A. 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。
B. 有關實證分析中「調節」變數（效應）的一些細節解讀
調節變數 的一個主要作用是為現有的理論劃出限制條件和適用范圍。研究調節變數時，我們正是通過研究一組關系在不同條件下的變化及其背後的原因，來豐富我們原有的理論的。
這里的「不同條件」就是理論的適用范圍和假設。所以，調節變數能夠幫助我們發展已有的理論，使理論對變數間關系的解釋更為精細。
什麼是調節變數？
簡單來說，如果變數X與變數Y有關系，但是X與Y的關系受第三個變數Z的影響，那麼變數Z就是調節變數。調節變數所起的作用稱為調節作用。
我們以zhou等（2017）的研究為例。這個研究以中國企業為樣本，探討了新興市場中企業的所有權類型通過研發投入水平進而對創新產生影響的過程，以及對這個關系產生影響的幾個主要情景因素。
研究模型中有一部分探討的是企業所有權類型對企業研發投入的影響以及制度發展水平對這個關系的調節作用。如下圖所示，「制度發展水平」有一個箭頭指向「企業所有權類型」影響「企業研發投入」的箭頭（註：這個調節變數既不是指向「企業所有權類型」，也不是指向「企業研發投入」，而是指向兩者的關系。）
這就是調節變數一般的圖表表達方式。調節變數影響自變數和因變數之間的關系，既可以是對關系方向的影響，又可以是對關系強度的影響。在組織研究中，調節變數既可以是類別變數（如性別、種族、教育水平等），也可以是連續變數（如工資水平、智力等）
顯然，調節變數的概念是建立在另外兩個變數的關系之上的。如果沒有兩個變數的關系作為前提，也就不必討論第三個變數的「調節作用」了。
調節效應的三種類型：
加強型(strengthening):指的是隨著調節變數Z的值的增加，X—Y的正向或負向的關系被強化。
削弱型（weakening)：指的是隨著調節變數Z的值的增加，X—Y的正向或負向的關系被弱化。
顛覆型（reversing)：指的是隨著調節變數Z的值的增加，X—Y的關系從正向轉為負向，或者從負向轉化為正向。
研究中注意事項：
關於研究假設的文字表述。研究假設的提出應該盡量准確，我們不應該籠統的假設「Z在X與Y的關系中起到了調節作用」，而應該具體說明Z是如何調節X和Y的關系中。
例如：當變數Z高的時候，變數X會變數Y有正面的影響；當變數Z低的時候，變數X會變數Y有負面的影響。
到了這里，想必大家對調節變數的相關知識有了一定的認識了吧！
首先，調節作用和交互作用在統計上地檢驗方法相同，但兩者在概念上是不同的。
1.交互作用
兩個變數（X1和X2）共同作用時對Y的影響不等於兩者分別影響Y的簡單數學和。
2.調節作用
一個變數X1影響了另一個變數X2對Y的影響。
其次，在調節作用和交互作用的分析中，關於變數地位的不同。
1.交互作用
在交互作用的分析中，兩個自變數的地位可以是對稱的，可以把其中任何一個解釋為調節變數；它們的地位也可以是不對稱的，只要其中有一個起到了調節變數的作用，交互作用就存在。
2.調節作用
在調節作用中，哪個是自變數，哪個是調節變數是很明確的，是由理論基礎決定的，在一個確定的模型中兩者不能互換。
讀到這里，相信大家已經能夠很好的區分調節作用和交互作用了
用回歸法檢驗調節作用
1.用虛擬變數代表類別變數
如果自變數或調節變數中有一個是類別變數，那麼第一步首先就是將類別變數轉換為虛擬變數(mmy variable)。所需的虛擬變數的數目等於類別變數的水平個數減1。
2.對連續變數進行中心化或者標准化
用回歸的方法檢驗調節變數的一個重要步驟就是把自變數和調節變數中的連續變數進行整理。
3.構造乘積項
構造乘積變數時，只需要把經過編碼或者中心化（或標准化）處理以後的自變數和調節變數相乘即可。
4.構造方程
構造乘積項之後，把自變數、因變數和乘積項都放到多元層級回歸方程中就可以檢驗調節作用了。這時，乘積項的系數如果顯著，就可以說明調節作用存在了。
5.調節作用的分析和解釋
當檢驗中發現一個顯著的調節作用存在時，下一個重要的步驟就是分析它的作用模式。
C. stata如何去中心化後寫交互
調節效應。
你應該是第一張放兩個變數，第二張放3個變數，選擇的回歸方法是enter(進入)。但是spss不是按照你的順序去放變數，而是把你所選的所有變數都加到模型裡面去，在進行第一個回歸的時候把多出來的變數排除，所以會有這個表格出現。如果不想出現這個表格，你就分兩次做回歸，第一次放中心D中心H，出了結果再放中心D中心H D乘H，分兩次做就不會有了。
