stata倒u型调节效应检验怎么看
粉丝256获赞1351
相关视频
15:00查看AI文稿AI文稿嗯，我要跟大家分享的是调节效应，调节效应指的是存在一个调节变量 m， 它会影响自变量 x 对应变量 y 的作用。 比如说，我们认为酒后驾驶会引起车祸，那么在这其中呢，司机的开车的车速也会在其中起一定的作用，当车速越高的时候，引起车祸的可能性也就越高。再比如说，我们一般认为，面对考试的时候， 复习准备的时间越长，那么考试成绩就会越好。那在这两个变量之间呢？我们会发现，不一定，我们复习时间越长， 嗯，他的成绩就越好。也会有很多外部的因素会影响成绩的高低，比如说啊，老师在考试前有没有划重点，比如说复习的 时候，方法和不好都会在其中起着调节作用。再比如说，我们认为社会排斥会减少亲社会行为，那么这段关系也会受到个人特质的影响。高促进订餐的个体，嗯， 会更关注一些积极积极的结果，那么在被排斥后，为了寻求社会艰难，更可能会做出一些轻社会行为。而第一促进电商的个体 偏向的是避免再一次的社会拒绝，因此在被排斥之后，会减少新社会行为。也就是说 啊，当个体被社会排斥后，最印象的水平越高，新社会行为就越少。那么通过上述的例子，我们可以发 线调节变量，它影响的是自变量对音变量之间的关系的强弱，以嗯，甚至是方向。那么与 中介作用的区别在于，条件变量，它强调的是自变量核实对因变量产生更强或者更弱的这样一个作用。而中介效应强调的是自变量通过什么途径对因变量产生影响。 然后接下来我们可以看一下调节作用的数学实线，比如说我们想要研究一个自变量 x 对应变量 y 的影响， 那么可以通过 y 等于 a 乘 x 加 e 这样一个方程来表示这个关系，那在这个模型里面， a 表示的是 变量对因变量的关系强度亦是一个常数。我们可以找一个嗯，刚刚说的例子来说明一下。就是比如说复习时间越长，考试成绩越高， 那在这里，嗯，我们的方程就是成绩等于 a 乘以时间加一个 e 啊。为了把这个例子，我们具体一下，可以把 a 设定为二，然后 e 设定为六十，那么公式就变成了，考试成绩等于二乘以复习时间加上一个六十，那我们一天都不复习的情况下， 嗯，考试成绩就会是二乘以零加六十，就是最终能考六十。按假设复习了有十天， 那么考试成绩就是二乘以十加六十就是八十。嗯，那现在呢？我们认为在这两个变量之间会存在一个调节变量会影响他们之间的关系。假如说这个调节变量就是嗯复习方法， 那么复习方法就会影响他们之间的关系，也就是这个 a， 嗯，需要注意的是，这个方法他既不是影响自变量，也不是影响因变量，而是影响他们之间的这个关系的强度。 嗯，这样的话，我们可以嗯再对 a 列一个公式，也就是说 a 是等于 c 乘以方法加上一个二，然后我们这里对二的理解 就是说，嗯，当我们什么都什么方法都不用，这个方法是零的时候，那么 a 就是我们一开始设定的二，然后这个 c， 嗯表示的是学习方法对这个 a 的影响强度， 那得到了 a 的公式，我们再把这个公式带到原始的方程里面去就可以了。比如说，嗯， 也就是说这个成绩现在就等于，嗯括号里的这一部分乘以时间加六十，然后这一部分就是一个 a， 接下来再把这个公式展开一下，就是乘积就等于二，乘以时间加 c， 乘以方法 加时间加 b， 乘以方法加六十。然后这里呢，我们加上了一个 b 乘以方法，是因为我们一般认为调节变量对音变量也会产生一个影响，然后他们之间的影响的关系强度就用 b 来表示， 那这样就是一个完整的嗯，表示调节模型的一个方程。 嗯，在这个魔性里面最重要的东西就是这个 c， 也就是调节变量 对 a 的影响强度。当他的关系强度是显著的话，也就是意味着调节变量对呃这段关系的调节作用是有意义的，是显著影响的。嗯，然后后面这个 x m 这个 部分我们称之为交互向啊，这整个部分就是整个调节模型最为关注的地方，只要他显著了，这个调节模型就是有意义的。 然后这个图就是更直观的表示了因变量 y， 嗯，它所受到影响的三个部分，首先是嗯自变量对 y 产生一个影响，然后是调节变量对 y 产生一个影响，然后记最后一个就是交互向对 y 的一个影响， 那么 c 就是衡量了调节相应的大小，如果 c 显著的话，说明 m 的调节相应就是显著的， 那接下来我们再来讲一下报告的内容。首先我们要看的就是 是交互向显著，嗯，这个可以在 process 里面直接可以得到这样的数据。然后当交互向显著之后，我们还要进行一个简单旋律检验， 然后这个简单斜率检验的目的就是看调节变量的不同水平下字变量对音变量是怎么产生影响的。 嗯，我们刚刚得到了这样一个公式，嗯，再把这个公式稍微调整一下，就能得到这样的一个公式。 其中这个括号的部分就是我们想进行检验的这个斜律 啊，我们可以看到，在这里是把这个调节变量分成了高嗯 高组和低组，然后自变量也分成了高组和低组。