中人网

标题: [系统转发] 关于「交互作用」Interaction Effect [打印本页]

作者: chinahrd 时间: 2008-8-17 17:39
首先声明一点，虽然「调节作用」和「交互作用」在概念上不是完全一样，但是因为在验证的时候用的方法是一样的，而且二者在某个角度上是互通的。所以很多研究人员一般都不会作很清楚的界定。因此，在以下的讨论里，我把“交互作用”，“互动效应”和“调节作用”等词语都视为同义词来处理。有研究者提出以下的论证：（1）工作与家庭的冲突（work-family conflict）会影响员工的生活满意度（life satisfaction）。冲突越大，员工越对自己的生活就越不满意。（2）但是男女有别，一般男人都是看重事业的。如果要事业成功，工作家庭冲突是少不了的。所以，对男性来说，「工作家庭冲突」对「生活满意度」的影响比较小。就女性来说，「工作家庭冲突」对「生活满意度」的影响是很大的。（3）但是有人却辩证说，其实男人也是人，家庭总是人的一个很重要的生活部分。所以，上述第二点的影响只是在职业生涯（career life）的前期是对的。到了职业生涯的后期，其实就算是男性「工作家庭冲突」对「生活满意度」的影响也是很大的。研究分析：（1）上面第一个关系在研究上叫做「主效应」（main effect），是一般性的平均结果。就是说，在所有其他的因素都在平均值的时候，「工作家庭冲突」（X）对「生活满意度」（Y）的影响是正相关的。这是假设一（H1）。（2）第二个关系叫做「交互作用」或「互动效应」（interaction effect）【其实严格来说，这应该是“调节作用”才对】。就是说“性别与工作家庭冲突互动地影响生活满意度”。对于女性（M=0）来说，「工作家庭冲突」（X）与「生活满意度」（Y）呈正相关。但是对于男性（M=1）来说，「工作家庭冲突」（X）与「生活满意度」（Y）没有关系。这是假设二（H2）。【注意，在写调节作用的假设时，一定要在假设中讲清楚当调节变量（M）是什么的时候，X与Y的关系是怎么样的，不可以只概括地说“M调节X与Y的关系”】。（1）虽然第二个关系是一个交互关系，但是也有人辩证说它只是一个“平均的”交互关系。也就是说，这个交互关系只是在一个人的“平均职业生涯值”的时候才生效。不然的话，（甲）在男性、职业生涯前期（即年轻）时，X与Y没有关系。（乙）在男性、职业生涯後期（即年老）时，X与Y呈正相关。（丙）在女性、无论职业生涯前後期时，X与Y都呈正相关。以上这个假设叫做「三向互动」Three-way Interaction。是“职业生涯”（M1）与“性别”（M2）与“工作家庭冲突”（X）三个变量交互地影响“生活满意度”（Y）。同样地，写「三向互动」的假设时，一定要把整个「三向互动」关系讲清楚。就是当M1与M2是怎样时，X与Y的关系应该是怎样的。不可以含糊地写“M1，M2与X「三向互动」地影响Y”。结果表现：验证「交互作用」时，用的方法是乘积项。就是： y = a0 + a1 x + a2 m + a3 xm 当a3显著时，「三向互动」的假设就成立了。一般表现「交互作用」结果是用图表法。现在用假设二来说明。我们首先把样本分成两组，男的一组，女的一组。然后在每一组内计算X与Y的截距和斜率。