spss去中心化公式

⑴ 干货 | 利用SPSS进行高级统计第二期（更新）

Hello，

这里是行上行下，我是喵君姐姐~

在上一期中，我们主要介绍了 如何对数据进行 描述、卡方&T检验、独立样本t检验、相关样本t检验、回归分析 。

在这一期中，我们主要为大家介绍如何利用SPSS进行中介、调节分析以及方差分析。

一、多个变量间关系：中介

（一）回归方程法

1.算三个回归方程

1）自—因

2）自—中

3）自、中—因

2.数据分析

第一个回归， 分析的是自变量对因变量的总体效应。

第二个回归， 是自变量对中介变量的效应

第三个回归， 是自变量、中介变量对因变量的效应

本研究以性格特征为自变量，政治社会现状评价为因变量，时政类信息兴趣程度为中介变量进行中介效应检验。

结果表明，时政类信息兴趣程度在性格特征和政治社会现状评价之间起着中介作用，如图所示。性格特征通过时政类信息兴趣程度的中介作用能够显著正向预测政治社会现状评价，B=0.013，SE=0.002，β=0.123，p<0.001。

参考文献：

温忠麟, & 叶宝娟. (2014). 中介效应分析:方法和模型发展.  心理科学进展 , 022 (005), 731-745.

3.画图注意事项

1）可以在ppt里面画，这样图会更好看也更好编辑~

2）一般都标注标准化系数，同时需要在图中注明

3）一般来说，显著的用实线，不显著的用虚线

（二）Process插件法：Model4

1. 首先是对模型的一个介绍

使用的是model4

因变量、自变量、中介变量分别对应的是什么

样本量多少

2. 以中介变量为被预测变量，自变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著）标准化系数（Standardizedcoefficients） 是β

3. 以因变量为被预测变量，自变量及中介变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著），标准化系数（Standardizedcoefficients） 是β

4.总体效应

以因变量为被预测变量，自变量及中介变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著），标准化系数（Standardizedcoefficients） 是β

5. 接下来是自变量对因变量的总体、直接和间接效应

自变量对因变量的总体效应=自变量为预测变量，因变量为被预测变量回归方程的系数；

自变量对因变量的直接效应=自变量、中介变量为预测变量，因变量为被预测变量回归方程的系数；

自变量对因变量的间接效应=总体效应-直接效应

部分标准化：效应量/Y的标准差

完全标准化：所有变量的标准化

6. 最后是模型及误差的简介

置信区间及bootstrap抽样情况

结果：参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4)，样本量选择5000，在95%置信区间下，其余如上。

参考文献：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

结果解读与一般中介一致。

多重中介的图大概如下：

图x 多重中介效应分析图（上述均为标准化后系数）

三、链式中介

（一）Process插件法：model6

四、调节作用

中心化：原始数据-均值

拆分文件：spilt

（一）线性回归法

1.Spss操作

1）算自变量、调节变量z分数

2）计算自变量与调节变量z分数的交互项（乘积）

3）算回归方程

以因变量为被预测变量，以自变量、调节变量为第一层预测变量，两者交互项为第二层预测变量。

2.Spss结果解读

以性格特征为自变量，谈论频率为调节变量，政治社会现状满意程度为因变量进行调节作用分析，发现性格特征能够显著正向预测政治社会现状满意程度（B=0.02，SE=0.002，β=0.14，p=0.000）；谈论频率能显著负向预测政治社会现状满意程度（B=-0.05，SE=0.026，β=-0.04，p=0.043）；两者交互项不能显著预测政治社会现状满意程度（B=-0.03，SE=0.016，β=-0.05，p=0.825），故性别的调节作用不存在。

