Hello，这里是行上行下，我是喵君姐姐~
在心理学实验中，我们通常需要研究一个变量对另一个变量的影响，但是这种影响通常都会受到其他因素的影响。
相信很多小伙伴在阅读文献的时候都会看到中介效应和调节效应，但是对于它们的定义以及分析方法还不太清楚。本期就来带大家了解调节效应与中介效应的差异，以及对不同的理论模型进行分析。
首先，需要明确的是中介变量和调节变量是两个常见的统计变量，它们都与回归分析有关。
1.中介变量与中介效应
考虑到自变量X对因变量Y的影响，如果X通过影响变量M来影响Y，则M称为中介变量。
中介效应指的就是探讨的是自变量X通过何种途径/方式（中介变量M）对因变量Y产生影响。形象比喻:中介变量为“媒婆”，X-Y的认识是通过媒婆牵线搭桥（中介效应）。
下面我们就用图解以及举例的方式进行理解。
1.1中介效应模型
注：a、b、c’代表斜率，e1、e2、e3代表随机误差。
根据以上模型，除了X直接对Y产生影响之外，X还可以通过间接影响M从而影响Y。
例：
当家长（自变量）叫小孩子做作业（因变量）时，可能没有任何效果（直接影响），于是家长提出，只要做作业就给玩电脑（中介变量），这时候小孩子可能就会去做作业（间接影响）。
1.2部分中介与完全中介
若X对Y的作用（即c’）为0，或aXb=c，则称为完全中介模型;若aXbc,则称为部分中介模型;若aXbc,则称为抑制模型。
1.3中介效应与间接效应辨析
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,但间接效应不一定是中介效应。实际上,这两个概念是有区别的。
首先,当中介变量不止一个时,中介效应要明确是哪个中介变量的中介效应,而间接效应既可以指经过某个特定中介变量的间接效应(即中介效应,也可以指部分或所有中介效应之和。
其次,在只有一个中介变量的情形,虽然中介效应等于间接效应,但两者还是不等同。中介效应的大前提是自变量与因变量相关显著,否则不会考虑中介变量。但即使自变量与因变量相关系数是零,仍然可能有间接效应。
1.4有调节的中介模型与被中介的调节模型
1.4.1有调节的中介模型
为了区分中介变量与调节变量，在下面的内容中，我们将Me定义为中介变量，将Mo定义为调节变量。
有调节的中介模型首先是一个中介模型，然后，这个中介效果被调节了！所以模型重心在于整个中介模型，然后才是中介效应在不同情境下的不同效果量。Me称为带调节的中介变量。
因此，按照逻辑关系，应该先验证中介效应再来验证调节效应。
1.4.2被中介的调节模型
被中介的调节模型首先是一个调节模型！然后，这个调节效果在其他路径（中介路径）上也存在，于是有了被中介的调节模型。Mo称为有中介的调节变量。
所以，按照逻辑关系，应该先验证调节效果再来验证中介效果。
2.调节变量与调节效应
调节变量所要解释的是自变量在何种条件下会影响因变量,也就是说,当自变量与因变量的相关大小或正负方向受到其它因素的影响时,这个其它因素就是该自变量与因变量之间的调节变量。
调节效应意味着两变量之间的因果关系随调节变量的取值不同而产生变化,对调节效应的测量和检验与自变量和调节变量的测量水平有关。形象比喻：调节变量为“第三者”，会影响X-Y正常的朋友关系（调节效应）。
下面我们就用图解以及举例的方式进行理解。
2.1调节效应模型
根据以上模型，X对Y的影响受到M的调节作用。
例：
当小孩他爸（调节变量）默不作声（低分）时，小孩他妈（自变量）要小孩做作业，小孩（因变量）并不听（斜率小）；当小孩他爸（调节变量）发脾气（高分）时，小孩他妈（自变量）叫小孩（因变量）去做作业，小孩马上变得乖巧温顺又积极（斜率变大）。
3.交互作用
下图为交互作用模式图。X-Y有关系，M-Y有关系;并且M会影响X-Y关系，X会影响M-Y关系。形象比喻：X和M是同宿舍的室友，都同时喜欢Y，但没有先后关系。
4.调节效应与交互效应
首先我们用一个例子来说明。
假设我们现在要治疗感冒咳嗽症状（因变量），手头有抗病*药（自变量1）和祛痰止咳药（自变量2），我们发现，一共有四种组合，治疗效果不一样。当我们吃抗病*药的时候，我们吃不吃祛痰止咳药，效果是不一样的！这个时候，我们说存在交互作用。（我们不吃抗病*药的时候，吃不吃另一个药，效果依然有差异）。
根据下面的假设图（左边为交互作用，右边为调节作用），我们发现交互作用和调节作用的假设有差别。
在交互作用中，两个自变量是相同地位，各自对因变量产生的影响叫做“主效应”。
在调节作用中，自变量与调节变量地位不同，调节变量只是作为一个情境变量参与进来，属于一个外来变量，调节变量对因变量没有假设。
5.变量间的相互关系
除了自变量、因变量、中介变量、调节变量之外，还存在一种变量——控制变量。下图为包含上述变量的总体模型。
首先，自变量、控制变量与因变量自始至终都在模型中。
其次，自变量对中介变量和控制变量有假设，而控制变量没有。
