社会心理学中调节变量与中介变量的区别 BARON 英文文献翻译版
- 格式：doc
- 大小：71.50 KB
- 文档页数：5
下载文档原格式
合集下载
调节效应与中介效应的比较和应用
调节效应与中介效应的比较和应用调节效应与中介效应的比较和应用调节效应和中介效应是心理学研究中常用的统计工具，用来探究变量之间的关系及其影响机制。
在心理学研究中，两种效应是相互关联的，但却有着不同的目的和应用。
本文将对调节效应与中介效应进行比较，并探讨它们在实际研究中的应用。
一、调节效应调节效应指的是一个变量对另外两个变量之间关系的影响程度。
换句话说，调节效应指的是一种条件下，一个变量对其他两个变量之间关系的影响程度是否存在差异。
调节效应通常以交互作用的形式进行分析。
例如，研究者想要探究学生的学业成绩是否受到性别和家庭背景教育程度的影响。
通过进行调节效应分析，研究者可以发现不同性别和家庭背景教育程度的学生在学业成绩上是否存在差异。
这样的分析有助于理解不同变量之间的关系，并帮助制定有针对性的措施来提高学生的学业成绩。
调节效应的应用也很广泛。
比如，在临床心理学中，研究者想要探究某种治疗方法是否对不同年龄段的患者是否有不同的效果。
通过进行调节效应分析，研究者可以确定哪种治疗方法更适合不同年龄段的患者，以提高治疗效果。
二、中介效应中介效应指的是一个变量对于两个其他变量之间关系的解释作用。
换句话说，中介效应指的是一个变量通过影响另外两个变量之间的关系来起到解释作用。
中介效应通常通过路径分析进行分析。
例如，研究者想要探究工作压力对员工工作满意度的影响机制。
通过进行中介效应分析，研究者可以确定工作满意度是否受到工作压力的影响，并发现工作满意度和工作压力之间是否存在中介变量，如工作支持等。
这样的分析有助于理解变量之间的关系，并揭示出潜在的影响机制。
中介效应的应用也很广泛。
比如，在营销研究中，研究者想要探究某种广告对消费者购买意愿的影响机制。
通过进行中介效应分析，研究者可以确定广告是否通过某种中介变量，如品牌认知或情感激发等，来影响消费者的购买意愿，以设计更有效的广告策略。
三、比较和应用调节效应和中介效应在研究中都有其独特的价值和应用。
调节变量和中介变量
调节变量和中介变量
自变量 自变量
中介变量 调节变量
因变量 因变量
280 articles
76 (27%) tested for mediation
99 (35%) 19 tested for
moderation
mentioned the moderator implied a mediator
. Incidence of tests of mediation and moderation in the Journal of Applied Psychology (volumes 84-86).
Job
Job
Sat
SatSalຫໍສະໝຸດ rySalary调节变量亦即交互作用
在模型中有特殊的表达方法 Mod
X1
Y
如何检验调节效应：
取决于变量的类型 如果自变量是二分变量，调节变量也是二分
变量
2x2 ANOVA
二分变量的调节效应
例:奖励食物数量影响动物的作业水平,内驱 力是调节变量
依次检验方法的局限
1. 总体作用显著并不是中介作用显著的必要条件；我们只 要直接检验间接作用即可发现是否有中介作用。研究者 按照Baron和Kenny因果步骤，会因为总体作用c不显 著而停止余下的检验，可能错失发现间接作用 显著的 机会
2. Baron和Kenny的方法需要a和b都要显著，而直接检 验间接作用 的中介分析（比如Sobel检验）却只需a和 b的乘积显著即可。显然，拒绝两个虚无假设要比拒绝 一个要困难。
测量间接效应
间接效应即中介作用的大小
完全中介或部分中介 间接效应=(c - c') 理论上, c - c' = a*b
自变量 自变量
中介变量 调节变量
因变量 因变量
280 articles
76 (27%) tested for mediation
99 (35%) 19 tested for
moderation
mentioned the moderator implied a mediator
. Incidence of tests of mediation and moderation in the Journal of Applied Psychology (volumes 84-86).