3.画交互作用图：对调节变量做高低分组

高分组：平均值+一个标准差

低分组：平均值-一个标准差

高分组：平均值+标准差=3.51

低分组：平均值—标准差=2.02

拆分文件，做回归

再做一次回归，画图即可

Y=常数项+Bx*X+B调节变量*调节变量+B交互项*交互项

（二）Process插件法：model1

1.Spss操作

2.Spss结果解读

模型介绍：

模型：模型一，因变量、自变量、调节变量

样本数量

结果：

基本模型概要：R²、F、p

模型：B、SE、t、p、置信区间

加入交互项的模型概要：ΔR²（R2-chng）、F、p

画图使用的数据：

Q19    Q17      Q8

自变量 调节变量因变量

将标灰色这段复制，粘贴进语法中，运行，出现spss自己画的图，仅供参考。

仍然建议将原始数据放入excel中，自行画图。

五、有调节的中介

（一）线性回归法

算两组交互项 自*调 中*调

1.自、调、自*调—因

2.自、调、自*调—中

3.自、调、自*调、中、中*调—因

（二）Process插件法

操作方式及结果解读与调节、中介一致~

六、方差分析

（一）单因素方差分析【组间实验+单一因变量；进行差异检验】

1.差异检验

1) Spss操作

2) Spss结果

方差齐性结果为显著，说明方差不齐，事后检验看邓肯尼T3的结果；

方差齐性结果为不显著，说明方差齐性，事后检验看其他结果。

对不同来源的问卷进行政治社会满意度的差异检验，结果发现，不同来源的政治社会满意度存在显著差异，F（5，2373）【（组内，组间）】=47.43，p<0.0001，

，具体表现为问卷网（M=3.69，SD=0.81）显著高于新浪微博（M=2.57，SD=1.103）……

2.组间实验

1) Spss操作

为了进行交互作用的事后比较，勾选后选择粘贴，在语法中添加事后比较。

但由于本数据两自变量均为二分变量，因此无法进行事后比较，在此仅进行操作展示

方差不齐，选择修正模型

性别的主效应：结果发现，男性的满意度（M，SD）显著低于女性的满意度（M，SD），F，p，

政治面貌的主效应：与性别一样：结果发现，党员的满意度（M，SD）显著高于非党员的满意度（M，SD），F，p，

交互作用分析：结果发现，对于党员群体来说，男性（M，SD）女性（M，SD）的满意度无显著差异，F，p，

；对于非党员群体来说，男性的满意度（M，SD）显著低于女性（M，SD），F，p，

。

七、多因素方差分析

1. Spss操作

2. spss结果

解读与单因素方差分析一致。

八、重复测量方差分析

1. Spss操作

2. Spss结果

重复测量方差分析的解读与单因素方差分析解读基本一致，但需要注意：

球形检验：显著看多变量检验（multivariatetest），不显著看主体内效应（withinsubject）

九、方差分析小结

方差分析是实验法进行数据分析的重要分析方法，需要根据实验设计及变量情况选择单因素、多变量、重复测量方差分析；最简单的选择方式即为：多个因变量的用多变量；含组内变量的一律选择重复测量方差分析。

在进行数据分析时一定要注意：方差齐性检验、球形检验。

此外，当进行数据解读时，若主效应、交互作用不显著，一般无需进行事后比较。

除了语言描述的方式，直方图是方差分析的常用表达方式，也有简单效应的表达方式（尤其是体现交互作用）

本期的内容就到此结束啦！

本期我们介绍了如何利用SPSS进行中介、调节分析以及方差分析。

在下一期中，我们将继续介绍如何进行EFA分析和CFA分析。

分享完毕，希望有所帮助。

排版：华华

校对：喵君姐姐

⑵ spss 中心化的意义

中心化的目的统一单位也就是统一量纲，因为不同变量之间单位不一样，会造成各种统计量的偏误。

首先计算变量的平均值

这样，对变量进行中心化的工作就完成了。

⑶ spss实现中心化处理、标准化处理和归一化处理

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

一、中心化、标准化、归一化简单描述

意义：数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

原理：

数据标准化：是指数值减去均值，再除以标准差；

数据中心化：是指变量减去它的均值；

归一化：把数变为（0，1）之间的小数。

二、中心化处理

        数据的中心化是指原数据减去该组数据的平均值，经过中心化处理后，原数据的坐标平移至中心点（0,0），该组数据的均值变为0，以此也被称为零均值化。

三、标准化处理

        大型数据分析项目中，数据来源不同，量纲及量纲单位不同，为了让它们具备可比性，需要采用标准化方法消除由此带来的偏差。 原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。这就是数据标准化。

        基本原理：数值减去平均值，再除以其标准差，得到均值为0，标准差为1的服从标准正态分布的数据。

        在SPSS中，使用最多的就是Z-score标准化（0-1标准化）方法，这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1。

