但盲从的社会风气存在已久，并不是一时三刻能更改的事。就拿“中国式”过马路来讲，我们从小就会知道要看灯行走，“红灯停，绿灯行”，遵守交通规则，但能真正做到的又有几个呢？不用看灯，甚至不用看车，只要凑齐一群人就可以过马路，这就是中国人。就如我亲身经历的，当红灯时，我站在人行道上等，身边有大批的人闯红灯，他们不会觉得自己有错，却用异样的眼光看着我。难道他们是对的而我做错了么？有没有想过如果大家都遵守交通规则，那大家眼中的异样就即将是哪些人呢？ 择善人而交, 择善书而读, 择善言而听, 择善行而从。要做到不盲从，不“随大流”首先就要从思想上有所改变。明辨是非，相信科学、依靠科学，理性不盲从，就如2003年春节前后，广州对非典的恐慌达到了高潮。在记者会上，钟南山院士以其人格担保，呼吁市民保持理性。那句流传甚广的“非典可防、可治”通过媒体传播开去，迅速稳定了民情人心。与其说人们相信钟南山，还不如说是相信科学能够最终战胜非典病魔。
第六章spss的方差分析 1、入户推销有五种方法。某大公司想比较这五种方法有无显著的效果差异，设计了一项实验。从应聘人员中尚无推销经验的人员中随机挑选一部分人，并随机地将他们分为五个组，每组用一种推销方法培训。一段时期后得到他们在一个月内的推销额，如下表所示： 1）请利用单因素方差分析方法分析这五种推销方式是否存在显著差异。 2）绘制各组的均值对比图，并利用LSD方法进行多重比较检验。 原假设：这五种推销方式是否存在显著差异。 步骤：建立SPSS数据→分析→比较均值→单因素→因变量导入销售额→变量导入方式→选项→选择方差同质性检验、均值图→选择LSD方法检验→确定 表6-2 分析：sig值为0.00＜0.05，故拒绝原假设，认为这五种销售方式中存在显著差异。 （2）多重比较： 表6-3
分析：有表6-3可以看出，多重比较中sig值均小于0,05，所以拒绝原假设，认为五种推销方法存在显著差异均值图也可以看出均值对比图的曲折比较大，进一步验证了结论。 2、为研究某种降血压药的适用特点，在五类具有不同临床特征的高血压患者中随机挑选了若干志愿者进行对比试验，并获得了服用该降压药后的血压变化数据。现对该数据进行单因素方差分析，所得部分分析结果如下表所示。 1）请根据表格数据说明以上分析是否满足方差分析的前提要求，为什么？ 2）请填写表中空缺部分的数据结果，并说明该降压药对不同组患者的降压效果是否存在显著差异。 3）如果该降压药对不同组患者的降压效果存在显著差异，那么该降压药更适合哪组患者？1）图表中可以看出，在方差齐性检验中，sig值为0.001，小于0.05，故拒绝原假设，所以方差不齐。
SPSS 实例：［16］中介效应的检验过程 spss 做中介效应现在用的越来越普遍，虽然说用 amos 是最佳的工具，但是很多人还是喜欢 spss ，更容易理解，操作起 来也比amos 简单。下面我们就来分享一下如何使用 spss 进行中介效应的检验，这个教程是理论上的讲解，目的是让你 理解这个过程。后面我们会具体的来操作一下，让你知道如何具体的去做，先来看看理论上的过程： 1. 先要明确你的自变量和因变量，假如我们有三个变量分别是：自变量（ x ），因变量（y ）,中介变量（M 。 2. 第一个要检验的是自变量对因变量的作用，我们用下面的方程表示：我们首先要做的是对系数 c 的检验，你 应该知道，用回归做检验，假如 c 不显著，说明不存在中介效应，停止检验；假如 c 显著，还不能说明存在 Y=cX+en 中介效应，接着进行下面的步骤： 3. 接着我们做自变量和中介变量之间的回归方程的检验，也就是用下面的方程来表示，假如系数 a 显著，说明X 确实可以预测M 但仍然没有说明中介效应的存在。假如 a 不显著，那就需要进行sobel 检验。我们暂时不去 N4=aX+02； 做sobel ，因为还有一个步骤 现在我们要检验M 和Y 之间的关系，也就是下面的方程的系数是否显著。假如 a 显著、b 也显著，那么就可以 证明中 介效应存在；假如a 和b 中有一个不显著，另一个先不显著我们不知道，我们需要进行 sobel 检验，s YF X+bM+e 3a obel 检验显著，那么中介效应存在。 6.中介效应的具体操作，参考我的下一篇文章。 4. 5. 中介效完全中介 应显著效应显著 中介效中介效应 应显著不显着 Y 与冥相去不昱菁 停止中介建应分析 到此为止，我们就完成了中介效应的检验，下面来总结一下整个流程，看下面的流程图:
