请问层级回归做缓冲效应时交互乘积项指的是什么

donghuixiao

假设因变量为y,自变量为x,缓冲变量为m,那么有3列数据，即y,x,m。但是层级回归中会用到交互乘积项，我不知道什么是交互乘积项，是x乘以m么？怎样把成绩项弄到independant当中去呢？

chienhsin

donghuixiao你好：
( }4 z% R1 u8 r  x
我不太清楚緩衝變量的意義是什麼，你是指moderator 或是 mediator?
: D2 Q) {# F0 S# R1 h如果你是指moderator，那就是你提到要建立交乘項，是"X" x "M"沒錯。
& n# A3 {" g2 c7 D0 x把算出來的"XxM"當成一個新的自變量例如Z，你把Z和X一起放進去模式估計就行了。

donghuixiao

chienhsin你好：
moderator是缓冲变量，应该有叫调节变量。mediator是中介变量。
我点next按钮，第一次放x,第二次放m,第三次放x*m，勾选R square change,最后点ok，可结果不显示主效应，交互效应呀，t检验仍然是对三个变量x,m,x*m的独特效应的检验。不知道spss中如何实现层级回归？前面两个变量x和m是放入回归方程是看主效应，而x*m是为了看交互效应，我怎么看不到主效应和交互效应。
我随便弄了个数据。假设y为“自卑”，x为“躯体化”，m为“焦虑”，z为x*m ，我做层级回归的结果如下，可能步骤有错，因为我不知道怎么做，我没有参考书。我是放入因变量y后，点next按钮，第一次放x,点next按钮，第二次放m,点next按钮，第三次放x*m，点next按钮，勾选R square change,最后点ok。结果如下
% [, j, C, H; i" ^
% n  z8 ]5 b  r' G. m* G可见，coefficient检验中，model2是标准多元回归呀，把x和m看成是2个自变量了。model3是标准多元回归，把x，m，和z即x*m看成三个自变量了。
) X1 P# x9 j/ g6 r% x- m! b* e请教如何在spss中实现层级回归，如何看主效应，交互效应，R的平方的增加是否显著？

donghuixiao

再次提问:方差分析anova中，即在a. Predictors: (Constant), 躯体化.
b. Predictors: (Constant), 躯体化, 焦虑
c. Predictors: (Constant), 躯体化, 焦虑, z   中
b的predictor应该只有焦虑才对
c的predictor应该只有z才对
不知道是这样么
5 h" l4 Z2 C& [% V- \, j
# ~8 F# @9 J# X$ W1 L. d9 F, [( T

% w) `4 p! U) n( B. H4 p, e4 {

chienhsin

donghuixiao你好：
+ V, D" P/ l# \0 Q' _- ?" O* l
從你的結果看，交互效用有顯著(model 3, z 的b = 0.021, t value = 2.931).
R-square change, F change 有顯著。
$ r' U9 F! l' }% ]4 O! a總結一下：
( r* i. O. ~9 [8 v0 n: Cmodel 1:是檢定軀體化的主效果
model 2:檢定多了焦慮以後，軀體化和焦慮的主效果
& v4 \: g9 E) }' W8 L" dmodel 3:再檢定model 2之外，交互作用增加的效果

Kenneth

回复 1楼 donghuixiao 的帖子
donghuixiao,你的图中“黑色圈着的”就是躯体化和焦虑的主效应；
“红色圈着的”就是交互作用，所以是Chienhsin说是显著的。

