中介调节模型分析方法

大家好，我是李博士，接下来我跟大家分享的是 s p s s 的包，在此插件里面的模型机有调节的中间模型，他呢调节的是前面的，就是说这变量和中介变量之间加入一个调节变量的情况。 好，我们先来了解一下这个模型，这个模型呢我们可以看做是呃，首先呢我们可以看到他是一个中介变量 mi 的形象，然后这个调节变量呢，调节的是呃自变量和中介变量之间的 呃过程，也就是说这个中介模型的一个前半部分就是 x 到 m 这边的过程，然后如果调节 m 到外面是后半部分，如果调节 x 到外面，调节的是直接入镜，这 是他的一个模型呃示意图。呃，这里面呢需要注意一点呢，就是我们用的模型七呢，就是中介变量呢，最多可以允许十个平行变量的中介变量的行径。 好，我们再来看这模型机的包，再次相关的操作，首先呢我们需要把这个模型机卷状，然后再一个呢就是把我们的呃音变量字呢是字变量，呃，这个呢是 呃中介变量，这个 w 呢是调节变量依次卷进来，然后还有如果性别，年龄，呃这些等等这些节变量吧，可以作为控制变量放到这这节变量里面来。然后关于选项呢，我们就选择一下，呃 有模型期的，还有可置化的一些选项，第二个，呃，第三个和最后一个，然后这里呢小数点输出位数呢就是三位角数，方便由我们制表， 这呢 p 呢是选择零点零五，然后这呢是均值加减一个标准圈，这就叫内容。 呃，然后做有调节模型的分析思路呢，首先呢我们一般制作 先检验中介效应的旋转，然后呢再就检验他的调节效应，这里呢我们用到的是模型器，也就说中介模型的前半段是否存在这个 呃调节变量 w， 然后再就是呢，如果呃存在呃 调节效率减重呢，我们需要进行一个简单节力的攻击，这里呢我们就通过一个呃，把他的输出结果呢输到一个，也这样按下去，然后对应键复制，就可以绘制他的一个 呃相关结果的一个呃调节效应图。 呃，最后呢是这篇文章，我们先来看一下这个数据，我们就是通过一个数据呢来 看一下这个模型七，我们先打开这个 process 软件，那首先呢选对模型七，然后这是音变量 x 呢是四变量，这是呢是中介变量 w 呢是调节变量，我们再选 选上第二个呃，这个可以选上，然后最后一下，这改成零点零五，真的是三位均值加减一个标准叉，继续确定 好，我们来看它这个输出结果。第一部分呢就是 呃自变量，调节变量以及交互匠对中介变量 m 一的一个回归模型，结果我们可以看到这个交互匠呢， 这是零点零零零，小于零点零五，也就说这调节效应是存在的，让我们可以看出正向调节还是副向调节，我们看到这个负的零点一二一呢，跟自变量的基础是 反的，所以说呢它是一个负向调节作用。然后我们再来看这个关于简单节律分析里面这组数据，就是说这个调节效应是呃负的，取低水平的时候呢， 低水平的时候呢，它是零点 c 零，然后举高水平呢是零点二九零，就是 x 对 w 一的一个调节效应。 呃，这呢也是间接的反映出呢，这里呢我们可以看到 w 值越高呢，就是 x 对 w 一的消音量越低，也就是说这 w 一呢起的是一个负向调节作用， 然后这一组数据呢是用于绘制它的一个简单节律分析的时候 绘图用到的，我们只需对应一下数值，打开第二软件，然后我们这是复制过来的，只需要把这个数据呢来对应一下。呃，这边呢低低分对应调节变量，低分的时候呢，是它零点三七六九对应过来， 然后这边量低分对应调节变量，高分呢，呃，这边量低分高分四点零七二对应过来，然后高分对应调节变量，低分的高分对应这边量调节，低分对应四点四一对应过来， 然后这个高分这面量高分对应调节变量，高分呢是四点五四七，这样对应过来呢，我们就把这个调节效应给绘制出来了，我们再来分析一下这个图，高调节变量呢是这一条，我们可以看到 这个高调节变量的变化，变化呢可以减缓他这个呃 x 对外的一个变化趋势，所以说呢，他就是一个调节摄影，从多方面我们都可以验证这个结果呢， 这个调节教育呢是一个负向调节作用。再往下看， 呃，这呃，接下来结果呢是 x m 一呢对外的一个输出结果，回归模型。呃，这呢就是用于我们呃呃，解释的回回归模型，做回归模型的时候呢，需要展示一下这个结果， 接下来呢他就是这一个直接效应和间接效应啊，做了一切接管 的输出。然后这个呢是直接效应呢，到外呢是零点七四，然后这个间接效应呢，我们也可以看到呢，呃，这个 w 一呢，以低水平来说呢， 这个消音量呢， x 乘 m 一到 y 的消音量呢是零点五八四，然后取高水平的时候呢就是零点四一三， 然后这个 w 一呢是条件教育，从这里面呢条件教育呢是这个执行区间呢，是不包括零的，说条件教育是减住的。然后下面呢就是教育量的比较了，零点我们可以看到零点 四九八跟零点五八四，是这两个就是条件效应，是低水平和中水平的时候两个比较， 然后点 c 三五八四呢是呃高水平对低水平的一个比较，然后通过执行区间呢就可以看到这个原来比较呢有差异， 这是他那结果。