Job
Job
Sat
SatSalຫໍສະໝຸດ rySalary调节变量亦即交互作用
在模型中有特殊的表达方法 Mod
X1
Y
如何检验调节效应：
取决于变量的类型 如果自变量是二分变量，调节变量也是二分
变量
2x2 ANOVA
二分变量的调节效应
例:奖励食物数量影响动物的作业水平,内驱 力是调节变量
依次检验方法的局限
1. 总体作用显著并不是中介作用显著的必要条件；我们只 要直接检验间接作用即可发现是否有中介作用。研究者 按照Baron和Kenny因果步骤，会因为总体作用c不显 著而停止余下的检验，可能错失发现间接作用 显著的 机会
2. Baron和Kenny的方法需要a和b都要显著，而直接检 验间接作用 的中介分析（比如Sobel检验）却只需a和 b的乘积显著即可。显然，拒绝两个虚无假设要比拒绝 一个要困难。
测量间接效应
间接效应即中介作用的大小
完全中介或部分中介 间接效应=(c - c') 理论上, c - c' = a*b
中介变量名词解释
中介变量名词解释中介变量（MediatingVariable）是社会科学和心理学术语，指可以影响两个变量之间关系的变量，是一种在多重回归分析中有用的概念。
它指在潜在影响变量和被影响变量之间起着中介效应的变量。
它们可以是可见的，即显示出来的，也可以是隐性的，即没有明确指出的。
中介变量通常包含其他变量的结果。
例如，在社会调查中，可以探讨一群人的情感态度，并确定其个人特征（如年龄，性别，信仰）如何影响他们的态度。
了解这些个人特征如何影响他们的态度的关键是中介变量，这些变量包括社会状态，社会经验，文化等。
中介变量可以在不同的研究领域中用来表示影响变量与被影响变量之间的联系，以期识别不同类型的影响，比如态度、思维方式等。
中介变量可以被对比，即比较受试者在不同社会状态或文化氛围下发展出不同的思维方式。
在多重回归分析中，中介变量与其他变量的关系一般被称为回归模型，不同的变量与它们之间的关系可以用不同的关系式来表示。
多重回归分析可以将影响变量和被影响变量之间的效应分解为中介变量的效应：一个影响变量的影响只能通过中介变量来体现，而中介变量又通过受影响变量来推断影响变量的影响。
因此，中介变量在多重回归分析中被认为是有用的，可以有效地研究不同变量之间的影响关系。
举一个简单的例子，社会经济地位（SES）是一个中介变量，它可以影响教育程度和收入，并有助于识别影响这些变量的原因。
例如，社会经济地位可以影响一个人接受的教育，因为教育是它影响收入的因素之一。
因此，我们可以通过控制社会经济地位变量来分析收入变量和教育程度变量之间的关系。
总之，中介变量是一个重要的变量，它可以帮助我们理解不同变量之间的关系，从而更好地控制变量，预测变量变化的模式，建立多重因素的联系和分析变量之间的效应。
影响变量和被影响变量之间的联系大多是通过中介变量来体现的，它们可以帮助我们确定影响变量和被影响变量之间的确切关系，从而提高对研究对象的理解和控制。
调节变量和中介变量.正式版PPT文档
高管兼任董事对高管-董事长人口特征差异和高 管离职关系具有负向的调节作用。
和企业绩效水平高、波动程度小的情况下相比， 在企业绩效水平低、波动大的情况下，高管董事长/高管-总经理人口特征差异对高管离职 的影响较弱。
管理研究方法
10
交互作用（interaction effect）
交互作用是指，两个变量（X1和X2）作用于变量Y时，其 总作用不等于两者分别作用的简单数学和。
p = 0.52
No job available (Z = 0):Y = 2.60 + 0.04 X
管理研究方法
4
示例
如果女性喜欢去百货商店 购物，男性喜欢去超市购 物。那么在上述关系中性 别是一个调节变量吗？
管理研究方法
5
示例
性别
主效应 Mai款数
每月开销数
调节效应 Moderating effect
管理研究方法
6
实例一
Wei, L., Chiang F. F. T., and Wu L. . Developing and utilizing network resources: Roles of political skill, Journal of Management Studies, 49(2): 381-402.
Network resources
Political skill
Performance/ career
outcomes
管理研究方法
7
实例二
张龙、刘洪. . 高管团队中垂直对人口特征差异对高管离职 的影响. (4): 108-118.
在这篇论文中，我们基于沪、深股市上市公司数据检验了董
事长-高管对、总经理-高管对人口特征差异对高管离职的
和企业绩效水平高、波动程度小的情况下相比， 在企业绩效水平低、波动大的情况下，高管董事长/高管-总经理人口特征差异对高管离职 的影响较弱。
管理研究方法
10
交互作用（interaction effect）
交互作用是指，两个变量（X1和X2）作用于变量Y时，其 总作用不等于两者分别作用的简单数学和。
p = 0.52
No job available (Z = 0):Y = 2.60 + 0.04 X
管理研究方法
4
示例
如果女性喜欢去百货商店 购物，男性喜欢去超市购 物。那么在上述关系中性 别是一个调节变量吗？
管理研究方法
5
示例
性别
主效应 Mai款数
每月开销数
调节效应 Moderating effect
管理研究方法
6
实例一
Wei, L., Chiang F. F. T., and Wu L. . Developing and utilizing network resources: Roles of political skill, Journal of Management Studies, 49(2): 381-402.
Network resources
Political skill
Performance/ career
outcomes
管理研究方法
7
实例二
张龙、刘洪. . 高管团队中垂直对人口特征差异对高管离职 的影响. (4): 108-118.
