两个中介变量有相关和调节变量有什么不同

来源：蜘蛛抓取(WebSpider) 时间：2023-12-01 10:30 标签： 两个中介变量有相关
在实证研究中，一篇扎实的学术研究论文不仅需要我们善于利用样本数据进行操作分析，而且还需要我们有较强的能力去解读分析统计量的基本内涵。 一般而言，写好一篇优质的实证研究论文，我们除了要分析和讨论核心主效应“A对B的主效应影响”之外，还可能要进一步推进“进一步分析”（推文导读：为什么要进行“进一步分析”？）中“在C情景下，A对B的影响有什么变化？”，从而相关问题的探讨就会产生调节效应结果的解读和分析。通常来讲，实证研究中的“调节效应”具体表现为因素C在A与B两者之间关系中的调节作用。在数据分析系统中，一般会以交叉项的形式而存在，譬如：在主效应B对A影响下，变量交叉项B×C对A变量的影响分析，即考察C在B和A关系中的调节效应。那么，为什么需要进行调节效应分析呢？（推文导读：实证论文写作中稳健性检验的思路有哪些？）引入调节变量，来考察令人神往的调节效应。一次学术会议的餐桌上，笔者听到一位管理学领域的大佬谈到自己的心得体会，他说“要想发表好的学术期刊文章，在考察A对B影响时，一定需要引入两三个有意思的调节变量，进行调节效应分析！”而且，相信大家在阅读文献时，绝大部分的文献都有自己的调节效应分析章节，通过调节效应分析将自己所考察的问题进一步升华，把所考察的问题分析得更加透彻易懂，让读者更加充分地认识世界。（推文导读：不能总搞“仅B对A的影响研究”的论文了！）显然，调节效应分析，对一篇学术论文而言，是一种“锦上添花”的作用！它能够让你的文章更加充实饱满，欣赏起来让读者有种“赏心悦目”的体会。然而，究竟去如何选择合适的调节变量呢？这实际上是我们研究中的一个难题。不过，根据笔者自己的研究经验，你可以从下面的思路入手：首先，分别从自变量和因变量之间关系入手，掌握两者关系作用机理；其次，在了解两者关系影响机制上，可分别从宏观制度环境、经济发展因素、微观企业（家庭）管理因素，甚至管理人员（家庭成员）个人特质等方面入手，来获取选择调节变量的思路。进一步来说，在选取调节变量和分析数据后，该如何去解读实证研究中的交叉项呢？一般而言，调节效应的解读需要基于主效应的影响关系上，只有知道主效应影响关系系数符号了，我们才能找到调节效应的真正含义。一般而言，结合主效应和调节影响的两者符号，我们可以将调节效应分拆也如下几类，如图（1）所示。图（1）调节效应的四种情景 （1）当主效应中自变量B系数显著为正时：（1-a）如果交叉项B×C的系数为正，这表明调节变量C强化了B对A的影响关系，即可以表达为变量C对B与A间的影响关系具有显著的强化或促进作用，具有显著的正向调节效应；（1-b）如果交叉项B×C的系数为负，这表明调节变量C弱化或抑制了B对A的影响关系，即可以表达为变量C对B与A间的影响关系具有显著的削弱抑制作用，具有显著的负向调节效应。此外，这里有个特殊情况：在（1-b）情景中，如果调节变量C的系数显著为正，我们在分析调节效应时可以表达为：变量B和变量C在影响变量A中具有明显的替代关系，当然这属于（1-b）情景的特殊情况。针对（1-b）这种特殊情况，我们可以给出一个例子：政治联系B对企业获取银行贷款A具有显著的正向促进作用；当在考察调节效应时发现，交叉项政治联系和市场化程度B×C的系数显著为负，且调节变量C系数显著为正，这表明整体而言，市场化程度削弱了政治联系对银行信贷的正向影响，且在市场化程度较低时，政治联系所发挥的积极作用比较明显，但是随着市场化程度的提高，政治联系的积极作用逐渐降低，这表明市场化改革和政治联系两者在企业银行信贷上存在明显的替代关系，即正式制度与非正式制度在经济发展的企业融资中替代关系。（2）当主效应中自变量B系数显著为负时：（2-a）如果交叉项B×C的系数为正，这表明调节变量C削弱了B对A的负向影响关系，即可以表达为变量C对B与A间的影响关系具有显著的削弱或抑制作用；（2-b）如果交叉项B×C的系数为负，这表明调节变量C强化了B对A的负向影响关系，即可以表达为变量C对B与A间的影响关系具有显著的强化或促进作用。