调节效应分析简介

什么是调节效应？

调节效应（Moderating Effect）是指一个变量（调节变量 M）影响了另一个变量（自变量 X）与因变量（Y）之间关系的强弱或方向。简单来说，就是"X 对 Y 的影响取决于 M 的水平"。

分析逻辑

1. 构建交互项：将自变量 X 与调节变量 M 相乘得到交互项 (X*M)。
2. 分层回归：
   • 第一步：放入控制变量（如有）、自变量 X 和调节变量 M。
   • 第二步：放入交互项 (X*M)。
3. 显著性判断：如果交互项的系数显著（p < 0.05），则说明调节效应存在。
4. 简单斜率分析：当调节效应显著时，进一步分析在调节变量的不同水平（如高、中、低）下，自变量对因变量的具体影响。

注意事项

• 建议在构建交互项前对连续变量进行中心化处理，以降低多重共线性并使截距更有意义。
• 若调节变量为分类变量，可直接使用虚拟变量进行交互。
• 结果解释需结合系数的正负号及简单斜率图进行具体阐述。

调节效应分析结果展示说明

本部分描述在 Stata 中执行 main.do 文件后，命令行窗口及结果输出区将呈现的内容。

1. 描述性统计与变量生成

• 输入命令：use, generate, su
• 输出内容：
  • 显示数据加载成功的信息。
  • 显示变量 X 和 M 的均值、标准差、最小值和最大值（用于后续中心化计算）。
  • 确认新变量 X_c, M_c, XM_c 已成功生成。

2. 回归分析结果表

• 输入命令：regress Y X_c M_c 和 regress Y X_c M_c XM_c
• 输出内容：
  • 模型 1 (主效应)：表格显示常数项、X_c、M_c 的系数（Coef.）、标准误（Std. Err.）、t 值及 P 值。此时 R-squared 表示不含交互项的解释力。
  • 模型 2 (含交互项)：表格新增一行 XM_c。重点关注 XM_c 的系数及其 P 值。
  • 若 XM_c 的 P 值 < 0.05，文字结论为：“交互项系数显著，表明 M 对 X 与 Y 的关系具有显著的调节作用。”
  • 若 XM_c 的 P 值 > 0.05，文字结论为：“交互项系数不显著，未发现显著的调节效应。”
  • 同时显示模型 R-squared 的变化量（ΔR²），用于评估加入交互项后模型解释力的提升程度。

3. 假设检验结果

• 输入命令：test XM_c
• 输出内容：
  • 显示 F 统计量及其对应的 Prob > F 值。
  • 该值应与回归表中交互项的 t 检验 P 值一致（在单个系数检验时），用于再次确认调节效应的整体显著性。

4. 简单斜率分析 (Margins)

• 输入命令：margins, dydx(X_c) at(M_c=(-1 0 1))
• 输出内容：
  • 输出一个表格，包含三行数据，分别对应调节变量 M 处于“低水平（均值 -1SD）”、“平均水平（均值）”和“高水平（均值 +1SD）”时的情况。
  • 每一行显示：
  • dy/dx：在该 M 水平下，X 对 Y 的边际效应（即斜率）。
  • P>|t|：该斜率是否显著异于 0。
  • 文字解读示例：
  • “当 M 处于低水平时，X 对 Y 的影响系数为 0.25 (p<0.01)；”
  • “当 M 处于高水平时，X 对 Y 的影响系数变为 0.60 (p<0.01)。”
  • “这表明随着 M 的增加，X 对 Y 的正向促进作用显著增强。”

5. 绘图指令反馈

• 输入命令：marginsplot
• 输出内容：
  • 虽然本部分不包含图片，但系统会提示图形已生成并在图形窗口中显示。
  • 图形通常表现为三条斜率不同的直线，横轴为 X，纵轴为 Y 的预测值，三条线分别代表 M 的低、中、高水平，直观展示线条的交叉或发散趋势。