在这篇论文中，我们基于沪、深股市上市公司数据检验了董
事长-高管对、总经理-高管对人口特征差异对高管离职的
中介变量、调节变量与协变量概念、统计检验及其比较
中介变量、调节变量与协变量概念、统计检验及其比较一、本文概述在社会科学和自然科学的研究中，变量之间的关系是复杂且多样的。
中介变量、调节变量和协变量是理解和分析这些复杂关系的重要概念。
本文旨在深入探讨这三种变量的概念、统计检验方法及其在实证研究中的应用，并对它们进行比较，以帮助读者更好地理解并应用这些变量在各自的研究中。
我们将详细定义中介变量、调节变量和协变量的概念，解释它们在研究中的作用和重要性。
然后，我们将介绍如何通过统计方法检验这些变量，包括常用的回归分析、路径分析、协方差分析等技术。
我们将重点关注这些统计检验方法的原理、步骤和适用条件，以便读者能够在实际研究中正确应用。
我们还将对中介变量、调节变量和协变量进行比较，分析它们之间的异同点，以及在研究中的优势和局限性。
这将有助于读者更好地理解这三种变量在实证研究中的适用场景，以及如何在具体研究中选择合适的变量和方法。
我们将通过一些实证研究案例来演示中介变量、调节变量和协变量的应用，以便读者能够更直观地理解这些概念和方法在实际研究中的应用。
通过本文的阅读，读者将能够更深入地理解中介变量、调节变量和协变量的概念、统计检验方法及其在实证研究中的应用，为未来的研究提供有益的参考和指导。
二、中介变量概念及统计检验中介变量，又称为中介效应，是一个在自变量和因变量之间起桥梁作用的变量。
它的存在意味着自变量对因变量的影响并非直接，而是通过中介变量这一“中介”来实现的。
在理解这个概念时，我们可以将自变量视为“原因”，因变量视为“结果”，而中介变量则是这一因果关系链条中的“过程”或“机制”。
统计检验方面，常用的中介效应检验方法包括Baron和Kenny（1986）提出的逐步回归法，以及Sobel检验和Bootstrap方法等。
逐步回归法要求先检验自变量对中介变量的影响（第一步），再检验中介变量对因变量的影响（第二步），最后检验在控制中介变量后，自变量对因变量的直接影响是否显著减弱或消失（第三步）。
调节效应回归系数-概述说明以及解释
调节效应回归系数-概述说明以及解释1.引言1.1 概述调节效应回归系数是指在统计分析中，通过引入一个交互项来控制一个自变量对因变量的影响是否取决于另一个自变量的取值。
换句话说，调节效应回归系数帮助我们确定一个变量是否能够调节另一个变量与因变量之间的关系。
在实际研究中，调节效应回归系数有重要的作用。
它可以帮助我们理解和解释变量之间的复杂关系。
通过分析调节效应回归系数，我们可以确定在某个条件下，一个自变量对因变量的影响可能会发生变化。
这有助于我们更准确地预测和解释因变量的变化。
为了研究调节效应回归系数，研究者通常使用交互项来建立模型。
通过引入交互项，我们可以比较在不同条件下自变量对因变量的影响是否存在差异。
这为我们提供了一种分析和解释自变量之间的非线性关系的方法。
总之，调节效应回归系数的重要性不容忽视。
它不仅可以帮助我们理解变量之间的复杂关系，还可以提高我们对因变量的预测能力。
因此，进一步研究和应用调节效应回归系数具有广阔的前景。
在接下来的正文中，我们将介绍调节效应的概念、作用和研究方法，希望能为读者提供更多关于该主题的深入了解。
1.2 文章结构文章结构：本文将按照以下顺序进行叙述。
首先，将在引言部分概述本篇文章要探讨的主题以及背景。
然后，正文部分将分为三个小节进行讨论。
第一节将介绍调节效应的概念，对其进行解释和界定。
接下来，第二节将探讨调节效应的作用，即它在研究中的意义和作用。
最后，第三节将介绍调节效应的研究方法，包括实证研究和统计分析方法。
在结论部分，将总结调节效应的重要性和应用前景，并对全文进行回顾。
整体来说，本文结构清晰明了，通过引言引出要讨论的问题，并在正文部分系统性地阐释了相关内容。
结论部分则对整篇文章进行了总结和回顾。
通过这样的结构，读者可以逐步了解和理解调节效应的概念、作用和研究方法，从而对其重要性和应用前景有一个全面的认识。
1.3 目的本文的目的是探讨和分析调节效应的回归系数，以及它们在研究中的重要性和应用前景。
中间变量
中间变量Intermediatevariable，中介变量Mediatingvariable，调节变量Moderatingvariables中介目标又称为中间目标、中间变量等，是介于货币政策工具和货币政策最终目标变量之间的变量指标。
根据Baron和Kenny的解释,中介变量(mediator)是自变量对因变量发生影响的中介,是自变量对因变量产生影响的实质性的、内在的原因,通俗地讲,就是自变量通过中介变量对因变量产生作用。
变量间的交换调节变量(Moderator) vs中介变量(Mediator)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[ 6 ]。
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。
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[ 7 ]。
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。
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,上司的归因研究:下属的表现———上司对下属表现的归因———上司对下属表现的反应,其中的“上司对下属表现的归因”为中介变量。
如果一个变量与自变量或因变量相关不大,它不可能成为中介变量,但有可能成为调节变量。
理想的调节变量是与自变量和因变量的相关都不大。
有的变量,如性别、年龄等,由于不受自变量的影响,自然不能成为中介变量,但许多时候都可以考虑为调节变量。
中介变量和调节变量
调整效应
调整变量和自变量都是类别变量时： 做方差分析当两者旳交互效应明显时,则阐明
调整变量产生了调整效应。之后,能够经过 简朴效应分析进一步了解调整变量旳详细 作用。
