有調節的中介效應去中心化

『壹』 如何用SPSS做中介效應與調節效應

調節變數可以是定性的，也可以是定量的。在做調節效應分析時,通常要將自變數和調節變數做中心化變換。簡要模型：Y = aX + bM + cXM + e 。Y 與X 的關系由回歸系數a + cM 來刻畫,它是M 的線性函數, c 衡量了調節效應(moderating effect) 的大小。如果c 顯著，說明M 的調節效應顯著。 2、調節效應的分析方法 顯變數的調節效應分析方法：分為四種情況討論。當自變數是類別變數，調節變數也是類別變數時，用兩因素交互效應的方差分析，交互效應即調節效應；調節變數是連續變數時，自變數使用偽變數,將自變數和調節變數中心化,做 Y=aX+bM+cXM+e 的層次回歸分析：1、做Y對X和M 的回歸,得測定系數R1 2 。2、做Y對X、M 和XM 的回歸得R2 2 ，若R2 2 顯著高於R1 2 ，則調節效應顯著。或者, 作XM 的回歸系數檢驗,若顯著,則調節效應顯著；當自變數是連續變數時，調節變數是類別變數，分組回歸:按 M 的取值分組,做 Y 對 X 的回歸。若回歸系數的差異顯著,則調節效應顯著，調節變數是連續變數時，同上做Y=aX +bM +cXM +e 的層次回歸分析。 潛變數的調節效應分析方法：分兩種情形：一是調節變數是類別變數,自變數是潛變數；二是調節變數和自變數都是潛變數。當調節變數是類別變數時,做分組結構 方程分析。做法是,先將兩組的結構方程回歸系數限制為相等,得到一個χ 2 值和相應的自由度。然後去掉這個限制,重新估計模型,又得到一個χ 2 值和相應的自 由度。前面的χ 2 減去後面的χ 2 得到一個新的χ 2,其自由度就是兩個模型的自由度之差。如果χ 2 檢驗結果是統計顯著的,則調節效應顯著；當調節變數和自變 量都是潛變數時，有許多不同的分析方法，最方便的是Marsh,Wen 和Hau 提出的無約束的模型。 3．中介變數的定義 自變數X 對因變數Y 的影響,如果X 通過影響變數M 來影響Y,則稱M 為中介變數。 Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c 是X 對Y 的總效應,ab 是經過中介變數M 的中介效應,c′是直接效應。當只有一個中介變數時,效應之間有 c=c′+ab，中介效應的大小用c-c′=ab 來衡量。 4、中介效應分析方法 中介效應是間接效應,無論變數是否涉及潛變數,都可以用結構方程模型分析中介效應。步驟為：第一步檢驗系統c，如果c 不顯著，Y 與X 相關不顯著，停止中介 效應分析，如果顯著進行第二步；第二步一次檢驗a，b，如果都顯著，那麼檢驗c′，c′顯著中介效應顯著，c′不顯著則完全中介效應顯著；如果a，b至少 有一個不顯著，做Sobel 檢驗，顯著則中介效應顯著，不顯著則中介效應不顯著。Sobel 檢驗的統計量是z=^a^b/sab ，中 ^a, ^b 分別是 a, b 的估計, sab=^a2sb2 +b2sa2, sa,sb 分別是 ^a, ^b 的標准誤。 5. 調節變數與中介變數的比較 調節變數M 中介變數M 研究目的 X 何時影響Y 或何時影響較大 X 如何影響Y 關聯概念 調節效應、交互效應 中介效應、間接效應 什麼情況下考慮 X 對Y 的影響時強時弱 X 對Y 的影響較強且穩定 典型模型 Y=aM+bM+cXM+e M=aX+e2 Y=c′X+bM+e3 模型中M 的位置 X,M 在Y 前面,M 可以在X 前面 M 在X 之後、Y 之前 M 的功能 影響Y 和X 之間關系的方向(正或負) 和強弱 代表一種機制,X 通過它影響Y M 與X、Y 的關系 M 與X、Y 的相關可以顯著或不顯著(後者較理想) M 與X、Y 的相關都顯著 效應 回歸系數c 回歸系數乘積ab 效應估計 ^c ^a^b 效應檢驗 c 是否等於零 ab 是否等於零 檢驗策略 做層次回歸分析,檢驗偏回歸系數c 的顯著性(t 檢驗);或者檢驗測定系數的變化(F 檢驗) 做依次檢驗,必要時做 Sobel 檢驗 6. 中介效應與調節效應的SPSS 操作方法 處理數據的方法 第一做描述性統計，包括M SD 和內部一致性信度a（用分析里的scale 里的 realibility analsys） 第二將所有變數做相關，包括統計學變數和假設的X，Y，M 第三做回歸分析。（在回歸中選線性回歸linear） 要先將自變數和M 中心化，即減去各自的平均數 1、現將M（調節變數或者中介變數）、Y 因變數，以及與自變數、因變數、M 調節變數其中任何一個變數相關的人口學變數輸入indpendent 2、再按next 將X 自變數輸入（中介變數到此為止） 3、要做調節變數分析，還要將X與M 的乘機在next 里輸入作進一步回歸。檢驗主要看F 是否顯著