单样本T检验 按规定苗木平均高达1.60m以上可以出圃，今在苗圃中随机抽取10株苗木，测定的苗木高度如下： 1.75 1.58 1.71 1.64 1.55 1.72 1.62 1.83 1.63 1.65 假设苗高服从正态分布，试问苗木平均高是否达到出圃要求？(要求α=0.05) 解：1）根据题意，提出： 虚无假设H0：苗木的平均苗高为H0=1.6m; 备择假设H1：苗木的平均苗高H1>1.6m； 2）定义变量：在spss软件中的“变量视图”中定义苗木苗高, 之后在“数据视图”中输入苗高数据； 3)分析过程 在spss软件上操作分析，输出如下：
表1.1:单个样本统计量 表1.2:单个样本检验 由图1.1和表1.1数据分析可知，变量苗木苗高成正态分布，平均值为1.6680m，标准差为0.0843，说明样本的离散程度较小，标准误为0.0267，说明抽样误差较小。 由表1.3数据分析可知，T检验值为2.55，样本自由度为9，t检
验的p值为0.031<0.05,说明差异性显著，因此，否定无效假设H0，取备择假设H1。 由以上分析知：在显著水平为0.05的水平上检验，苗木的平均苗高大于1.6m，符合出圃的要求。 独立样本T检验 从两个不同抚育措施育苗的苗圃中各以重复抽样的方式抽得样本如下： 样本1苗高（CM）：52 58 71 48 57 62 73 68 65 56 样本2苗高（CM）：56 75 69 82 74 63 58 64 78 77 66 73 设苗高服从正态分布且两个总体苗高方差相等（齐性），试以显著水平α=0.05检验两种抚育措施对苗高生长有无显著性影响。 解：1）根据题意提出： 虚无假设H0：两种抚育措施对苗木生长没有显著的影响； 备择假设H1：两种抚育措施对苗高生长影响显著； 2）在spss中的“变量视图”中定义变量“苗高1”，“抚育措施”，之后在“数据视图”中输入题中的苗高数据，及抚育措施，其中措施一定义为“1”措施二定义为“2”； 3）分析过程 在spss软件上操作分析输出分析数据如下;
中介效应分析方法 1 中介变量和相关概念 在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X 对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 1.1 中介变量的定义 考虑自变量X 对因变量Y 的影响,如果X 通过影响变量M 来影响Y ,则称M 为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e 1 (1) M = aX + e 2 (2) Y = c ’X + bM + e 3 (3) 1 Y=cX+e 1 e 2 M=aX+e 2 a b M
e3 Y=c’X+bM+e3 图1 中介变量示意图 假设Y与X的相关显著,意味着回归系数c显著(即H0 : c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显著呢? 目前有三种不同的做法。 传统的做法是依次检验回归系数。如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显著影响它的后继变量。这是Baron 和Kenny 定义的(部分) 中介过程。如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显著, 变成了Judd和Kenny 定义的完全中介过程。在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c显著(即H0 : c = 0 的假设被拒绝) ；(ii) 系数a 显著(即H0: a = 0 被拒绝) ,且系数b显著(即H0: b = 0 被拒绝) 。完全中介过程还要加上: (iii) 系数c’不显著。 第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显著,即检验H0 : ab = 0 ,如果拒绝原假设,中介效应显著 ,这种做法其实是将ab作为中介效应。 第三种做法是检验c’与c的差异是否显著,即检验H0 : c - c’= 0 ,如果拒绝原假设,中介效应显著。 1.2 中介效应与间接效应 依据路径分析中的效应分解的术语 ,中介效应属于间接效应(indirect effect) 。在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。当只有一个自变量、一个中介变量时,效应之间有如下关系 c = c’+ ab (4) 当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。但公式(4) 对一般的回归系数也成立)。由公式(4) 得c-c’=ab,即c-c’等于中介效应,因而检验H0 : ab = 0 与H0 : c-c’= 0 是等价的。但由于各自的检验统计量不同,检验结果可能不一样。 中介效应都是间接效应,但间接效应不一定是中介效应。实际上,这两个概念