当调整变量是连续变量时,不论自变量是何种 变量,均可采用层次回归技术来进行检验。 即先分别考察自变量和调整变量对因变量 旳主效应大小,然后将“自变量×调整变量” 乘积项纳入回归方程,若该项系数明显,则表 白调整效应明显。
然后,以自尊、社会影响以及这两者旳交互作用
项一起作为预测变量,以自控为因变量采用逼迫进 入法进行回归分析。成果表白,整体模型具有统计 明显性,但是交互作用项对自控旳影响未到达明显 水平( p < 0. 05) ,这阐明社会影响在自尊与自控之 间未存在调整效应。
最终,以自尊、社会影响、自控、自尊与社会影响 旳交互作用项以及自控与社会影响旳交互作用项一
3当该回归系数降低到0时,称为完全中介作用
中介效应分析措施
• 假设Y与X 旳有关明显,意味着回归系数c 明显,在 这个前提下考虑中介变量M。对中介效应旳统计 检验主要有三种措施。
• 老式旳做法是依次检验回归系数a、b (完全中介 效应还要检验c′) 旳明显性。 第二种做法是检验经过中介变量旳途径上旳回归 系数旳乘积ab 是否明显。 第三种做法是检验c’与c 旳差别是否明显。三种 措施各有利弊。
第二步：
明显 X预测M检验系数明显
不明显 不明显
第三步：
明显
停止中介效果分析
X和M同步预测Y检验X Y系数是否明显
不明显且
明显且≤第 一步X Y
X Y系数接 近0
部分中介效果明显
完全中介效果明显
操作环节
（一）国内部分： 1.将变量中心化 变量值-均值 2、检验回归系数c,即主观幸 福感对社会支持旳回归 Y=0.30X（要看原则系数） 3、检验回归系数a，即自尊 对社会支持旳回归M=0.26X 4、检验回归系数b，即主观 幸福感对自尊旳回归 5、检验系数c’ ， Y=0.17X+0.49M
调节效应和中介效应
调节变量(Moderator) vs 中介变量(Mediator)1、调节变量的定义变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。
调节变量可以是定性的，也可以是定量的。
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。
简要模型：Y = aX + bM + cXM + e 。
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。
如果c显著，说明M 的调节效应显著。
2、调节效应的分析方法显变量的调节效应分析方法：分为四种情况讨论。
当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。
2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。
或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。
若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。
潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。
当调节变量是类别变量时,做分组结构方程分析。
做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。
然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。
前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。
如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau 提出的无约束的模型。
社会心理学研究中调节变量与中介变量的区别：从概念、战略、统计角度分析文献回顾
（2）图标清晰合理，作者结合图例以及一些模型框架来阐述调节变量和中介变量的作用机制，以及二者的区别，使读者能更清晰直观地理解作者意图。
（3）文章切入点较佳，对调节变量和中介变量区分模糊进行了深入分析和确切区分，弥补了这一问题相关研究的不足。
（4）具有较强的实践指导性，作者加入了案例来具体说明中介变量和调节变量的检验方法和分析框架，更好地指导读者将知识运用到具体的实践操作中。
接着，作者提出在分析中介变量和调节变量区别时存在概念性的问题，借此文章将深入探究因果机制的本质，整合看似不可调和的两个变量间的关系。
然后，基于概念、战略和统计三个层面，作者通过对实际操作和理论假设举例的描述，讨论调节变量和中介变量的功能区分和检验方法的意义。具体分析思路简述如下：
一、调节变量的性质
1．调节变量的基本概念及其特征；
2．个人控制的含义；
3．行为意图-行为关系；
4．将全面的气质性格与行为联系起来：态度和特征。分别介绍上述三种领域理论框架中的调节作用和中介作用。
Research Methodology:
文章主要使用了文献回顾的方法，在描述理论以及举例说明以往研究混淆调节变量和中介变量时，提出前人的研究成果和操作方法，进而提出自己的观点；
在对前人的研究进行说明以及对所提方法如何运用时，文章使用了举例法，通过举例阐述了具体的操作和分析方法。
Results & Discussion:
文章在讨论部分首先说明了三个主要写作意义：一是仔细阐述了中介变量和调节变量的诸多区别；二是描述了区分两个变量在概念和战略等方面的影响；三是首次提出了一个适用于中介变量和调节变量在独立和混合机制中有效性最大化的分析纲要。
Theoretical Framework:
（3）文章切入点较佳，对调节变量和中介变量区分模糊进行了深入分析和确切区分，弥补了这一问题相关研究的不足。
（4）具有较强的实践指导性，作者加入了案例来具体说明中介变量和调节变量的检验方法和分析框架，更好地指导读者将知识运用到具体的实践操作中。
接着，作者提出在分析中介变量和调节变量区别时存在概念性的问题，借此文章将深入探究因果机制的本质，整合看似不可调和的两个变量间的关系。
然后，基于概念、战略和统计三个层面，作者通过对实际操作和理论假设举例的描述，讨论调节变量和中介变量的功能区分和检验方法的意义。具体分析思路简述如下：
一、调节变量的性质
1．调节变量的基本概念及其特征；