画图如下：上图表明对于男性来说（下面的直线），X与Y没有关系，因为该直线的斜率是0。对于女性来说（上面的直线），X与Y呈正相关，因为该直线的斜率大于0。【注意：如果调节变量（M）是一个连续变量，我们就先把所有的数据依M的大小排序，然后用M的“中位数”分成两组，一组大于M的中位数，一组大于M的中位数。在用每一组的数据计算组内的截距和斜率。】验证「三向互动」时用的方法跟「交互作用」相似。就是： y = a0 + a1 x + a2 m1 + a3 m2 + a4 m1x + a5 m2x + a6 m1m2 + a7 m1m2x 当a7显著时，「三向互动」的假设就成立了。如果表现「交互作用」结果是用一个图表的话，变现「三向互动」起码要两个图表了。现在的数据应该分成4组，分别是：（a）职业生涯前期、女性（b）职业生涯前期、男性（c）职业生涯后期、女性（d）职业生涯后期、男性每一组都要计算X与Y的截距和斜率。画图如下：左图的现象跟上面的「交互作用」相似。右图中女性的XY斜率是正的，男性的XY斜率也是正的。男性的XY斜率从左图的等于0，变成右图的大于0。而女性的XY斜率左右图都大于0（注意，我们的假设没有要求两个斜率要相等），表现了「三向互动」的结果。几点注意：（1）我要讲清楚统计验证与画图表达的关系。实证的验证「三向互动」是用a7在回归分析中的显著性。图表只是用来帮助我们看见交互现象是怎么样的而已，不是用来验证的。这样做的话，整个分析的样本量就是你原来的样本量。千万不要把样本分成四组，然后在每一组计算斜率，而试图用统计方法验证这四个斜率是否显著，来作为「三向互动」的验证。因为这样做的话，每一个验证的样本数只是原来样本的四份之一，统计考验力（statistical power）就远远减少了。我在上面讲的斜率大于0、等如0，不是统计验证的结果，而是我们验证a7的推导。真正的分组数据计算出来的结果，可能左图男性的斜率是0.13都无所谓，反正我们不会吧截距和斜率的数值写出来。我讲斜率是等如0，是一个讲解该图的方法。第一，不是说真实的斜率一定是0，也不是代表统计验证该斜率是不显著，因为（a）我们不会吧斜率写出来；（b）也不会为该斜率做统计分析。我再讲一次，画图的目的是“讲解”互动的关系，不是任何形式的验证。（2）在验证「交互作用」时，所有的第一次变量项目（first order terms）都要放进去。在验证「三向互动」时，所有的第一次变量项目（first order terms，X, M1, M2）和第二次变量项目（second order terms，XM1, XM2, M1M2）都要放进去。万万不可以只用 y = a0 + a8 m1m2x 中的a8来验证「三向互动」。（3）因为交互作用牵涉高层次的"乘积"变量项目（higher order product terms），比如验证 y = a0 + a1 x + a2 m + a3 xm 的 x*m 的 a3 时 x 与 m 都在回归方程里，所以比较容易产生回归的共线性（multicollinearity），以致 a3 不容易显著。「三向互动」中的 a7 就更难显著了。Aiken & West 提出了「中心化」（centering）的方法来解决这个问题，因为比较复杂，大概要我写书的时候才可以介绍了。 Kenny