这里呢有需要注意的一点呢，就是最后一点，就是说，呃，在下面这两个变量呢，在分析之前呢进行了一个中间化的处理，就是调节变量和自变量，进行了中间中间化的处理。 好，我们来再来看一下这篇论文。 这篇论文呢，首先呢就提出了这样一个模型，然后呃互联网使用呢，对心理健康呢是有正向依存的，这是假设一。 第二个假设呢，呃，距离感存在，那在互联网使用和心理健康之间呢，存在中介作用。然后第三个假设呢，呃，就是这文化资本在这个中介模型之间呢，前半部分起到了一个调节作用。 呃，我们再来看它的一个具体计算过程， 这回归模型呢，他是首先呢是呃用到了这模型字剪下的中介交易，中介交易结果展示呢一部分呢是主要是展示了这回归模型的一个 呃系数，呃检验情况，再一个呢就是用了模型器检验这呃前半段的调节效应。 然后展示呢回归磨脚两个部分，第一个呢是呃距离感，是中间变量对中间变量的一个影响，第二个呢是对心理健康的一个影响，是应变量。 然后再一个呢就是呃，呃进行了简单节律的分析，我们就通过这个调节效应绘图呢，然后再加上这些 呃描述，就是验证它的模型假设三。最后呢就是对这一模型呢进行整体的概括，就是 呃，这呃这个互联网通过距离感的中介作用呢对心理健康的影响过程呢？做到具体文化资本的调节，就是说这个模型是存在的， 呃，也就是说他是成立的。好，这是关于这篇文章，那关于本次内容呢就分享到这里，呃，大家如果有疑问或者合作之余呢，可以联系我们，这是我们的联系方式，好，谢谢。

大家好，我是李博士，接下来我跟大家分享的是 s p s s process 插件的模型五，有调节的中介模型搭建，去调节变量的时候，发生在 x 和 y 之间的直接路径上。 好，我们首先来看一下这个模型五模型五呢，主要有这么呃四个变量，四变量，一变量中介变量 m i， 然后这里呢 mi 呢是要求呢，最多是十个平行的中间变量，然后这 m 呢是调节变量，调节变量呢是发生在这个外， 呃，这一条直接录进账让我们看，可以看一下这个呃间接交易就是中间交易还是 ai 乘 bi， 然后这个有条条件 线的直接效应呢是呃 c 一一撇加 c 三一撇乘 w 就是这个，然后 c 三一撇乘以这个 w。 好，我们来看一下这 proc 的相关操作。首先呢我们需要选对这个模型，然后先把模型五选择，然后呢把呃自变量应半量中介变量以及调节变量选择，这是外面是明变量， x 是自变量， m 一呢是中介变量， w 一呢是调节变量。然后如果有斜变量呢，可以放到这里面来，比如说年龄，呃性别等等这些呃控制变量可以放到这个斜变量控制这个框里面。 然后关于选项呢，可以选择这几项，呃第二项，还有这比较的这个第四项，还有 最后一项，然后这角度点位数呢，我们选择三位，然后这 p 值呢小于零点零五，下面呢是选择均值加减一个标准差。 好，我们来看一下这个有调节的中介交易的一个分布思路。首先呢我们先来验证一个这个这个呃中介交易的存在就是 m c， m 到 y 这样一个中介交易存在，他呢是用到的是模型字，然后呢我们在 来检验我们调节变量，在这条直接路径上是不存在调节效应，我们就用到了 process 的模型五，模型五来检验 啊，然后呢我们再呃进行简单节律分析呢，就用到一个 a l 表格了，呃，把我们输出 process， 输出 结果呢对应复制呢，给他对应到呃这里面来，然后呃就可以绘制相应的简单斜率图了。 呃，这是其中一篇论文。我们来到指尖，呃，打开一个具体案例来看一下， 这是一个具体数据，那这自变量 m 呢？中介变量 w， e 调节变量 y， 首音变量。 那我们先来操作一下前面的内容，自变量外呢是音变量 m 一呢是 中介变量 w 调节变量。把模型五选上，然后选项第二项，第四项， 呃，还有最后一项，然后这角一点三位零点零五均值加减一个标准差，继续确定。 好，这样呢就输出了一个结果了，我们挨着来看一下他这个输出结果， 呃，第一项呢，就是 x 和 m 一之间的一个回归分析结果，就是 x 对于 m 的一个回归分析结果，我们可以看到呢， x 对于 m 呢是 p 值呢，是零点零零零，也就说对 m 值减重的。然后再一个结果呢，就是 xm， e， w 以及它的交互， 这样对外就是这了，然后 x 对 m， 它交互相对， m 对外，然后 m 对外，就这样我们来看一下自变量，对应变量呢是显著啊，调节中介变量也是显著的，然后呢， 呃，这 w 一呢，调节变量是减负的，这交互项呢？呃，零点零零零也是减负的，就说明呢这个调节项是存在的。 