接着，控制变量对因变量有显著，表示有控制作用，并且已经排除了控制变量的影响。
然后，控制变量其实是另一种自变量。
最后，调节变量是一个外来变量，为模型提供情境性的解释。
例：
根据这个有趣的例子，我们可以发现，自变量和控制变量对于因变量来说，都是影响因素，所以，其实控制变量是第二个自变量的名称罢了。
如果把控制变量的逻辑关系放到了相关中，就成了偏相关分析。
例如上图，X与Y有相关关系（重合部分），但是这部分关系可能不是真实的，于是我们引入另一个变量Cov作为控制变量，再对X和Y做相关分析，发现这时候相关度就变小了。
协变量属于控制变量的一种。有些控制变量可以通过实验操作加以控制(如照明、室温等）,也称为无关变量;而另一些控制变量由于受实验设计等因素的限制,只能借助统计技术来加以控制,即成了统计分析中的协变量,因而属于统计概念。
上面我们列举了几个通俗易懂的例子，帮助大家理解了中介效应、调节效应与交互作用之间容易混淆的概念。
对于研究中介和调节效应，有不同的分析软件。当研究因素为显变量时，采用SPSS中的Process插件最佳;当为潜变量时采用AMOS为好，当然还有lisrel，Mplus等。lisrel为最早的结构方程模型软件，通过编程操作，已逐渐被取代之势。
下面我们就来学习用SPSS中的中介与调节插件Process来学习如何对中介与调节效应进行分析。
PS：后台回复关键词“中介与调节效应”即可获得安装包以及对应教程。
1.多元回归模型
简单说，就是因变量数量为一个，自变量数量在两个或两个以上的回归方程。
例：探究自我控制是否在孤独感促进网络成瘾中起调节作用。
首先，点击“分析”→“回归”→“线性”。
其次，将自变量“孤独感”和因变量“网络成瘾”拉入对应的变量框中。
最后，结果如下图所示：
2.中介效应
在进行数据处理时，我们使用的是Bootstrap技术来检验中介效应是否显著。
Bootstrap法通过模拟抽样分布过程，自造了一个（中介效应）抽样分布，从而得到一个更为准确的标准误估计值。
例：检验自我控制是否在时间管理倾向于拖延行为之间起中介作用。
2.1标准化/中心化
首先，点击“分析”→“描述统计”→“描述”。
其次，将“时间管理倾向”“自我控制”“拖延行为”拖入到右侧变量中。
然后，勾选“将标准值另存为变量”。
最后，点击“确定”。
结果如下所示：
注：Z表示标准化之后的结果。
2.2计算效果量
首先，点击“分析”→“回归”→“Processv3.3byAndrewF.Hayes”。
其次，将“拖延行为”导入到右侧因变量Y中，将“时间管理倾向”导入到右侧自变量X中，将“自我控制”导入到右侧中介变量M中。
接着，将“Modelnumber”选择为“4”。
然后，将“Numberofbootstrapsamples”设置为“”。
接下来，选中“Bootstrapinferenceformodelcoefficients”以确保使用bootstrap技术计算置信区间。
然后，点击“Options”，如下图进行设置。
结果如下图所示：
自变量X对中介变量M的影响
加入中介变量M后自变量X对因变量Y的影响，以及中介变量M对因变量Y的影响
总效应：因变量X对Y的影响
总效应、直接效应与间接效应（中介效应）
注：判断是否显著的方法：P0.05或置信区间不包含0则为显著。
最后一个数据框显示的是用bootstrap技术处理的结果。
3.调节效应
例：探究自我控制是否在孤独感促进网络成瘾中起调节作用。
3.1参数选择
关于标准化、打开process等步骤都与前面中介效应的处理一样，只是参数设置略微存在差异。
首先，选择模型1，对应调节效应模型。
其次，将调节变量拉入到对应的选项框中。
然后，点击“options”选项，如图进行勾选。
3.2计算效果量
结果如下所示：
简单斜率分析：判断在调节变量的不同水平下自变量X对因变量Y的影响是怎样的。
在检验到存在调节效应之后，许多人会对调节变量进行“均值±1个标准差”的高低分群，然后分别进行回归，再根据回归结果进行调节效果图的作图。
其步骤如下：
首先，选择数据集，进行复制。
其次，点击“新建”→“语法”，将复制的数据集粘贴进来。
然后，选中语法，并点击“运行”，出现以下图形。
接下来，双击进入下图界面，点击“添加总计拟合线”与“添加内插线”。
最后，结果如下图所示：
另外，如果我们想要画出漂亮的图形，可以用Excel里进行拟合。
将上述对应的值填入Excel表格中，便可得到调节效应图。
可以看到，用Excel作出的图和用语法生成的图是一样的。
总结：
这期我们主要介绍了中介效应、调节效应和交互作用的差别，并学习了如何用SPSS中的插件process计算中介效应和调节效应。
当然，除了简单的中介效应和调节效应两种模型之外，还有其他复杂的模型，如带中介的调节模型、带调节的中介模型等。下期我们就来具体地介绍如何计算这些复杂的模型。
我们下期再见！