[系统转发] 管理研究理论和贡献探讨

另外，什么是中介变量？当x影响y，有一个变量m在x_y中间，x需透过m让y产生作用，m就是中介变量。中介变量分为两类：一是完全中介（full mediation），一是部分中介（partial mediation）。完全中介是指x对y的影响完全透过m，也就是说，如果没有m，x无法影响y；部分中介就指x对y的影响部分是直接的，但部分是透过m的。为什么需要有中介变量呢？中介变量则是用来解释变量间为什么会存在关系以及这个关系是如何发生的，其目的就如Whetten(1999)所说的强调的是WHY and HOW，也像我们常说的就已知的关系，针对WHY and HOW探索这个关系下黑色盒子(black box)的作用机制。Kennyy在此blog也曾举过许多例子，如；员工的公平感觉→心理契约→利他行为 （社会交换）；员工的公平感觉→组织支持感觉→利他行为 （社会交换）；员工的公平感觉→领导下属交换→利他行为 （社会交换）。这里的心理契约、组织支持感觉、领导下属交换都是在说明员工的公平感觉与利他行为该关系的内在作用机制。
传统的检验中介变量的方法，应属Baron & Kenny（1986）的方法，此外；我也曾应用过SEM，至于其它的方式与细节，我实在没有能力分享，对不起!
以上观点，藉此学习园地，就教于大家。
其实，对我个人而言，每每提出一个有关调节变量或是中介变量的研究时，最难处理的是如何清楚的陈述该调节变量或是中介变量的理论意义，如何说明为何选择的是该构念而不是其它变量？ 这部份，对我真是个挑战！针对这点，期待大家的学习分享！  Cecilia

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

Kenneth

谢谢Cecilia出手相助！我很喜欢这样的学习，这样我们可以一同来学，互相指正。座了13个小时飞机来到美国参加AOM的年会，刚刚入住了酒店。以下是我在飞机上写的一点回复，当时还不知道Cecilia已经回复了，希望在Cecilia讲的以上再解释一点吧。
交互作用（interaction effect）与调节作用（moderation effect）在概念上可以讲是完全不同的，但又可以讲有很密切的关系。
（1）要讲「调节作用」时我们一定会说是一个变量「调节了」两个变量（A与B）的“关系”，或者说调节变量改变了变量A对变量B的影响。比如，多吃食物就会胖，但是「食量」跟「肥胖」的关系受「遗传基因」的影响。有些人无论怎样吃都不会胖。那「遗传」就是一个调节变量，或者说「遗传」调节了「食量」对「肥胖」的影响。
（2）「交互作用」的意思是x1  x2合起来对y的影响不等于「x1对y的影响」加「x2对y的影响」。无论加起来的作用是大了还是小了，我们都叫交互作用。如果用数学来表明「交互作用」的话，当
y ≠ a0 加 a1 x1 加 a2 x2 或者  
y = a0 加 a1 x1 加 a2 x2 加（另外一些东西）
【注：这个博客系统很笨，不会读“加”的符号，所以要用中文“加”字，我会请他们改善的了】
的时候，x1与x2对y的影响就可以叫做起了交互作用。
从上面的分析来看，「交互作用」与「调节作用」好像是风马牛不相及的东西。所以我说他们在概念上可以讲是完全不同的。但是，如果我们仔细的再分析一下，我们又可以讲他们有很大的关系。为什么呢？既然说x1与x2合起来的时候对y的影响是不等如它们个别的影响，那不就是说有了x2在场时（或者说当x2是一个改变的“变量“时）x1对y的影响变得不一样那吗？这就好像x2影响了x1对y的作用了，那不就是调节作用吗？在说从这个角度看，「交互作用」与「调节作用」又好像是很相像的两个现象。
从数学上讲，x1与x2分别对y的影响是 y = a0 加 a1 x1 加 a2 x2 ，我们说x2改变了x1对y的影响的意思是a1是会随着x2改变了。这等如说a1是x2的函数（我们一般假设是线性函数，因为比较简单一点），或者说 a1 = b1 加 b2 x2 （b1与b2是常数）。把后面的公式代入前面的公式，我们得到：
y = a0 加 a1 x1 加 a2 x2
y = a0 加（b1 加 b2 x2）x1 加 a2 x2
y = a0 加（b1 x1 加 b2 x1 x2）加 a2 x2
y = a0 加 b1 x1 加 a2 x2 加 b2 x1 x2
因为a与b都是未知数，我们不要这么复杂又用a又用b，都把它们叫做a0，a1，a2，a3好了。上面的数式就变成我们常见的公式：
y = a0 加 a1 x1 加 a2 x2 加 a3 x1 x2
这就是为什么「交互作用」与「调节作用」都是在一般的x1与x2分别对y的回归分析上多加一个x1与x2的“成积项”（product term，x1*x2）原因。如果这“成积项”的系数（a3）不等如0，我们就说「x1调节了x2对y的作用」或者是「x2调节了x1对y的作用」或者说「x1与x2对y的影响起了交互作用」。  Kenny