然后呢，我们再看一下这个，呃关于他的一个绘图输出，下面这部分呢，是他的一个绘图需要的数据， 我们可以看到 w， e 是低值的时候呢，它的呃效应 量呢是零点三五二，然后他的是高值的时候呢，是零点二一七，也就是说 w 越高呢，他的就量是越低的，也就说 w 是一个互相调节作用。那我们再来看，再来看这个， 呃关于这一部分数据呢，来绘制的 ai acr 里面的简单节律图呢，我们可以看到这高调节作用 啊，可以跟低调节作用节率是不一样的，节率呢是高调节作用呢是低的，然后低调节作用节率是高的。 所以说呢，这调节变量呢，还是起到一个互相调节作用，跟前面的结果解读呢是一样的，让我们再来看一下，这是要有条件的直接效应来作为他的 w 一是低值的时候呢，呃职业效应呢是点三五二，然后高值的时候呢是零点二一七，然后这个呃间接效应呢， 呃 m 一的间接效应就是中介效应的，呃执行区间呢，不包括零，也就说这个 m 一呢是呃显著的。 然后还需要下面注意一点呢，就是在做分析之前呢，他对两个变量进行了中心化，就 w， e 和 x， 就涉及到调节变量的两个变量 w， w 和 x 呢，进行了一个中心化，这是啊魔镜五的一个结果解读，这里面呢，哎，如涉及魔镜四尖叫这样一个呃中介叫，就是 前面介绍过来，大家如果感兴趣呢，可以翻看前面的视频模型四的介绍。 好，我们再来看一下这篇论文，这篇论文呢他他是调节的是中间结尾的前半段，我们这里呢是 调节的是模型五呢是调节的是直接路径上的这一段，但是思路呢都可以按照这个来，他呢首先呢是用模型四做了一个 呃中介交易的检验，然后呢再用模型七，模型七是检验的是前半段，这里呢我们就用模型五来检验他这个呃直接路径上的 调节作用。然后呢再就进行了一个调节作用的一个呃简单结 率分析，就是绘制这一这样一个调节性图，呃解释这个调节教育。呃，这是他文章的一篇出处，大家如果感兴趣呢可以翻看这一篇文章。 好，关于本次内容呢就分享到这里，大家如果有意外或者合作事情呢，可以联系我们，这是我们的联系方式。好，谢谢。

所有人都可以学会的 s p s 四、分析课程，今天我们要讲解的是调节作用，调节作用呢，它一般是用在中介调节模型里面，比如说这里可以看到这个模型图， x 是 自变量， m 是 中介变量， y 是 因变量， 然后这个调节变量就是 z， 它可以调节 x 到 m 这条路径上，这里有一个箭头，当然这只是调节作用的其中的一个模型，它还有很多的一些模型， 下面我们可以来看一下一些常见的调节作用模型图，比如说这个它就被称为 mod 五，它是调节 x 到 y 这条路径上的，然后 mode 七，它是调节 x 到 m 一 这条路径上的。当然还有更复杂一些的这个调节变量，它调节了两条路径，分别是 x 到 y， 还有就是 x 到中间变量 m， 或者就是 m 到音变量 y， 下面还有 model 十五，分别调节 m 到 y， 还有就是 x 到 y 这两条路径， 还有这个 model 五十八，它调节了 x 到 m， 然后 m 到 y 这两条路径，这些是比较常用的一些调节作用模型图。还有这个它一共 设定了三条这些路径，因为中介模型里面他总共就三条路径，如果说他三条路径都都有调节作用的话，这个模型也是稍稍会比较复杂的。 然后我们可以看到这是中间调节的一个分析的结果，这个就是调节作用检验的表格，它其实是它其实本质上也是回归分析，只不过它分了三个模型图， 然后最关键的是看这个最后一个模型的 p 值， 如果 p 是 显著的，那说明它的调节作用是成立的，这里可以看到它 p 是 不显著的，说明这个交互作用 不显著，也就是调节作用不成立。接下来我们以这个对象文件为例，带着大家来做一下调节作用检验，这里可以看到它分了五个维度，然后我们以这个为自变量，品牌忠诚度呢为应变量， 带着大家来做一下调节作用检验。我们使用 shift s p s 分 析工具，首先在这里上传数据，然后下面它会有一个对话框， 在对话框里输入对数据做一个调节作用检验。当然你直接说这句话的话，他他并不明白你的呃自变量、中间变量、调节变量这些等等是哪些，你需要把这些详细的信息告诉他，然后并且你要告诉他你的模型是用的 mod 五， 也就是也就是这个比较常用的模型， 然后它就可以直接生成结果的三线表，前面是先进行中介检验，然后后面调节作用检验， 这些表格都是可以直接粘到 word 里边，粘进去之后就是这样子的，也就是非常标准的论文三线表。 但这个分析工具里面还有很多的统计学方法，都可以去多多尝试一下。

