spss去中心化公式

⑴ 干貨 | 利用SPSS進行高級統計第二期（更新）

Hello，

這里是行上行下，我是喵君姐姐~

在上一期中，我們主要介紹了 如何對數據進行 描述、卡方&T檢驗、獨立樣本t檢驗、相關樣本t檢驗、回歸分析 。

在這一期中，我們主要為大家介紹如何利用SPSS進行中介、調節分析以及方差分析。

一、多個變數間關系：中介

（一）回歸方程法

1.算三個回歸方程

1）自—因

2）自—中

3）自、中—因

2.數據分析

第一個回歸， 分析的是自變數對因變數的總體效應。

第二個回歸， 是自變數對中介變數的效應

第三個回歸， 是自變數、中介變數對因變數的效應

本研究以性格特徵為自變數，政治社會現狀評價為因變數，時政類信息興趣程度為中介變數進行中介效應檢驗。

結果表明，時政類信息興趣程度在性格特徵和政治社會現狀評價之間起著中介作用，如圖所示。性格特徵通過時政類信息興趣程度的中介作用能夠顯著正向預測政治社會現狀評價，B=0.013，SE=0.002，β=0.123，p<0.001。

參考文獻：

溫忠麟, & 葉寶娟. (2014). 中介效應分析:方法和模型發展.  心理科學進展 , 022 (005), 731-745.

3.畫圖注意事項

1）可以在ppt裡面畫，這樣圖會更好看也更好編輯~

2）一般都標注標准化系數，同時需要在圖中註明

3）一般來說，顯著的用實線，不顯著的用虛線

（二）Process插件法：Model4

1. 首先是對模型的一個介紹

使用的是model4

因變數、自變數、中介變數分別對應的是什麼

樣本量多少

2. 以中介變數為被預測變數，自變數為預測變數的回歸方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是標准誤，p，LLCI和ULCI是置信區間（置信區間不含零為顯著）標准化系數（Standardizedcoefficients） 是β

3. 以因變數為被預測變數，自變數及中介變數為預測變數的回歸方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是標准誤，p，LLCI和ULCI是置信區間（置信區間不含零為顯著），標准化系數（Standardizedcoefficients） 是β

4.總體效應

以因變數為被預測變數，自變數及中介變數為預測變數的回歸方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是標准誤，p，LLCI和ULCI是置信區間（置信區間不含零為顯著），標准化系數（Standardizedcoefficients） 是β

5. 接下來是自變數對因變數的總體、直接和間接效應

自變數對因變數的總體效應=自變數為預測變數，因變數為被預測變數回歸方程的系數；

自變數對因變數的直接效應=自變數、中介變數為預測變數，因變數為被預測變數回歸方程的系數；

自變數對因變數的間接效應=總體效應-直接效應

部分標准化：效應量/Y的標准差

完全標准化：所有變數的標准化

6. 最後是模型及誤差的簡介

置信區間及bootstrap抽樣情況

結果：參照Preacher 和Hayes (2004)提出的Bootstrap 方法進行中介效應檢驗(模型4)，樣本量選擇5000，在95%置信區間下，其餘如上。

參考文獻：Preacher, K. J. ,& Hayes, A. F. . (2004). Spss and sas proceres for estimating indirecteffects in simple mediation models.  Behavior Research Methods, Instruments & Computers, 36 (4), p.717-731.

二、多重中介

（一）Process插件法：model4

結果解讀與一般中介一致。

多重中介的圖大概如下：

圖x 多重中介效應分析圖（上述均為標准化後系數）

三、鏈式中介

（一）Process插件法：model6

四、調節作用

中心化：原始數據-均值

拆分文件：spilt

（一）線性回歸法

1.Spss操作

1）算自變數、調節變數z分數

2）計算自變數與調節變數z分數的交互項（乘積）

3）算回歸方程

以因變數為被預測變數，以自變數、調節變數為第一層預測變數，兩者交互項為第二層預測變數。

2.Spss結果解讀

以性格特徵為自變數，談論頻率為調節變數，政治社會現狀滿意程度為因變數進行調節作用分析，發現性格特徵能夠顯著正向預測政治社會現狀滿意程度（B=0.02，SE=0.002，β=0.14，p=0.000）；談論頻率能顯著負向預測政治社會現狀滿意程度（B=-0.05，SE=0.026，β=-0.04，p=0.043）；兩者交互項不能顯著預測政治社會現狀滿意程度（B=-0.03，SE=0.016，β=-0.05，p=0.825），故性別的調節作用不存在。