Kenneth

回复Twotwo II (Kenneth)
再一次谢谢Cecilia的分享。Twotwo，你问的这个问题困扰了我一年多了，到现在我还没有绝对的答案。所以它不是一个简单的问题，你不宜妄自菲薄。
Cecilia已经讲了中介变量的意思了。至于如何验证中介变量，正如Cecilia说，最常用的是Baron 与 Kenny 的方法 （注：这个Kenny是有名的统计学家，不是我，Kenny是他的姓，不是名）。如果X影响Y，透过M作为中介变量的话，Baron 与 Kenny著名的四部曲是：
（1）证明X影响Y；（模型一） 
（2）证明X影响M； 
（3）证明在模型一上再加进M以后，M对Y的影响是显著的； 
（4）证明在模型一上再加进M以后，X对Y的影响是显著的减少。
如果第四步中加进M以后，X对Y的影响变成0，那M就叫「完全中介变量」（full mediator）。如果X对Y的影响只是显著的减少而不为0的话，M就叫「部分中介变量」（partial mediator）。
这第一种是我个人最喜欢，也觉得是最合理的验证中介变量的方法。
(注：现在很多统计学家都建议取消列第一个条件，意思是就算X与Y没有相关，M也可能是一个总结变量。这一点我本人不太同意，理由下同)。
但是，现在大部分的研究人员都把中介变量定义为以下的关系：
  → M →
↑       ↓
X→→Y
如果「中介变量」是有以上的图来定义的话，那还有两种常用的验证方法。我的理解是「不是所有」以上的关系都是我过去所学的中介变量的意思。所以，我个人不太喜欢以下的方法。不过，这是“定义”的问题，不可以辩论的。你喜欢这样定义，我不可以说你是错的。如果是根据这个图来定义中介变量的话，用以下的方法二和方法三的确比上面的Baron与Kenny（方法一）的统计考验力（statistical power）为高。所以大家要小心一点，因为这个原因，很多评审不一定喜欢方法一的。 关于另外两个方法下面再讲。 Kenny

Kenneth

上面我们讲过虽然我不一定同意，但越来越多人把中介变量定义成为有X,Y,M三个变量。
（1）X影响M（影响的大小是a）；
（2）M影响Y（影响的大小是b）；
（3）X也同时直接影响Y（影响的大小是c）
这样一幅三角形的图。
如果是这样的话，就可以用Cecilia讲的结构方程建模的方法来吧a,b,c猜出来。如果a和b都不是0的话，M就是部分中介变量。如果c登如0的话，就是完全中介变量。

最后一种方法是MacKinnon et al. (2007) A comparison of methods to test mediation and other intervening variable effects, Psychological methods, 7(1), 83-104 和 Shrout 与Bolger (2002) Mediation in experimental and nonexperimental studies:New procedures and recommendations, 7(4), 422-445. 讲的同时验证a和b是不是等如0。他们的论点是Ho :a=0 和Ho :b=0 作为两个分开的假设不是最理想的方法。最好的假设是Ho :ab=0，因为a=0或b=0时它们的成积都是0。所以验证a乘b是不是0是最理想的假设。但是问题就来了。因为a=0和b=0的统计误差（standard error）都是已经知道的（结构方程建模的结果就会给出这两个t-值）,但是我们怎样知道「a乘b」这个统计变量的统计误差呢？不知道统计误差，如何验证呢？上面两篇文章提出了两个统计误差的估计方法。一个是Sobel Test，另外一个是用Bootstrapping来估计。因为这两个估计都蛮数学化，在博客上不容易表达，我就不讲了，大家自己去看这两篇文章吧。  Kenny