D. stata調節變數去中心化處理後還是不顯著怎麼辦
安裝CENTER。
控制變數用來在多元回歸分析中緩解混雜變數對因果效應估計的干擾。我們不需要過多的擔心「控制變數的系數變化並沒有預期的跡象」。因為在實際操作中控制變數的估計總是可能會產生偏差。相反，研究人員應該更加專注於解釋主要變數的邊際效應。相比之下，控制變數幾乎沒有實質性意義，我們可以放心地省略或只在附錄中討論。這樣不僅會有效阻止研究人員從控制變數中得出錯誤的因果結論，而且還簡化實證研究論文的討論部分，並節省寶貴的資源用來討論主要變數的經濟效果。
E. 調節變數是類別變數需要中心化嗎
1、因變數不需要做中心化轉換； 2、第一步是自變數進入回歸方程；第二步是自變數和調節變數一起進入；第三步是自變數、調節變數、交互項一起進入；
F. 如何分析調節作用
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。比如學習方案對學習效果的影響，其中會受到學生個性的影響，一種指導方案對一類學生有效，對另一類學生無效。此時我們就稱學生個性是調節變數。
在調節作用中，Y一定是定量數據，而調節變數可以是定性的，也可以是定量的。
因此根據自變數和調節變數的數據類型，可以將調節作用分為四種，分別是：
*定量數據與定類數據的區分： 基本概念
其中，當自變數X和調節變數均為定類數據時，使用【進階方法】中的【雙因素方差】進行分析。當交互項有顯著性時，則說明具有調節效應。
另外三種情況直接使用【問卷研究】-【調節作用】進行分析。
兩種方法的分析步驟基本一致，本文主要針對調節作用這一方法進行詳細說明。
案例：研究工作氛圍在工作滿意度對工作績效的影響中，是否具有調節作用。
（1）操作步驟
SPSSAU默認為自變數、調節變數均為定量數據，如果是定類數據可通過選擇參數設置『調節作用類型』即可。
在本例中，自變數和調節變數均為定量數據，因此以默認參數進行分析即可。數據處理方式選擇-中心化。
如果有多個自變數或多個調節變數，則重復多次分析。
（2）結果分析
上表是對變數處理進行說明，如果自變數和調節變數是定量數據，默認做中心化處理，如果是定類數據，做啞變數處理。因變數和控制變數一般不作處理。
上表是本次分析的核心部分，表中實際上包含了三個模型：
模型1 中包括自變數(X)，以及控制變數；分析自變數X對於因變數Y的影響情況。
模型2 在模型1的基礎上加入調節變數(Z)；
模型3 在模型2的基礎上加入交互項(自變數與調節變數的乘積項)。
（3）判斷方法
調節作用研究並不要求自變數對因變數一定有影響，即使X對Y沒有影響也可進行調節作用研究。
判斷是否具有調節作用，有兩種檢驗方法：
①△R²顯著性：
R² 變化顯著的判斷，是看△F 值是否呈現出顯著性，如果模型2到模型3的F值變化呈現出顯著性，則說明 R² 變化顯著，交互項有顯著性。
但此種檢驗的問題在於，如果自變數或者調節變數為定類數據，無法檢測具體哪個選項情況下呈現出調節作用。
②交互項顯著性：
即直接查看交互項的顯著性，判斷是否存在調節作用。
同時可結合智能分析對結果進行描述。
由分析結果和智能分析可知，交互項的回歸系數顯著，說明工作氛圍對工作滿意度與工作績效的關系起到了調節作用。
（4）簡單斜率圖
當調節變數呈現出顯著性，可進一步查看簡單斜率圖。SPSSAU會自動畫出簡單斜率圖，不需要額外設置。
簡單斜率圖展示調節變數Z在不同水平時，X對於Y的影響幅度差異情況。
斜率呈現出不同的水平，則代表調節變數在不同水平下，自變數x對因變數y的影響幅度有顯著差異。
比如上圖中可以看出工作滿意度（X）與工作績效（Y）之間有著正向相關關系，高水平時斜率明顯較大，而低水平時斜率明顯較小。也說明隨著工作氛圍的提升，工作滿意度對工作績效的影響幅度提高。
當調節作用兩種檢驗方法出現矛盾SPSSAU建議以交互項顯著性作為標准即可。
如果有多個自變數X，或者多個調節變數Z需要分析，可考慮使用進階方法裡面的分層回歸一次性研究。
如果對統計分析有興趣或疑問，歡迎查閱 SPSSAU 的提供的學習資料。
G. 數據，交互變數一定要去中心化嗎
不一定，中心化處理只不過是為了方便解釋而已，並不影響各項回歸系數。（南心網 調節效應中心化處理）
H. excel中如何進行去中心化
在excel中進行兩個步驟即可
1）第一步計算平均值
2）第二步做減法
所謂中心化， 是指變數減去它的均值（即數學期望值）。對於樣本數據，將一個變數的每個觀測值減去該變數的樣本平均值，變換後的變數就是中心化的。