接下来分享的是 m plus 前面料有调节的中间模型，调节的是直接路径和后半段。好，首先呢来看一下这个模型，呃，我们可以把这个模型呢关于 y 的 一个回归方程写作， y 等于 a 零是常数项，然后 b 二 x 加 b 三， m 加 b 四 w 加 b 五， m w 加 b 六 x w m w 呢是呃 w 和 m 的 交互量， x w 呢是自变量和调节变量的交互量。然后如果我们把 m 提取出来呢， 就是呃调后半段的一个调节的斜率呢，就是 b 三加 b 五 w， 然后如果取 w 正负一个标准差呢，呃，低水平下的简单斜率呢，就是 b 三减 b 五， 然后高水平下的简单斜率呢，就是 b 三加 b 五。同样呢直接路径，我们把 x 来提取出来， 它的一个节律呢，就是 b 二加 b 六 w， 然后我们这里再取 w 的 一个加减一个标准差，也就低水平下的简单节律呢，就是 b 二减 b 六，然后高水平下的一个 斜率呢，就是 b 二加 b 六。然后如如果我们再来看这条中介路径，就是 b 一， 然后再乘上个 b 三减 b 五，在这低水平高水平下的一个调节的，呃，中介路径呢，就 b 乘以 b 三加 b 五。 好，对应的 m 四代码呢，前面部分呢，都是跟其他的一呃调节向的写法呢，都是一样的，就是到了测量模型这里，呃定义两个交互向一，第一个交互向呢，是 m 和 w 的 交互向， 也就说是调节的是后半段这个交互向。第二个交互向呢，是 x 和 w 的 交互向，就是调节的是直接路径上的一个交互向。 然后写结构模型的时候呢，我们 y 等于呃 x， 然后是系数呢，定义为 b 二，然后 m 定定义是 b 三，然后 w 呢定义是 b 四， 然后第一个乘积项是 m， w 定义 b 五，然后第二个乘积项是 int 二是定义 b 六， 后面呢就是模型的约束部分，就是跟前面的内容呢都是类似的，这里呢就不做介绍了。然后我们来看代码， 这是代码，然后如果跑的话呢是非常费时间的，这里呢直接给出运行后的代码，这是跑这代码，然后输出结果。好，我们来看这个输出结果呢，主要用这个 c， u， d， 还有这 h 零以及 a r c 这三个数值。呃，这样呢，我们就得到了有交互向的 a r， c， h 零和 df， 让我们再需要得到的是无交互向的 a r， c， h 零和 df， 就需要在这个代码上基础上呢去掉这 analyzes 这些代码，去掉具有交互像的这些代码，包括结构模型里面带有交互像的这代码，还有 model constraint 的 这代码，来生成这样一个基本模型的代码。好，我们来跑一下这个基本模型代码， 我们就是来取这些，呃，无交互像的 a r c a r c 呢，就是二零八九三点五九三，然后 h 零负的一零三八，一点七九七，然后自由度呢是六十五。 呃，还有后面继续看卡方自由度比值是四九三点七八六，除以一六五， 然后 rms 音呢是零点零七零 s 二 m 二呢，零点零五八啊， c， f， i t， l 都是大于零点九，我们就是通过这比较这 呃有交互像和无交互像的这两组数据呢来发现。呃，有交互像的，呃，这模型呢是优于这无交互像的一个模型，然后比较呢，就是比较这两个数值，一个呢是 a c， 然后第二个呢 是比较 h 零的一个卡方检验。这两个模型的比较呢，我们可以通过一个 excel 呢来，呃，实现，可以通过 这这样的一个 excel 啊，把这个数据呢，呃，这三组数据呢，复制到这 excel 工具里面来，然后，呃这粉色区域内就可以输出。呃，这个结果呢，是否通过这个检验？也就是说这个模型呢是否有优化？ 这是模型的路径技术和标准化因子载荷，呃，就通过这个模型呢， 呃，输出结果呢？再往后看，呃，第一部分呢，就来到了 model result， 呃，给出来的是 x 到 m 的 一个回归技术以及显著性。呃，再一个呢，就是这儿， 呃 x w 和交互向一，交互向二，呃对外的一个回归方程，我们来看，这 x 对 外的一个回归是显著的，然后 m 对 外是显著的，然后 w 对 外呢也是显著的。交互向一是不显著的，这是 p 呢大于零点零五，然后 int 二就是直接路径上呢，也是不显著的，这是 model result。 再来看标准化的一个路径技术， 呃，就是这后面这一块呢，是一个标准化的路径技术，呃，在结果展示的时候呢，我们通常可能会用到一个，呃，标准化的一个路径技术，然后 我们再来看，因为后面可能需要展示的一个模型路径技术图，就通过在这输出结果，然后我们调整一下，然后我们可以再设置一下输出的一个标准化的一个 系数，然后去掉残差，只展示这样的一个路径系数值。好，然后再进行简单的调整一下。 好，这是它的一个标准化的路径，记住，我们可以看到呢，它就是增加了这样一个两个焦像，一个呢是调节的是 呃后半段，然后一个调节的是直接路路径上 x 和 w 上的一个，呃，这段路径上。好，这是它的一个路径图。 呃，再一块内容呢，就是简单斜率图的绘制。