3.畫交互作用圖：對調節變數做高低分組

高分組：平均值+一個標准差

低分組：平均值-一個標准差

高分組：平均值+標准差=3.51

低分組：平均值—標准差=2.02

拆分文件，做回歸

再做一次回歸，畫圖即可

Y=常數項+Bx*X+B調節變數*調節變數+B交互項*交互項

（二）Process插件法：model1

1.Spss操作

2.Spss結果解讀

模型介紹：

模型：模型一，因變數、自變數、調節變數

樣本數量

結果：

基本模型概要：R²、F、p

模型：B、SE、t、p、置信區間

加入交互項的模型概要：ΔR²（R2-chng）、F、p

畫圖使用的數據：

Q19    Q17      Q8

自變數 調節變數因變數

將標灰色這段復制，粘貼進語法中，運行，出現spss自己畫的圖，僅供參考。

仍然建議將原始數據放入excel中，自行畫圖。

五、有調節的中介

（一）線性回歸法

算兩組交互項 自*調 中*調

1.自、調、自*調—因

2.自、調、自*調—中

3.自、調、自*調、中、中*調—因

（二）Process插件法

操作方式及結果解讀與調節、中介一致~

六、方差分析

（一）單因素方差分析【組間實驗+單一因變數；進行差異檢驗】

1.差異檢驗

1) Spss操作

2) Spss結果

方差齊性結果為顯著，說明方差不齊，事後檢驗看鄧肯尼T3的結果；

方差齊性結果為不顯著，說明方差齊性，事後檢驗看其他結果。

對不同來源的問卷進行政治社會滿意度的差異檢驗，結果發現，不同來源的政治社會滿意度存在顯著差異，F（5，2373）【（組內，組間）】=47.43，p<0.0001，

，具體表現為問卷網（M=3.69，SD=0.81）顯著高於新浪微博（M=2.57，SD=1.103）……

2.組間實驗

1) Spss操作

為了進行交互作用的事後比較，勾選後選擇粘貼，在語法中添加事後比較。

但由於本數據兩自變數均為二分變數，因此無法進行事後比較，在此僅進行操作展示

方差不齊，選擇修正模型

性別的主效應：結果發現，男性的滿意度（M，SD）顯著低於女性的滿意度（M，SD），F，p，

政治面貌的主效應：與性別一樣：結果發現，黨員的滿意度（M，SD）顯著高於非黨員的滿意度（M，SD），F，p，

交互作用分析：結果發現，對於黨員群體來說，男性（M，SD）女性（M，SD）的滿意度無顯著差異，F，p，

；對於非黨員群體來說，男性的滿意度（M，SD）顯著低於女性（M，SD），F，p，

。

七、多因素方差分析

1. Spss操作

2. spss結果

解讀與單因素方差分析一致。

八、重復測量方差分析

1. Spss操作

2. Spss結果

重復測量方差分析的解讀與單因素方差分析解讀基本一致，但需要注意：

球形檢驗：顯著看多變數檢驗（multivariatetest），不顯著看主體內效應（withinsubject）

九、方差分析小結

方差分析是實驗法進行數據分析的重要分析方法，需要根據實驗設計及變數情況選擇單因素、多變數、重復測量方差分析；最簡單的選擇方式即為：多個因變數的用多變數；含組內變數的一律選擇重復測量方差分析。

