机制分析 · 012

调节效应

检验调节变量 Z 是否改变 X 对 Y 的影响。

进入一键分析

1. 方法概述

（1）调节效应用于检验 $X$ 与 $Y$ 的关系是否会随着调节变量 $Z$ 的水平而变化。它回答的是：在不同的 Z 水平下，X 对 Y 的关系是否不同。

（2）例如，学习投入与成绩的关系是否因学习基础不同而变化，服务质量与满意度的关系是否因使用经验不同而变化。调节变量不是中介变量；它改变的是关系强弱或方向，而不是解释影响传递过程。

适用情形：

需要谨慎：

至少需要一列结果变量 $Y$ 、一列主要解释变量 $X$ 和一列调节变量 $Z$ ，可加入理论上必要的控制变量。

连续调节变量通常建议中心化，减少交互项与主效应之间的非必要相关：

X_c=X-\bar{X}, \qquad Z_c=Z-\bar{Z}. \tag{3.1}

二分类调节变量需要明确参考组；多分类调节变量通常需要建立虚拟变量和相应的交互项。

连续结果的基本调节模型为：

Y=\beta_0+\beta_1X_c+\beta_2Z_c+\beta_3(X_cZ_c)+\boldsymbol{\gamma}^{\mathsf{T}}\mathbf{C}+\epsilon, \tag{5.1}

其中 $\mathbf{C}$ 为控制变量， $\beta_3$ 是交互项系数。如果 $\beta_3$ 不为零，说明 $X$ 对 $Y$ 的斜率随 $Z$ 改变。

在某个给定的 $Z_c=z$ 下，X 的简单斜率为：

\frac{\partial Y}{\partial X}=\beta_1+\beta_3z. \tag{5.2}

如果 $Z$ 为二分类变量， $\beta_3$ 表示两组 X-Y 斜率的差异。不能只根据 $\beta_1$ 的显著性判断调节成立，核心是交互项。

交互显著后，可以在 $Z$ 的低水平、平均水平和高水平，或在有理论含义的分位点上计算简单斜率及其置信区间。也可以使用 Johnson-Neyman 方法确定哪些 Z 区间内的 X-Y 关系显著。

交互图应标明横轴、纵轴、调节变量水平和预测值的单位。若曲线交叉，不应只用“正向增强”概括，应说明不同区域的方向变化。

系统输出的工作表（analysis_tables.xlsx）：调节效应、调节简单斜率、描述性统计、相关矩阵、相关显著性、显著性标记、缺失值报告。

示例（来自系统结果包，示例数据）。

调节效应表：

自变量	调节变量	因变量	交互项系数	交互项p	自变量系数	调节变量系数	R²	n
X	Z	Y	0.068244	0.195378	0.652123	0.063101	0.418559	200

调节简单斜率表：

建议报告：调节效应表中的交互项系数与 p 值、截距、自变量系数、调节变量系数和 $R^2$ ；以及简单斜率表中各调节水平（如均值 ±1 个标准差）的简单斜率、标准误、t 和 p 值。图形应展示不同调节水平下的预测线。

交互项显著表示关系依赖于 Z，不直接表示 X 或 Z 单独对 Y 有显著影响。主效应系数的含义还取决于中心化方式和参考值。

可以表述为：“X 与 Z 的交互项显著， $\beta_3=...，p=...$ ，说明 X 与 Y 的关系随 Z 水平而变化。在 Z 较高时，X 对 Y 的简单斜率为……。”

观察性横断面数据只能支持条件关联，不应仅凭交互项写成“Z 改变了 X 对 Y 的因果作用”。