这个分组方式通常是采用了 坚持加减一个标准差的方式，就是将自变量和调节变量进行高低分组。求里面啊这个音变量这个四个点， 如果这个嗯调节变量是分类变量的话，就相当于直接把数据拆分成了两个组，然后再看字变量对应变量的差异。 嗯，接下来我们可以根据具体的数据进行分析。那我在这里用的例子就是嗯论文中的一个部分。嗯，在我的论文中用的是有调节的中介模型， 就是呃社会排斥对亲社会行为是通过关系需求威胁进行中介的，然后促进定向，在这个调节模型的后半路径起到了一个调节作用。 那为了嗯对调节效应进行讲解，我们把关系去威胁对亲社会行为的影响中促进定向，嗯，在其中的调节作用单独摘出来看，然后再使用 spss 进行操作， 然后接下来我们用 spss 进行调节，相应的检验，采用的是 process 插件，然后在这里我们点分析，然后回归点这个 process， 然后我们把对应的自变量、音变量和调节变量放到右面 框里，首先在这里的自变量是关系需求威胁，然后因变量是亲社会行为，然后调节变量是粗心定向，嗯，如果有斜变量的话，可以把斜变量也放进去，我这里把性别放进来， 然后在这个选项这里选第二个和最后一个进行前列，然后因为我们采用的是正负一个标准叉的方式进行高低分组，所以在这里我们改成这个选项，然后点继续 嗯调节，像他对所对应的模型就是模型一，所以这也不用再改了。然后嗯，还有就是我这里采用的是标准化之后的嗯一个数据进行分析的， 然后这个标准化他，嗯不标准化，对于结果的影响不大，那我们点确定， 嗯，等一下结果， 然后这就是结果部分，首先第一个部分就是他的一个基本信息，自变量，应变量以及调节变量是什么，然后这里是采用的模型一，然后这里还说了样本量是四百二十个。 然后接下来就是比较重要的第二个部分，第二个部分啊，首先他这里写的是模型的整个 r 和 r 方，他所对应的值是什么，以及他的 p 值， 嗯，然后接下来就是，嗯，整个回归模型最重要的部分，嗯，这里是嗯这些变量对于音变量的一个 相关啊，回归系数，然后这里是标准物，然后是 t 值和批值，最后两列就是一个置信区间。然后我们在这里可以看到这个 rnt 杠一，他就是我们呃所要关注的交互项， 也就是这里的啊关系学威胁乘以促进定向，就是自变量乘以调节变量，我们在这里可以看到啊他的这个批值是显著的，也就是说交互项是显著的，那交互项显著之后呢？我们可以看一下这个高分组 和低分组的一个差异，那在这里，嗯促进定向减一个标准差，嗯，在第一行就是他的一个呃低分组的情况，嗯，在低分组我们可以看到他的嗯 斜率是负的零点六七八五，然后 p 值是显著的，然后高分组是负的四零点四二三七。然后我们可以发现低分组的斜率是高于高分组的， 然后我们可以用这个嗯调节相应的分解图进行这个现代 siri 的检验， 嗯，在这里我们可以把它的 这些嗯系数都写进来，然后在这个表格里就直接可以出来一个对应的这个调节分解图了。 然后结局像这里写上，第一行的这个系数就是负的零点零八九二， 然后是自变量的系数是负的零点五五一一， 然后是调节变量 零点一四四一， 然后交互像之类的系数是零点一二七四。 嗯，然后我们可以看这个表， 嗯，这个地方呢，这些纸是可以根据你的研究进行改的，就是 一分组自编的名称，比如说 d 关 c q 威胁就是这个是可以自己改的， 然后再包括这个高分数，还有嗯调节变量，这里的名称也是 是可以改的，然后这个也都可以改。然后我们就可以看到嗯 一促进组和高促进组他们两组所对应的这个斜率的关系了，然后这个表可以在论文中进行呈现。 那这个嗯调节线呢？它所要报告的这个简单学历图，以及 嗯他所要报告的这一些相关系数，阿芳都可以在这个表中找到，然后并且做一个对应的图了。那以上就是我对调节相应的讲解。
80Echo
13:20查看AI文稿AI文稿哈喽，大家好，那么最近收到私信表示面板数据我们都知道做简单的固定效应模型，但是具体的命令又有好几种，然后大家可能有点稍微的分不清楚，那么这期视频就把最常见的几种代码给大家分享一下，希望对大家有所帮助。 然后对于面板数据呢，我们最常用的就是这四种方法，嗯，总体来说这四种方法都特别简单，只是每一种就是稍微有一点点需要注意的地方，那么这里给大家简单的解释一下。那么 呃，然后我的这个数据仍然是我常用的一个面板数据的一个教学示范数据，然后就是个体是 province， 然后年份是 e， 然后后面是 y x c x 三这样子的一个数据。那么第一种命令呢？