自变量和调节变量如何去中心化

A. 求助：调节变量是虚拟变量，这个虚拟变量也需要中心

操作方法如下：
1.自变量可以不用设置成虚拟变量
2.首先看看结果，如果不是很理想，可以试试中心化。

B. 有关实证分析中“调节”变量（效应）的一些细节解读

调节变量 的一个主要作用是为现有的理论划出限制条件和适用范围。研究调节变量时，我们正是通过研究一组关系在不同条件下的变化及其背后的原因，来丰富我们原有的理论的。

这里的“不同条件”就是理论的适用范围和假设。所以，调节变量能够帮助我们发展已有的理论，使理论对变量间关系的解释更为精细。

什么是调节变量？

简单来说，如果变量X与变量Y有关系，但是X与Y的关系受第三个变量Z的影响，那么变量Z就是调节变量。调节变量所起的作用称为调节作用。

我们以zhou等（2017）的研究为例。这个研究以中国企业为样本，探讨了新兴市场中企业的所有权类型通过研发投入水平进而对创新产生影响的过程，以及对这个关系产生影响的几个主要情景因素。

研究模型中有一部分探讨的是企业所有权类型对企业研发投入的影响以及制度发展水平对这个关系的调节作用。如下图所示，“制度发展水平”有一个箭头指向“企业所有权类型”影响“企业研发投入”的箭头（注：这个调节变量既不是指向“企业所有权类型”，也不是指向“企业研发投入”，而是指向两者的关系。）

这就是调节变量一般的图表表达方式。调节变量影响自变量和因变量之间的关系，既可以是对关系方向的影响，又可以是对关系强度的影响。在组织研究中，调节变量既可以是类别变量（如性别、种族、教育水平等），也可以是连续变量（如工资水平、智力等）

显然，调节变量的概念是建立在另外两个变量的关系之上的。如果没有两个变量的关系作为前提，也就不必讨论第三个变量的“调节作用”了。

调节效应的三种类型：

加强型(strengthening):指的是随着调节变量Z的值的增加，X—Y的正向或负向的关系被强化。

削弱型（weakening)：指的是随着调节变量Z的值的增加，X—Y的正向或负向的关系被弱化。

颠覆型（reversing)：指的是随着调节变量Z的值的增加，X—Y的关系从正向转为负向，或者从负向转化为正向。

研究中注意事项：

关于研究假设的文字表述。研究假设的提出应该尽量准确，我们不应该笼统的假设“Z在X与Y的关系中起到了调节作用”，而应该具体说明Z是如何调节X和Y的关系中。

例如：当变量Z高的时候，变量X会变量Y有正面的影响；当变量Z低的时候，变量X会变量Y有负面的影响。

到了这里，想必大家对调节变量的相关知识有了一定的认识了吧！

首先，调节作用和交互作用在统计上地检验方法相同，但两者在概念上是不同的。

1.交互作用

两个变量（X1和X2）共同作用时对Y的影响不等于两者分别影响Y的简单数学和。

2.调节作用

一个变量X1影响了另一个变量X2对Y的影响。

其次，在调节作用和交互作用的分析中，关于变量地位的不同。

1.交互作用

在交互作用的分析中，两个自变量的地位可以是对称的，可以把其中任何一个解释为调节变量；它们的地位也可以是不对称的，只要其中有一个起到了调节变量的作用，交互作用就存在。

2.调节作用

在调节作用中，哪个是自变量，哪个是调节变量是很明确的，是由理论基础决定的，在一个确定的模型中两者不能互换。

读到这里，相信大家已经能够很好的区分调节作用和交互作用了

用回归法检验调节作用

1.用虚拟变量代表类别变量

如果自变量或调节变量中有一个是类别变量，那么第一步首先就是将类别变量转换为虚拟变量(mmy variable)。所需的虚拟变量的数目等于类别变量的水平个数减1。

2.对连续变量进行中心化或者标准化

用回归的方法检验调节变量的一个重要步骤就是把自变量和调节变量中的连续变量进行整理。

3.构造乘积项

构造乘积变量时，只需要把经过编码或者中心化（或标准化）处理以后的自变量和调节变量相乘即可。

4.构造方程

构造乘积项之后，把自变量、因变量和乘积项都放到多元层级回归方程中就可以检验调节作用了。这时，乘积项的系数如果显著，就可以说明调节作用存在了。

5.调节作用的分析和解释

当检验中发现一个显著的调节作用存在时，下一个重要的步骤就是分析它的作用模式。

C. 怎么进行去中心化处理

根据侯杰泰的话：所谓中心化， 是指变量减去它的均值（即数学期望值）。对于样本数据，将一个变量的每个观测值减去该变量的样本平均值，变换后的变量就是中心化的。
对于你的问题，应是每个测量值减去均值。

