前情复习第二大种情况，Y为潜变量时候，这时候回归啥的传统方法是救不了的，只能用SEM这时候分析的思路还是和第一大种情况一样，我们根据数据的类型选择不同的统计分析方法，X和Y都是潜变量，类型是大前提，没有选择咯。所以这里只有2种情况，一种是：M是观察变量(case1)，M又分为分类资料(case1.1)，或者是连续资料(case1.2)；

另一种情况：M也是潜变量(case2)所以我们，也是按照刚才的情况分为三个case来写。Case1 M是观察变量这里给大家介绍一下楼主一篇论文里面用的模型，整合的技术接受模型，见下图，我红色框起来的地方就是M，调节变量或者叫干扰变量。红色大框里面，显然，性别和年龄是分类资料，经验和使用的自愿性是连续变量。so，来吧，我们分情况讨论。case1.1 M为分类资料这里的时候，其实本质上变成了SEM多群组分析及检验。

这里虽然是为了检验干扰是否存在，其实进行多群组分析是SEM分析中很大的一章。

歪个楼补充一下多群组分析关心的5个核心议题：(1)组合特别测量工具的题项在跨不同总体中是否具有等同性，测量模型的组群不变性。

(2)跨群体的单一工具或理论构念等同的因素结构，构念效度(construct validity)的验证。

(3)界定因果结构的特定路径是否具有跨总体等同性存在。

(4)假设模型内特定构念的潜在平均数是否具有跨总群体效度。

(5)在相同的总体中，测量工具的因素结构在不同独立总体中是否可以再制，测量工具稳定性的分析。这里显然我们应用的是群组分析的第3个功能，在于检验模型是否具有跨群组效度，整体模型是否与群组相匹适。理论依据就是多群组分析模型是在探究群组变量(通常是间断变量)是否具有调节理论模型的功能，若是模型可以被接受，表示模型具有跨群组效度(cross-validity)。

AMOS操作原理：采用Amos群组分析，检定两群之间的结构系数、共变异数及衡量负荷量是否有所差异，结果若达显著，表示有差异，则干扰效果存在。

AMOS实操

第一步 进行分组

①设立分组

单击红色框起来的group number1--键入male--点击new--再键入female--点击close

最后的效果见下下下图②导入数据

导入男性--点击grouping variable--选择性别--OK--选择group value--选择1--OK

导入女性--点击female那一栏-导入数据，按照male的步骤把group variable和group value选进去

完整录入结果见第三张图第二步 标明要检验的系数

为了大家看得清楚一点，我把模型画下来，这是我为了方便演示假定的一个模型，里面的话性别作为调节变量，是可以直接测量的观察变量，所以我用方格表示。我假定环境为自变量，行为为因变量，也就是环境可以影响一个人的行为。这里，我们可以把上面的模型分解，分解成下面两个模型。模型1模型2

所以，我们的检验就变成了检验这两个模型是否为同一个模型，如果是同一个模型，表示性别是没有干扰(调节)作用的，如果检验是不同模型，表示干扰的确存在。那么检验的话，肯定是检验male和female这条回归线是否有差异。

AMOS操作

现在我们要标明要检验的系数

操作：1.点击male这一组，2.看第二个红色方框，双击路径系数，会跳出来object properties这个框，3.把“All groups”这个选项里面的“√”给取消了，4.在回归权重(regression weight)这里面键入male，你写其他的也没有关系。

重复刚才的步骤，把female也键入成果图如下，点击female这一组的时候，group会显示=female，路径系数也会标明是female第三步 建立建设检验

要检验干扰当然有建设检验啦，H0：male模型=female模型

尽管刚才我们分组了，但是AMOS内定的分组的模型是基线模型(baseline model)，是没有限制的模型，所以要对路径系数进行限制。现在我们的目的是让进行现在的male=female的模型和基线模型进行对比，如果检验出来的P值有统计学意义，就证明两个模型是有区别的，也就是干扰存在。

AMOS 操作1.双击XX:default model这一栏，

2.点击New建立新的模型，

3.然后在model name这里输入检验模型的名字(我输入的就叫“test model”),

4.进行参数限制，双击weights里面female两下，然后双击male两下，在右侧的parameter constraints框里面会自动显示female=male，

5.点击close关闭最后成果图见下然后进行模型运行和看检查结果。这里要注意的是根据自己的数据选择适当的分析方法，以及output别忘了选择。

点击运行以后，要是没有问题的话，我们设置的两个模型前面，见上一张图片，会由XX:Default model变成下图的OK:Default model.表示成功运行。然后我们看output-Model Comparison,看P值，很显然，这个P=0.37，大于0.05，既接受H0，认为两个模型没有差异，也就是说调节作用不存在。要是写论文遇到这种情况的话，就说明性别不是干扰变量，只是回归方程中的一个普通变量，没有单独拎出来分析的意义，这时候你需要重新换一个变量进行研究。case1.2 M为连续变量如果资料是连续变量的话，操作上，需要把资料“切割”分类，变成分类资料，用楼上的方法进行调节效果检定。

如何确定将变量分类？前方一波骚操作高能预警问题是怎么分类？

五五开？首先查文献，看先贤有没有分类的依据。要是文献资料没有找到的话，建议资料分割按照27和73分位数进行资料分割。

依据来源于1939年Kelley T L的paper(Kelley T L. The selection of upper and lower groups for the validation of test items.[J]. Journal of Educational Psychology, 1939, 30(1):17-24. )

他在论文里面得出27和73分位数是最有区别的分位数，可以得到最大的鉴别力，如果分成27和73分位数两群，高分群和低分群，两群检验都没有统计学意义的话，那么其他分位数就更没有了。