donghuixiao

谢谢Chienhsin和Kenny。
还有些问题需要请教两位。
; F8 U6 [% K: n7 Y2 L8 M% E6 a首先先看下面几段话：
有关主效应和交互效应的关系的描述如下：
在析因设计中，方差分析直接给出自变量的主效应和交互效应是否显著的结果，多数研究者也依次判定自变量的作用是否明显、这些自变量的作用是否相互依赖。事实上，自变量的主效应与交互效应的评估并非这么简单，它们存在关联性，需要具体情况具体分析。我们就以两个自变量的主效应和交互效应来分析。当交互效应不显著的时候，两个自变量相互独立，我们可以直接从其主效应是否显著来评估自变量对因变量的作用大小；当两个自变量间的交互效应显著时，就不能简单地从主效应是否显著直接得出结论了。我们现在以交互效应显著为前提，来区分自变量A的主效应是否显著的三种情况：
9 F, p" L( _# j/ c' N+ l
第一，交互效应显著，A的主效应也显著，而且主效应方向与简单效应方向一致，如图2-5中的b图就属于这类情况。这种情况下，在自变量B的两个水平上，自变量A从A1到A2的变化引起的因变量的变化趋势一致，只是变化幅度不一致。这里的交互效应掩盖了自变量A在自变量B不同水平上的效应量的差异。很明显，在B1上平上，A的效应量大于其在B2水平上的效应量。
    第二，交互效应显著，A的主效应也显著，这时A的效应方向可能会被交互效应歪曲。比如图2-5中的a图、d图都属于这类情况。在a图中，A的变化在B1的水平上引起了因变量的显著变化，但在B2水平上却未引起因变量的变化，这就是说A的变化不是在任何情况下都会引起因变量的变化的，它依赖于自变量B的水平；在d图中，虽然A的变化在B的两个水平上都引起了因变量的明显变化，但是变化的方向正好相反，从其主效应看，A的水平提高可以促进因变量分数的提高，但实际情况是，当A在B1水平上提高时，反而会导致因变量分数的下降。所以在这种情况下，显著的交互效应掩盖或歪曲了自变量A的作用机制：它在B的不同水平上效应量是不同的。
+ t" z( R0 p: f  N    第三，交互效应显著，A的主效应却不显著，实际上是交互效应掩盖了A的效应，如图2-5中的c、e、f图都属于这种情况。我们从这些图示中可以明显看到A的效应，但方差分析结果却会显示A的主效应不显著，这是因为A在B的两个水平上的效应方向相反，计算A的主效应时A1和A2的差异量被掩盖在了平均过程中。
4 c4 Y- J8 B" ], V" Y/ ^! t1 g& |那么，如何依据自变量主效应和其与其它自变量的交互效应来进行结果分析呢？这一点很简单：当方差分析结果显示A的主效应及A与其它自变量的交互效应都不显著时，则说明A的效应真的不明显；当方差分析的结果显示A的主效应不显著但A与其它自变量的交互效应显著时，则说明A其实是对因变量有明显作用的，即A的效应其实是存在的，只不过其效应的大小和方向依赖于其它自变量的不同水平。
    上述分析提醒我们，在说明方差分析结果时你要特别注意，如果因子间的交互效应达到了显著性水平，那么自变量的效应有可能会被歪曲或掩盖，也就是说，不能简单地依据其主效应是否显著来判断它是否对因变量有影响，而是要进行简单效应检验，分别考察其在其它自变量不同水平上的变化情况。否则，可能会得到错误结论。应该记住，一个因子的主效应是对其在另外一个因子所有不同水平下观测分数的平均而得到的，而这种平均的结果可能很难准确地反映每种具体实验处理的效应。
" J+ T. W6 N  H& D5 `1 R& j“总之，交互效应可能会掩盖或歪曲两个因子中任何一个因子的主效应。因此，只要是交互效应达到了统计学上的显著性水平，你在就主效应问题作出结论前都要仔细考察具体的数据变化。”
问题：
1.model3中自变量“躯体化”的sig值表明主效应不显著，是否就是它没有主效？
- m, W( f; P7 f2.model3是否如图2-5中的c、e、f中的某一个，是交互效应掩盖了A的主效应？
  y1 F6 |; W1 \  o3 M3.按文中的逻辑，交互效应存在的话，自变量的主要效应一定显著？只不过”但方差分析结果却会显示A的主效应不显著，这是因为A在B的两个水平上的效应方向相反，计算A的主效应时A1和A2的差异量被掩盖在了平均过程中。”

: Y8 ^9 y$ ~  m4 [! M
4.在spss中如何实现单纯主效应比较？
% r- @; q% ]( y. t5 x) J( ~5.这些图怎么绘制？是先把自变量分成低（Z<-1）高（Z>1）两组,然后算出因变量的平均数，然后用excel绘图？
, H! v* F4 p$ F1 u. N" `- z6.如何证明b图中，在B1上平上，A的效应量大于其在B2水平上的效应量？平均数T检验？
7.simple slope test也是用来检验交互作用的，他能用来做单纯主效应比较么？他能证明b图中，在B1上平上，A的效应量大于其在B2水平上的效应量？
; R  W9 F1 K) r) {: v' o4 C4 t