社会心理学中调节变量与中介变量的区别 BARON 英文文献
翻译版
The Moderator-Mediator Variable Distinction in Social Psychological Research:
Conceptual, Strategic, and Statistical Considerations Reuben M. Baron and David A.
Kenny
(Journal of Personality and Social Psychology , 1986, 51(6), 1173-1182)
本文,作者试图区分多层次下调节变量与中介变量的属性。首先,作者设法让理论家和研究者意识到不要混淆调节与中介两个概念。在概念与战略上精心推敲,很多方面调节与中介存在差异。然后,作者超越教学上的公式,在控制与应激,态度和个性特征等更广泛范围,描述这些差异的概念化与战略化应用。最后,作者还给出了既包含调节又包括中介和分别包含这两种情况的因果关系中最有效地应用调节与中介差别的具体分析步骤提纲。
第三方变量的调节效应是指将自变量进行划分以使其对给定因变量产生最大效应。第三方变量的中介效应是指自变量经由它能够影响因变量的生成机制。
一、调节变量 1、调节变量的特征
一般来说,调节变量是定性(如,性别,种族,阶层)或定量(如,回报大小)变量,影响自变量(IV)或预测变量(PV)与因变量(DV)或效标变量(CV)之间关系的方向和/或强度。在相关分析中,调节变量是影响其它两个变量之间的零次相关(the
zero-order correlation)的第三方变量。在更熟悉的方差分析中,自变量与通过操控设定为某种条件的因子之间的交互作用代表一个基本的调节效应。
从图1看,如果路径C显著,调节变量的假设得以支持。也许预测变量的和调节变量的效应(路径A与路径B)也显著,但是与检验调节变量的假设在概念上并不直接相关。此外,调节变量与预测与效标变量无关为交互作用提供了清晰的解释。从图1可以清楚表明的另一个调节变量的特性是,不像中介变量和预测
变量之间的关系(预测变量是中介变量的前因变量),调节变量和预测变量都是产生某种效标效果的因果变量的前导或外生。也就是说,调节变量总是作为自变
量,而中介从结果到原因的角色变化取决于分析的重点。 2、检验调节作用
调节作用意味着两个变量的因果关系因调节变量的作用发生了变化。统计分析必须测量和检验当调节变量发生作用,自变量对因变量的不同效应。测量和检验不同效应部分倚赖自变量与调节变量的测量水平。考虑四种情形:
情形1,调节变量与自变量都是类别变量。 情形2,调节变量是类别变量,自变量是连续变量。 情形3,调节变量是连续变量,自变量是类别变量。 情形4,调节变量与自变量都是连续变量。
注意,为了讨论方便,作者将类别变量都假设为二分变量。
情形1:在这种情形下,一个二分自变量对因变量的效应的变化是另一个二分变量的函数。统计分析即为2*2ANOVA,调节作用表现为交互作用。我们也许要测量在调节变量不同水平下自变量的简单效应,但是这些只能在调节变量与自变量交互作用引起因变量变化时才能被测量。。
情形2:这种情形下,调节变量是二分变量,自变量是连续变量。测量这种类型的调节效应的典型方法是对每一水平的调节变量分别做相关分析,然后检验其差
异。相关分析方法有两个严重的不足。首先,它假设自变量在调节变量的每一水平上都具有同方差。如果调节变量在各水平存在异方差,那么在方差较小的水平,自变量与因变量的相关会低于方差较大的水平。这种差异叫做范围约束(a
restriction in range)(McNemar, 1969)。其次,如果因变量的测量误差量是调节变量产生的,那么自变量与因变量之间的相关将出现伪差异。这些问题说明相关受方差变化的影响。但是,回归系数不受自变量方差差异或因变量测量误差差异的