2．个人控制的含义；
3．行为意图-行为关系；
4．将全面的气质性格与行为联系起来：态度和特征。分别介绍上述三种领域理论框架中的调节作用和中介作用。
Research Methodology:
文章主要使用了文献回顾的方法，在描述理论以及举例说明以往研究混淆调节变量和中介变量时，提出前人的研究成果和操作方法，进而提出自己的观点；
在对前人的研究进行说明以及对所提方法如何运用时，文章使用了举例法，通过举例阐述了具体的操作和分析方法。
Results & Discussion:
文章在讨论部分首先说明了三个主要写作意义：一是仔细阐述了中介变量和调节变量的诸多区别；二是描述了区分两个变量在概念和战略等方面的影响；三是首次提出了一个适用于中介变量和调节变量在独立和混合机制中有效性最大化的分析纲要。
Theoretical Framework:
调节变量和中间变量
2009-11-14 19:02:11来自: Nickel(fatuou s)调节效应与中介效应的比较和应用by温忠麟侯杰泰张雷摘要讨论了调节变量的概念和调节效应分析方法,并简要介绍了中介变量的概念和中介效应分析方法。
从研究目的、关联概念、典型模型、变量的位置和功能、效应的估计和检验方法等角度,对调节变量和中介变量、调节效应和中介效应以及相应的模型做了系统的比较。
作为应用例子,在儿童行为对同伴关系的影响研究中分析和比较了调节变量和中介变量。
关键词调节变量,调节效应,中介变量,中介效应。
>还没有注册...2009-11-14 19:12:15 Nickel (fatuou s)调节变量(modera tor)和中介变量(mediat or)是两个重要的统计概念,它们都与回归分析有关。
相对于人们关注的自变量和因变量而言,调节变量和中介变量都是第三者,经常被人混淆。
从文献上看,存在的问题主要有如下几种: (1)术语混用或换用,两个概念不加区分。
例如,在描述同一个过程时,既使用调节过程的术语( intera ctwit h,见下面1. 2节) ,又使用中介过程的术语(mediat ing) [ 1 ] 。
(2)术语和概念不一致。
如研究的是调节过程,却使用中介的术语[ 2, 3 ] 。
(3)术语和统计分析不一致。
如使用了中介变量的术语,却没有做相应的统计分析[ 4 ] 。
出现前面的任何一个问题都会使统计结果解释含糊不清,往往导致错误结论。
仅在儿童临床心理和少儿心理方面的研究文献中, Holmbe ck 就指出了不少误用的例子[ 5 ] 。
国内涉及中介变量的文章不多,涉及调节变量的就更少。
从国外的情况看,一旦这方面的定量分析多起来,误用和混用的情况也就可能多起来,所以让应用工作者正确理解和区分中介变量和调节变量,会用适当的方法进行统计分析,对提高心理科学的研究水平具有积极意义。
中介变量、调节变量与协变量——概念、统计检验及其比较
中介变量、调节变量与协变量——概念、统计检验及其⽐较中介变量、调节变量与协变量———概念、统计检验及其⽐较卢谢峰Ξ1 韩⽴敏2(1湖南师范⼤学教科院⼼理系,长沙,410081)(2国防科技⼤学⼈⽂与社科学院,长沙,410074)摘 要 本⽂在已有研究⽂献的基础上,集中探讨了中介变量、调节变量和协变量的概念,以及中介效应、调节效应和协变量效应的统计分析⽅法。
随后分别对中介效应和间接效应,调节效应和交互效应进⾏了辨析,并从测量⽔平和检验⽅法等⽅⾯对三种统计概念做了⽐较。
关键词:中介变量 调节变量 协变量 中介效应 调节效应 协⽅差分析中介变量、调节变量和协变量在因果关系中扮演着不同的⾓⾊,是重要的统计学概念。
若将它们应⽤于研究当中,将有助于揭⽰变量之间的实质关系。
然⽽,从国内已有的⽂献看,涉及到这些变量的研究并不多。
即便是涉及到了这些变量,对它们的分析还很不到位,有的分析甚⾄是错误的。
究其原因,⼤致可以归为两类,⼀是⽅法学的局限性和研究设计的不⾜。
不少研究者只关注两个变量之间简单的线性关系,这样往往⽀解或掩盖了事物之间真实、复杂的关系,从⽽可能会歪曲研究现象的本质。
另⼀个是统计技术⽅⾯的原因。
由于⾄今鲜有⼈对这三种变量及其效应的分析⽅法做过专门的论述,使得很多研究者缺乏相应的统计分析技术,因⽽在实际研究中要么忽略这⽅⾯的分析,要么采取近似的处理⽅法,这些研究策略都极⼤地削弱了研究结论的可靠性,从⽽限制了研究的⽔平。
基于⽬前的研究现状,本⽂在已有研究⽂献的基础上,对这三种变量进⾏了深⼊的探讨。
另外,随着新的统计技术的出现(例如结构⽅程模型和多层线性模型),使得对中介效应和调节效应的分析变得更加精确,也更加多样化,这势必推动三种统计概念的⼴泛应⽤。
1 中介变量与中介效应分析1.1 中介变量的概念和作⽤根据Baron 和K enny 的解释,中介变量(mediator )是⾃变量对因变量发⽣影响的中介,是⾃变量对因变量产⽣影响的实质性的、内在的原因,通俗地讲,就是⾃变量通过中介变量对因变量产⽣作⽤[1]。
社会心理学中调节变量与中介变量的区别 BARON 英文文献翻译版
The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations Reuben M. Baron and David A. Kenny(Journal of Personality and Social Psychology , 1986, 51(6),1173-1182)本文，作者试图区分多层次下调节变量与中介变量的属性。
首先，作者设法让理论家和研究者意识到不要混淆调节与中介两个概念。
在概念与战略上精心推敲，很多方面调节与中介存在差异。
然后，作者超越教学上的公式，在控制与应激，态度和个性特征等更广泛范围，描述这些差异的概念化与战略化应用。
最后，作者还给出了既包含调节又包括中介和分别包含这两种情况的因果关系中最有效地应用调节与中介差别的具体分析步骤提纲。
第三方变量的调节效应是指将自变量进行划分以使其对给定因变量产生最大效应。
第三方变量的中介效应是指自变量经由它能够影响因变量的生成机制。
一、调节变量1、调节变量的特征一般来说，调节变量是定性（如，性别，种族，阶层）或定量（如，回报大小）变量，影响自变量（IV）或预测变量（PV）与因变量（DV）或效标变量（CV）之间关系的方向和/或强度。