『貳』 去中心化的數據怎麼調節

從設置調節， 「去中心化」是一種現象或結構，其只能出現在擁有眾多用戶或眾多節點的系統中，每個用戶都可連接並影響其他節點。通俗的講，就是每個人都是中心，每個人都可以連接並影響其他節點，這種扁平化、開源化、平等化的現象或結構，稱之為「去中心化」。

同時「去中心化」是區塊鏈的典型特徵之一，其使用分布儲存和算力，整個網路節點的權力和義務相同，系統中數據本質為全網節點共同維護，從而區塊鏈不再依靠於中央處理節點，實現數據的分布式存儲、記錄與更新。而每個區塊鏈都遵循統一規則，該規則基於密碼演算法而不是信用證書，且數據更新過程都需用戶批准，由此奠定區塊鏈不需要中介與信任機構背書。區塊鏈是分布式數據存儲、點對點傳輸、共識機制、加密演算法等計算機技術的新型應用模式。 區塊鏈（Blockchain），是比特幣的一個重要概念，它本質上是一個去中心化的資料庫，同時作為比特幣的底層技術，是一串使用密碼學方法相關聯產生的數據塊，每一個數據塊中包含了一批次比特幣網路交易的信息，用於驗證其信息的有效性（防偽）和生成下一個區塊。 比特幣白皮書英文原版[1]其實並未出現 blockchain 一詞，而是使用的 chain of blocks。最早的比特幣白皮書中文翻譯版[2]中，將 chain of blocks 翻譯成了區塊鏈。這是「區塊鏈」這一中文詞最早的出現時間。

『叄』 中介效應、調節效應是什麼

在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？

那麼閑話少敘下面就來為大家一一講解。

中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。

中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。

調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。

中介作用的分析較為復雜，共分為以下三個步驟：

中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。

檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。

中介作用共分為3個模型。 針對上圖，需要說明如下：

模型1： 自變數X和因變數（Y）的回歸分析

模型2： 自變數X，中介變數(M)和因變數（Y）的回歸分析

模型3： 自變數X和中介變數（M）的回歸分析

模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。

在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：

第1步是 數據標准化處理 （對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）

第2步和第3步是 進行分層回歸 完成（分層1放入X，分層2放入M）

第4步單獨進行模型3，即 X對M的影響 （使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）

最後第5步進行 中介作用檢驗 。

檢驗圖如下：

a代表X對M的回歸系數；

b代表M對Y的回歸系數；

c代表X對Y的回歸系數（模型1中）；

c』代表X對Y的回歸系數（模型3中）。

用戶可直接按照上圖流程在 SPSSAU 中進行分析，生成結果。具體分析步驟可參考鏈接頁面： SPSS在線_SPSSAU_中介作用

調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。

調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：

1、如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）

2、如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）

3、對X或者Z進行標准化處理，也可以進行中心化處理均可

4、Y並不需要進行標准化或者中心化處理（處理也可以）

5、交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化

6、R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著

7、R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。

用戶判斷好數據類型後，直接按照上圖流程，在 SPSSAU 中進行數據處理及分析即可。具體分析流程可參考鏈接頁面： SPSS在線_SPSSAU_調節作用

『肆』 SPSS進行中介效應分析用標准化和中心化的區別

1、中介效應分析不需要數據中心化和標准化；
2、強行中心化或中心化，只有非標准化系數不一樣，標准化系是一樣的。

（南心 提供）

『伍』 做調節效應分析一定要把自變數和調節變數做去中心化處理嗎

不一定，中心化處理只不過是為了能夠方便解釋而已，並不會影響各項回歸系數。

數據中心化和標准化在回歸分析中是取消由於量綱不同、自身變異或者是數值相差較大所引起的誤差。數據中心化指的就是變數減去它的均值。數據標准化指的就是數值減去均值，再除以標准差。通過中心化和標准化處理，能夠得到均值為0，標准差為1的服從標准正態分布的數據。在一些實際問題當中，我們得到的樣本數據都是多個維度的，也就是一個樣本是用多個特徵來表徵的。很顯然，這些特徵的量綱和數值得量級都是不一樣的，而通過標准化的處理，可以使得不同的特徵具有相同的尺度(Scale)。這樣，在學習參數的時候，不同特徵對參數的影響程度就一樣了。簡而言之，當原始數據不同維度上的特徵的尺度(單位)不一致的時候，需要標准化步驟對數據進行預處理。數據預處理，一般有數據歸一化、標准化以及去中心化。歸一化：是將數據映射到[01]或[-11]區間范圍內，不同特徵的量綱不同，值范圍大小不同，存在奇異值，對訓練有影響。標准化：是將數據映射到滿足標准正態分布的范圍內，使數據滿足均值是0標准差是1。標准化同樣可以消除不同特徵的量綱。去中心化：就是使數據滿足均值為0，但是對標准差沒有要求。如果對數據的范圍沒有限定要求，則選擇標准化進行數據預處理；如果要求數據在某個范圍內取值，則採用歸一化；如果數據不存在極端的極大極小值時，採用歸一化；如果數據存在較多的異常值和噪音，採用標准化。

『陸』 做調節中介效應時，SPSSAU會自動將自變數和調節變數中心化處理嗎

SPSSAU默認是不會進行中心化處理，數據處理裡面的生成變數功能可以進行中心化處理。