作者: 匿名用户 时间: 2008-8-17 17:39
Kenny,是否在上图中的纵坐标你写错了，是否应该是：“生活不满意度”而不是“生活满意度”？
其实，就这个问题，我也谈一下个人感受，很多情况下，我们往往把假设写成正相关的（：很少见PAPER把假设写成负相关），但这需要对数据进行处理。
是这样的吗？

作者: 匿名用户 时间: 2008-8-19 09:36
请问Kenny，
1.如果因变量是0,1的logist回归，能否做调节效应分析？也是把用调节变量和自变量的乘积放入方程中？我知道检验调节效应是看前后两次ΔR平方及其显著性，那如果是logist回归呢？
2.关于潜变量的调节相应，用spss的层次回归做，和实用SEM做有何区别？

谢谢，恳请答复，不胜感激

作者: Kenneth 时间: 2008-8-20 13:07
Hailiu, 是的，我写错了，应该是「生活不满意度」，不是「生活满意度」。谢谢提醒。 Kenny

作者: Kenneth 时间: 2008-8-20 13:35
August, (1) 用乘积项来验证调节变量只限于直线的关系。因为当Y，X与M的关系是直线的时候，将Y=aX+bM+cXM 对M求导会得到 Y=b+cX。意思是只有当M不变的时候，Y才会是X的函数。但当M改变时就不是了，这就是调节变量的意思。但是当Y与X，M不是一个线性函数时（比如是logistic regression），上面的逻辑就不成立了。
（2）SEM考虑了测量误差，用回归的话，就没有考虑测量误差，结果很可能是不一样的。这就好比你用回归做分析时，X与Y可能没关系的，但是用SEM，就有可能有关系了。 Kenny

作者: 果核 时间: 2008-8-20 17:51
@Kenneth
罗老师您好，我是中人网社区管理员。谢谢您对空间博客功能的完善提出了那么多宝贵意见。
您在登录状态下回复评论时，回复内容将红字体显示并错行以区别于访客评论。

作者: Kenneth 时间: 2008-8-30 19:44
OB/HR 很少情形是因变量是一个0与1的dummy。我自己没有面对过在logistic regression里面要做调节变量的检验，所以也没有研究过。对不起。 Kenny

作者: 匿名用户 时间: 2008-9-6 16:10
从Kenny前面的分享了解了交互作用可以分为两类：增强的交互作用。就教Kenny，我们应从何数据来判定该交互作用是增强还是干扰？谢谢解惑！

作者: Kenneth 时间: 2008-9-7 08:12
问：我们应从何数据来判定该交互作用是增强还是干扰？
回应：一般x1x2乘积项的符号可以给你一点感觉（正的多可能是增强、负的多可能是干扰）。不过，最后还是要画图（或分组计算）才可以给你一个绝对的答案。 Kenny

作者: 匿名用户 时间: 2008-10-4 21:41
贴篇论文
Baron, R. M., & Kenny, D. A. (1986). The
moderator-mediator variable distinction in social psychological
research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology,
51, 1173–1182.

作者: 匿名用户 时间: 2009-3-19 09:57
可以只将自变量和交互变量放入回归方程，而不放入调节变量吗？即
Y=C+bX+aX*Z吗

作者: 匿名用户 时间: 2009-3-27 23:19
书到用时方恨少，自己写时才觉难。Kenny，我的研究X和M都是分类变量，有调节效应的问题如下：
1）就写调节效应假设而言，我看到JAP上的论文是在假设之前论述了调节变量在高低条件下，X对Y有不同的作用，然后就直接提出假设：M对X就Y的影响有调节作用。看到其他风格的是，除了论述，直接在假设之前写“我们预期...有调节作用”，然后在正式假设中，写M不同条件下的情况。怎么评判这两种写法？

2）就具体分析方法而言，用ANOVA直接检测主效应和交互效应合适吗？而不是用像回归分析那样分两次放入，看系数是否显著，并检测R2(平方)的变化量(三角)是否显著？

3）我明白了一点，调节效应显著后是要从整体上看两条直线说明的关系。但是，还有一点糊涂。调节效应显著了，但是由于论文前面的假设已经具体地描述了调节变量是如何作用的，有的论文又进一步检验了调节变量两种条件下，对应X的高低取值，Y在X高低取值时均值的差异，结果一个显著（直线很陡），一个不显著（直线较平）。这是画蛇添足？还是在有时是必要的？还是怎样的？

作者: 匿名用户 时间: 2009-3-28 10:04
kenny,有可能用SEM做三向交互吗？

作者: Kenneth 时间: 2009-3-29 16:42
问：可以只将自变量和交互变量放入回归方程，而不放入调节变量吗？即Y=C+bX+aX*Z吗
回应：不可以，一定要先把所有的低等项放进去。所以应该是： Y=a+bX+cZ+dX*Z

