贝叶斯sem间接效应怎么看

贝叶斯sem间接效应看法

模型是一个简单中介模型，假设是A对B有显著正向影响，做完路径分析之后，直接效应不显著，间接效应和总效应显著，那在报告结果的时候，是说直接效应不显著，所以假设不成立...

如图，我的模型是一个简单中介模型，假设是A对B有显著正向影响，做完路径分析之后，直接效应不显著，间接效应和总效应显著，那在报告结果的时候，是说直接效应不显著，所以假设不成立，还是说总效应显著，假设成立？

Amos有这个功能的，一般采用Bootstrap来处理。如果涉及多重中介，则需要使用贝叶斯语法自定义公式。

这里是行上行下，我是喵君姐姐~

在上一期中，我们主要介绍了 如何对数据进行 描述、卡方&T检验、独立样本t检验、相关样本t检验、回归分析 。

在这一期中，我们主要为大家介绍如何利用SPSS进行中介、调节分析以及方差分析。

一、多个变量间关系：中介

（一）回归方程法

1.算三个回归方程

1）自—因

2）自—中

3）自、中—因

2.数据分析

第一个回归， 分析的是自变量对因变量的总体效应。

第二个回归， 是自变量对中介变量的效应

第三个回归， 是自变量、中介变量对因变量的效应

本研究以性格特征为自变量，政治社会现状评价为因变量，时政类信息兴趣程度为中介变量进行中介效应检验。

结果表明，时政类信息兴趣程度在性格特征和政治社会现状评价之间起着中介作用，如图所示。性格特征通过时政类信息兴趣程度的中介作用能够显著正向预测政治社会现状评价，B=0.013，SE=0.002，β=0.123，p<0.001。

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.

3.画图注意事项

1）可以在ppt里面画，这样图会更好看也更好编辑~

2）一般都标注标准化系数，同时需要在图中注明

3）一般来说，显著的用实线，不显著的用虚线

（二）Process插件法：Model4

1. 首先是对模型的一个介绍

使用的是model4

因变量、自变量、中介变量分别对应的是什么

样本量多少

2. 以中介变量为被预测变量，自变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著）标准化系数（Standardizedcoefficients） 是β

3. 以因变量为被预测变量，自变量及中介变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著），标准化系数（Standardizedcoefficients） 是β

4.总体效应

以因变量为被预测变量，自变量及中介变量为预测变量的回归方程，模型概要（model summary），看R F df  p；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著），标准化系数（Standardizedcoefficients） 是β

5. 接下来是自变量对因变量的总体、直接和间接效应

自变量对因变量的总体效应=自变量为预测变量，因变量为被预测变量回归方程的系数；

自变量对因变量的直接效应=自变量、中介变量为预测变量，因变量为被预测变量回归方程的系数；

自变量对因变量的间接效应=总体效应-直接效应

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

6. 最后是模型及误差的简介

置信区间及bootstrap抽样情况

结果：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，其余如上。

参考文献：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

结果解读与一般中介一致。

多重中介的图大概如下：

图x 多重中介效应分析图（上述均为标准化后系数）

三、链式中介

（一）Process插件法：model6

四、调节作用

中心化：原始数据-均值

拆分文件：spilt

（一）线性回归法

1.Spss操作

1）算自变量、调节变量z分数

2）计算自变量与调节变量z分数的交互项（乘积）

3）算回归方程

以因变量为被预测变量，以自变量、调节变量为第一层预测变量，两者交互项为第二层预测变量。

2.Spss结果解读

以性格特征为自变量，谈论频率为调节变量，政治社会现状满意程度为因变量进行调节作用分析，发现性格特征能够显著正向预测政治社会现状满意程度（B=0.02，SE=0.002，β=0.14，p=0.000）；谈论频率能显著负向预测政治社会现状满意程度（B=-0.05，SE=0.026，β=-0.04，p=0.043）；两者交互项不能显著预测政治社会现状满意程度（B=-0.03，SE=0.016，β=-0.05，p=0.825），故性别的调节作用不存在。