此外，这里也有个特殊情况：在（2-a）情景中，如果调节变量C的系数显著为负，我们在分析调节效应时可以表达为：变量B和变量C在影响变量A中具有明显的替代关系，当然这属于（2-a）情景的特殊情况。在这里，我们给予一个案例思路：地方法律环境C与儒家文化B在企业违规行为A中的调节效应，在这里不予以赘述解读。为此，还有一个常见的现象：在未引入调节效应形成的交叉项之前，主效应是显著的，但是一旦将调节变量及其由此形成的交叉项纳入实证分析模型后，主效应变得不显著但交叉项是显著的。记住！！！这个时候分析解读依然是可以按照上述分析表述方式来展开，解读和表达依然以“在未引入调节效应形成的交叉项之前，主效应是显著的”的结论为基础。显然，这是由多重共线性问题导致的，因为交叉项B×C在解释A时也包含了自变量B解释A时的信息，两者之间存在信息解释重复的问题。所以，最后需要注意的是，在推进调节效应检验时，我们的交叉项数据操作需要注意什么细节呢？其中最为关键的是多重共线性问题。（推文导读：实证分析中多重共线性问题）多重共线性问题，是实证分析过程中比较常见的一种实证问题，需要大家引起注意，尤其是遇到调节交叉项时。此时，建议所采用的方法是当存在调节交叉项时，实证分析应对交叉项所采用的子变量分别予以中心化处理，再进行相乘得出交叉项。对于实证论文调节效应，交乘项系数不显著，且主效应有可能发生反转，这是什么缘故？以及如何应对这种情况？在实证研究中，我们常常关注的是A对B影响的两者之间因果关系的研究，并可能地对其两者间关系的作用机制进行阐述和论证。当然，这也是一篇实证研究文章的主线和核心。但是，显然这种教条性的研究思路一眼就就可望穿其中的内容，无法为读者呈现出更为意外的惊喜，从而会导致后续的投稿和审稿困难重重，这也就是为什么很多年轻博士或学者总挂在嘴边说“这个A对B 的影响关系是显然易见的，没有研究价值”。那对于一个意图发表的研究成果而已，该如何去包装这个A对B 的影响关系呢？以此能达到使论文的阅读性和故事性更强，让读者回味无穷。其中，增加调节效应，引入交乘项，是一篇实证论文最为可靠的方案之一。但是，对于实证论文调节效应，在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转，这是什么缘故？以及如何应对这种情况？此时造成上述问题的重要原因可能在于：因为直接生成的交乘项与自变量、调节变量之间存在较强的多重共线性问题，很显然所生成的交乘项中包含了自变量、调节变量的信息。如果在回归分析过程中，直接通过自变量、调节变量来生成交乘项，并纳入多元回归分析中，很可能会产生严重的多重共线性问题。为此，对于上述这种问题，我们在实证分析中对调节效应进行分析之前，有必要进行相应的处理。首先，在确定好调节变量的前提下，有必要对自变量、调节变量进行中心化处理（对应命令：center x1 x2）；然后，根据中心化处理后的自变量、调节变量，进一步生成交乘项（c_x1*c_x2）；最后，在回归分析时，再将自变量、调节变量中心化处理后的对应变量、生成的交乘项，同时纳入多元线性回归中。一般情况下，经过这种处理后，就不会存在“在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转”的问题。此外，对于调节效应分析，有个折中的办法：根据调节变量的中位数来分样本，进而根据这种标准进行样本划分，对总样本进行分样本检验，以比较不同样本下自变量的系数差异，从而辅助调节效应的考察。而且，在某种程度上来讲，这种分样本检验与其所对应的调节效应是等价的，但在实际的系数解读过程中，分样本检验的系数解读与调节效应解读是不一样的。为此，读者如果遇到“在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转”这种实证疑虑，可以考虑是否受到多重共线性问题的，而这种问题是由交乘项生成过程造成的，即可通过中心化来处理。