这篇也是今天在飞机上写的另外一篇。虽然我觉得自己在这个题目上的思想还没有成熟，不过这里不是一个严谨的学术论坛，而有好几位朋友都问过这个问题，就尽管提出来让大家讨论一下吧。看看有没有有人有其他“高见”。
暑假的时候因为要到台湾讲学，看了一点因果关系的书，才知道一件事的原因可以有很多重的。原来讲因果关系最多的不是管理学和社会科学，也不是自然科学，而是哲学。
让我来举个例子来说明「因果关系」的复杂性。比如，男朋友送你一束鲜花，你觉得很欢喜若狂。你开心的原因是什么呢？可能是：
1．你可能把它归因到你是一个很容易开心的人。
2．你可能觉得最近都很郁闷，这令你在平凡的生活中带来刺激。
3．你那个时候可能刚刚在想他，你为你们这一份默契高兴。
4．你可能知道他从来都不会送花给人的，今天是破例，所以有一份惊喜。
5．你觉得他很关心你，总会想办法逗你开心。所以有一份被爱的感觉。
6．你也可以把开心归因到你体内突然间有大量的安多分（荷尔蒙）的分泌，开心是大脑被刺激的结果。
7．你也可以把开心归因为化学元素迅速地从一个神经细胞的突触传到另外一个，以致整个大脑都同时受到刺激的现象。
以上不同的原因（cause）有不同的宽度，也有不同的深度。不同的宽度是同一个层面的（比如#1、2、3、4、5），其中有个人性的，有环境性的，我们在做模型的时候往往都会把他们放在一起。但是#6和7跟#1到5是不同层面的解释。解释#6和7不是与#1到5同时影响您的心情，因而做成狂喜的感觉。相反，他们是你狂喜这个现象的深一层的解释。
同样的，当我们说员工愿意为企业尽心卖力（结果）是因为他们与主管的关系好（原因）的时候，我们也同时可以说这是因为员工感到被爱，我们也可以说是员工的社会需要（social needs）被满足了。请留意，如果我的例子没错的话，这三个是不同层次的解释，不是三个影响员工尽力工作的同层次变量。所以，把它们三个作为员工表现的三个同时发生的可能原因（causes）是有问题的。因为「关系好」只是员工觉得「被爱」的结果，而「被爱的感觉」可能是员工「基本需要被满足」的结果。
你也许会问，就算x1->x2->x3->y（ 箭头是“影响”的意思），我们说这三个变量同时影响y有什么不对呢？对我来说，这就好像在说「你狂喜是因为男朋友送你鲜花“和”你大脑神经细胞受到刺激同时的影响」一样。你会接受吗？这也好像你说「玻璃杯之所以破碎，是因为它从你手上滑下“和”地心引力“和”玻璃的分子结构破坏了」一样。说到这里，你大概已经给我搞昏了。到底人拉肚子是因为吃了不干净的食物，还是我们的消化系统要把含大量细菌的消化物排出体外呢？到底我感到痛是因为妈妈打我，还是我的神经受到刺激呢？
那企业赚钱是因为它有竞争力，还是因为它有创新的产品，还是购买这企业的产品的顾客增加了呢？员工之所以有工作表现，是因为他们能力高、有激励性、还是他们喜欢工作、还是因为他们遇到一个变革型的领导呢？我希望我们的理论模型可以带给我们一个清楚的分析。不同的理论模型会试图针对同一个现象做不同层面（深度）、不同范围（宽度）的解释。那你说是不是解释的层次越深越好，或是包含的范围越宽越好呢？ Kenny

Kenny，有关「调节变量与中介变量」我的分享，多是从参加你seminar学习到的知识，我只是呼应与落实你期许我们的「学习之道」：「「不要怕、只要问」，不停地问，无尽无私的分享」。你的再次感谢，让我颇为尴尬！！我们大家才更想谢谢你辟了此园地，不仅让我们学习到应「如何学习」、「如何思考」，更被你「分享的态度」深深感动与感染，谢谢你！ 

基于你对调节作用和交互作用的说明，我了解到就统计方面，调节作用和交互作用的检验方法是一样的，就是都用乘积项来检测其存在与否。我想进一步了解的是：

1.在探讨调节作用的研究，何者是因变数（IV）、何者是调节变量（moderator）是由理论决定的，但对于交互作用的研究，就理论基础，这两个变量的地位是一样的吗？还是仍可分出孰重孰轻？若是可分，依据为何呢？
2.交互作用的研究，是不是仅限于研究两两的交互作用，可以拓展至三个自变量对于一个应变量（DV）的交互效应吗？
3.交互作用可分为两类：增强的交互作用（reinforcement interaction effect）和干扰的交互作用（interference interaction effect）。这样分类是否也适用于调节作用？

麻烦大家协助我厘清上述的困惑，谢谢！

此外，如给Twotwo的响应，「对我而言，每每提出一个有关调节变量或是中介变量的研究时，最难处理的是如何清楚的陈述该调节变量或是中介变量的理论意义，如何说明为何选择的是该构念而不是其它变量？」。针对这点，很期待大家的经验分享！    Cecilia