在相关分析中，调节变量是影响其它两个变量之间的零次相关（the zero-order correlation）的第三方变量。
在更熟悉的方差分析中，自变量与通过操控设定为某种条件的因子之间的交互作用代表一个基本的调节效应。
从图1看，如果路径C显著，调节变量的假设得以支持。
也许预测变量的和调节变量的效应（路径A与路径B）也显著，但是与检验调节变量的假设在概念上并不直接相关。
此外，调节变量与预测与效标变量无关为交互作用提供了清晰的解释。
调节变量和中介变量(温忠麟)
面的影响机制 远端关系（distal）的前提与研究目的 X与Y的相关因为是远端关系而不显著，但关系敏感 (subtle) ，研究中介变量的每一段效应 （Shrout & Bolger, 2002, Psych. Methods )
6.1 遮掩效应
检验步骤和中介效应检验相同，但可以忽略第一步
例如 X—居民区每月人均购物消费 Y—居民区每月人均便利店购物消费 M—居民区每月人均超市购物消费
拟极大似然估计（QML）方法(Klein & Muthen, 2002) 贝叶斯（Bayesian)方法
2 中介变量和中介效应
2.1 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。 （Judd & Kenny，1981； Baron & Kenny, 1986)
愿人间凝聚的能量激荡每一个人的智场 —— 等概率
敬请批评指正
谢谢各位
1. 做Y对X、U和UX的回归， UX的系数显著； 2. 做W对X、U 和UX的回归， UX的系数显著； 3. 做Y对X、U 、UX和W的回归， W的系数显著。
如果在第（3）步中，UX的系数不显著，则U的调节 效应完全通过中介变量W而起作用。
4.2 有调节的中介模型
有调节的中介效应显著意味着：
1.做Y对X和U的回归，X的系数显著； 2.做W对X和U的回归，X的系数显著； 3.做Y对X、U和W的回归，W的系数显著；
带潜变量乘积项的结构方程分析
1. 参数非线性约束方法（Kenny & Judd, 1984; Joreskog & Yang , 1996; Algina & Moulder, 2001)
2. 广义乘积指标（GAPI）方法（ Wall & Amemiya, 2001) 3. 无约束方法（Marsh, Wen & Hau, 2004, 2006, 2007)
6.1 遮掩效应
检验步骤和中介效应检验相同，但可以忽略第一步
例如 X—居民区每月人均购物消费 Y—居民区每月人均便利店购物消费 M—居民区每月人均超市购物消费
拟极大似然估计（QML）方法(Klein & Muthen, 2002) 贝叶斯（Bayesian)方法
2 中介变量和中介效应
2.1 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。 （Judd & Kenny，1981； Baron & Kenny, 1986)
愿人间凝聚的能量激荡每一个人的智场 —— 等概率
敬请批评指正
谢谢各位
1. 做Y对X、U和UX的回归， UX的系数显著； 2. 做W对X、U 和UX的回归， UX的系数显著； 3. 做Y对X、U 、UX和W的回归， W的系数显著。
如果在第（3）步中，UX的系数不显著，则U的调节 效应完全通过中介变量W而起作用。
4.2 有调节的中介模型
有调节的中介效应显著意味着：
1.做Y对X和U的回归，X的系数显著； 2.做W对X和U的回归，X的系数显著； 3.做Y对X、U和W的回归，W的系数显著；
带潜变量乘积项的结构方程分析
1. 参数非线性约束方法（Kenny & Judd, 1984; Joreskog & Yang , 1996; Algina & Moulder, 2001)
2. 广义乘积指标（GAPI）方法（ Wall & Amemiya, 2001) 3. 无约束方法（Marsh, Wen & Hau, 2004, 2006, 2007)
社会心理学中调节变量与中介变量的区别 BARON 英文文献翻译版
社会心理学中调节变量与中介变量的区别 BARON 英文文献翻译版The Moderator-Mediator Variable Distinction in Social Psychological Research:Conceptual, Strategic, and Statistical Considerations Reuben M. Baron and David A.Kenny(Journal of Personality and Social Psychology , 1986, 51(6),1173-1182)本文，作者试图区分多层次下调节变量与中介变量的属性。
首先，作者设法让理论家和研究者意识到不要混淆调节与中介两个概念。
在概念与战略上精心推敲，很多方面调节与中介存在差异。
然后，作者超越教学上的公式，在控制与应激，态度和个性特征等更广泛范围，描述这些差异的概念化与战略化应用。
最后，作者还给出了既包含调节又包括中介和分别包含这两种情况的因果关系中最有效地应用调节与中介差别的具体分析步骤提纲。
第三方变量的调节效应是指将自变量进行划分以使其对给定因变量产生最大效应。
第三方变量的中介效应是指自变量经由它能够影响因变量的生成机制。
一、调节变量1、调节变量的特征一般来说，调节变量是定性(如，性别，种族，阶层)或定量(如，回报大小)变量，影响自变量(IV)或预测变量(PV)与因变量(DV)或效标变量(CV)之间关系的方向和/或强度。
在相关分析中，调节变量是影响其它两个变量之间的零次相关(thezero-order correlation)的第三方变量。
在更熟悉的方差分析中，自变量与通过操控设定为某种条件的因子之间的交互作用代表一个基本的调节效应。
从图1看，如果路径C显著，调节变量的假设得以支持。
也许预测变量的和调节变量的效应(路径A与路径B)也显著，但是与检验调节变量的假设在概念上并不直接相关。
moderator and mediator
9
类别
连续