作者: Kenneth 时间: 2009-3-29 16:50
1）应该把调节效应直接写在假设里面。

2）如果你分析数据是用ANOVA（因为是类别变量）,当然验证交互作用就跟着用ANOVA中的交叉作用验证了。我一直讲的X*Z是在问卷调查里用的。

3）你在整个样本已经验证了交叉作用，干嘛在画图时再验证一次呢？分了组后样本大小是原来的一半，statistical power就低很多了，随机的误差也大很多了。所以不用再测两个斜率是否不同了。

作者: Kenneth 时间: 2009-3-29 16:52
问：有可能用SEM做三向交互吗？
回应：我没有见人做过。如果一定要的话，建议你用path analysis（就是SEM不要测量模型），那x1*x2*x3就可以直接乘起来，没有估计的问题了。

作者: 匿名用户 时间: 2009-4-5 21:57
Kenny,我和合作者的一个研究好不容易收了50多个数据，除了主效应，本来期待有交互效应，结果交互效应一个都不显著，所以放弃了交互效应的相关假设，这样在ANOVA中是只列出主效应，还是也要将不显著的交互效应列出？

作者: Kenneth 时间: 2009-4-7 09:13
我的理解是与回归不一样，在方差分析中交互作用是模型必然具备的。所以你不可以不包括在内。只是如果没有假设，自然不用讨论结果了。

作者: 匿名用户 时间: 2009-4-17 10:26
Kenny你好，如果我的回归方程中除了自变量x1和与其对应的调节变量m外，还有其他的自变量x1，x2。我通过观察changeR2是否显著判断x1和m的交互作用显著，这个时候如何通过画图来判断x1×ｍ是增强的还是干扰的呢？如果对ｍ分样本回归的话，这个时候ｘ１，ｘ２的系数也有变化，这个图又该如何画，如何判断呢？另外，共性性导致的ＶＩＦ过大，其结果不是容易导致ｔｙｐｅ２型错误吗？我在看见有人说是ｔｙｐｅ１，很困惑。请ｋｅｎｎｙ帮助我，谢谢您！

作者: 匿名用户 时间: 2009-4-17 14:44
对不起刚才写错了变量编号，我的回归方程中除了自变量x1和与其对应的调节变量m外，还有其他的自变量x2，x3。我通过观察changeR2是否显著判断x1和m的交互作用显著，这个时候如何通过画图来判断x1×ｍ是增强的还是干扰的呢？如果对ｍ分样本回归的话，这个时候ｘ2，ｘ3的系数也有变化，这个图又该如何画，如何判断呢？另外，共性性导致的ＶＩＦ过大，其结果不是容易导致ｔｙｐｅ２型错误吗？我在看见有人说是ｔｙｐｅ１，很困惑。请ｋｅｎｎｙ帮助我，谢谢您！

作者: Kenneth 时间: 2009-4-18 11:48
1.我们的习惯是只会图表简单的y与x1的关系和m对他们的影响，x2在画图时不会考虑（当然统计分析时一定要考虑的）。
2.共线性的一般影响是应该显著的交互作用变成不显著了，这是错误地接受H0: x1*m=0。这叫Type II error, 不是Type I error。

作者: 匿名用户 时间: 2009-4-20 20:24
@回复 scuter 19楼 (Kenneth)：多谢kenny！

作者: 匿名用户 时间: 2009-6-6 01:29
kenny,如果有两个调节变量M1和M2同时调节X与Y的关系（不是三向交互），那验证方程就是，Y=X+M1+M2+X*M1+X*M2。问题是，调节效应的图怎么画呢？

作者: Kenneth 时间: 2009-6-6 20:30
Cabell,很简单，M1与M2都有箭头指向“X指向Y的箭头”就可以了。
如果你讲的是发现调节作用以后的“调节是怎么样的图”的话，一般如果不是三阶的调节作用，我们画M1的调节作用的图时是不会考虑M2的。