我们主要是 呃通过，如果要做双向固定的固定效应模型，一般是通过引入虚拟变量来代表不同的个体，可以取起起到和固定效应这个组类估计一样的效果， 那么区别就在于我们要引引入虚拟变量来代表不同的个体，那么这种就就称之为简单经典的一个呃，最小二成虚拟变量方法 through lsdv， 那他们的优点就是可以对个体， 也就是可以对个体进行一个抑制性的估计，那么缺点就是如果你的个体 pro， 我的是 province， 一般不会大，就是固定的，如果大家是公司啊或者是银行啊什么的，就是在嗯，特别大的情况下，可能会要引入特别多的 呃，虚拟变量，那么自由度损失太大了，可能会超出 stator 所决所允许的解释变量个数，那么可能就 这，那么这可能就是他的一个缺点，那优点呢？就是他对数据格式是没有要求的，他是横截面数据啊，面板数据啊，都可以使用的。 那我们接下来先跑一下第一种结果，但是第一种结果你如果做面板数据，你要控制时间和个体的话，就只能通过这种加入虚拟变量的方式而来进行控制， 所以他的结果，所以他的结果会报告一大串串那种虚拟变量的回归结果，你看我有多少个个体就得包包多少个虚拟变量的结果，一儿也是的。然后你看， 如果你这里的，呃，我的，呃，如果你这里的个体很多的话，那么可能会很多很多跑下来，呃，如果如果特别多，那可能 会超出他解释的个数，所以，嗯，很大的话，那么这个命令就不太行啊。这是第一种比较简单，我把结果保存一下，等会一起导出来对比看一下。 嗯，第二种呢？我们用的很少，那么第二种命令是对第一种命令的一个优化，它，它对数据结构也没有要求，嗯， 他唯一对他改进的就是指，就是 i 点 promise， 就 i 点个体， i 点 id 这种。因为我们有时候在回归中控制很多虚拟变量，但是又不想生成， 呃，这么多的，生成这么多的虚拟变量的时候，不想报告虚拟变量的回归结果，那么我们就可以使用这种，使用这种命令，那么这种命令就是可以更快的汇报这种更简洁的结果，那么他的局限就是这个，额不，字儿里面包含了这个分类变量，是只能加 一个变量的，如果你是要估计是要进行双向固定效应，或者是更高维度的固定效应的话，那么还是得使用这个 idea， ear idea 什么的方式来映入一个序列的变量。 但是我现在写的这个代码跟 d 中的代码是等价的，结果其实是一样的， 那么这是第二种情况，我们也把它保存一下。你看这里，我把 year 把 province 说错了，加入这个 oppo zero 里面进行控制歌词， 把个个体进行控制的时候，他就不会报告易产川的这种虚拟变量的回归结果。所以在 n 很大的话，我们可能就不用第一种，就用第二种 mini 比较方便一些，那么接下来是第三种。嗯，第三种呢，是我们最最最 常用的，因为这个是呃 state 的一个固定效应的一个官方的命令，那么是最为纯正的吧。应该这样说，它是一种组类的估计量，但它要求的必须是针对面板数据，因为它是 x t， 它是针对面板数据的。所以我们在使用这个命令的情况下，前提下一定要先定义呃 个体维度和时间维度。 我的个体是 province 的，年份是 year， 我们先要进行个体和时间维度的一个定义， 那我们一旦在这个固定效应后面加上这个 f e， 呃，不是这个回归效应，加上 f e 就表示使用固定效应组类估计的方法。如果这里是 r e 呢？就是随机效应，那这 这个代码呢？因为我们如果加了 f 一，就是使用固定效应足类估计，那么这个代码是默认我们是控制了个体了，所以这里不需要再用 idid， provinceididid 或者是 idid。 呃，什么什么？呃，就是你的个体的变量名来进行控制你的个体，因为这个命令 这个 mini 是只要你这里加了 f 一，它就自动是控制了个体的，这种固定效应是自动控制了个体，大家一定要记住，所以这里不要再加 i 点 i 点 id， i 点 province 什么的。但是呢，如果我们要控制时间的话，我们还是要通过引入虚拟变量 i 点 e 而来表示不同的时间。 嗯，这种是这种方，这种固定效应呢是通过一种呃泥叉变换消除了不同个体的组间差异，保留了每个个体的一个组类差异，所以这种方法我们一般称为组类估计，这种是一个 组类的估计，那么需要主要的。呃，需要注意的是，就是同一个个体不同时间的扰动项可能相关，所以说我们也可能存在一定存在一定的组类字相关，所以我们还需要使用以每个个体为剧类的一个剧类稳健标准物，也就是后面的后面的这个操作， 剧类文件标准为个体为剧类。然后我后面发现我每个代码后面都都进行了这个操作，因为我为了让四种尽可能的一致嘛。然后接下来我们跑一下这个最纯正的一个固定效应模型， 它这里也不会报告你的个体的一个虚拟变量，因为它是直接自动控制了个体的，所以这里只需要用 i 点 e 来引入虚拟变量控制年份就可以了。 然后我们可以把这个回归结果保存一下。嗯，接下来要要分享啊，文字， 文字，算了，讲完了之后再拍他。