墨菲定律、羊群效应、马太效应与零和游戏 一、墨菲定律 墨菲定律的原话是这样说的： If there are two or more ways to do something, and one of those ways can result in a catastrophe, then someone will do it.(如果有两种选择，其中一种将导致灾难，则必定有人会作出这种选择。) 什么是墨菲定律? 最简单的表达形式是"有可能出错的事情，就会出错(Anything that can go wrong will go wrong)"。 1949年，一位名叫墨菲的空军上尉工程师，认为他的某位同事是个倒霉蛋，不经意间开了句玩笑：“如果一件事情有可能被弄糟，让他去做就一定会弄糟。” 这句话迅速流传，并扩散到世界各地。在流传扩散的过程中，这句笑话逐渐失去它原有的局限性，演变成各种各样的形式，其中一个最通行的形式是：“如果坏事情有可能发生，不管这种可能性多么小，它总会发生，并引起最大可能的损失。”、“If anything can go wrong, it will.(会出错的，终将会出错)”、 这就是著名的“墨菲定律”。下面是墨菲定律的一些变种或推论。 人生哲学 1．别试图教猫唱歌，这样不但不会有结果，还会惹猫不高兴? 2．别跟傻瓜吵架，不然旁人会搞不清楚，到底谁是傻瓜? 3．不要以为自己很重要，因为没有你，太阳明天还是一样从东方升上来? 4．笑一笑，明天未必比今天好。 5．好的开始，未必就有好结果；坏的开始，结果往往会更糟。 处世原理 6．你若帮助了一个急需用钱的朋友，他一定会记得你——在他下次急需用钱的时候。 7．有能力的──让他做；没能力的──教他做；做不来的──管理他。
《统计分析与SPSS的应用（第五版）》（薛薇） 课后练习答案 第6章SPSS的方差分析 1、入户推销有五种方法。某大公司想比较这五种方法有无显著的效果差异，设计了一项实验。从应聘人员中尚无推销经验的人员中随机挑选一部分人，并随机地将他们分为五个组， 第一组20.0 16.8 17.9 21.2 23.9 26.8 22.4 第二组24.9 21.3 22.6 30.2 29.9 22.5 20.7 第三组16.0 20.1 17.3 20.9 22.0 26.8 20.8 第四组17.5 18.2 20.2 17.7 19.1 18.4 16.5 第五组25.2 26.2 26.9 29.3 30.4 29.7 28.2 1）请利用单因素方差分析方法分析这五种推销方式是否存在显著差异。 2）绘制各组的均值对比图，并利用LSD方法进行多重比较检验。 （1）分析→比较均值→单因素ANOV A→因变量：销售额；因子：组别→确定。 ANOVA 销售额 平方和df 均方 F 显著性 组之间405.534 4 101.384 11.276 .000 组内269.737 30 8.991 总计675.271 34 概率P-值接近于0，应拒绝原假设，认为5种推销方法有显著差异。 （2）均值图：在上面步骤基础上，点选项→均值图；事后多重比较→LSD
多重比较因变量: 销售额 LSD(L) (I) 组别(J) 组别平均差 (I-J) 标准错误显著性 95% 置信区间 下限值上限 第一组第二组-3.30000* 1.60279 .048 -6.5733 -.0267 第三组.72857 1.60279 .653 -2.5448 4.0019 第四组 3.05714 1.60279 .066 -.2162 6.3305 第五组-6.70000* 1.60279 .000 -9.9733 -3.4267 第二组第一组 3.30000* 1.60279 .048 .0267 6.5733 第三组 4.02857* 1.60279 .018 .7552 7.3019 第四组 6.35714* 1.60279 .000 3.0838 9.6305 第五组-3.40000* 1.60279 .042 -6.6733 -.1267 第三组第一组-.72857 1.60279 .653 -4.0019 2.5448 第二组-4.02857* 1.60279 .018 -7.3019 -.7552 第四组 2.32857 1.60279 .157 -.9448 5.6019 第五组-7.42857* 1.60279 .000 -10.7019 -4.1552 第四组第一组-3.05714 1.60279 .066 -6.3305 .2162