这里，另一位学者Cureton E E，他验证了Kelley结论的正确(Cureton E E. The upper and lower twenty-seven per cent rule[J]. Psychometrika, 1957, 22(3):293-296. )他在paper里面检验了27-73 rule是否正确，检验是对的。他还补充说，如果数据不是正太分布，而是有一些扁峰，那么需要拉到30左右，就是30-70左右。

所以，你没有依据的时候，三七分没有错，上面的就是你的依据。

然后分成三组，高中低三组，用高的一组和低的一组进行对比，中间的一组弃用，这样子有统计学意义的可能性就会变大很多。哈哈哈。要是这样子操作都没有统计学意义的话可以弃了。不过这波操作要求样本量比较大，因为我们是放弃了一部分样本的，否则的话也可能做不出来结果。SPSS分割操作

我自己的操作是这样子的，老铁们如果有更好的方法请告知。

①确定分位数的值

点击分析--描述统计--频率--选入要分组的变量--点击statistics--百分位数填30--添加，再填70-添加--确定②根据计算出来的分位数值分组

结果是第30分位数是46，第70分位数是70，那我们小于等于46的是一组，大于70的是另外一组，中间的不要了。点击转换--重新编码为不同变量--选入要分组的值--输出变量的名称自己取一个--点击更改--点击新值和旧值点击范围，从最低到值，输入46(刚才算的)--新值填1--点击添加再点击范围，从值到最高，输入64刚才算的)--新值填2--点击添加--继续最后点击确定就ok啦！呐，就分组完毕了。然后回到case1.1的操作。case2 M也是潜变量潜变量的干扰效果的确定，这个就比较麻烦了。国内温老师的书《调节效应和中介效应》第四章对潜变量调节详细的分析了相关原理，这本书在本文的结尾处有下载链接。里面介绍了很多方法，我主要依据的是Ping的办法，书的第四章的第五节介绍了Ping方法的优点和缺点，大家自己看~我们依据Ping1995年和1996年的这两篇文章。

Ping R A. A Parsimonious Estimating Technique for Interaction and Quadratic Latent Variables[J]. Journal of Marketing Research, 1995, 32(3):336-347.

Ping R A. Latent variable interaction and quadratic effect estimation: A two-step technique using structural equation analysis.[J]. Psychological Bulletin, 1996,119(119):166-175.

下面讲一下原理：现在的模型见下图，M是干扰，这时候干扰也是潜变量，直接这样子跑AMOS是不能判断是否存在干扰的。Ping就用产生乘积指标的策略，就和我写的调节的上一篇文章一样，用乘积来表示他们之间的交互作用。Ping有2种计算调节变量的方法，第一种见下图红色框起来的部分，新增一个对Y有影响的调节变量，但是这个调节变量只有一个测量指标(X1+X2)(Z1+Z2)。Ping的第二种方法，也是新增一个对Y有影响的调节变量，但是这个调节变量有多个测量指标，见红色框起来的部分。这两种方法都可以计算出调节，各有优劣，不是越复杂越好哈，Ping和joreskog都背书只要一个因素就可以了，温老师的书里面也背书一个因素的好处，所以我们放心大胆的使用第一种方法。

Cortina等学者在这篇文章(Cortina J M, Chen G, Dunlap W P. Testing Interaction Effects in LISREL: Examination and Illustration of Available Procedures[J]. Organizational Research Methods, 2001, 4(4):324-360.)里面把Ping1996年计算潜变量的LISREL Code非常之详细的写了，要是会LISREL的小伙伴就可以直接计算了。其在这种分析情况下AMOS要硬算，比较麻烦，但是李泽楷的女人怎么会轻言放弃呢。接下来就是计算了。。。第一步把自变量X和调节M的回归系数权重取消。

这里需要注意的是，如果要计算交互作用的话，M和X之间不能用代表因果的单箭头，只能用代表相关的双箭头，不知道原因是什么，反正用单箭头是计算不了的。双击回归路径两次，在object properties的回归权重中(regression weights)中的1删掉。成果图见第二张图片。第二步把M和X的方差设为1，双击M那个潜变量的圆圈两次，在variance那里键入1。同理X也同样操作。效果图见第二张。然后点击计算。计算结果见下图，要非标准化的结果，不是标准化的哦。第三步计算交互作用的λ和θ值

然后将上图的计算结果带人下图的公式。我有打了小箭头，但是图片不能高清。。λx1和λx2是X的路径系数，λz1和λz2是调节变量M的路径系数。θx1和θx2是X的残差图中的e7和e6，θz1和θz2是X的残差。带入下图的计算公式，得出交互作用的λ和θ值。这里我的计算值为 λ=1.76，θ=6.4613第四步 在SPSS中计算交互项XZ的值

根据刚才给的公式，XZ=(X1+X2)(Z1+Z2),这里计算XZ要用标准化以后的X1、X2、Z1、Z2计算，标准化的方法我在上一篇文章中介绍过。

分析-描述统计-描述-将刚才说的XYM三个变量选入-最下面(将标准化得分另存为变量)勾上。

然后是转换-计算变量XZ=(X1+X2)(Z1+Z2)，标准化以后的。

第五步 在AMOS中新建一个交互变量XZ，见下图

把刚才计算的SPSS里面的XZ数据导入，然后设定λ=1.76，θ=6.4613 (这是第三步计算的)。准备就绪以后就计算。然后查看output。点击estimates，查看moderator---->Y，这一行，红色框起来的。这个就是检验交互作用对Y是否显著。P<0.001，证明交互对Y有影响，既调节作用(干扰)存在。嗯呢，全部都结束啦~~~声明：本文获得[白圭]作者授权！原文链接：

https://www.bilibili.com/read/cv1186425