作者: 匿名用户 时间: 2009-6-6 21:47
@ 回复 cabell 22楼(Kenneth)
谢谢Kenny，我说的是后者。另外，我看到一些介绍调节作用图的简易画法，就是根据包含调节效应的回归方程来画。如果采用这种方法，在画M1的调节作用的时候，我是不是只要取其它变量（包括控制变量和M2的调节作用）的均值就可以视为排除它们的影响之后M1的调节作用了。

作者: Kenneth 时间: 2009-6-7 00:01
Cabell, 如果是我，就会连控制变量，M2等都不考虑，索性画X与Y的关系（简单回归）在M1的Hi和Lo的关系就好了。

作者: 匿名用户 时间: 2009-6-7 14:06
@回复 Cabell 24楼(Kenneth)
嗯，有的时候简单反而更好。但我担心的是，会不会出现这样的情况，调节效应检验的时候（回归中包含控制变量和其它调节变量）不显著，而在画图时（按照Kenny的想法，不考虑其它变量）却能看出存在调节作用，这要如何处理呢？

作者: Kenneth 时间: 2009-6-8 10:57
Cabell,我的训练是相信数据，而不是你的眼睛。不然的话，你只要到企业看看就知道问题的答案了，干嘛要收数据、做分析呢？
人的眼睛会受很多东西影响的：比如是scale。在一个1到7的量表上1.2和1.3是没什么分别的。但是你把量表放大，只考虑1和2中间的变化时，它们就可能不一样了。另一个例子相关系数r=.19是否大于零？要看你的样本数。N小的话r=.19也不一定是大于零的。最后一个原因，是M1“在控制了其他的变量以后”不影响X→Y。在没有控制其他变量的情形低下，它可能“真的”影响X→Y的。但是，我们放控制变量的原因也正正是为了这个原因吧。在没有控制的情形底下，这个“所谓的影响”“在理论上”是不真实的。

作者: 匿名用户 时间: 2009-6-8 17:48
@回复 Cabell 26楼 (Kenneth)
谢谢Knney,受益良多,不仅仅是这个问题。谢谢.,

作者: 匿名用户 时间: 2009-10-13 11:14
Kenny,
1、在检验交互作用或调节作用时，可以通过对连续变量中心化或标准化的方法来消除共线性的影响，但很多论文我都没有发现披露这一步骤，到底是他们没有做，还是省略了没有写出来。
2、在检验中介作用时，又如何消除中介变量和自变量的共线性，除了加大sample size外？
3、在上述两种情况中，消除共线性这一步是不是一定得有呢？再或者，你说共线性主要会导致本来显著的不显著了，那可不可以先不管这个问题，有了显著的结果，说明影响不大，发现不显著，再重新想办法处理。

作者: Kenneth 时间: 2009-10-13 13:54
Kathy,
其他人我不知道，我自己的习惯是你讲的第三种。我会先做分析，如果结果没有异样，那就不需要理会共线性的问题了。当然，更好的一个习惯就是在分析的同时，要求 Variance Inflation Factor (VIF)，以肯定共线性不严重。大部分的程式都有VIF的。
我猜很多人没讲，可能是习惯跟我一样吧。
当我发现有共线性的迹象（比如所有的自变量都不显著），我就会考虑用中心化了。
我的理解是中介变量很少有共线性的问题的。如果真的要解决，三个常常有人提的解决方法是：
1. 删掉一些共同变量（尤其是exogenous variables）
2. 用 ridge regression
3. 用 principal component 把共线的变量变成一个因子（如果可以的话）。
不过，我在研究中没有遇过这个问题，所以都没有用过。

作者: 匿名用户 时间: 2009-10-26 17:34
Kenny, 能否更为详细地讲讲interaction effect和moderating effect之间的关系？是不是前者的内涵比后者更为广泛，moderating effect是interaction effect的一种，而不是全部？