简单斜率图的绘制呢，就是通过 呃在这样的一个工具里面对输出结果呢进行对应，然后后半段呢，就相当于我们的这个 x 呢，就是 m， 然后 w 呢还是 w， 然后交互像呢，就是 int 一 对应过来，这些技术对应过来，然后 x， w 以及它的均值和方差在 type four 向后面的输出结果里面来对应找数值，这样对应一下数值就可以，呃，自动更正。这些简单斜率图的一个图形 啊，同样直接路径呢，就是调节的是 x 了，就相当于把 x 的 回归系数对应过来， x w 交互项对应过来，然后同样还是 x 均值和 w 均值呢，都呃到 type four 后面的输出结果里面来找， 就是用这工具呢来绘制简单截率图。好，这块呢已经介绍过来。呃，最后一部分内容呢，我们就是想通过 bug strip 法呢来看我们的一个， 呃结果呢是否显著，用 bug strip 法法呢，就是结果呢相对更稳健一些。我们可以看到呢，这 x， m， w 呢之间区间呢，都是不包括零的，都显著的。然后 int 一 呢？呃， int 一 呢，是包括零的，是不显著的。然后 int 二呢是不包括零的，是显著的。就是说 这 int 二呢，跟前面的一个模型呢，是稍微有差别的，因为这个 bugstra 法呢，结果呢是更稳健的 呃，后面的是增加的我们新增的一些呃参数的一个呃相应量和百分之九十五的执行区间情况。在分析的时候呢，我们有可能呢，也需要报告这一部分结果内容。 好，这里呢可以提供 mplus、 sbss 等软件的数据分析咨询、讲解和代做，如有需要可联系。

老师问你，这个变量是调节还是中介，你说有什么区别吗？一个问题的区别，这个变量是你的 x 变动之前就存在的，比如行业、企业规模所有制，那就是调节，调节改变 x 和 y 的 关系强度， 这个变量是你的 x 变了之后才出现的 x 导致它，它在影响 y， 那 就是中介，中介是 x， 影响 y 的 渠道。一句话，调节是条件，中介是渠道。 在斯坦那里怎么验证呢？首先我们看一下这个数据， x 是 研发投入， z 是 企业规模， m 是 专利数量， y 是 利率。我们首先调节效益应用交互项目。 从这张图里我们可以看出来，企业规模的不同，研发的回报率完全不同，大企业斜率更陡，小企业更平， z 改变了 x 和 y 的 关系， 中介效应。我们还用三步法，先看 x 对 y 的 总效应系数是四点五九显著的，再看 x 对 m， 最后把 m 放进去， x 系数如果变小， m 就是 中介路径。所以从这里可以看出来， m 是 中间人，是渠道，不是条件。大部分用混的情况是把中介 当成了调节，好了个交互像，老师一眼就看出来。所以在下次加变现之前，我们先问自己，他是条件还是渠道？分清楚这个老师再问你，你就知道了。

嗨，大家好，今天我们学习的是混杂因素中介变量效应修饰。到底怎么区分混杂因素，同时关联暴露和结局不在因果路径上？中介变量位于暴露影响结局的路径中，效应修饰让作用在不同人群中强弱不同。变量不是简单分成调和不调， 而是先判断他在研究里扮演什么角色。为什么。这一篇必须讲透，最常见的四个误区是，该调的不调，中介提前交掉，该做交互没做，只看显著性。这些问题会让估计值被扭曲、路径被消掉，意志性被忽略，甚至判断错变量身份。 所以变量问题首先是研究设计和因果逻辑问题不只是显著或不显著。什么叫混杂因素？混杂的关键有三点，同时关联暴露和结局。不再暴露到结局的因果路径上，还会让你看到被扭曲的关联。比如研究某种药物和死亡风险时， 年龄更大的患者更容易用药，而年龄本身又和死亡风险有关。处理混杂常见方法有校正、匹配、平衡和分层。混杂不是让你不把别的差异当成暴露本身作用。 什么叫中介变量？中介变量是暴露先影响他，他在影响结局。他和混杂最根本的区别是，混杂是外面混进来的差异。中介是暴露作用传递的一段，比如研究高糖环境和肾损伤进展时，某些早期肾小管损伤指标就可能位于这条路径中。 想看总效应，不能轻易把中介掉，没想拆路径，可以专门做中介。分析中介变量的关键不是先问要不要控制，而是先问你现在想看总效应还是想拆路径？什么叫效应修饰？ 效应修饰指的是同一个暴露在不同人群中，作用强弱不同，比如年龄、性别、基础病状态，都可能让同一个指标或同一种药物 表现出不同影响。混杂需要控制，因为它会让你看偏笑与修饰需要识别，因为它可能是真实意志性。常见屏幕方法包括分层分析、交互式分析和亚组解读。遇到明显亚组差异时，不能只把它理解成分析不稳，有时它恰恰是研究很重要的一部分。 为什么把所有变量都掉进去并不更严谨？把中介直接掉掉？可能把本来想看的总效应减弱掉，把后果变量纳入模型，甚至可能引入新的偏差。把效应修饰只当斜变量，会掩盖本应被看到的意志性。