然后第四种命令是一个多维的固定效应模型，因为有的时候我们需要控制一个多个维度，有时候我们的个体 可能会先分城市，再分区域，再分什么或者是银行，呃，先分先是具体的银行，然后再分一定的行业 或者是公司，把，公司也会通过某一个指标进分，再分一定的行业什么的，所以这里有时候会有个 industry， 或者有个什么区域的划分就是，嗯，所以我们会，所以我们就叫多维固定，他除了他不止可以控制时间，个体还可以控制更 高维度的，这是它一个最大的一个优点。但是在我的这个，呃，我的这个面板数据里面，我没有这个更高维度的需求，所以我这里就是还是以 ear province 来进行控制。就是我这里强调这个命令就是为了想告诉大家它是可以进行多维固定的。如果我们还要 对更高一个维度进行控制的话，那么这个固定效应模型是，呃最方便的，那他们的他的 运行速度也比上面的命令都要高一些。但是呢，这个命令是一个外部的命令，所以我们执行这个命令的时候，嗯，必须要先安装一下，也就是 s s c in store 安装一下。 那安装这个命令的时候，有的人会说会出现一定的报错，然后报错的时候他下面不是会进行一个提示吗？你点进去看的话，你会 会发现他还需要再安装一个辅助工具箱就可以了，就点击一下就可以了。那这个命令就是多维的固定效应，我这里是没有更高维度的一个需求，先把它删了。 嗯，这个就是多维固定效应，然后它跟与前面的 mini 相比呢，它不会不需要使用 ident province， ident year 挨一点 province 挨点也或者挨点什么来引入虚拟变量，那他会方便很多，而且也不会报告呃，就是易缠穿的一个虚拟变量回归结果，所以他总体这里都比较简约， 比较好看。上面的话都会报告很多的虚拟变量的结果。因为我这边我的数据量不大，所以你觉得这些虚拟变量对你的结果什么的没什么影响，但你如果数据量很大的话，你就会发现一定的不变性的。 那我觉得这种 mini 是前面的一个 mini 的一个更高的优化哦。接下来我们把这个 mini 也保存一下， 然后接下来我们把这四个 mini 一起导出来，看一下这四个 mini 的一个估计的差别。 a step mini mini 结果导出这个我有教学视频的，我们我们 a step 四个 mini， 然后用表格用 reg 一来进行表达，然后后面这些参数的话，大家学习的话可以看我另外一个视频。 然后因为我里面有些变量都报告了虚拟变量的结果，所以我这里只知道除了 x 一二三对外的一个回归结果的一个结果汇报。 然后我们把四个结果导出来，点击一下， 我们看到这个结果导出来了，然后我们看一下这个结果。首先呢，我们看到这个回归系数基本上都是一致的，是没有什么差别的，因为我做命令的时候我就会尽量把，呃，尽量就是保持一致， 嗯，就是在等价的方式上进行这个代码的一个变换吧，然后他们的回归系数基本上是一致的，没有什么变化，变化的唯一的就是这个标准物，标准物可能会略有差异， 我们可以看到二三这两种标准物是一模一样的，因为这两个估，呃，这两个估计结果的标准物是一致的，因为这两个命令背后的估计方法是 特殊的那种混合的 ols， 也就是最小二乘法，所以他们两个的那个呃结果是等价的回归，连标准物都是一致的。那么一和四的标准物呢？ 呃，也是一致的，因为他们两个人，他们两个命运的背后是组类的，一个估计是一个固体效应的一个估计结果，所以一四等价，二三是等价的，但是，但是标准会稍微有点差别，倒也不太有影响。 那么最后再把这四个命音给大家讲一下呢，就是强项，重点就是 这三个。第四个命令是一个多维的固定效应，我们需要呃对多个维度进行控制的话，又先又先选择第四个，又先选择第四个命令， 然后再强调一下，第一个命令是 state 的一个官方命令，它是自动控制个体的，所以有时间需要时间固定效应，需要引入时间虚拟变量进行控制，但是个体是自动控制的，那么这两种命令呢，都是一个最小二乘法的一个回归结果。 嗯，他对于这种第二种情况，是个体和时间都需要通过引入虚拟变量的方法进行控制，那他相对来说就会速度，运行的速度会比较慢，但是他会汇报详细的一个虚拟变量的结果， 那么它是可以控制一个虚拟变量，它是可以，呃，就是它相比于第二种情况的话，它是可以汇报一个更简洁的结果，如果你的 n 很大的话，然后你可以考虑试一下使用三， 没有说哪个命令最好。嗯，但是你这个二三是不挑数据的，它是横截面数据也可以的，那么意思都是针对一个面板数据的，尤其是一，所以大概就是这四种模，呃，大概，哎，我这么讲的被我自己把我自己绕进去了呢， 反正以上就是这个四种固定效应模型的一个简单的一个讲解。嗯，希望对大家有所帮助。那么我们自己在日常的写论文什么的，一般用的比较多的都是一和四，如果是面板数据的话，如果是很简便数据的话，那就是二和三， 那么在横截面数据中优先使用二和三，横截面数据中 n 比较大的话，我们就使用三，那么如果是面板数据，我们优先选择一，然后如果是面板数据中，我们需要对多个效应的多维固定，就除了时间、个体还有更高的一个区域进行需要控制的话，我们就使用四， 简而言之就是上面的这些。嗯，那么今天这期视频就到这里结束，大家如果还有问题的话可以在评论区留言，嗯，谢谢大家。
