作者：彭彭
Hello，
這裏是行上行下，我是喵君姐姐~
在上一期中，我們主要介紹了如何對數據進行描述、卡方&T檢驗、獨立樣本t檢驗、相關樣本t檢驗、迴歸分析。
在這一期中，我們主要爲大家介紹如何利用SPSS進行中介、調節分析以及方差分析。
一、多個變量間關係：中介
（一）迴歸方程法
1.算三個迴歸方程
1）自—因
2）自—中
3）自、中—因
2.數據分析
第一個迴歸，分析的是自變量對因變量的總體效應。
第二個迴歸，是自變量對中介變量的效應
第三個迴歸，是自變量、中介變量對因變量的效應
本研究以性格特徵爲自變量，政治社會現狀評價爲因變量，時政類信息興趣程度爲中介變量進行中介效應檢驗。
結果表明，時政類信息興趣程度在性格特徵和政治社會現狀評價之間起着中介作用，如圖所示。性格特徵通過時政類信息興趣程度的中介作用能夠顯著正向預測政治社會現狀評價，B=0.013，SE=0.002，β=0.123，p<0.001。
參考文獻：
溫忠麟, & 葉寶娟. (2014). 中介效應分析:方法和模型發展. 心理科學進展,022(005), 731-745.
3.畫圖注意事項
1）可以在ppt裏面畫，這樣圖會更好看也更好編輯~
2）一般都標註標準化係數，同時需要在圖中註明
3）一般來說，顯著的用實線，不顯著的用虛線
（二）Process插件法：Model4
1.首先是對模型的一個介紹
使用的是model4
因變量、自變量、中介變量分別對應的是什麼
樣本量多少
2.以中介變量爲被預測變量，自變量爲預測變量的迴歸方程，模型概要（model summary），看R F df p；模型（model），coeff是B，se是標準誤，p，LLCI和ULCI是置信區間（置信區間不含零爲顯著）標準化係數（Standardizedcoefficients） 是β
3.以因變量爲被預測變量，自變量及中介變量爲預測變量的迴歸方程，模型概要（model summary），看R F df p；模型（model），coeff是B，se是標準誤，p，LLCI和ULCI是置信區間（置信區間不含零爲顯著），標準化係數（Standardizedcoefficients） 是β
4.總體效應
以因變量爲被預測變量，自變量及中介變量爲預測變量的迴歸方程，模型概要（model summary），看R F df p；模型（model），coeff是B，se是標準誤，p，LLCI和ULCI是置信區間（置信區間不含零爲顯著），標準化係數（Standardizedcoefficients） 是β
5.接下來是自變量對因變量的總體、直接和間接效應
自變量對因變量的總體效應=自變量爲預測變量，因變量爲被預測變量回歸方程的係數；
自變量對因變量的直接效應=自變量、中介變量爲預測變量，因變量爲被預測變量回歸方程的係數；
自變量對因變量的間接效應=總體效應-直接效應
部分標準化：效應量/Y的標準差
完全標準化：所有變量的標準化
6.最後是模型及誤差的簡介
置信區間及bootstrap抽樣情況
結果：參照Preacher 和Hayes (2004)提出的Bootstrap 方法進行中介效應檢驗(模型4)，樣本量選擇5000，在95%置信區間下，其餘如上。
參考文獻：Preacher, K. J. ,& Hayes, A. F. . (2004). Spss and sas procedures for estimating indirecteffects in simple mediation models. Behavior Research Methods, Instruments & Computers,36(4), p.717-731.