真正决定变量身份的 不是显著性，也不是常见程度，而是它和暴露结局之间的前后逻辑与路径位置。真正的方法学成熟，不是变量越多越好， 而是每一个变量为什么在这里都说的清楚。自己做课题时怎么判断变量身份？先看时间位置在暴露之前还是之后，再看作用方式，是扭曲关系、传递关系，还是改变强度。最后看研究目的，是想看总效应差路径， 还是看意志性？按这个顺序走下来，很多原本感觉都差不多的变量角色就会慢慢清除。方法部分怎么写更稳？安利里又该怎么判断？更稳的写法是基于临床知识和因果逻辑，让年龄、性别、基础疾病负担等 视为潜在混杂因素，纳入调整模型。对可能位于暴露到结局路径中的变量，不在总效益模型中直接调整。 再进一步用分层和交互分析评估年龄、性别等效应修饰作用。先分清他是谁，再决定要不要调、怎么调，要不要分层或做交互变量放错位置比模型选错更麻烦，记得关注再走哦！

这是一节所有人都可以学会的 spss 分 析课程，今天我们要讲解的是中介检验。在讲中介检验之前，我们先来看一下，这里有两个结果的表格，这个可以看到它是回归分析的表格，它里面展示了三个模型， 分别是服务体验，然后品牌忠诚度，服务体验，下面是路径分析的一个结果，可以看到 是内容吸引力到品牌忠诚度，再到服务体验这样的一个路径的分析结果，包括总效应、直接效应、间接效应、中间类型，这里也是我做出来的，这里显示是完全中介 这两个表格，它就是中介检验分析的一个结果。那么在了解中介检验之前，我们先来看一下 中介检验的类型都有哪些，这里这个图它展示了就是一个中介检验的本质。我们再次回顾的时候都知道是一个自变量对一个 e 变量 y， 也就是 y 等于 c x 加一一，但是如果说你引入了一个中介变量，它就会 自变量的作用，就会通过中介变量，然后来作用于应变量 y， 然后这样的就叫这样的一个模型，就叫做中介检验。 这里可以看到它直观的列出来一个中介检验的模型图， 就是自变量 x， 从变量到中间变量 m， 然后再到变量 y 这样一个路径，然后还有条路径是自变量 x 直接到变量 y， 当然中介中介检验它不止这样的一个简单中介，还有下面的一个平行中介，这个是列式中介。 今天我们就以这个调查问卷为例，然后来做一下周期检验，这里我们是 这个为自变量，然后这个为中介变量，这个为因变量。 我们借助这个切的 s p s 分 析工具，点击这里上传数据，然后这里可以查看你上传好的数据，可以看一下数据结构是否完整， 点击确认，下面会有对话框，在对话框里直接输入对数据做一个中介体验，自变量是内容吸引力，因变量是服务体验，中间变量是频为忠诚度， 然后它就可以直接生成结果的三线表，这里可以看到它是一个完全中介， 然后点击复制 粘贴进来，就是这样的一个结果表格。 当然这里还有很多的统计学分析方法，大家都可以去多多尝试一下。

hello， 同学们，大家好，今天来讲一下中介效应的检验是如何做的。那么在讲之前，我们首先要了解一下什么是中介效应，那么中介效应它讲的就是你的自变量 x 通过影响中间的一个变量 m， 进而去影响 y， 它不单纯于局限于之前的那个模型，就是简单的回归 x 就 直接去影响 y 了，那么它是要通过中间的一个变量，因为很多时候往往嗯， x 影响的是间接变量，而不是直接变量。那么举个生活中常见的例子就是， 嗯，比如说父母对你的学业上的费用的开销，那么肯定不是费用直接去影响你，那么费用他会去，比如说他在 教学教育上的费用越高，那么他受得到教育就越良好，那么这个费用就会去影响这个教育， 然后进而去影响你的成绩以及你周的发展，那么这个教育就是作为一个中间变量，那么这个钱当然就是这个教育投入的费用就是这个自变量。 那么嗯，这个在 s p s 当中是怎么做的呢？这个效应我们可以打开 s p s， 然后将数据导进来， 那么也研究这个中介的话，首首先要咱们要研究一下这个 x 对 y， 也就是 直接的向前点击回归，然后点限行回归， x 拖在这，然后 y 拖在这，然后点确定。 我可以看到这个直接效应是显著的，因为 p 小 于零点零五吗？并也是正向影响对 y。 那 么除了简单的这个直接效应检验以外，还要研究 自变量对中介变量的影响，那么这个这个是 y 自变量对 y 的 影响，那么现在研究自变量对中介变量的影响 点确定，那我可以看到对中介变量也是影响显著的，并且是正向影响，那再点击分析，那么最后是中介，那么中介和 中介和 x 它是否会共同去影响这个 y， 那 么这就是散步法，然后点确定，那可以看到加减量自变量和中介变量都会去影响这个音变量，那么这就是 起到了中介效应，并且是部分中介的作用，那么中介的话，它也分为完全中介，完全中介是什么？