308小菲stata
09:20查看AI文稿AI文稿同学们大家好，欢迎来到极乐数据课堂，我是倪老师，今天给大家介绍的一款软件叫斯贝塔，它是一款统计软件， 我先介绍一下我们的课程特色啊，相信大部分同学都去网上看过一些视频，特别是连老师的视频啊， 林老师的视频其实讲的非常好，每一个视频的时长也是比较长的，内容讲的非常的细，主要是从理论然后实践操作这么整个过程来说。但是对于刚入门学习斯蒂达同学来说啊，这类的视频我还是不建议大家去看，因为 通过一个半小时的学习下来，你可能真正掌握的内容其实只有一点点，比如说你只会导入的一个数据，对吧？但是你浪费了你一个半小时。我们这个课程的特色呢，就是经练啊，比较干货，并且偏应用。 大部分同学来学习我们这个软件主要还是为了去啊做一个实证分析，然后完成你的毕业论文，或者是头一片好的旗开。 那么我们的应用其实就非常重要。这个课程啊，我们的特色就是啊，在较短的时间里，然后让你掌握斯德塔，并且能够自己去做一篇论文。 那么我们啊讲了我们的课程特色，那相信大部分同学啊，还不知道实证是什么东西，那我这边先给大家简单的介绍一下什么叫实证实证，简单的说就是去用数据验证我们的一个结论。 那怎么用数据去验证我们的结论呢？我再举一个粗俗的例子啊，比方说我们现在有一个研究主题，就是想研究饭量对上升高的一个影响啊，我们都 知道饭吃的越多，人就长得越高，对吧？这个其实就是我们的一个理论预期，现在我们去找一份数据，比方说你把全国所有人的一个 饭量以及身高的数据被统计下来，然后我们去研究这两者的关系，基于这一份数据去研究这两者的关系，并且得到了 饭量是促进长升高的啊，那你现在做的就是一个实证分析，就是通过数据去得到一个结论。好，那么 我们现在来看一下整一个课程啊，我们会讲到哪些东西啊？接下来我们所有的课程就是按照这一个思路来的，那这个思路我主要是按照实证分析的啊，一个框架给大家梳理的。那么在做实证分析之前，大家都知 知道啊，我们需要有一份数据，那这份数据我们肯定是要对他进行一个整理和清洗，不然的话你是没有办法进行实证分析的啊，除非你这份数据是哪里买来的，对吧？相信大家自己下载下来的数据啊，都是一份一份零散的，必须要进行清洗和整理。 那整理完数据之后，我们要做的就是实证分析了，实证分析主要分为四个模块，第一个就是对于你对于你前面那份数据的一个描述性统计啊，它里面主要分为五个，一个是 n 就是你的样本量， me 就是样本的一个均值啊， m i n m a x 就是样本变量最小值和最大值， sd 就是标准差，主要包含这五项指标来对你的数据进行一个详细的描述，做完数据描述之后就进 我们的第二步主回归，主回归就是去验证我们这篇文章的一个主题结论，也就是主要的结论 还是从我们前面的那个例子来说，我们想研究饭量对长身高的影响，那么你的主回归就是要去验证你的饭量对你长身高的影响是什么？是促进的还是意志的？那当然这种影响我们必须存在于一些模型去做。 接下来我们的课程中啊，会讲 ous 模型，也叫混合回归模型， fe and r e 这个叫固定效应模型和随机效应模型， gmm iv 啊，以及 did。 did 这个模型呢，其实和前面的模型差别有点大，它是一个啊，独立的模型，就是跟前面其实没什么关联啊，为什么要讲 did 这个模型？因为这个模型现在比较流， 而且他发好的期刊非常好发，所以说我把它单独拿一块出来讲。第三部分叫扩展研究，也叫深入研究， 也就是把我们的文章的结论进一步挖掘，我们验证了饭量会促进一场升高。那么如果我把这份样本划分成两份，一份是男性，一份是女性，我们去比较男性和女性之间的一个差异，也就是吃同样的饭，男的长得高还是女的长得高， 这个其实就叫深入研究啊，也就是我后面给大家列出来的一个分组回归这么一个东西。当然我们后面还会介绍更多的一个深入研究啊，就是中介效应以及调节效应。 第四部分就是我们的稳健性检验了，稳健性检验主要是对我们的主回归进行一个进一步的验证，也就是你前面做了一次，结果其实 存在一定的偶然性，不太可靠，我们让这个结果更可靠一点，就要做一个稳定性检验。稳定性检验 啊，主要是包括以下三种方式，一个是替换变量，一个是变换模型，一个是数据样本的变换。 我们前面用吃饭，用饭量，呃呃，我们前面去研究饭量对长身高的影响，那么饭量如果我们前面是用一天吃饭的次数，就是吃一次饭还是两次饭，吃三次饭来衡量的话，呃，我们可以得到吃饭的次数越多， 你的身高越高，其实也就是验证了饭量越大，你的身高越高，对吧？