四、归一化处理

归一化方法：

把数变为（0，1）之间的小数

主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速

把有量纲表达式变为无量纲表达式，成为纯量。归一化，也算是数据标准化方法之一。常见的计算公式如下，得到新数据范围在[0,1]之间，归一化由此得名。

⑷ spss中，变量去中心化是变量减去该变量的均值，那么zscore又是什么呢

中心化是减去均值，Z分数是再除以标准差，二者都是中心化的方法。

⑸ 干货 | 利用SPSS进行高级统计分析第二期

Hello，

这里是 行上行下 ，我是 喵君姐姐 ~

在上一期中，我们为大家带来了 利用SPSS软件进行高级统计分析的实操教程第一期 ，内容包括： 描述性统计表格模板、卡方&T检验、相关&回归分析 等。

在本期中，我们继续为大家介绍如何利用SPSS进行：中介、多重中介、链式中介、调节分析、有中介的调节分析等。

PS： 后台回复关键词 “高级统计” 即可获得所述的PDF原文啦！

一、中介【报告B，SE，t（df），p），置信区间，画中介效应图】

1.回归方程法

1.1 算三个回归方程

1) 自—因

2) 自—中

3) 自、中—因

1.2 数据分析

2. Process插件法：Model4

部分标准化

效应量/Y的标准差

完全标准化

所有变量的标准化

3. 报告【B、SE、t(df)、P、置信区间+图（标准化系数）】

本研究采用软件SPSS 24.0 中文版进行采集录入和统计分析实验数据。中介效应检验：参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4)，样本量选择5000，在95%置信区间下。

为了探讨MIL和FCI的关系中是否存在PA的中介作用，本研究以MIL得分为自变量，FCI得分为因变量，PA得分为中介变量进行中介效应检验。结果表明，PA在MIL和FCI之间起着中介作用。

MIL对PA有显著的预测作用（B=0.24，SE=0.07，t（98）=3.55，p < 0.001），置信区间（LLCT = 0.10，ULCT =0.37）不包含0； 中介检验的结果不包含0（ LLCT = 0.07 , ULCT = 0.37） ，表明 P A 的中介效应显著（中介效应大小为0.22，S E =0.08） ，中介效应如图所示。

参考文献：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、链式中介

1. Process插件法：model6

中心化：原始数据-均值

拆分文件：spilt

四、调节【报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图】

1. 线性回归法

1.1 S pss操作

1）算z分数

2）算交互项

3）算回归方程

1.2  S pss结果解读

1.3  画交互作用图：对调节变量做高低分组

高分组：平均值+标准差=6.12

低分组：平均值—标准差=3.68

1.4 拆分文件，做回归

1.5 再做一次回归，画图

2. Process插件法：model1

2.1 S pss操作

2.2 S pss结果解读

2.3 报告

利用Process model 1 (Hayes，2018)探讨生命意义感P、社会支持以及二者的交互作用与工作倦怠的关系。

结果表明， 生命意义感P (B = -0.46， t = -1.35， p = 0.18 )、 社会支持 (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 ) 对工作倦怠的作用 均不显著 （如表3所示），简单斜率分析图如图2所示。

图 2简单斜率效应分析图

五、有调节的中介【报告B、SE、β、p、95%CI+画回归表+交互作用图】

1.线性回归法

1.1 算两组交互项 自*调 中*调

1) 自、调、自*调—因

2) 自、调、自*调—中

3) 自、调、自*调、中、中*调—因

1.2 报告

接下来验证有调节的中介作用，以压力为自变量，生命意义感P为调节变量，自我效能感为中介变量，深层劳动为因变量为例。

根据温忠麟和叶宝娟(2014)的观点，检验有调节的中介模型需要对三个回归方程的参数进行检验：(1)方程1 估计调节变量(生命意义感P)对自变量(压力)与因变量(深层劳动)之间关系的调节效应; (2)方程2 估计调节变量(生命意义感P)对自变量(压力)与中介变量(自我效能感)之间关系的调节效应; (3)方程3 估计调节变量(生命意义感P)对中介变量(自我效能感)与因变量(深层劳动)之间关系的调节效应以及自变量(压力)对因变量(深层劳动)残余效应的调节效应。

根据Muller, Judd 和Yzerbyt (2005)的观点, 如果模型满足以下两个条件则说明有调节的中介效应存在：(1)方程1 中, 压力的总效应显著, 且该效应的大小不取决于生命意义感P; (2)方程2 和方程3 中, 压力对自我效能感的效应显著, 生命意义感P与自我效能感对深层劳动的交互效应显著, 和/或压力与生命意义感P对自我效能感的交互效应显著, 自我效能感对深层劳动的效应显著，本研究中有调节的中介模型检验结果见表2、图3。

由表2、图1可见，方程1 中压力负向预测深层劳动（β=-0.37，p<0.001），压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.23，p<0.001）。

方程2 和方程3 中，压力与生命意义感P的交互项对自我效能感的预测效应显著（β=-0.18，p<0.01）；压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.18，p<0.01）；同时自我效能感对深层劳动的预测效应显著（β=0.53，p<0.001）。