就是 x 对 y， 它不产生影响，就说我们再去做简单效应的时候， 这个 x 对 嗯， x 对 y， 它是没有显著的作用的，这个是大于零点五的。如果 x 对 嗯 y 有 显著的作用，并且嗯， 并且 x 和中介同时又会影响 y 的 话，那它就是起到了起到了部分中介的作用，如果 x 不 对 m 哦不对 y 产生影响，那就是部分中介， 嗯，当然接下来就是整理成三线表，但这个整理起来就非常的麻烦，是说我们这里就直接运用咱们的 chat sps 进行整理，那么上传数据以后，那么告诉他想进行这个中间的检验， 那他就直接给你得出来了，就在这输入中间的检验，他就直接给你得出这样的结果。那么这个表格是可以直接复制粘贴到嗯， word 文档当中的， 它粘贴下来就是这种标准的三线表，可以看到制作是非常方便的。

抓不住重点，越忙越乱。你缺一套思维模型，一百天拆解万维钢现代思维工具一百讲，今天是第二十四，讲颗粒度和因果中介用模型思考。 很多人做事全靠直觉，问题来了只会硬扛，业绩差就猛加班，状态差就乱调理。本质就是没有看透事物底层逻辑，脑子里边没有模型。 什么是模型呢？一句话说清楚，模型是复杂事物在你脑中的简化镜像，帮你穿透表象，看清运行机制，精准找到关键控制点。 控制论有个硬核结论叫好调节器定律。你想真正掌控一件事，脑子里必须有它的完整模型。没有模型，再努力也只是瞎忙活。学会这套方法，再复杂的事也能化繁为简，精准发力。 好模型必须满足两个核心要求，缺一不可。第一，颗粒度要刚刚好，颗粒太粗，只看表面现象。抓不住核心本质，颗粒太细，纠结琐碎细节，反而看不清大局。 顶级模型遵循最小描述长度，用最少的信息解释最多的问题，不容于不遗漏。第二，分清因果，找到中介变量。 千万别把一起发生当成因果。很多事看似相关，其实只是巧合。比如大家常说生气会得癌症，其实不是直接因果。生气导致不良生活习惯，然后导致癌症。不良习惯就是关键。中介 高手从不盯最终结果，专抓中间那个关键中介抓对了，问题迎刃而解。 用模型思考其实就三步，第一步，简化事物，定好适中颗粒度。第二步，拆解逻辑，区分相关与因果。 第三步，锁定中介，抓住核心控制点。记住，真正的聪明不是懂得多，而是会用模型抓本质，告别无效。努力 放到酒店管理来看，别只盯着营收、入住率这些最终结果，抓好服务、品质、体验、流程这类关键中介同样重要。 颗粒度适中，抓准核心环节，管理更高效，业绩自然稳固提升。下一讲，贝耶斯鲜艳判断是主观的，但可以更科学一点。

不用做实验，挖公共数据就能发十三分。 s c n i 这篇文章用叉 o s 数据库做了机少症和衰弱的共病研究，核心思路超清晰， 先 cox 回归锁定机少症对衰弱的独立预测作用，再用中介模型拆解抑郁和认知的两条作用路径，最后分层分析， 精准锁定干预人群，完美踩中高分期刊描述解释应用的三段式结构方法，超容易复刻。 process 插件加五千字 bootstrap 验证规范又好上手 多分类呀。变量中介模型，避免粗暴二分法带来的样本信息损失。想抄作业直接用变量置换，换个暴露因素，换个中介指标，换个结局，事件逻辑通顺就能直接平移。想提分就做人权分层跨数据库验证。

调节效应与中介效应对比调节效应是研究 x 对 y 的 影响时，是否会受到调节变量 z 的 干扰，比如开车速度 x 会对车祸可能性误 i 产生影响，这种影响关系受到是否喝酒 z 的 干扰。中介效应 是研究 x 对 y 的 影响时， x 是 否会通过中介变量 m 再去影响 y， 即是否有 x， m 和 y 这样的关系。 调节变量与中介变量比较见下表。在 swap 中可进行调节和中介效应分析。选择分析方法，将变量拖拽至右侧对应分析框中，选择调节类型和数据处理方式， 点击开始分析按钮，即可得到所有分析结果。 splice 自动构建交互像，得到调节效应分析结果，即简单斜率图结果， 你学会了吗？

你开不出单，不是因为你不够聪明，不够勤劳，而是因为你的能力模型不够，你只会卖房子，端口流量在下滑，你没有更多的客户量，导致你开不了单。你仍然日以继夜，在努力，在跟进，在打电话，在代看，但是你客户量太少，所有的转盘转动不起来，导致你开不了单，而你的客户量减少。没有流量，是因为你缺乏自媒体的能力的模型， 时代在变化，但你的能力模型没有跟得上，就像电动一样的，为什么现在绝大部分电动做成了附近店？因为你的能力模型停留在你做经济的时候，你只会卖房子，当你遇到危机，当你经营创业的时候，你还是戴着老板的帽子，还在做一个经纪人，所以你公司创业了很多年，你一直还在做经纪人。 所以作为电动的角度来说，我认为你赚钱的方式是有三种，但大家选择的是最低的一种，就是靠卖房子赚钱。 