那么如果我把这个次数 啊变成另一个东西，就是饭量，我不用次数来衡量，用我一天吃几斤大米来衡量，那其实吃的大米的斤数越多，也其实能够 说明我们的饭量越大，对吧？从而也是验证了我们饭量对长身高的影响，就是说把次数换成了吃几斤纳米， 这个就叫做替换变量的五金星。当然我们的方法还有后面两个啊，这个在后面的课程中我们会给大家强详细的介绍。经过上面四个步骤啊，其实我们就把 整个实证分析给做完了啊。在做完实证分析之后呢，我们其实还要讨论一下文章的一个内存性 啊，内生性它是一个问题，它会造成你回归结果的一个偏恶，所以说这个问题啊非常重要。为什么重要？ 因为我们在发一些比较好的期刊的时候，神高老师只要看到你的文章中没有去讨论这个内存性，你的文章一定会被 d 稿，所以说我把它单独列为一个专题来给大家进行详细的讲解。 呃，接下来就是我们显著性调整的一个专题课，因为我们理论是理论，实际是实际，真的我们去做一份实证的时候，你做出来的结果往往是不显著的 啊，基本上两篇里面就有一篇是不显著的，那这个时候你怎么办呢？不是说直接换个题目对吧？或者是重新再找一个数据去做，我们其实是可以通过合理的计量方法给他调整到显著的啊，所以说这一个专题课程呢，实用性非常的高， 到这里为止，我们整个实证分析就已经做完了，那么接下来你就是要去写你的一个 论文的文字了，那么论文的文字其实它里面也有很多的讲究，也有很多大家不了解的东西，接下来我会给大家梳理，就是论写论文的一个重点是在哪里？就是每一个 章节里面到底该怎么去写他，你的导师才会喜欢，省高老师才会喜欢，文章才会更好发。最后就是我们的一个实战训练营，就是基于我们前面学过的一些内容，我会给大家进行一些实战训练啊，来巩固我们所学的一个内容。 最后的话我再给大家看一个呃，实证做完的一个呃案例是怎么样的？ 刚刚我们讲过啊，实证分为四个模块，一个是描述性，那其实这个就是我们描述性统计的一个表格做出来的样子，就是这样子的啊，其实这个表格并不需要我们手动去做啊，斯贝塔 会给我们直接输出出来，最后就是长这样。第二块就是我们的主回归，也就是去验证 x 对外的一个影响 啊。最后做出来的表格是这样子的，这个其实软件也会直接给我们说出来，通过银行代码就可以了。 第三部分是扩展研究，其实我们这里做的扩展研究也就是对样本进行了划分，分为的 state 为零， state 为一的两个样本，然后去研究这两个核心，解释变量对你应变量的一个影响是怎么样的 啊？这里其实就是做了一个分组回归。最后第四步骤就是我们的稳定性检验，也就是 啊对主回归的结论的进一步验证。这里用的方法是替换变量啊，但是这里做了两个，一个是替换了 y， 还有一个是替换了 x。 前面我们可以看到用的都是罗恩佩特的，一，这边换成了罗恩佩特的，二替换了音变量，然后前面用的都是 siri ems， 二，一，这里替换成了 siri rms， 二， 替换了你的核心音变量，这个叫替换，呃，变量的一个文件性。好，那我们第一节课就先上到这里。
485倪先生
14:53查看AI文稿AI文稿哈喽，大家好，那么上期视频给大家分享过中介效应，但是上次的教学数据呢，是很简便数据，然后很多人留言说想看看面板数据的中介效应，其实总体思路和步骤都是一样的，只是具体操作稍微有区别， 那么今天这期视频就一起来学习一下面板数据的中介效应。那么右边依然是我常用的一个呃面板教学示范数据，然后我的个体 id 年份页，然后 y x x r 这样子。 呃，左边的仍然是我这一期会用到的一些呃代码，到时候我也会放在知乎文章里面或者是评论里面。嗯，首先呢，呃，我们第一想介绍面板数据中介效应的第一种方法就是最简单的逐步 回归，那由于面板数据有时间和个体，所以呢，最小二乘法是肯定不行的，所以我一般也不说不行，只是我习惯了使用多维固定效应。那么其实具体使用哪一种？ 呃，具体的回归模型我们可以自行安排。呃，简单的就比如说我上期视频分享的几种固定效应模型，呃，我这里呢，以多为固定效应进行示范。 呃，我的数据中，我假设的是我的中介变量是 x 一，自变量是 x r， 然后控制变量是 x 三，这是我，这是我假设的中介变量 m 是 x c， 所以首先我们要呃，首先我们跑的第一个回归应该是自变量 x 对 y 的一个影响，也就是要检验系数 c， 那这里呃 a b c c 撇这个呃，具体的大家可以看我上一期的中介效应的视频，讲的比较详细一些，那这里呢，我就直直接略过，然后我们直接直接跑代码，然后给大家解释结果。 我们先检验系数 c， 然后把这个模型先保存下来。我们跑完一个先别着急，看它的结果，就是一般是要把这三个的跑逐步回归，跑完之后，然后放在一起看这个结果。 