付費限定

使用PROCESS macro for SPSS 進行調節式中介分析(moderated mediation)

更新於 發佈於 閱讀時間約 3 分鐘

PROCESS macro for SPSS 可以用非常簡單方式進中介模式。本文將介紹四種類型的變項,並解釋調節式中介的公式,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~

程度不夠的讀者,推薦先閱讀下面的文章:

在SPSS安裝PROCESS macro

使用PROCESS macro for SPSS 進行中介模式分析

使用PROCESS macro for SPSS 進行調節模式分析

本文將先簡單介紹四種類型的變項

之後範例中,X代表自變項,Y代表依變項,M代表中介變項,W代表調節變項,Z代表另一個調節變項

自變量(Independent Variable)是指在研究中可以被操縱和改變的變量,並用於預測或解釋另一個變量(依變量)的值。可以通過統計分析和實驗設計等方法來評估自變量對依變量的影響。

依變量(Dependent Variable)是指在研究中需要被解釋或被預測的變量,並受到自變量的影響。依變量通常是研究中的主要關注點,可以是各種各樣的,如心理健康、學習成績、消費行為等。

中介變量(Mediating Variable)是指影響自變量與依變量之間關係的變項。自變項主要透過中介變項來影響依變項。也就是說中介變項是自變項和依變項之間的橋樑。舉例來說,學習方式對學習成績的影響,其中學習方式是自變量(X),學習成績是依變量(Y),而學習時間是中介變量(M),學習方式主要透過學習時間影響成績,如果今天學生都不花時間學習,那擁有很好的學習方式也對成績沒有幫助。

調節變量(Moderating Variable)指的是一種影響自變量對依變項的關聯強度的變項。舉例來說,性別(W)可能是運動時間(X)和肌肉量(Y)的調節變項,因為女生比較不容易長肌肉,所以運動時間和肌肉量的關聯不明顯,但如果是男生的話,運動時間和肌肉量的關聯就很明顯。

調節式中介公式解釋

示例 A :X對Y直接影響受到W調節

如下圖所示 在該模型中,存在 X 通過 M 對 Y 的單一間接影響,以及作為第四個變量 W ,其調節X對Y的直接影響。統計圖表示兩個方程式,一個用於依變項 M,一個用於依變項 Y,如下:

M = iM + aX + eM
Y = iY + c′1X + c′2W + c′3XW + bM + eY

在依變項 Y的方程式中,把X移位,可以改寫成

Y = iY + (c′1+ c′3W)X + c′2W + bM + eY

其中 X 對 Y 的直接影響受到W調節,所以X對Y的係數為c′1(主要效果)+ c′3W(交互作用)。Simple slopes analysis時, PROCESS 會把W帶進代表高/中/低程度的數值,看X 對 Y係數的變化。