D. 如何分析调节作用

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。比如学习方案对学习效果的影响，其中会受到学生个性的影响，一种指导方案对一类学生有效，对另一类学生无效。此时我们就称学生个性是调节变量。

 

在调节作用中，Y一定是定量数据，而调节变量可以是定性的，也可以是定量的。

因此根据自变量和调节变量的数据类型，可以将调节作用分为四种，分别是：

*定量数据与定类数据的区分： 基本概念

其中，当自变量X和调节变量均为定类数据时，使用【进阶方法】中的【双因素方差】进行分析。当交互项有显著性时，则说明具有调节效应。

另外三种情况直接使用【问卷研究】-【调节作用】进行分析。

两种方法的分析步骤基本一致，本文主要针对调节作用这一方法进行详细说明。

案例：研究工作氛围在工作满意度对工作绩效的影响中，是否具有调节作用。

 

（1）操作步骤

SPSSAU默认为自变量、调节变量均为定量数据，如果是定类数据可通过选择参数设置‘调节作用类型’即可。

在本例中，自变量和调节变量均为定量数据，因此以默认参数进行分析即可。数据处理方式选择-中心化。

如果有多个自变量或多个调节变量，则重复多次分析。

（2）结果分析

上表是对变量处理进行说明，如果自变量和调节变量是定量数据，默认做中心化处理，如果是定类数据，做哑变量处理。因变量和控制变量一般不作处理。

上表是本次分析的核心部分，表中实际上包含了三个模型：

模型1 中包括自变量(X)，以及控制变量；分析自变量X对于因变量Y的影响情况。

模型2 在模型1的基础上加入调节变量(Z)；

模型3 在模型2的基础上加入交互项(自变量与调节变量的乘积项)。

（3）判断方法

调节作用研究并不要求自变量对因变量一定有影响，即使X对Y没有影响也可进行调节作用研究。

判断是否具有调节作用，有两种检验方法：

①△R²显著性：

R² 变化显著的判断，是看△F 值是否呈现出显著性，如果模型2到模型3的F值变化呈现出显著性，则说明 R² 变化显著，交互项有显著性。

但此种检验的问题在于，如果自变量或者调节变量为定类数据，无法检测具体哪个选项情况下呈现出调节作用。

②交互项显著性：

即直接查看交互项的显著性，判断是否存在调节作用。

同时可结合智能分析对结果进行描述。

由分析结果和智能分析可知，交互项的回归系数显著，说明工作氛围对工作满意度与工作绩效的关系起到了调节作用。

（4）简单斜率图

当调节变量呈现出显著性，可进一步查看简单斜率图。SPSSAU会自动画出简单斜率图，不需要额外设置。

简单斜率图展示调节变量Z在不同水平时，X对于Y的影响幅度差异情况。

斜率呈现出不同的水平，则代表调节变量在不同水平下，自变量x对因变量y的影响幅度有显著差异。

比如上图中可以看出工作满意度（X）与工作绩效（Y）之间有着正向相关关系，高水平时斜率明显较大，而低水平时斜率明显较小。也说明随着工作氛围的提升，工作满意度对工作绩效的影响幅度提高。

 

当调节作用两种检验方法出现矛盾SPSSAU建议以交互项显著性作为标准即可。

如果有多个自变量X，或者多个调节变量Z需要分析，可考虑使用进阶方法里面的分层回归一次性研究。

如果对统计分析有兴趣或疑问，欢迎查阅 SPSSAU 的提供的学习资料。

E. 自变量与调节变量都是分类变量时怎么分析调节效应

根据自变量和调节变量的数据类型，可以分为以下四种情况：

F. stata调节变量去中心化处理后还是不显著怎么办

安装CENTER。
控制变量用来在多元回归分析中缓解混杂变量对因果效应估计的干扰。我们不需要过多的担心「控制变量的系数变化并没有预期的迹象」。因为在实际操作中控制变量的估计总是可能会产生偏差。相反，研究人员应该更加专注于解释主要变量的边际效应。相比之下，控制变量几乎没有实质性意义，我们可以放心地省略或只在附录中讨论。这样不仅会有效阻止研究人员从控制变量中得出错误的因果结论，而且还简化实证研究论文的讨论部分，并节省宝贵的资源用来讨论主要变量的经济效果。

G. 如何做SPSS的调节效应

做SPSS的调节效应方法：

1. 用回归，回归也有两种方法来检验调节效应，看下面的两个方程，y是因变量，x是自变量，m是调节变量，mx是调节变量和自变量的交互项，系数是a b c c'。检验两个方程的R方该变量，如果该变量显著，说明调节作用显著，也可以直接检验c'的显著性，如果显著也可以说明调节作用。