我们再来检验一下自变量 x 二对中介变量的一个影响，刚才检验的是自变量 x 二对 y 的影响，接下来检验，接下来是检验 x 二 自变量 x r 对中介变量 x 一的一个影响，然后我们把这个模型的结果保存一下，嗯，接下来呢，最后就是，呃，加入了中介变量之后，那么 x， 也就是说控制中介变量之后，我们自变量 x r 对 y 的一个影响， 那 x 三是因为是控制变量，所以我每步骤都放进去了，然后这样我们的 a、 b、 c、 c 片儿结果基本上都出来了。然后我们把这三个模型的结果导出来，然后放在一起看 s step 命令的话我也讲过好多次了，在我的视频里面也有教学视频，大家可以自行去学习。我们看一下这三个结果，我们可以看到这里，呃，因为我命名的时候，我第一个模型抛的是 s 三，我们不看，因为 s 三是控制变量，所以我们这边容易都忽略掉。然后我们看，呃，第一个模型是 x 二对 y 的一个影响，也就是我们的系数 c， 我们的系数 c 是不显著的。然后接下来我们看第二个模型，第二个模型主要是检验 x 二对 x 一， x 一是什么？是我的中，是我的中介变量，然后 x 二对中介变量的影响，我们是称为系数 a， 大写区分一下，然后是我们的系数 a。 接下来呢，我们在控制了中中介变量中介变量 x 二之后，我们的呃，不是控制了中介变量 x 一之后，我们的自变量 x 二对对 y 的一个音响，那么这里，那么这里就是我的 系数 c 撇儿，这里 x e 对 y 的影响，也就中变量的中介变量对 y 的影响是我的系数 b。 那么至此呢，我的系数 a， b， c， c 撇儿结果都出来了，那么很明显，我这个结果呃， c 撇不显著，我的 a、 b， 我的只有一个 b 是显著的，那么这个明显结果是不存在中介效应的，因为我们可以看到 x 三是中介，是控制变量，我们正确不看，我们把它删除吧。 然后首先看看 x 二，呃， x 二对 y 的印象，不显著，也就是系数 c 不显著。接下来是 x 二对中介变量 x 二对中介变量 x e 也是 不显著，也就是系数 a 也不显著。最后呢，控制了中介变量 x 一之后，那么我的自变量 x 二对 y 也是不显著的， c 撇也是不显著的。但是我的中介变量 x 一对 y 显著， b 显著，但只有一个 b 显著，是也是无法 真实真实中介效应的存在的，所以，呃，结果就是不存在中介效应。 那么这这一种是逐步回归模型，嗯，大家就根据 a、 b、 c、 c 片来看就可以了。嗯，最好的结果就是 最好的中介结果，也就是我的 a、 b 都显著， c 也显著，但是 c 撇不显著。那么这种情况呢，就是一呃 c 撇，嗯， c 撇不显著，那么这就是一个完完全中介。如果 c 撇显著，那 就是部分中介， 那么介绍完了第一种逐步回归模型，那么，呃，接下来重点介绍后面两种回归模型。第二种呢，系是我们的系数乘级法，也叫我们的苏贝尔检验，然后这里，这里是他用的一个代码， 因为在这个，嗯，这里是 y， 然后 m v 里面放的 m 是指中介变量， i v 里面的 x 放的是我的自变量 x， 那么 c v 里面放置的是控制变量，嗯，对于面板数据，我们还可以 控制它的个体和时间虚拟变量，嗯，这里我们要注意的就是因为这个 c v 里面是不能用 i 点 i d， i 点 province 或者是 idea bank， 银行或者是什么来生成虚拟变量，只能手工生成，所以我们只能以这样的方式来生成我们的个体的虚拟变量，大家这里可能要注意一下， 那么对于我的数据，我首先是应该先生成呃，个体的虚拟变量，如果你要控制个体的话，你要先用这种方式来来生成个体的虚拟变量。 我的个体是 id， 所以我直接输入这个代码，如果你的个体，比如说是 province， 你就 id 改成 province 就可以了。 我，因为我是三十一个省份，所以我生成的虚拟变量就是 id 一到 id 三十一，所以我在这里输入我的，嗯，所以我在这里输入我的代码的时候，我， 我这里我的应变量是 y， 然后 mv mv 自变量是 x c， 不好意思， mv 里面放的是中介变量，我是 x c， 然后 iv 是放的自变量，我是 x r c v 控制变量，我放的是 x 三，然后我觉我还要控制 个体，所以我还要放 id 一的 id 三十一，因为我有三十一个 id， 我是三十一个省。然后后面这个 credit 女士表示不显示逐步回归的结果，也就是不显示这个上面的这个 a、 b、 c、 c 片儿这些结果， 因为我们只需要看最终的那个叙述成绩法的那个检验结果书通过就可以了，这个是比逐步回归更加一目了然的。我们直接跑代码， 这里，呃，这里，呃，中间这一部分应该会首先出出现一系列的逐步回归，因为 我加了这个，所以不显示，然后我们直接看这个结果，首先是看这个这个检验结果，这里的皮质是显示我是否存在终结效应，很明显这里不显著是不存在的。