这表明， 压力、生命意义感P、自我效能感和深层劳动四者之间构成了有调节的中介效应模型 ， 自我效能感在压力与深层劳动之间具有中介作用 ， 生命意义感P 在 压力与深层劳动、压力与自我效能感间起调节作用 。

表2 压力对深层劳动有调节的中介效应检验（以生命意义感P为调节变量、自我效能感为中介变量）

图 3压力对深层劳动有调节的中介效应图（中介变量为自我效能感，调节变量为生命意义感P）

参考文献：

温忠麟, & 叶宝娟. (2014). 中介效应分析:方法和模型发展.  心理科学进展,   022 (005), 731-745.

由于生命意义感P在压力与深层劳动、压力与自我效能感间起调节作用，因此需要进一步检验简单效应以明确生命意义感P调节作用。

首先将生命意义感P按照正负一个标准差分成高、低组, 采用简单斜率检验考察在生命意义感P不同水平上压力对深层劳动、压力对自我效能感的影响，相应的简单效应分析见图5、图6。

图5结果表明，对于 生命意义感P 较 高 的个体 来说，压力能负向预测深层劳动（ B= -0.44， SE = 0.13，  p <0.01 ） ；而对于生命意义感P较低的个体来说，压力不能显著预测深层劳动（B =0.09, SE = 0.11,p = 0.45），即 比起低压力情景，高生命意义感P的个体在高压情景下，会有更少的深层劳动。

图 5生命意义感P对压力与深层劳动之间的关系调节作用

图6结果表明，对于生命意义感P较低的个体来说，压力不能预测自我效能感（B = -0.19，SE =0.13，p =0.17）；而对于 生命意义感P较高的个体来说 ， 压力能负向预测深层劳动（ B =-0.45 ， SE = 0.13 ， p  <0.01） ；即比起低压力情景时， 高生命意义感P的个体在高压情景下自我效能感更低。

图 6生命意义感P对压力与自我效能感之间的关系调节作用

2.  Process插件法

2.1 调节前半路径：model7

1)Spss操作

2) Spss结果解读

2.2 调节后半路径：model14

1) Spss操作

2)Spss结果解读

2.3 探索前后：model57

2.4 报告

使用Hayes (2019)的SPSS 宏程序PROCESS（Model7），分析自我效能感在压力与深层劳动之间的中介作用（前半段）是否受生命意义感P的调节。

结果表明（如表4所示）： 自我效能感显著正向预测深层劳动（B= 0.37 ，S E =0.0 4 ，p< 0.001 ） ； 压力与生命意义感P的交互项能显著负向预测自我效能感（B=-0.02，S E =0.01，p< 0.01 ） 。

表4：生命意义感P调节自我效能感在压力与深层劳动之间中介作用的回归分析

在生命意义感P得分为平均数减一个标准差、平均数以及平均数加一个标准差三个水平时，自我效能感在压力与深层劳动之间的中介效应值及其95%Bootstrap 置信区间如表5所示。

综合以上结果，本研究提出的有调节的中介模型得到了支持。 自我效能感 在 压力与深层劳动之间起中介作用， 而且该中介作用 前 半段 受到生命意义感P的调节。

表5：不同生命意义感P水平时压力与自我效能感之间的关系

生命意义感P水平中介效应值Boot标准误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

注： *** p<0.001

进一步采用简单斜率检验来分析生命意义感P在压力与自我效能感关系中的调节作用。按生命意义感P的平均分加减一个标准差将被试分为高生命意义感P水平组(高于平均数加一个标准差的被试)、低生命意义感P水平组(低于平均数减一个标准差的被试)与中生命意义感P水平组（介于两组之间的被试）三组，采用分组回归的方式考察压力与自我效能感的关系，结果如图所示： 随着 生命意义感P水平的升高 ,  压力 对 自我效能感 的负向预测作用逐渐 变强 (由B=-0.09 , p < 0.001 减弱为B=-0.17,p < 0.001)。

⑹ 操作SPSS时怎么将变量中心化

有几种方法，这里介绍最常用的两种，一种是减去平均值，一种是z分数。
减去平均值：先进行一个description统计，得到描述性统计结果，有平均数和标准差。然后使用compute命令，新建一个变量=原变量-平均数。
z分数，和上面的结果差不多，只不过在新变量的基础之上除以标准差，得到一个分数。

问题是您的描述：一个变量有多个题项，这究竟是啥意思呢？想不出来。