专栏/自变量、因变量、中介变量、调节(干扰)变量、控制变量2023年03月03日 02:49--浏览 ·
--喜欢 ·
--评论在模型宝库中，一定会探讨到变量与变量之间的关系，这也是所有量化研究最常讨论的议题。因此，在看懂各种模型之前，先依照变量在不同的位置及担任的角色的不同逐一介绍。一般而言，变量可以区分成五种角色，分别是自变量、因变量、中介变量、调节(干扰)变量与控制变量，依次说明如下：1自变量（Independent Variable , IV）在模型中不会受到其他变量所影响的变量，也就是研究者可以操作的变量。2因变量（Dependent Variable , DV）会受到自变量影响的变量，也就是研究者想要预测的结果变量。以下图为例，假如学生越用功，学生的期末成绩越好，则学生用功程度就是自变量，而期末成绩就是因变量。图1 自变量与因变量的关系图在一般的量化研究中，最基本的模型就是许多的自变量与因变量所组成的模型。但是在自变量对因变量的分析中，只告诉我们自变量对因变量会有影响，然而为何会有影响并没有额外的讯息来告知。这时就需要有几个外在的变量来解释了！3中介变量（Mediator , Me）自变量透过一个中介变量影响因变量，而这个变量就称为中介变量。使用的目的上，是为了了解在自变量对因变量影响之中，会不会因为自变量透过某个特定的中介变量而影响因变量。以下图为例，我们认为学生用功程度会影响期末成绩，而学生的用功可以引发学习的兴趣，进而影响期末成绩，则学习兴趣即为在此模型中的中介变量。图2 中介变量关系图4调节(干扰)变量（Moderator , Mo）调节变量又称为干扰变量，是一个外来的变量，而这个外来变量会改变自变量与因变量之间关系的强弱(斜率)，则称这个外来变量为调节变量，而调节变量可以是类别变量(如性别、受教育程度等等)，也可以是连续变量(如年龄、薪资等等)。在使用的目的上，是为了了解自变量对因变量的影响在不同的情况下有何不同。以下图为例，我们认为学生用功程度会影响期末成绩，而学生用功程度与期末成绩之间会因为课外活动的多寡而影响，课外活动越多，可能会降低学生用功与期末成绩之间关系，则课外活动的多寡即为在此模型中的调节变量。图3 调节变量关系图5控制变量（Control Variable , CV）控制变量是除了自变量以外，有可能影响因变量的变量，但这些变量并不是在模型中想要研究的变量。控制变量不会单独存在，它是一个已经被证明对因变量是有影响的变量。在使用的目的上，因为在自变量对因变量的影响中，除了自变量本身以外，尚可能受到其他因素的影响，因此需排除其他可能对因变量造成影响的变量，而单纯的探讨自变量对因变量的影响，使得研究结果更为准确。以下图为例，我们认为学生用功程度会影响期末成绩，但是在期末成绩的变量中，还会因为教师喜欢学生程度的高低而影响学生的期末成绩。此时教师喜欢学生程度的高低就是控制变量。当我们控制了教师喜欢学生程度高低，就可以将这个因素排除，研究结果就能更准确的反应学生用功程度对期末成绩的影响了。图4 控制变量关系图有了对五大变量的了解，相信您在理解各种模型的时候就可以清楚地知道这些变量所扮演的角色与功能了！版权声明：本文摘抄自微信推文，网址 https://mp.weixin.qq.com/s?__biz=MzU4ODY1ODQ2OA==&mid=2247484018&idx=1&sn=aaf04d2c18421c1b8caf3e11142ea18f&chksm=fdd82039caafa92faebf51797d1bc77071032974b8bbfb7cd78c54a3ee93abbeefaf46ed7bb5&scene=27本文禁止转载或摘编------4

我要回帖

更多关于 两个中介变量有相关 的文章

 

随机推荐