在進行數據分析時一定要注意：方差齊性檢驗、球形檢驗。

此外，當進行數據解讀時，若主效應、交互作用不顯著，一般無需進行事後比較。

除了語言描述的方式，直方圖是方差分析的常用表達方式，也有簡單效應的表達方式（尤其是體現交互作用）

本期的內容就到此結束啦！

本期我們介紹了如何利用SPSS進行中介、調節分析以及方差分析。

在下一期中，我們將繼續介紹如何進行EFA分析和CFA分析。

分享完畢，希望有所幫助。

排版：華華

校對：喵君姐姐

⑵ spss 中心化的意義

中心化的目的統一單位也就是統一量綱，因為不同變數之間單位不一樣，會造成各種統計量的偏誤。

首先計算變數的平均值

這樣，對變數進行中心化的工作就完成了。

⑶ spss實現中心化處理、標准化處理和歸一化處理

轉自https://blog.csdn.net/shouji111111/article/details/88675289

一、中心化、標准化、歸一化簡單描述

意義：數據中心化和標准化在回歸分析中是取消由於量綱不同、自身變異或者數值相差較大所引起的誤差。

原理：

數據標准化：是指數值減去均值，再除以標准差；

數據中心化：是指變數減去它的均值；

歸一化：把數變為（0，1）之間的小數。

二、中心化處理

        數據的中心化是指原數據減去該組數據的平均值，經過中心化處理後，原數據的坐標平移至中心點（0,0），該組數據的均值變為0，以此也被稱為零均值化。

三、標准化處理

        大型數據分析項目中，數據來源不同，量綱及量綱單位不同，為了讓它們具備可比性，需要採用標准化方法消除由此帶來的偏差。 原始數據經過數據標准化處理後，各指標處於同一數量級，適合進行綜合對比評價。這就是數據標准化。

        基本原理：數值減去平均值，再除以其標准差，得到均值為0，標准差為1的服從標准正態分布的數據。

        在SPSS中，使用最多的就是Z-score標准化（0-1標准化）方法，這種方法給予原始數據的均值（mean）和標准差（standard deviation）進行數據的標准化。經過處理的數據符合標准正態分布，即均值為0，標准差為1。

四、歸一化處理

歸一化方法：

把數變為（0，1）之間的小數

主要是為了數據處理方便提出來的，把數據映射到0～1范圍之內處理，更加便捷快速

把有量綱表達式變為無量綱表達式，成為純量。歸一化，也算是數據標准化方法之一。常見的計算公式如下，得到新數據范圍在[0,1]之間，歸一化由此得名。

⑷ spss中，變數去中心化是變數減去該變數的均值，那麼zscore又是什麼呢

中心化是減去均值，Z分數是再除以標准差，二者都是中心化的方法。

⑸ 干貨 | 利用SPSS進行高級統計分析第二期

Hello，

這里是 行上行下 ，我是 喵君姐姐 ~

在上一期中，我們為大家帶來了 利用SPSS軟體進行高級統計分析的實操教程第一期 ，內容包括： 描述性統計表格模板、卡方&T檢驗、相關&回歸分析 等。

在本期中，我們繼續為大家介紹如何利用SPSS進行：中介、多重中介、鏈式中介、調節分析、有中介的調節分析等。

PS： 後台回復關鍵詞 「高級統計」 即可獲得所述的PDF原文啦！

一、中介【報告B，SE，t（df），p），置信區間，畫中介效應圖】

1.回歸方程法

1.1 算三個回歸方程

1) 自—因

2) 自—中

3) 自、中—因

1.2 數據分析

2. Process插件法：Model4

部分標准化

效應量/Y的標准差

完全標准化

所有變數的標准化

3. 報告【B、SE、t(df)、P、置信區間+圖（標准化系數）】

本研究採用軟體SPSS 24.0 中文版進行採集錄入和統計分析實驗數據。中介效應檢驗：參照Preacher 和Hayes (2004)提出的Bootstrap 方法進行中介效應檢驗(模型4)，樣本量選擇5000，在95%置信區間下。

為了探討MIL和FCI的關系中是否存在PA的中介作用，本研究以MIL得分為自變數，FCI得分為因變數，PA得分為中介變數進行中介效應檢驗。結果表明，PA在MIL和FCI之間起著中介作用。

MIL對PA有顯著的預測作用（B=0.24，SE=0.07，t（98）=3.55，p < 0.001），置信區間（LLCT = 0.10，ULCT =0.37）不包含0； 中介檢驗的結果不包含0（ LLCT = 0.07 , ULCT = 0.37） ，表明 P A 的中介效應顯著（中介效應大小為0.22，S E =0.08） ，中介效應如圖所示。

參考文獻：Preacher, K. J. , & Hayes, A. F. . (2004). Spss and sas proceres for estimating indirect effects in simple mediation models.  Behavior Research Methods, Instruments & Computers,   36 (4), p.717-731.