影响。因此,更可取的是不用相关系数,而是用非标准化(非Beta系数)回归系数来测量自变量对因变量的效应(Duncan, 1975)。Cohen和Cohen(1983,P.56)给出了检验回归系数差异的方法。在分别检验两个斜率前,应该先进行这种检验。另外,如果自变量在调节变量的不同水平上存在测量误差的差异,结果也会出现偏差。这就需要估计不同水平的调节变量的信度,并且必须对斜率进行修正。信度的检验可以使用多组结构方程模型来完成,只需将不同的调节变量水平处理为不同的组。
情形3:这种情形下,调节变量是连续变量,而自变量是二分变量。例如自变量是理性与恐惧唤起的态度改变信息,而调节变量是由IQ测试测量的智力。恐惧唤起的信息可能对低IQ的受试更有效果,而理性唤起的信息可能对高IQ的受试更有效果。为了测量这种情况下调节变量的效应,我们必须先验地知道作为调节变量的函数,自变量的效应是如何变化的。衡量自变量作为调节变量的函数的变化效应的一般假设是不可能的,因为调节变量有多个水平。
图2表示三种理想化的方式,其中调节变量改变了自变量对因变量的效应。首先,自变量对因变量效应的随调节变量线性变化。线性的假设表示随调节变量的变化,自变量对因变量的效应发生逐渐,稳定的变化。这是一般假设的调节作用形式。第二个方式的特征是二次函数。例如,恐惧唤起的信息对所有低IQ的受试可能比理性信息更有效,但是,随着IQ的增加,恐惧唤起的信息失去起优势,而理性信息变得更有效了。图中的第三种方式是阶梯函数。在某些关键的IQ水平,理性信息变得比恐惧唤起的信息更有效。这种形式通过二分跃阶发生与持
续点上的调节变量,以情形1中的方式来检验。不幸的是,社会心理学的理论还无法精确到能够设定跃阶发生的确切时点。
线性假设的检验是通过将调节变量与二分自变量的乘积加到回归方程中。Cohen和Cohen(1983)以及Cleary和kessler(1982)对此进行了详细阐述。因此,如果设自变量为X,调节变量为Z,因变量为Y,则Y是X、Z与XZ的回归。调节
效应由当X和Z被控制时,XZ的显著效应来表示。自变量对不同水平的调节变量的简单效应能被测量和检验(调节变量的测量误差需要按照情形2中自变量测量误差修正的同样方法进行修正)。
二次调节效应通过在调节效应增强时所发生的时点上二分调节变量。如果函数是二次的,如图2,自变量的效应应该在调节变量分值高时,最大。二次调节作用可以通过Cohen和Cohen(1983)所介绍的层次回归方法进行检验。用前述的同样符号,Y是X,Z,XZ,Z2,和X Z2的回归。对二次调节的检验是通过检查X Z2。这种复杂回归方程的解释可以借助图表来表示不同的X,Z值的预测值。
情形4:在这种情况下,调节变量与自变量都是连续变量。如果调节变量以阶梯函数形式改变自变量与因变量的关系,则可以在跃阶发生时二分调节变量。二分调节变量后,其分析模式就转变成情形2了。对自变量的效应的测量看其回归系数。如果假设自变量(X)对因变量(Y)的效应随调节变量(Z)线性或二次变化,则应使用情形3所介绍的乘积方式。对于二次调节,必须引入调节变量的平方。对这种情况参考Cohen和Cohen(1983)以及Cleary和Kessler(1982)来协助建立和解释这些回归方程。情形4中出现的调节变量与自变量的测量误差使分析变得非常复杂。Busemeyer和Jones(1983)认为调节作用是线性的,则可以XZ的乘积来观察。他们发现当一个变量存在测量误差的乘积形式的交互作用测量会导致效互效应较低的检验力。Kenny和Judd(1984)所介绍的方法可用于调整变量的测量误差,使交互效应得以合理估计。但是这些方法要求进行乘积的变量符合正态分布。
社会心理学中调节变量与中介变量的区别 BARON 英文文献翻译版
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)