二、中介变量和中介作用
1. 定义： 当考虑自变量X对因变量Y的影响时， 如果X通过影响变量M来影响Y，则称 变量M为中介变量。 中介作用描述的是X如何影响Y（How or why such effects occur）。
10
2. 什么情况下考虑分析中介作用 自变量和因变量相关； 自变量和中介变量相关； 中介变量和因变量相关。 如生活事件、负性认知方式和抑郁症 状，先做相关分析。
13
中介作用： a1 b1 是M1 的中介作用；a2 b2 是M2 的中介作用
a1
M1
b1
X
a2
Y
M2
b2
间接作用： a1 b1 ； a2 b2 ； a1 b1 + a2 b2
14
4. 中介作用的分析方法：（具体见参考文 献）
• 无论变量是否潜变量，都可以用结构方 程模型分析。 •如果所有变量都是显变量，可以做回归分 析。 •不管哪种方法，均可以遵循下列流程图来 检验中介作用。
7
调节作用
交互 作用
X1 X M Y
X2 X1 X2
Y
8
4. 调节作用的分析方法（假设所有变量 均为显变量）
调节变量 （M）
自变量（X）
类别 连续 分组回归：按M的取值分 两因素有交互作用的方差分析 组，做Y对X的回归。若 （ANOVA），交互作用就是调节作 回归系数的差异显著， 用。 则调节作用显著。 自变量使用虚拟变量，将自变量和 调节变量中心化，做算式（1）的层 次回归： 1.做Y对X和M的回归，得测定系数 将自变量和调节变量中 R12； 心化，做算式（1）的层 2. 做Y对X、M和XM的回归，得R22， 次回归（同左）。 若R22显著高于R12，则调节作用显著。 或者做XM的回归系数检验，若显著， 则调节作用显著。
类别
连续
二、中介变量和中介作用
1. 定义： 当考虑自变量X对因变量Y的影响时， 如果X通过影响变量M来影响Y，则称 变量M为中介变量。 中介作用描述的是X如何影响Y（How or why such effects occur）。
10
2. 什么情况下考虑分析中介作用 自变量和因变量相关； 自变量和中介变量相关； 中介变量和因变量相关。 如生活事件、负性认知方式和抑郁症 状，先做相关分析。
13
中介作用： a1 b1 是M1 的中介作用；a2 b2 是M2 的中介作用
a1
M1
b1
X
a2
Y
M2
b2
间接作用： a1 b1 ； a2 b2 ； a1 b1 + a2 b2
14
4. 中介作用的分析方法：（具体见参考文 献）
• 无论变量是否潜变量，都可以用结构方 程模型分析。 •如果所有变量都是显变量，可以做回归分 析。 •不管哪种方法，均可以遵循下列流程图来 检验中介作用。
7
调节作用
交互 作用
X1 X M Y
X2 X1 X2
Y
8
4. 调节作用的分析方法（假设所有变量 均为显变量）
调节变量 （M）
自变量（X）
类别 连续 分组回归：按M的取值分 两因素有交互作用的方差分析 组，做Y对X的回归。若 （ANOVA），交互作用就是调节作 回归系数的差异显著， 用。 则调节作用显著。 自变量使用虚拟变量，将自变量和 调节变量中心化，做算式（1）的层 次回归： 1.做Y对X和M的回归，得测定系数 将自变量和调节变量中 R12； 心化，做算式（1）的层 2. 做Y对X、M和XM的回归，得R22， 次回归（同左）。 若R22显著高于R12，则调节作用显著。 或者做XM的回归系数检验，若显著， 则调节作用显著。
控制变量 调节变量 中介变量
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 。
2.2调节效应与交互效应
对模型(1)中调节效应的分析主要是估计和检验c。如果c显著(即 H0∶c = 0的假设被拒绝) ,说明M 的调节效应显著。 熟悉交互效应的读者可以从模型(1)看出, c其实代表了X与M 的 交互效应,所以这里的调节效应就是交互效应。这样,调节效应与 交互效应从统计分析的角度看可以说是一样的。 然而,调节效应和交互效应这两个概念不完全一样。在交互效应分 析中,两个自变量的地位可以是对称的,其中任何一个都可以解释 为调节变量;也可以是不对称的,只要其中有一个起到了调节变量 的作用,交互效应就存在。但在调节效应中,哪个是自变量,哪个是 调节变量,是很明确的,在一个确定的模型中两者不能互换。
的层次回归分析（同左）。
的层次回归分析：
除了考虑交互效应项XM外，还
1、做Y对X和M的回归分析， 可以考虑高阶效应项（如XM2，
测得R12。
表示非线性调节效应；MX2，
2、做Y对X、M和XM的回归 表示曲线回归得调节）。
得R22，若R22显著高于
R12，则调节效应显著。或
者，做XM的回归系数检验，
若显著，
3中介变量和中介效应
3.1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，上司的归因研究：下 属的表现——上司对下属表现的归因——上司对下属表现 的反应，其中的“上司对下属表现的归因”为中介变量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations Reuben M. Baron and David A. Kenny
(Journal of Personality and Social Psychology , 1986, 51(6),
1173-1182)
本文，作者试图区分多层次下调节变量与中介变量的属性。
首先，作者设法让理论家和研究者意识到不要混淆调节与中介两个概念。
在概念与战略上精心推敲，很多方面调节与中介存在差异。
然后，作者超越教学上的公式，在控制与应激，态度和个性特征等更广泛范围，描述这些差异的概念化与战略化应用。
最后，作者还给出了既包含调节又包括中介和分别包含这两种情况的因果关系中最有效地应用调节与中介差别的具体分析步骤提纲。
第三方变量的调节效应是指将自变量进行划分以使其对给定因变量产生最大效应。
第三方变量的中介效应是指自变量经由它能够影响因变量的生成机制。
一、调节变量
1、调节变量的特征
一般来说，调节变量是定性（如，性别，种族，阶层）或定量（如，回报大小）变量，影响自变量（IV）或预测变量（PV）与因变量（DV）或效标变量（CV）之间关系的方向和/或强度。
