有调节的中介效应去中心化

『壹』 如何用SPSS做中介效应与调节效应

调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y 与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c 衡量了调节效应(moderating effect) 的大小。如果c 显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M 的回归,得测定系数R1 2 。2、做Y对X、M 和XM 的回归得R2 2 ，若R2 2 显著高于R1 2 ，则调节效应显著。或者, 作XM 的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按 M 的取值分组,做 Y 对 X 的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e 的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构 方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ 2 值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ 2 值和相应的自 由度。前面的χ 2 减去后面的χ 2 得到一个新的χ 2,其自由度就是两个模型的自由度之差。如果χ 2 检验结果是统计显著的,则调节效应显著；当调节变量和自变 量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen 和Hau 提出的无约束的模型。 3．中介变量的定义 自变量X 对因变量Y 的影响,如果X 通过影响变量M 来影响Y,则称M 为中介变量。 Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c 是X 对Y 的总效应,ab 是经过中介变量M 的中介效应,c′是直接效应。当只有一个中介变量时,效应之间有 c=c′+ab，中介效应的大小用c-c′=ab 来衡量。 4、中介效应分析方法 中介效应是间接效应,无论变量是否涉及潜变量,都可以用结构方程模型分析中介效应。步骤为：第一步检验系统c，如果c 不显著，Y 与X 相关不显著，停止中介 效应分析，如果显著进行第二步；第二步一次检验a，b，如果都显著，那么检验c′，c′显著中介效应显著，c′不显著则完全中介效应显著；如果a，b至少 有一个不显著，做Sobel 检验，显著则中介效应显著，不显著则中介效应不显著。Sobel 检验的统计量是z=^a^b/sab ，中 ^a, ^b 分别是 a, b 的估计, sab=^a2sb2 +b2sa2, sa,sb 分别是 ^a, ^b 的标准误。 5. 调节变量与中介变量的比较 调节变量M 中介变量M 研究目的 X 何时影响Y 或何时影响较大 X 如何影响Y 关联概念 调节效应、交互效应 中介效应、间接效应 什么情况下考虑 X 对Y 的影响时强时弱 X 对Y 的影响较强且稳定 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 之后、Y 之前 M 的功能 影响Y 和X 之间关系的方向(正或负) 和强弱 代表一种机制,X 通过它影响Y M 与X、Y 的关系 M 与X、Y 的相关可以显著或不显著(后者较理想) M 与X、Y 的相关都显著 效应 回归系数c 回归系数乘积ab 效应估计 ^c ^a^b 效应检验 c 是否等于零 ab 是否等于零 检验策略 做层次回归分析,检验偏回归系数c 的显著性(t 检验);或者检验测定系数的变化(F 检验) 做依次检验,必要时做 Sobel 检验 6. 中介效应与调节效应的SPSS 操作方法 处理数据的方法 第一做描述性统计，包括M SD 和内部一致性信度a（用分析里的scale 里的 realibility analsys） 第二将所有变量做相关，包括统计学变量和假设的X，Y，M 第三做回归分析。（在回归中选线性回归linear） 要先将自变量和M 中心化，即减去各自的平均数 1、现将M（调节变量或者中介变量）、Y 因变量，以及与自变量、因变量、M 调节变量其中任何一个变量相关的人口学变量输入indpendent 2、再按next 将X 自变量输入（中介变量到此为止） 3、要做调节变量分析，还要将X与M 的乘机在next 里输入作进一步回归。检验主要看F 是否显著

『贰』 去中心化的数据怎么调节

从设置调节， “去中心化”是一种现象或结构，其只能出现在拥有众多用户或众多节点的系统中，每个用户都可连接并影响其他节点。通俗的讲，就是每个人都是中心，每个人都可以连接并影响其他节点，这种扁平化、开源化、平等化的现象或结构，称之为“去中心化”。

同时“去中心化”是区块链的典型特征之一，其使用分布储存和算力，整个网络节点的权力和义务相同，系统中数据本质为全网节点共同维护，从而区块链不再依靠于中央处理节点，实现数据的分布式存储、记录与更新。而每个区块链都遵循统一规则，该规则基于密码算法而不是信用证书，且数据更新过程都需用户批准，由此奠定区块链不需要中介与信任机构背书。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。 区块链（Blockchain），是比特币的一个重要概念，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。 比特币白皮书英文原版[1]其实并未出现 blockchain 一词，而是使用的 chain of blocks。最早的比特币白皮书中文翻译版[2]中，将 chain of blocks 翻译成了区块链。这是“区块链”这一中文词最早的出现时间。