二、多重中介

1. Process插件法：model4

三、鏈式中介

1. Process插件法：model6

中心化：原始數據-均值

拆分文件：spilt

四、調節【報告B、SE、t、β、p、95%CI、Δ+畫回歸表、交互作用圖】

1. 線性回歸法

1.1 S pss操作

1）算z分數

2）算交互項

3）算回歸方程

1.2  S pss結果解讀

1.3  畫交互作用圖：對調節變數做高低分組

高分組：平均值+標准差=6.12

低分組：平均值—標准差=3.68

1.4 拆分文件，做回歸

1.5 再做一次回歸，畫圖

2. Process插件法：model1

2.1 S pss操作

2.2 S pss結果解讀

2.3 報告

利用Process model 1 (Hayes，2018)探討生命意義感P、社會支持以及二者的交互作用與工作倦怠的關系。

結果表明， 生命意義感P (B = -0.46， t = -1.35， p = 0.18 )、 社會支持 (B = -0.19， t = -0.55， p =0.58 )以及二者交互作用(B = 0.05， t = 0.83， p =0.41 ) 對工作倦怠的作用 均不顯著 （如表3所示），簡單斜率分析圖如圖2所示。

圖 2簡單斜率效應分析圖

五、有調節的中介【報告B、SE、β、p、95%CI+畫回歸表+交互作用圖】

1.線性回歸法

1.1 算兩組交互項 自*調 中*調

1) 自、調、自*調—因

2) 自、調、自*調—中

3) 自、調、自*調、中、中*調—因

1.2 報告

接下來驗證有調節的中介作用，以壓力為自變數，生命意義感P為調節變數，自我效能感為中介變數，深層勞動為因變數為例。

根據溫忠麟和葉寶娟(2014)的觀點，檢驗有調節的中介模型需要對三個回歸方程的參數進行檢驗：(1)方程1 估計調節變數(生命意義感P)對自變數(壓力)與因變數(深層勞動)之間關系的調節效應; (2)方程2 估計調節變數(生命意義感P)對自變數(壓力)與中介變數(自我效能感)之間關系的調節效應; (3)方程3 估計調節變數(生命意義感P)對中介變數(自我效能感)與因變數(深層勞動)之間關系的調節效應以及自變數(壓力)對因變數(深層勞動)殘余效應的調節效應。

根據Muller, Judd 和Yzerbyt (2005)的觀點, 如果模型滿足以下兩個條件則說明有調節的中介效應存在：(1)方程1 中, 壓力的總效應顯著, 且該效應的大小不取決於生命意義感P; (2)方程2 和方程3 中, 壓力對自我效能感的效應顯著, 生命意義感P與自我效能感對深層勞動的交互效應顯著, 和/或壓力與生命意義感P對自我效能感的交互效應顯著, 自我效能感對深層勞動的效應顯著，本研究中有調節的中介模型檢驗結果見表2、圖3。

由表2、圖1可見，方程1 中壓力負向預測深層勞動（β=-0.37，p<0.001），壓力與生命意義感P的交互項對深層勞動的預測作用顯著（β=-0.23，p<0.001）。

方程2 和方程3 中，壓力與生命意義感P的交互項對自我效能感的預測效應顯著（β=-0.18，p<0.01）；壓力與生命意義感P的交互項對深層勞動的預測作用顯著（β=-0.18，p<0.01）；同時自我效能感對深層勞動的預測效應顯著（β=0.53，p<0.001）。

這表明， 壓力、生命意義感P、自我效能感和深層勞動四者之間構成了有調節的中介效應模型 ， 自我效能感在壓力與深層勞動之間具有中介作用 ， 生命意義感P 在 壓力與深層勞動、壓力與自我效能感間起調節作用 。

表2 壓力對深層勞動有調節的中介效應檢驗（以生命意義感P為調節變數、自我效能感為中介變數）

圖 3壓力對深層勞動有調節的中介效應圖（中介變數為自我效能感，調節變數為生命意義感P）

參考文獻：

溫忠麟, & 葉寶娟. (2014). 中介效應分析:方法和模型發展.  心理科學進展,   022 (005), 731-745.