感谢Kenny，旅程那么疲劳还忙着给我们大家回答问题，真是很感动。先发一个小小的倡议：看到这个blog的点击量，知道有好多同学和老师路过，非常高兴，似乎看到了很多同行者。更期待能和大家一起学习。如果大家都能把自己平时在研究中思考到的问题拿出来一起讨论或是把学到的东东一起分享。这样的学习一定是很有趣的。期待在这里认识更多的朋友 ^_^ 

关于Cecilia提到的问题的一点理解，不知道对不对，请大家指正： 1.当用“交互作用”时，理论上两个变量都是因变量，在这个意义上它们的地位是平等的，只是它们的对因变量的影响不相互独立。2.三个变量的交互作用应该也可以讨论的，我们叫它three way interaction, 从表达式上看，比二变量交互作用多一个三个变量乘积项，我们可以看出它的含义，也就是任何一个自变量前的系数是其它两个自变量的函数，也就是说任何一个自变量与因变量之间的关系都受其它两个变量的影响。3.应该是可以用的，我记得名字有不同吧，叫reinforcement ~~ 和suppression ~~ 不知道对不对。
 

再次感谢Celilia前面的分享。很开心能在这里向你学习。

关于Kenny提到的因果关系的问题，也是我曾经觉得简单，越仔细想越觉得复杂的一个问题。人们了解因果关系是希望解释为什么一个现象会发生，并知道如何预测一个现象的发生。但一个事情的发生有很多原因，除了Kenny提到的不同层面的，似乎还有一些有一些是直接的，有一些是提供环境条件的等等。我们是不是应该在研究因果关系时说明自己研究的是哪类呢？还没有仔细考虑。先去会议注册了，回来再和大家讨论 :-)

Jane? 是你吧？真高兴在这遇见妳！更開心的是你也加入了这学习之道！真好~

谢谢你的分享，清楚些了！但仍有些疑惑，希望你能再协助我，谢谢了！

1.为何我会问：「对于交互作用的研究，就理论基础，这两个变量的地位是一样的吗？」，原由是来自Kenny给Twotwo I的回复：「如果这“成积项”的系数（a3）不等如0，我们就说「x1调节了x2对y的作用」或者是「x2调节了x1对y的作用」或者说「x1与x2对y的影响起了交互作用」」。
我个人对这文字的解读，「x1与x2对y的影响起了交互作用」是表示x1、 x2的地位是平等的；但对于「x1调节了x2对y的作用」或者是「x2调节了x1对y的作用」，我的感觉似乎x1、 x2的地位是不平等的，似乎只要其中一个x1或 x2有了调节作用，交互效应就存在。我不知我是否是过度解读了Kenny的答复???

2. 谢谢你让我了解了交互作用的研究可以拓展至三个自变量对于一个应变量（DV）的交互效应。若依你的说法，「三个变量的交互作用从表达式上看，比二 变量交互作用多一个三个变量乘积项」，请问公式的呈现是不是如下：
y = a0 加 a1 x1 加 a2 x2 加 a3 x3加 a4 x1 x2加 a5 x2 x3加 a6x1 x3加 a7x1x2 x3
如果这“成积项”的系数（a7）不等如0，我们就可以说「x1与x2与x3对y的影响起了交互作用」？是吗？

3. 针对因果关系的问题，不过是一个简单的问题「男朋友送你一束鲜花，你觉得很欢喜若狂。你开心的原因是什么呢？」，真服了Kenny能从不同宽度、深度与层面想出这些原因（所以、、、真得是不要轻易跟他争辩啰！ ^O^~）。但也因为如此的呈现，协助我们看清楚原先以为看似简单的因果关系，其实颇为复杂。但这复杂的答案是否有可能待我们选定从何视角来看后变得较单纯些呢？因此，颇为认同你所说的「我们是不是应该在研究因果关系时说明自己研究的是哪类呢？」。

至于「不同的理论模型会试图针对同一个现象做不同层面（深度）、不同范围（宽度）的解释。那你说是不是解释的层次越深越好，或是包含的范围越宽越好呢？」这答案，我认为应是不一定吧，应要看你欲探究的因果现象是否可以从你的理论模型做一完整的陈述。「杀鸡焉用牛刀」的道理，应也可以运用在研究上，不是吗？如果我要研究的因果关系，所采的视野虽不够深、不够广，但已可以把我欲探究的因果现象做完整的陈述，我为何需要为了复杂而复杂？好理论的特质之ㄧ不是也包含了精简吗？       Cecilia