干货 | 利用SPSS进行高级统计分析第二期

1 中介【报告B，SE，t（df），p），置信区间，画中介效应图】
2 多重中介
3 链式中介
4 调节【报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图】
5 有调节的中介【报告B、SE、β、p、95%CI+画回归表+交互作用图】

Hello，
这里是行上行下，我是喵君姐姐~

在本期中，我们继续为大家介绍如何利用SPSS进行：中介、多重中介、链式中介、调节分析、有中介的调节分析等。

原文链接：
https://mp.weixin.qq.com/s?__biz=MzI0MTQxNDE5NA==&mid=2247506738&idx=1&sn=d42066a3790dfdf3bcaed1fc3369cf7f&chksm=e909626fde7eeb79e5c16c68db88ce2362b74664867cd64ba25d01592c0f4d8089f5ddff8981&scene=21#wechat_redirect

1 中介【报告B，SE，t（df），p），置信区间，画中介效应图】

1.回归方程法

1.1 算三个回归方程

自—因
自—中
自、中—因

1.2 数据分析

2. Process插件法：Model4

部分标准化
效应量/Y的标准差
完全标准化
所有变量的标准化

3. 报告【B、SE、t(df)、P、置信区间+图（标准化系数）】
本研究采用软件SPSS 24.0 中文版进行采集录入和统计分析实验数据。中介效应检验：参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4)，样本量选择5000，在95%置信区间下。

为了探讨MIL和FCI的关系中是否存在PA的中介作用，本研究以MIL得分为自变量，FCI得分为因变量，PA得分为中介变量进行中介效应检验。结果表明，PA在MIL和FCI之间起着中介作用。

MIL对PA有显著的预测作用（B=0.24，SE=0.07，t（98）=3.55，p < 0.001），置信区间（LLCT = 0.10，ULCT =0.37）不包含0；中介检验的结果不包含0（LLCT =0.07, ULCT =0.37），表明PA的中介效应显著（中介效应大小为0.22，SE=0.08），中介效应如图所示。

参考文献：Preacher, K. J. , & Hayes, A. F. . (2004). Spss and sas procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments & Computers, 36(4), p.717-731.

2 多重中介

1. Process插件法：model4

3 链式中介

1. Process插件法：model6

中心化：原始数据-均值
拆分文件：spilt

4 调节【报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图】

1. 线性回归法

1.1 Spss操作

1）算z分数

2）算交互项

3）算回归方程

1.2 Spss结果解读

1.3 画交互作用图：对调节变量做高低分组

高分组：平均值+标准差=6.12
低分组：平均值—标准差=3.68

1.4 拆分文件，做回归

1.5 再做一次回归，画图

2. Process插件法：model1

2.1 Spss操作

2.2 Spss结果解读

2.3 报告

利用Process model 1 (Hayes，2018)探讨生命意义感P、社会支持以及二者的交互作用与工作倦怠的关系。

结果表明，生命意义感P(B =-0.46，t =-1.35，p =0.18)、社会支持(B =-0.19，t =-0.55，p =0.58)以及二者交互作用(B =0.05，t =0.83，p=0.41)对工作倦怠的作用均不显著（如表3所示），简单斜率分析图如图2所示。

5 有调节的中介【报告B、SE、β、p、95%CI+画回归表+交互作用图】

1.线性回归法

1.1 算两组交互项自调中调

自、调、自*调—因
自、调、自*调—中
自、调、自*调、中、中*调—因

1.2 报告

接下来验证有调节的中介作用，以压力为自变量，生命意义感P为调节变量，自我效能感为中介变量，深层劳动为因变量为例。

根据温忠麟和叶宝娟(2014)的观点，检验有调节的中介模型需要对三个回归方程的参数进行检验：(1)方程1 估计调节变量(生命意义感P)对自变量(压力)与因变量(深层劳动)之间关系的调节效应; (2)方程2 估计调节变量(生命意义感P)对自变量(压力)与中介变量(自我效能感)之间关系的调节效应; (3)方程3 估计调节变量(生命意义感P)对中介变量(自我效能感)与因变量(深层劳动)之间关系的调节效应以及自变量(压力)对因变量(深层劳动)残余效应的调节效应。

根据Muller, Judd 和Yzerbyt (2005)的观点, 如果模型满足以下两个条件则说明有调节的中介效应存在：(1)方程1 中, 压力的总效应显著, 且该效应的大小不取决于生命意义感P; (2)方程2 和方程3 中, 压力对自我效能感的效应显著, 生命意义感P与自我效能感对深层劳动的交互效应显著, 和/或压力与生命意义感P对自我效能感的交互效应显著, 自我效能感对深层劳动的效应显著，本研究中有调节的中介模型检验结果见表2、图3。

由表2、图1可见，方程1 中压力负向预测深层劳动（β=-0.37，p<0.001），压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.23，p<0.001）。

方程2 和方程3 中，压力与生命意义感P的交互项对自我效能感的预测效应显著（β=-0.18，p<0.01）；压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.18，p<0.01）；同时自我效能感对深层劳动的预测效应显著（β=0.53，p<0.001）。

这表明，压力、生命意义感P、自我效能感和深层劳动四者之间构成了有调节的中介效应模型，自我效能感在压力与深层劳动之间具有中介作用，生命意义感P在压力与深层劳动、压力与自我效能感间起调节作用。

参考文献：
温忠麟, & 叶宝娟. (2014). 中介效应分析:方法和模型发展. 心理科学进展, 022(005), 731-745.