二、多重中介
（一）Process插件法：model4
結果解讀與一般中介一致。
多重中介的圖大概如下：
圖x 多重中介效應分析圖（上述均爲標準化後係數）
三、鏈式中介
（一）Process插件法：model6
四、調節作用
中心化：原始數據-均值
拆分文件：spilt
（一）線性迴歸法
1.Spss操作
1）算自變量、調節變量z分數
2）計算自變量與調節變量z分數的交互項（乘積）
3）算迴歸方程
以因變量爲被預測變量，以自變量、調節變量爲第一層預測變量，兩者交互項爲第二層預測變量。
2.Spss結果解讀
以性格特徵爲自變量，談論頻率爲調節變量，政治社會現狀滿意程度爲因變量進行調節作用分析，發現性格特徵能夠顯著正向預測政治社會現狀滿意程度（B=0.02，SE=0.002，β=0.14，p=0.000）；談論頻率能顯著負向預測政治社會現狀滿意程度（B=-0.05，SE=0.026，β=-0.04，p=0.043）；兩者交互項不能顯著預測政治社會現狀滿意程度（B=-0.03，SE=0.016，β=-0.05，p=0.825），故性別的調節作用不存在。
3.畫交互作用圖：對調節變量做高低分組
高分組：平均值+一個標準差
低分組：平均值-一個標準差
高分組：平均值+標準差=3.51
低分組：平均值—標準差=2.02
拆分文件，做迴歸
再做一次迴歸，畫圖即可
Y=常數項+Bx*X+B調節變量*調節變量+B交互項*交互項
（二）Process插件法：model1
1.Spss操作
2.Spss結果解讀
模型介紹：
模型：模型一，因變量、自變量、調節變量
樣本數量
結果：
基本模型概要：R²、F、p
模型：B、SE、t、p、置信區間
加入交互項的模型概要：ΔR²（R2-chng）、F、p
畫圖使用的數據：
Q19 Q17 Q8
自變量 調節變量因變量
將標灰色這段複製，粘貼進語法中，運行，出現spss自己畫的圖，僅供參考。
仍然建議將原始數據放入excel中，自行畫圖。
五、有調節的中介
（一）線性迴歸法
算兩組交互項 自*調 中*調
1.自、調、自*調—因
2.自、調、自*調—中
3.自、調、自*調、中、中*調—因
（二）Process插件法
操作方式及結果解讀與調節、中介一致~
六、方差分析
（一）單因素方差分析【組間實驗+單一因變量；進行差異檢驗】
1.差異檢驗
1) Spss操作
2) Spss結果
方差齊性結果爲顯著，說明方差不齊，事後檢驗看鄧肯尼T3的結果；
方差齊性結果爲不顯著，說明方差齊性，事後檢驗看其他結果。
對不同來源的問卷進行政治社會滿意度的差異檢驗，結果發現，不同來源的政治社會滿意度存在顯著差異，F（5，2373）【（組內，組間）】=47.43，p<0.0001，
，具體表現爲問卷網（M=3.69，SD=0.81）顯著高於新浪微博（M=2.57，SD=1.103）……
2.組間實驗
1) Spss操作
爲了進行交互作用的事後比較，勾選後選擇粘貼，在語法中添加事後比較。
但由於本數據兩自變量均爲二分變量，因此無法進行事後比較，在此僅進行操作展示
方差不齊，選擇修正模型
性別的主效應：結果發現，男性的滿意度（M，SD）顯著低於女性的滿意度（M，SD），F，p，
政治面貌的主效應：與性別一樣：結果發現，黨員的滿意度（M，SD）顯著高於非黨員的滿意度（M，SD），F，p，
交互作用分析：結果發現，對於黨員羣體來說，男性（M，SD）女性（M，SD）的滿意度無顯著差異，F，p，
；對於非黨員羣體來說，男性的滿意度（M，SD）顯著低於女性（M，SD），F，p，
。
七、多因素方差分析
1. Spss操作
2. spss結果
解讀與單因素方差分析一致。
八、重複測量方差分析
1. Spss操作
2. Spss結果
重複測量方差分析的解讀與單因素方差分析解讀基本一致，但需要注意：
球形檢驗：顯著看多變量檢驗（multivariatetest），不顯著看主體內效應（withinsubject）
九、方差分析小結
方差分析是實驗法進行數據分析的重要分析方法，需要根據實驗設計及變量情況選擇單因素、多變量、重複測量方差分析；最簡單的選擇方式即爲：多個因變量的用多變量；含組內變量的一律選擇重複測量方差分析。
在進行數據分析時一定要注意：方差齊性檢驗、球形檢驗。
此外，當進行數據解讀時，若主效應、交互作用不顯著，一般無需進行事後比較。
除了語言描述的方式，直方圖是方差分析的常用表達方式，也有簡單效應的表達方式（尤其是體現交互作用）
本期的內容就到此結束啦！
本期我們介紹瞭如何利用SPSS進行中介、調節分析以及方差分析。
在下一期中，我們將繼續介紹如何進行EFA分析和CFA分析。
分享完畢，希望有所幫助。
要獲取更多資料，歡迎關注我們😊
排版：華華
作者：彭彭
校對：喵君姐姐