由於生命意義感P在壓力與深層勞動、壓力與自我效能感間起調節作用，因此需要進一步檢驗簡單效應以明確生命意義感P調節作用。

首先將生命意義感P按照正負一個標准差分成高、低組, 採用簡單斜率檢驗考察在生命意義感P不同水平上壓力對深層勞動、壓力對自我效能感的影響，相應的簡單效應分析見圖5、圖6。

圖5結果表明，對於 生命意義感P 較 高 的個體 來說，壓力能負向預測深層勞動（ B= -0.44， SE = 0.13，  p <0.01 ） ；而對於生命意義感P較低的個體來說，壓力不能顯著預測深層勞動（B =0.09, SE = 0.11,p = 0.45），即 比起低壓力情景，高生命意義感P的個體在高壓情景下，會有更少的深層勞動。

圖 5生命意義感P對壓力與深層勞動之間的關系調節作用

圖6結果表明，對於生命意義感P較低的個體來說，壓力不能預測自我效能感（B = -0.19，SE =0.13，p =0.17）；而對於 生命意義感P較高的個體來說 ， 壓力能負向預測深層勞動（ B =-0.45 ， SE = 0.13 ， p  <0.01） ；即比起低壓力情景時， 高生命意義感P的個體在高壓情景下自我效能感更低。

圖 6生命意義感P對壓力與自我效能感之間的關系調節作用

2.  Process插件法

2.1 調節前半路徑：model7

1)Spss操作

2) Spss結果解讀

2.2 調節後半路徑：model14

1) Spss操作

2)Spss結果解讀

2.3 探索前後：model57

2.4 報告

使用Hayes (2019)的SPSS 宏程序PROCESS（Model7），分析自我效能感在壓力與深層勞動之間的中介作用（前半段）是否受生命意義感P的調節。

結果表明（如表4所示）： 自我效能感顯著正向預測深層勞動（B= 0.37 ，S E =0.0 4 ，p< 0.001 ） ； 壓力與生命意義感P的交互項能顯著負向預測自我效能感（B=-0.02，S E =0.01，p< 0.01 ） 。

表4：生命意義感P調節自我效能感在壓力與深層勞動之間中介作用的回歸分析

在生命意義感P得分為平均數減一個標准差、平均數以及平均數加一個標准差三個水平時，自我效能感在壓力與深層勞動之間的中介效應值及其95%Bootstrap 置信區間如表5所示。

綜合以上結果，本研究提出的有調節的中介模型得到了支持。 自我效能感 在 壓力與深層勞動之間起中介作用， 而且該中介作用 前 半段 受到生命意義感P的調節。

表5：不同生命意義感P水平時壓力與自我效能感之間的關系

生命意義感P水平中介效應值Boot標准誤Bootstrap下限Bootstrap上限

M-SD-0.09 *** 0.03-0.16-0.04

M-0.13 *** 0.03-0.19-0.08

M+SD-0.17 *** 0.03-0.24-0.11

註： *** p<0.001

進一步採用簡單斜率檢驗來分析生命意義感P在壓力與自我效能感關系中的調節作用。按生命意義感P的平均分加減一個標准差將被試分為高生命意義感P水平組(高於平均數加一個標准差的被試)、低生命意義感P水平組(低於平均數減一個標准差的被試)與中生命意義感P水平組（介於兩組之間的被試）三組，採用分組回歸的方式考察壓力與自我效能感的關系，結果如圖所示： 隨著 生命意義感P水平的升高 ,  壓力 對 自我效能感 的負向預測作用逐漸 變強 (由B=-0.09 , p < 0.001 減弱為B=-0.17,p < 0.001)。

⑹ 操作SPSS時怎麼將變數中心化

有幾種方法，這里介紹最常用的兩種，一種是減去平均值，一種是z分數。
減去平均值：先進行一個description統計，得到描述性統計結果，有平均數和標准差。然後使用compute命令，新建一個變數=原變數-平均數。
z分數，和上面的結果差不多，只不過在新變數的基礎之上除以標准差，得到一個分數。

問題是您的描述：一個變數有多個題項，這究竟是啥意思呢？想不出來。