由于生命意义感P在压力与深层劳动、压力与自我效能感间起调节作用，因此需要进一步检验简单效应以明确生命意义感P调节作用。

首先将生命意义感P按照正负一个标准差分成高、低组, 采用简单斜率检验考察在生命意义感P不同水平上压力对深层劳动、压力对自我效能感的影响，相应的简单效应分析见图5、图6。

图5结果表明，对于生命意义感P较高的个体来说，压力能负向预测深层劳动（B=-0.44，SE =0.13， p <0.01）；而对于生命意义感P较低的个体来说，压力不能显著预测深层劳动（B =0.09, SE = 0.11,p = 0.45），即比起低压力情景，高生命意义感P的个体在高压情景下，会有更少的深层劳动。

图6结果表明，对于生命意义感P较低的个体来说，压力不能预测自我效能感（B = -0.19，SE =0.13，p =0.17）；而对于生命意义感P较高的个体来说，压力能负向预测深层劳动（B =-0.45，SE = 0.13，p <0.01）；即比起低压力情景时，高生命意义感P的个体在高压情景下自我效能感更低。

2) Spss结果解读

2.2 调节后半路径：model14

1）Spss操作

2）Spss结果解读

2.3 探索前后：model57

2.4 报告

使用 Hayes (2019)的SPSS 宏程序PROCESS（Model7），分析自我效能感在压力与深层劳动之间的中介作用（前半段）是否受生命意义感P的调节。

结果表明（如表4所示）：自我效能感显著正向预测深层劳动（B=0.37，SE=0.04，p<0.001）；压力与生命意义感P的交互项能显著负向预测自我效能感（B=-0.02，SE=0.01，p<0.01）。

在生命意义感P得分为平均数减一个标准差、平均数以及平均数加一个标准差三个水平时，自我效能感在压力与深层劳动之间的中介效应值及其95%Bootstrap 置信区间如表5所示。

综合以上结果，本研究提出的有调节的中介模型得到了支持。自我效能感在压力与深层劳动之间起中介作用，而且该中介作用前半段受到生命意义感P的调节。

进一步采用简单斜率检验来分析生命意义感P在压力与自我效能感关系中的调节作用。按生命意义感P的平均分加减一个标准差将被试分为高生命意义感P水平组(高于平均数加一个标准差的被试)、低生命意义感P水平组(低于平均数减一个标准差的被试)与中生命意义感P水平组（介于两组之间的被试）三组，采用分组回归的方式考察压力与自我效能感的关系，结果如图所示：随着生命意义感P水平的升高, 压力对自我效能感的负向预测作用逐渐变强 (由B=-0.09, p < 0.001 减弱为B=-0.17,p < 0.001)。

3. Mplus

3.1 Mplus输入语法

DATA:FILE IS DATA.dat; !原始数据
VARIABLE:NAMES ARE X W M Y XW MW;!数据中变量的命名USEVARIABLES = W M X Y XW MW; !使用的变量有哪些？ANALYSIS: Bootstrap=2000; !Bootstrap法抽样1000次MODEL:Y on M (b1)X W XWMW (b2); !做因变量Y对M、X、W、XW、MW的回归，将Y对M MW的回归系数命名为b1、b2M on X (a1)WXW (a3);!做中介变量M对X、W、XW的回归，将M对X XW的回归系数命名为a1、a3
MODEL CONSTRAINT:
new(H1-H3);
H1=a3*b1;!中介效应值 a3 b1的估计
H2=a3*b2;!中介效应值 a3 b2的估计
H3=a1*b2;!中介效应值 a1 b2的估计
OUTPUT:cinterval (bcbootstrap) STDYX;!输出偏差校正的百分位Bootstrap 计算中介效应

3.2 Mplus输出语法

3.3 报告

根据温忠麟和叶宝娟(2014)的建议, 使用Mplus进行有调节的中介效应检验，采用偏差校正的百分位Bootstrap 法抽取1000个Bootstrap 样本检验有调节的中介效应。

结果发现，模型与数据拟合良好(χ2/df=0.41, RMSEA=0.00, RMSEA90% CI =0.00~0.15, CFI=1.00, TLI = 1.02, SRMR =0.01)。