『叁』 中介效应、调节效应是什么

在当前学术研究中，会经常遇到中介作用和调节作用，但很多小伙伴还搞不清楚什么是中介效应、什么是调节效应？以及如何区分两者？

那么闲话少叙下面就来为大家一一讲解。

中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。

中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。

调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度 是否有着明显的不一样。

中介作用的分析较为复杂，共分为以下三个步骤：

中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。

检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。

中介作用共分为3个模型。 针对上图，需要说明如下：

模型1： 自变量X和因变量（Y）的回归分析

模型2： 自变量X，中介变量(M)和因变量（Y）的回归分析

模型3： 自变量X和中介变量（M）的回归分析

模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。

在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：

第1步是 数据标准化处理 （对X,M,Y需要分别进行标准化处理，有时也使用中心化处理）（SPSSAU用户使用“生成变量”功能）

第2步和第3步是 进行分层回归 完成（分层1放入X，分层2放入M）

第4步单独进行模型3，即 X对M的影响 （使用回归分析或分层回归均可，分层回归只有分层1时事实上就是回归分析）

最后第5步进行 中介作用检验 。

检验图如下：

a代表X对M的回归系数；

b代表M对Y的回归系数；

c代表X对Y的回归系数（模型1中）；

c’代表X对Y的回归系数（模型3中）。

用户可直接按照上图流程在 SPSSAU 中进行分析，生成结果。具体分析步骤可参考链接页面： SPSS在线_SPSSAU_中介作用

调节作用在进行具体研究时需要对应使用研究方法去实现；调节作用分析时，Y一定是定量数据。通常情况下X均为定量数据（比如开车速度），调节变量Z可以为分类数据（比如是否喝酒），也可以是定量数据（比如喝酒多少）。

调节作用通常是使用分层回归进行研究，如果X和Z均为分类数据，则使用多因素方差分析（通常是双因素方差分析）进行研究。针对上图，需要说明如下：

1、如果X或者Z也或者Y由多项表示，通常需要先计算对应项的平均值生成得到新列（SPSSAU生成变量功能）

2、如果X或者Z是分类数据，并且使用分层回归，则需要对X进行虚拟变量处理（哑变量处理）

3、对X或者Z进行标准化处理，也可以进行中心化处理均可

4、Y并不需要进行标准化或者中心化处理（处理也可以）

5、交互项是指两项相乘的意思，记住交互项不能再次进行标准化或中心化

6、R平方变化显著的判断，是看△F 值是否呈现出显著性，如果显著则说明R平方变化显著

7、R平方变化显著，正常情况下交互项也会出现显著。如果说R平方变化显著，但交互项并不显著，建议以没有调节作用作为最终结论；如果交互项显著，R平方变化显著，建议以有调节作用作为最终结论。

用户判断好数据类型后，直接按照上图流程，在 SPSSAU 中进行数据处理及分析即可。具体分析流程可参考链接页面： SPSS在线_SPSSAU_调节作用

『肆』 SPSS进行中介效应分析用标准化和中心化的区别

1、中介效应分析不需要数据中心化和标准化；
2、强行中心化或中心化，只有非标准化系数不一样，标准化系是一样的。

（南心 提供）

『伍』 做调节效应分析一定要把自变量和调节变量做去中心化处理吗

不一定，中心化处理只不过是为了能够方便解释而已，并不会影响各项回归系数。

数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者是数值相差较大所引起的误差。数据中心化指的就是变量减去它的均值。数据标准化指的就是数值减去均值，再除以标准差。通过中心化和标准化处理，能够得到均值为0，标准差为1的服从标准正态分布的数据。在一些实际问题当中，我们得到的样本数据都是多个维度的，也就是一个样本是用多个特征来表征的。很显然，这些特征的量纲和数值得量级都是不一样的，而通过标准化的处理，可以使得不同的特征具有相同的尺度(Scale)。这样，在学习参数的时候，不同特征对参数的影响程度就一样了。简而言之，当原始数据不同维度上的特征的尺度(单位)不一致的时候，需要标准化步骤对数据进行预处理。数据预处理，一般有数据归一化、标准化以及去中心化。归一化：是将数据映射到[01]或[-11]区间范围内，不同特征的量纲不同，值范围大小不同，存在奇异值，对训练有影响。标准化：是将数据映射到满足标准正态分布的范围内，使数据满足均值是0标准差是1。标准化同样可以消除不同特征的量纲。去中心化：就是使数据满足均值为0，但是对标准差没有要求。如果对数据的范围没有限定要求，则选择标准化进行数据预处理；如果要求数据在某个范围内取值，则采用归一化；如果数据不存在极端的极大极小值时，采用归一化；如果数据存在较多的异常值和噪音，采用标准化。

『陆』 做调节中介效应时，SPSSAU会自动将自变量和调节变量中心化处理吗

SPSSAU默认是不会进行中心化处理，数据处理里面的生成变量功能可以进行中心化处理。