M
X
Y
e Y=f(X,M)+e
例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导 方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。 又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生 对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一 般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该 项自我概念的重视程度是调节变量。 在做调节效应分析时,通常要将自变量和调节变量做中心化变换 。本次主要 考虑最简单常用的调节模型,即假设Y与X 有如下关系 Y = aX + bM + cXM + e (1) 可以把上式重新写成 Y = bM + ( a + cM ) X + e 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。
2、调节变量
2. 1 调节变量的定义 如果变量Y与变量X的关系是变量M 的函数,称M 为调节变量 。 就是说, Y与X 的关系受到第三个变量M 的影响,这种有调节变 量的模型一般地可以用图示意。调节变量可以是定性的(如性 别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年 限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正 或负)和强弱 。
1、控制变量
不仅仅只有自变量才是和因变量有关的,于自变量之外往往存在额外相 关变量,此类变量简称额外变量,因其必须被想办法控制,在实验中保 持恒定不变,又称其为控制变量。所谓的“控制变量”,就是看一下,排 除了这些变量的影响之后,其他变量对因变量的预测作用是怎么样的。 分析方法:可以用分层回归分析。 比如,在分析时,将人口统计学变量(性别,年龄等)作为控制变量, 在分层回归时放入BLOCK1,之后在BLOCK2中放入其他变量。通过 观察导出的结果,可以看出,在剔除了人口统计学变量之后,其他变量 的方差贡献增加率。