[系统转发] 管理研究理论和贡献探讨 2

Kenneth

Shirley，我不会用SPSS画图的。一直以来我都是用手来画的（不知道是不是太笨了）。不过我觉得也很简单。因为这一幅图的用意主要是表明调节关系的形态，所以也不讲求什么精确，形状似就可以了。以下是我的做法。
首先用SPSS把数据根据「调节变量（M）」顺序排好（比如，把数据点根据M从大到小排列）。SPSS里应该有一个SORT的指令吧。然后用DESCRIPTIVES指令计算M的中位数。你的问题写错了。不是“平均数”，是“中位数”。知道了M的中位数（比如是m）以后，就从数据中选出所有M>m的数据（用SELECT IF指令）。现在你的数据只剩下一半了。做一个x与y的回归。记下截距和斜率。【记着不要储存数据，因为你现在只有原来数据的一半】。比如y = 3.2 + 0.6 x。3.2截距是0.6斜率。找一张纸，画了x坐标与y坐标。第一点就是（0，3.2）。至于第二点，就随便找一点好了。比如，x=10，y就等如9.2。所以（10，9.2）就是第二点。有了两点就可以画一条线了。然后从新在SPSS载入“原始”数据，重复上面步骤，不过这一次是就从数据中选出所有M<m的数据。这样就可以做回归，画另外一条直线了。第一条直线是Ｍ>ｍ，所以是当M是“高”（Hi）的时候x与y的关系线。第二条直线是Ｍ<ｍ，所以是当M是“低”（Lo）的时候x与y的关系线。

補充我對conslusion and discussion的看法。

conclusion:這個研究可以提出十足證據的，才可以稱為conclusion.

discussion:因為conclusion而可以延伸想到什麼？這真是與Kenny說的一樣，有創意的討論很難，
相同的conclusion，但不同人會看到不同的implication.

To Kenny

Robert K. Yin (1989), Case Study Research: Design and Methods, Sage.

Eisenhardt, K. M. (1989), Building Theories from Case Study Research, AMR, 532-550.

非常感谢Kenny的指导,我今天自己跑了一篇,又遇到困难了,如果我有6个控制变量,我已把数据按中位数分成两部分,画图时我该如何回归呢?忽略控制变量,只做一个x与y的回归吗?因为有控制变量与没有控制变量结果不一样.呵呵,我都成了麻烦专家了,好不意思,千万不要嫌我烦.

Kenneth

Shirley, 你做的叫做「一阶交互作用」（one-way interaction）。一阶交互的意思是M1影响X-Y,M2也影响X-Y,但是M1与M2互相没有影响的。所以画M1时根本不用理会M2。
除非你讲的是「二阶交互作用」（two-way interaction），也就是说M1对X-Y的交互作用的大小，是受着M2的影响。那回归方程就变成了：
y = a0 + a1 X + a2 M1 + a3 M2 + a4 M1*X + a5 M2*X + a6 M1*M2*X
在这个方程里，a6 要是统计上显著，「二阶交互作用」的假设才算成立。

谢谢Kenny的指导,您的耐心与博学深深地感动着我们.祝您一切好!

              DV=Y
M1 M2    M3
CV 13.08 .09
X1 .184**   .212
M1 -.057   .428*
X1* M1   -.101*
麻烦专家又来了，下次Kenny来南京一定请吃盐水鸭，呵呵，我想请问Kenny调节作用与交互作用是一回事吗？假设如上表所示，M1作为调节变量放入回归不显著（β=-0.057），但是与X1交互后系数却显著了（β=-0.101*），我可以说M1对X与Y关系没有调节作用，但M1与X对Y具有交互作用吗？当进行交互作用检测时，是不是不用把CV放入回归模型中？

Shirley，你说的β=-0.057应该只是M1对DV的直接作用，还不能代表M1作为调节变量的作用的，调节作用和交互作用的差别是在理论上，在检验上它们的原理是相同的，都是要看交叉项的系数。但数据看起来有些奇怪，不知道为什么M1的系数会因为放入了交叉项改变了那么多。想一下 #_#

Kenneth

Shirley,
(1) Xinxin 帮我回了关于调节作用与交互作用的问题了。谢谢。
（2）第二个问题xinxin也回了。β1不可以叫做调节作用。它是M1的主效应。
（3）控制变量当然要放，因为这是你的完全回归模型(full model)。
（4）理论上β1是负的，但是β2是正的，是有可能的。不过很可能是共线性的结果。最好先做中心化。请看交互作用的日记。

谢谢Kenny和xinxin的指导,我再检查一下数据.