raw-image



以行動支持創作者!付費即可解鎖
本篇內容共 10159 字、2 則留言,僅發佈於統計分析 × 學術生涯你目前無法檢視以下內容,可能因為尚未登入,或沒有該房間的查看權限。
留言
avatar-img
留言分享你的想法!
方信淵-avatar-img
2023/06/01
請教您,您在Process操作中的報表解讀,提到「A2對A5的非標準化係數為3.1214(p<.001)...」,其中的A5是正確的?還是這裡應該說的是A4?不知道是不是可以請您解惑。
Dr. Rover-avatar-img
發文者
2023/06/01
方信淵 您好,A4是依變項,所以對的,已經修改,感謝提醒
avatar-img
教育心理博士的筆記本
244會員
139內容數
文章內容以圖像式和步驟化方式,教您如何在各種統計軟體中(例如:SPSS、R和Mplus),執行多種統計方法。此外,我還會分享一些學術和科技新知,幫助您在學術之路上走得更順利。
2024/11/28
以前,若多因子的變異數分析的變異數同異質性假設未通過,那麼變異數分析的F值就會有所誤差,也沒有適當的無母數統計可以替代。最近,有學者提倡Welch-James統計量,這種方法相較於傳統的方差分析更具有穩健性,並且同樣可以檢驗因子主效應和交互作用。通過一些實際案例,我們展示瞭如何在R語言中使用本方法。
Thumbnail
2024/11/28
以前,若多因子的變異數分析的變異數同異質性假設未通過,那麼變異數分析的F值就會有所誤差,也沒有適當的無母數統計可以替代。最近,有學者提倡Welch-James統計量,這種方法相較於傳統的方差分析更具有穩健性,並且同樣可以檢驗因子主效應和交互作用。通過一些實際案例,我們展示瞭如何在R語言中使用本方法。
Thumbnail
2024/05/01
高低分組,顧名思義,就是把考生的成績分成兩組:表現最好的一組和表現最差的一組。依據Kelley(1939),通常前27%的考生是高分組,後27%的考生是低分組。如果高分組和低分組的表現差異很大,那麼說明這題題目鑑別度高,能有效區分不同程度的考生。
Thumbnail
2024/05/01
高低分組,顧名思義,就是把考生的成績分成兩組:表現最好的一組和表現最差的一組。依據Kelley(1939),通常前27%的考生是高分組,後27%的考生是低分組。如果高分組和低分組的表現差異很大,那麼說明這題題目鑑別度高,能有效區分不同程度的考生。
Thumbnail
2023/11/23
Groupmean centering是一種常用的資料預處理方法,特別是多層次分析,若要使用Rights & Sterba (2019)(2019) 發展出R2 (R&S),要對需要將層次1的變項和交互作用都 Groupmean centering。本文介紹使用R和SPSS操作方法
Thumbnail
2023/11/23
Groupmean centering是一種常用的資料預處理方法,特別是多層次分析,若要使用Rights & Sterba (2019)(2019) 發展出R2 (R&S),要對需要將層次1的變項和交互作用都 Groupmean centering。本文介紹使用R和SPSS操作方法
Thumbnail
看更多
你可能也想看
Thumbnail
家中修繕或裝潢想要找各種小零件時,直接上網採買可以省去不少煩惱~看看Sylvia這回為了工地買了些什麼吧~
Thumbnail
家中修繕或裝潢想要找各種小零件時,直接上網採買可以省去不少煩惱~看看Sylvia這回為了工地買了些什麼吧~
Thumbnail
👜簡單生活,從整理包包開始!我的三款愛用包+隨身小物清單開箱,一起來看看我每天都帶些什麼吧🌿✨
Thumbnail
👜簡單生活,從整理包包開始!我的三款愛用包+隨身小物清單開箱,一起來看看我每天都帶些什麼吧🌿✨
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
接續第三章內容,有時候多層次資料不只一個層次,可能具有多種層次,例如:學生屬於某個學校,而學校又屬於某個縣市。本章主要說明三層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解三層次之隨機截距斜率模型概念和操作。
Thumbnail
接續第三章內容,有時候多層次資料不只一個層次,可能具有多種層次,例如:學生屬於某個學校,而學校又屬於某個縣市。本章主要說明三層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解三層次之隨機截距斜率模型概念和操作。
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式學會調節中介模式。本文將介紹四種類型的變項,並解釋調節式中介的公式,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式學會調節中介模式。本文將介紹四種類型的變項,並解釋調節式中介的公式,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式使用調節分析。本文將介紹三種類型的變項,還有如何操作最4.2版本的PROCESS macro for SPSS進行調節模式。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式使用調節分析。本文將介紹三種類型的變項,還有如何操作最4.2版本的PROCESS macro for SPSS進行調節模式。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式進中介模式。本文將介紹三種類型的變項,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式進中介模式。本文將介紹三種類型的變項,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
當與實驗設計結合使用時,MANOVA和ANOVA分析都特別有用; 也就是說,研究設計中研究人員直接控製或操縱一個或多個自變量以確定對因變量的影響。MANOVA比ANOVAE更好的地方在於同時考量多個依變項;MANCOVA比ANCOVA更好的地方在控制控制變項後,同時考量多個依變項。本文將參考Hair
Thumbnail
當與實驗設計結合使用時,MANOVA和ANOVA分析都特別有用; 也就是說,研究設計中研究人員直接控製或操縱一個或多個自變量以確定對因變量的影響。MANOVA比ANOVAE更好的地方在於同時考量多個依變項;MANCOVA比ANCOVA更好的地方在控制控制變項後,同時考量多個依變項。本文將參考Hair
Thumbnail
「共變異數分析 (ANCOVA)」程序會比較一個連續應變數在兩個以上因素變數之間的平均數,並判定共變量的效應以及共變量與因素之間的交互作用。可以在控制共變數分析,可以調查因素之間的交互作用、以及主要效果。ANCOVA通常用於研究中,研究者希望控制控制變項探的情況下,檢驗一個或多個自變量對依變項。
Thumbnail
「共變異數分析 (ANCOVA)」程序會比較一個連續應變數在兩個以上因素變數之間的平均數,並判定共變量的效應以及共變量與因素之間的交互作用。可以在控制共變數分析,可以調查因素之間的交互作用、以及主要效果。ANCOVA通常用於研究中,研究者希望控制控制變項探的情況下,檢驗一個或多個自變量對依變項。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News