3.画交互作用图：对调节变量做高低分组

高分组：平均值+一个标准差

低分组：平均值-一个标准差

高分组：平均值+标准差=3.51

低分组：平均值—标准差=2.02

拆分文件，做回归

再做一次回归，画图即可

Y=常数项+Bx*X+B调节变量*调节变量+B交互项*交互项

（二）Process插件法：model1

1.Spss操作

2.Spss结果解读

模型介绍：

模型：模型一，因变量、自变量、调节变量

样本数量

结果：

基本模型概要：R²、F、p

模型：B、SE、t、p、置信区间

加入交互项的模型概要：ΔR²（R2-chng）、F、p

画图使用的数据：

Q19    Q17      Q8

自变量 调节变量因变量

将标灰色这段复制，粘贴进语法中，运行，出现spss自己画的图，仅供参考。

仍然建议将原始数据放入excel中，自行画图。

五、有调节的中介

（一）线性回归法

算两组交互项 自*调 中*调

1.自、调、自*调—因

2.自、调、自*调—中

3.自、调、自*调、中、中*调—因

（二）Process插件法

操作方式及结果解读与调节、中介一致~

六、方差分析

（一）单因素方差分析【组间实验+单一因变量；进行差异检验】

1.差异检验

1) Spss操作

2) Spss结果

方差齐性结果为显著，说明方差不齐，事后检验看邓肯尼T3的结果；

方差齐性结果为不显著，说明方差齐性，事后检验看其他结果。

对不同来源的问卷进行政治社会满意度的差异检验，结果发现，不同来源的政治社会满意度存在显著差异，F（5，2373）【（组内，组间）】=47.43，p<0.0001，

，具体表现为问卷网（M=3.69，SD=0.81）显著高于新浪微博（M=2.57，SD=1.103）……

2.组间实验

1) Spss操作

为了进行交互作用的事后比较，勾选后选择粘贴，在语法中添加事后比较。

但由于本数据两自变量均为二分变量，因此无法进行事后比较，在此仅进行操作展示

方差不齐，选择修正模型

性别的主效应：结果发现，男性的满意度（M，SD）显著低于女性的满意度（M，SD），F，p，

政治面貌的主效应：与性别一样：结果发现，党员的满意度（M，SD）显著高于非党员的满意度（M，SD），F，p，

交互作用分析：结果发现，对于党员群体来说，男性（M，SD）女性（M，SD）的满意度无显著差异，F，p，

；对于非党员群体来说，男性的满意度（M，SD）显著低于女性（M，SD），F，p，

。

七、多因素方差分析

1. Spss操作

2. spss结果

解读与单因素方差分析一致。

八、重复测量方差分析

1. Spss操作

2. Spss结果

重复测量方差分析的解读与单因素方差分析解读基本一致，但需要注意：

球形检验：显著看多变量检验（multivariatetest），不显著看主体内效应（withinsubject）

九、方差分析小结

方差分析是实验法进行数据分析的重要分析方法，需要根据实验设计及变量情况选择单因素、多变量、重复测量方差分析；最简单的选择方式即为：多个因变量的用多变量；含组内变量的一律选择重复测量方差分析。

在进行数据分析时一定要注意：方差齐性检验、球形检验。

此外，当进行数据解读时，若主效应、交互作用不显著，一般无需进行事后比较。

除了语言描述的方式，直方图是方差分析的常用表达方式，也有简单效应的表达方式（尤其是体现交互作用）

本期的内容就到此结束啦！

本期我们介绍了如何利用SPSS进行中介、调节分析以及方差分析。

在下一期中，我们将继续介绍如何进行EFA分析和CFA分析。

分享完毕，希望有所帮助。

排版：华华

校对：喵君姐姐