卖房子不是不好，而是你如果做不了大 v， 卖房子意义并不大，能解决生存生活的问题，因为你开的很低品，哪个店都能保证自己每个月可以开单，你自己的能力上限是多少，你的时间上限是多少？所以导致大家夫妻店基本上活着是没问题，我认为这是最低级的。那第二种是有一些 店东，他有具备一些整合资源的能力的模型，他能整通上下游。就像我上个月去了山西一家公司，他们光靠装修这个事情办了一场活动，纯利润能够打出两百万，兄弟们 真的就中介，他们干了两三百的规模，找我给他们做咨询，裂变新潮的定制，他们光靠装修一天可以打出两百万的纯利，把所有成交的客户全部拉过来做装修的活动。 这里有这样子的一些资源整合的能力，那你可以赚到上下游的一些钱。装修啦，装修代卖啦，单面代理啦，包括营销返点啦，包括开发商那边的独家代理，真是后端的溢价啦，反佣啦，这是你资源整合的能力。 那第三种是什么？如果你具备了第一种，第二种，还有第三种能力，公司就起飞，基本上就是个标配的千家门店。第三种能力就是你具备能够真正的意识到中介行业他的核心产品是什么？ 经济的产品是房子，你的产品是房子，你的产品是房子。你变成第一类经纪人，卖房子，做老板的经纪人，你的产品本质上来说是经纪人，你有发现没有？比如说你入对了，你系统里有很多好优质的房子，有很多优秀的一些房源，你有没有人气提高了吗？你钱赚动了吗？并没有。 那你如果有很多优秀的经纪人，比如说你今天从十个人干成五十个人，你是不是能赚更多的钱？这贝壳已经反复论真的一件事情，行情好坏不重要， 只要你能够把人给搂过来，你就能赚更多的钱。所以贝壳最近这几年行情在下滑，人家一年可以赚几十个亿，因为人家很自豪的说行情好坏不重要，因为我有五十万经纪人，我在源源不断去挖。所以贝壳他的财报里面非常重要的数据是门店在增长，人员在增长，这点是他核心赚钱的驱动力， 再用前端带动后端，所以贝壳的一体商业思路非常的清晰，我们为什么不能做个小贝壳呢？我们干个三五十个团队，人员在增长的同时，我们再发展第二张曲线，把你第二个、第三种能力把它给结合在一起，就能变成一个很舒服的千万门店。 当你的门店打了百八十个人的时候，千万门店不是自然形成的吗？所以到目前来说，第三种电动你需要怎样子？一种能力模型，你需要新宠车型， 因为中介还没有护城河经济能跟你干，能不能留存在这里？同行的经济能不能到你公司来？核心就是我在这里能不能赚更多钱， 跟谁去对标？你的对标不是同行的新车，同行七十，你也七十，同行八十，你也八十，那你的经济为什么跟你干？外面的经济凭什么到你这里来？你人缘怎么增长？肯定得招人挖人嘛，新人是跑不通。所以你的对标是出去创业经济，出去创业能赚多少钱？成本多少经济，出去创业要承担房租水电， 还一堆破事，到我们公司，我们房租水电不要你承担，做一千拿一千，做一万拿一万。如果是这样子，你觉得经纪人会出去创业吗？包括外面的一些经纪人，他会选择来你公司吗？ 就你实现真正没有套路的百分之百提成的时候，会不会天下归心？会不会经纪人会全力的去拥抱你？而百分之百天？咱们弄明白了一件事情，是怎么赚钱的问题吗？咱先不说后端产品，后端美团公司有，有些公司没有，主要靠前端去盈利，前端怎么赚钱？ 还是找对标？就我们遇到任何问题的时候想不通没关系，想不通在市场上面找有没有做成这个事情。你们可以搜索一下百人赞提成， 会看到我大量的一些学员，同时你会看到武汉一家公司八千多个人，百人赞提成去年存了一点五亿以上，贝壳一个毛挖不走，反而很多贝壳去了他们公司，他们每个单店四十平方，有四百多个人，真的是时代发展的趋势，就独立经纪人的雏形。 拿板材提成，我们不再跟金健是一种雇佣关系，打工的关系，我们合伙的关系，你拿板材提成公司赚钱的方式，通过裂变，也就是你实现百分之百进的方式，通过裂变增长，把你之前认识的同事同样给拉进来。金健身上有种非常非常重要的人脉价值， 你不要以为你在经纪人身上只能赚到商业价值，你做一千我能拿多少？你做一万我能拿多少？你在算经纪人算，你只要在某个单个经纪人身上钱赚多了，经纪他心里就不平衡，他会想着我出去创业是不是赚更多钱。所以正规账上永远都是矛盾，因为经纪永远都想实现利益最大化，而老板也要生存，如果把速度改变一下，我就不在你身上赚钱行不行？ 我利用你的人脉价值，张三，我不赚你的钱，我在李四王五身上赚钱，你就实现板块提成。对， 所以最近这些年，我们用类似这样的一些逻辑，打了很多数据，打了很多暗恋，沉淀了很多经验出来，你想做千万门店，想把工作发展起来，不想 去靠低纬度，作为店东很辛苦的卖房子卖一辈子，再干十年，你还是个夫妻店，不想这么去做，公司想发展发展，你何不来出来看看机会呢？万一一不小心你们公司增长十倍八倍，干成了千万门店，这岂不是美食一桌？