同时有调节的中介效应检验结果表明（如图）：压力能够显著预测深层劳动（B=-0.10，SE=0.04,β=-0.17，p<0.01，95%CI=[-0.17，-0.03]）、自我效能感(B=-0.34，SE=0.06，β=-0.39，p<0.001，95%CI=[-0.47，-0.23])；自我效能感显著预测深层劳动（B=0.35，SE=0.05,β=0.53，p<0.001，95%CI=[0.26，0.44]），说明自我效能感的中介效应显著；压力与生命意义感P的交互项不能显著预测深层劳动（B=-0.46，SE=0.30,β=-0.18，p=0.16，95%CI=[ -0.77，0.25]）；自我效能感与生命意义感P的交互项未显著预测深层劳动（B=-0.30，SE=0.30,β=-0.08，p=0.32，95%CI=[ -0.87，0.26]），压力与生命意义感P的交互项能显著预测自我效能感（B=-0.71，SE=0.25,β=-0.18，p<0.05，95%CI=[ -1.10，-0.07]），说明生命意义感P能够调节压力与自我效能感的关系。

本期的内容就到此结束啦！

在本期中，我们为大家介绍了如何利用SPSS进行中介分析、调节分析、有中介的调节分析。在下一期中，我们继续为大家介绍方差分析，以及EEA、CFA分析。

获取更多相关资料欢迎关注我们哟~

我们下期再见！

干货 | 利用SPSS进行高级统计分析第二期相关推荐

干货 | 利用SPSS进行高级统计分析第一期
干货 | 利用SPSS进行高级统计分析第一期 1 描述性统计表格模板 2 两者之间有无显著差异:卡方&T检验 3 相关&回归 Hello, 这里是行上行下,我是喵君姐姐~ 你是否还在为 ...
干货 | 利用SPSS进行高级统计分析第三期
干货 | 利用SPSS进行高级统计分析第三期 1. 单因素方差分析[组间实验+单一因变量:进行差异检验] 2. 多因素方差分析 Hello, 这里是行上行下,我是喵君姐姐~ 在本期中,我们继续为大家介 ...
spss相关性分析看结果_利用spss做Pearson相关性分析步骤详解
有蛮多的学生私信老徐问如何利用spss做相关性分析,其实相关性分析应该是spss分析中较为基础的一个功能应用,很多学生可能是因为跨专业或者对统计软件了解较少,在没有经过系统学习的前提下,感觉云里雾里. ...
坎蒂雷赋权法 matlab,干货 | 利用MATLAB实现FMCW雷达中的常用角度估计方法
其中在介绍角度估计中,通过对接收差频信号在快慢时间维度的扩展,增加了空域的信息.扩展后的接收差频信号可以表示为其中k表示接收天线的个数,d为天线间距. 在"干货|利用MATLAB实现FMC ...
利用python查询电脑配置_干货|利用Python将地址转换为经纬度坐标
本文主要讲述利用Python将文本格式的地址转换为数字格式的经纬度坐标数据,主要步骤有: 注册高德地图API账号,申请Web服务的Key 了解并测试地理编码API服务利用Python实现地址转坐标 ...
ks检验与s-w 检验_简单的方法教会你，利用SPSS对数据进行正态性检验
导读当我们应用统计方法对数据进行分析时,会发现很多方法都要求数据服从正态分布或近似服从正态分布,例如t检验.方差分析.线性回归等,所以对数据进行正态性检验是很有必要的,这节就介绍一下如何用SPSS对 ...
【SPSS】利用spss进行图斑数据统计
利用spss进行图斑数据统计由于excel有行数限制,xls最多只能满足最大行数是65536行,最大列数是256列. ArcGIS中直接导出只能选择xls,想要使用Excel进行统计,必须先把数据表 ...
基于spss的多元统计分析之单/双因素方差分析多元回归分析（1/8）
实验目的: 1．掌握单样本t检验.两样本t检验.配对样本t检验.单因素方差分析.多元回归分析的基本原理: 2．熟悉掌握SPSS软件或者R软件关于单因素.多因素方差分析.多元回归分析的基本操作: 3．利 ...
干货|利用Python自动根据数据生成降雨量统计分析报告
话不多说先看看需求吧: 主要就是要根据左侧的表格自动生成右侧的Word统计报告,实际的各种可能性情况远比图中展示的要更加复杂. 好了,直接开始干代码吧! 数据读取 import pandas as p ...
spss 22 0统计分析从入门到精通_「转需」20+统计分析软件使用工具包，一次全搞定...
数据越来越多,使用统计软件对数据进行处理不失为一个减少工作量的好办法.在学习统计时,又怎么能少的了各种分析数据的助手呢?情报站为大家准备了常用统计软件使用工具包,各项常用统计软件课程一次全到手!(领取 ...

干货 | 利用SPSS进行高级统计分析第二期

干货 | 利用SPSS进行高级统计分析第二期

1 中介【报告B，SE，t（df），p），置信区间，画中介效应图】

2 多重中介

3 链式中介

4 调节【报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图】

5 有调节的中介【报告B、SE、β、p、95%CI+画回归表+交互作用图】

干货 | 利用SPSS进行高级统计分析第二期相关推荐

最新文章

热门文章