在相关分析中，调节变量是影响其它两个变量之间的零次相关（the zero-order correlation）的第三方变量。
在更熟悉的方差分析中，自变量与通过操控设定为某种条件的因子之间的交互作用代表一个基本的调节效应。
从图1看，如果路径C显著，调节变量的假设得以支持。
也许预测变量的和调节变量的效应（路径A与路径B）也显著，但是与检验调节变量的假设在概念上并不直接相关。
此外，调节变量与预测与效标变量无关为交互作用提供了清晰的解释。
从图1可以清楚表明的另一个调节变量的特性是，不像中介变量和预测
变量之间的关系（预测变量是中介变量的前因变量），调节变量和预测变量都是产生某种效标效果的因果变量的前导或外生。
也就是说，调节变量总是作为自变量，而中介从结果到原因的角色变化取决于分析的重点。
2、检验调节作用
调节作用意味着两个变量的因果关系因调节变量的作用发生了变化。
统计分析必须测量和检验当调节变量发生作用，自变量对因变量的不同效应。
测量和检验不同效应部分倚赖自变量与调节变量的测量水平。
考虑四种情形：
情形1，调节变量与自变量都是类别变量。
情形2，调节变量是类别变量，自变量是连续变量。
情形3，调节变量是连续变量，自变量是类别变量。
情形4，调节变量与自变量都是连续变量。
注意，为了讨论方便，作者将类别变量都假设为二分变量。
情形1：在这种情形下，一个二分自变量对因变量的效应的变化是另一个二分变量的函数。
统计分析即为2*2ANOVA，调节作用表现为交互作用。
我们也许要测量在调节变量不同水平下自变量的简单效应，但是这些只能在调节变量与自变量交互作用引起因变量变化时才能被测量。
情形2：这种情形下，调节变量是二分变量，自变量是连续变量。
测量这种类型的调节效应的典型方法是对每一水平的调节变量分别做相关分析，然后检验其差异。
相关分析方法有两个严重的不足。
首先，它假设自变量在调节变量的每一水平上都具有同方差。
如果调节变量在各水平存在异方差，那么在方差较小的水平，自变量与因变量的相关会低于方差较大的水平。
这种差异叫做范围约束（a restriction in range）(McNemar, 1969)。
其次，如果因变量的测量误差量是调节变量产生的，那么自变量与因变量之间的相关将出现伪差异。
这些问题说明相关受方差变化的影响。
但是，回归系数不受自变量方差差异或因变量测量误差差异的
影响。
因此，更可取的是不用相关系数，而是用非标准化（非Beta系数）回归系数来测量自变量对因变量的效应（Duncan, 1975）。
Cohen和Cohen（1983，P.56）给出了检验回归系数差异的方法。
在分别检验两个斜率前，应该先进行这种检验。
另外，如果自变量在调节变量的不同水平上存在测量误差的差异，结果也会出现偏差。
这就需要估计不同水平的调节变量的信度，并且必须对斜率进行修正。
信度的检验可以使用多组结构方程模型来完成，只需将不同的调节变量水平处理为不同的组。
情形3：这种情形下，调节变量是连续变量，而自变量是二分变量。
例如自变量是理性与恐惧唤起的态度改变信息，而调节变量是由IQ测试测量的智力。
恐惧唤起的信息可能对低IQ的受试更有效果，而理性唤起的信息可能对高IQ 的受试更有效果。
为了测量这种情况下调节变量的效应，我们必须先验地知道作为调节变量的函数，自变量的效应是如何变化的。
衡量自变量作为调节变量的函数的变化效应的一般假设是不可能的，因为调节变量有多个水平。
图2表示三种理想化的方式，其中调节变量改变了自变量对因变量的效应。
首先，自变量对因变量效应的随调节变量线性变化。
线性的假设表示随调节变量的变化，自变量对因变量的效应发生逐渐，稳定的变化。
这是一般假设的调节作用形式。
第二个方式的特征是二次函数。
例如，恐惧唤起的信息对所有低IQ的受试可能比理性信息更有效，但是，随着IQ的增加，恐惧唤起的信息失去起优势，而理性信息变得更有效了。
图中的第三种方式是阶梯函数。
在某些关键的IQ 水平，理性信息变得比恐惧唤起的信息更有效。
这种形式通过二分跃阶发生与持
续点上的调节变量，以情形1中的方式来检验。
不幸的是，社会心理学的理论还无法精确到能够设定跃阶发生的确切时点。
线性假设的检验是通过将调节变量与二分自变量的乘积加到回归方程中。
Cohen和Cohen（1983）以及Cleary和kessler（1982）对此进行了详细阐述。
因此，如果设自变量为X，调节变量为Z，因变量为Y，则Y是X、Z与XZ的回归。
调节效应由当X和Z被控制时，XZ的显著效应来表示。
自变量对不同水平的调节变量的简单效应能被测量和检验（调节变量的测量误差需要按照情形2
中自变量测量误差修正的同样方法进行修正）。
二次调节效应通过在调节效应增强时所发生的时点上二分调节变量。
如果函数是二次的，如图2，自变量的效应应该在调节变量分值高时，最大。
二次调节作用可以通过Cohen和Cohen(1983)所介绍的层次回归方法进行检验。
用前述的同样符号，Y是X，Z，XZ，Z2，和X Z2的回归。
对二次调节的检验是通过检查X Z2。
这种复杂回归方程的解释可以借助图表来表示不同的X，Z值的预测值。
情形4：在这种情况下，调节变量与自变量都是连续变量。
如果调节变量以阶梯函数形式改变自变量与因变量的关系，则可以在跃阶发生时二分调节变量。
二分调节变量后，其分析模式就转变成情形2了。
对自变量的效应的测量看其回归系数。
如果假设自变量（X）对因变量（Y）的效应随调节变量（Z）线性或二次变化，则应使用情形3所介绍的乘积方式。
对于二次调节，必须引入调节变量的平方。
对这种情况参考Cohen和Cohen（1983）以及Cleary和Kessler（1982）来协助建立和解释这些回归方程。
情形4中出现的调节变量与自变量的测量误差使分析变得非常复杂。
Busemeyer和Jones（1983）认为调节作用是线性的，则可以XZ的乘积来观察。
他们发现当一个变量存在测量误差的乘积形式的交互作用测量会导致效互效应较低的检验力。
Kenny和Judd（1984）所介绍的方法可用于调整变量的测量误差，使交互效应得以合理估计。
但是这些方法要求进行乘积的变量符合正态分布。