作者: Kenneth 时间: 2009-10-26 21:07
Nanfeng,这个问题很难回答。我想，概念上「调节」跟「交互」不是一样的东西。比如，“性别”调节了X与Y的关系，你不会说“性别”与X交互地影响Y的。因为性别这个调节变量可能根本不影响Y。可是，如果X1调节了X2与Y的关系，同时，X2也调节了X1与Y的关系，那X1与X2应该可以说是交互地影响Y了。你想应该怎样说「调节」与「交互」的关系呢？

Kenny, 能否更为详细地讲讲interaction effect和moderating effect之间的关系？是不是前者的内涵比后者更为广泛，moderating effect是interaction effect的一种，而不是全部？

作者: 匿名用户 时间: 2009-10-27 19:49
@回复 Nanfeng Luo 31楼（Kenneth）
我提前一个问题的原因，主要是在一些涉及interaction effect的文献中，在measurement部分，有时并不是用multiplication term，而是采用两个变量的差的绝对值(absolute difference）。比较常见的如，在不少研究people-environment fit的文献中，就通常用people和environment两个变量相减之后的绝对值来衡量people和environment对于诸如工作满意度等因变量的交互作用。这好像与通常意义上的调节作用不一样。

作者: Kenneth 时间: 2009-10-27 21:03
Nanfeng, difference score 在回归分析中已经搞得一塌糊涂了，我不敢在SEM中处理这个问题。你更要研究difference score跟其他变量的交互作用，暂时我不知道怎样处理，等我明年有空一点才认真处理吧。

作者: 匿名用户 时间: 2009-10-28 18:47
@回复 Nanfeng Luo 33楼 (Kenneth)

difference score的使用争议很大。Jeffrey Edwards以及其他一些学者提倡用polynomial regression结合response surface methodology来代替difference score。最近好像又有新的方法出来。我同意对于difference score的批评，但我总觉得新的方法增加了分析和解释的难度，要掌握不太容易。希望Kenney以后有空讲讲这方面的内容。谢谢！

作者: Kenneth 时间: 2009-10-28 21:27
可能要等我先完成手上的几个project, 然后写完我的书（因为可能对更多人有用），才可以做这些事情了。：-）

作者: xiaohuli860 时间: 2012-3-8 10:55
不知道为什么，这里的图全部看不见。

作者: Kenneth 时间: 2012-3-8 12:54

xiaohuli860: 不知道为什么，这里的图全部看不见。

中人网改了新系统后就没有了。：-（

作者: hefang526 时间: 2012-3-9 19:14
Kenneth老师您好！
我现在进行硕士毕业论文的数据分析，用实验法研究了2个自变量与1个调节变量对因变量的作用，自变量和调节变量均是分类变量。
现在遇到的问题是：主效应、二阶交互效应、三阶交互效应均显著。那我能够采用先分析主效应、再分析二阶交互效应，最后分析三阶效应吗？？还是要按相反顺序进行？？
另外，我的假设只有主效应和二阶交互效应，并没有提到三阶交互，那我的数据分析部分还要对三阶交互分析吗？？
希望能得到您的指点，非常感谢您！

作者: Kenneth 时间: 2012-3-10 15:36

hefang526: Kenneth老师您好！
我现在进行硕士毕业论文的数据分析，用实验法研究了2个自变量与1个调节变量对因变量的作用，自变量和调节变量均是分类变量。
现在遇到的问题 ...

妳用实验法，交互作用不是设计在实验中吗？哪里有先后的次序？
既然没有假设，也没有预期，干嘛分析？除非你觉得结果很有趣，写在 discussion 中供日后别人参考。

作者: qiaoyin617 时间: 2015-9-18 15:03

匿名用户发表于 2008-10-4 21:41
贴篇论文
Baron, R. M., & Kenny, D. A. (1986). The 
modera ...

非常感谢！

欢迎光临中人网 (http://bbs.chinahrd.net/)