然后接下来我们再看一下这个，呃， indirect 就是这里，这代表的是间接效应，然后 direct 是 是直接效应，这边是总效应，那么最主要的是要看这个 propertion， 这里就是中介效应所占的一个比例，有中介效应，我这里占的比例才百分之天呐，才才百分之二，所以特别低，基本上是不存在的。 百分之二点三九，很低很低，所以在我这个呃，在我这个系数成绩法检验中，我的中间效应也是不存在的。 那么这就是第二种方法，也相对来说是比较简单的。需要注意的只是这里加入了控制变量，不能用 idid 生成，要先生成个体的虚拟变量，然后到时候会把代码放在文章里面，大家跟着呃，这个代码一点点的跑打，应该就是会比较简单一些。 接下来呢，我们重点介绍第三种方法，自助法，不 strap， 用这种方法是一种制性区间的方法，是通过 a b 制性区间来判断中介效应 a b a 系系数 a b 就是一种间接效应。 那么知性区间的优势就在于他不仅能够判断中性中介效应的有误，而且我们知性区间的一个宽度嘛，还可以提供中介效应大小变异的信息，那么给出的是一个呃，一个大，一个一系列科 可能的值，而不是一个唯一值。那么这个是前面的检验方法所无法提供的，但是这种检验方法的前提也是正态分布，然后这个检验我们主要看的就是 indirectifact 间接效应和直接效应，当我们所看的就是一个间接效应， 呃，那废话不多说，我们直接就跑代码，然后呃根据结果来给大家进行解释吧。那么这边就是我的代码呃我的应变量 y， 然后 mv 里面的 x 一是我的一个中介变量， xiiv 里面放的是自变量 xcv 里面放的是一个控制变量 x， 嗯，接下来我们直接就哦，我因为我前面跑系数成绩法什么的，我都控制了一个个体的虚拟变量，所以我在这里也应该再加上我的个体。 然后接下来我们直接就泡这个代码， 这个代码好像跑的的确就比较慢，而且它呃容易不稳定，这个 boost trial mini 有时候不稳定可能会出现一定的错误，我们一般用高一点的版本，或者是稍后再重启 slater 再试一下，我有时候也会出现这种情况， 那么这种 bosstrap 呢？与其他的一个中介效应的检验方法来说，呃具有一个更高的一个统计效力，嗯，那么这也是有文献佐证的。大家在写文章的时候，比如说要用这种方法的话，可以找一下相关的文献进行一个 引用。 那么这个方法的结果判断主要就是根据一个间接效应 a、 b、 c 数的一个执行区间是否包含零，来判断中介效应是否成立。 那么如果它包含零，则是中介效应是不显著的，那么 a b 有，可 a、 b 的成绩有可能是为零，所以我们是不能证明存在中介效益的，如果不包括零，则中介效应是显著的。 那么很多人为什么都会问，为什么包括，为什么包括你就不显著，不包括你中学效益就显著呢？嗯，那么这个原理的话，呃，其实网上有很多的文献或者一些文章都有都有说，然后大家可以去学习一下， 我这里就不过多赘述了，然后这里我们可以看到他跑出来了，嗯，然后这里的 b x c indirective back 就是我们要找的一个间接效应。 direct 就是直接效应，那么主要就是看 b、 s、 e 这边的一个直行区间啊，很明显我这里的直行区间怎么样？是包括你的，说明我们的这个中介效应是不显著的。我们或者我们跑一下这个，看一下详细的直行区间， 我们可以看到这里 n 代表的是什么？ p b、 c 主要是看这个 p 是一般的直行区间 b、 c 这里是一个偏差矫正的一个偏差，偏差矫正的一个直行区间，我们可以看到这边四个直行区间基本上都是怎么样， 包括你的，说明我们的中介效率是不显著的，那么跟我们前面的两种方法的检验结果是一致的，我们主要就是看这个 bse 这个 性区间是否包括零，然后如果是包括零，说明中介效应是不显著的，我这个结果就是不显著的。如果这边的中介效应呃不包括零，则我们的中介效应是显著的。那这里有很多人还会问一个问题，就是我们可以看到前面这个 b s e 这个 bs， 它提示的是 indirect 间接效应 bx 直接效应，那么我们这边的间接效应是不显著的。嗯，在这个不 strap 这个命令命令的情况下，我们主要就是看它的一个直线区间，呃，一般这里呃就是有一些， 就是有时候我们会出现，比如说我们的呃直接我们的间接效应 bs 一，他这里的屁值是呃是不显著的，但是他这里的置信区间呢？又怎么样？不包括你，那我们的中介效应是 显著还是不显著的呢？呃，大部分，我看到文献大部分都是还是会以执行区间为主，然后只要他不包括你，我们就能证明，呃，终极效应是就是在这种检验的前提下，证明终极效应是显著的，重点还是会看这个执行区间。 当然这也不是说绝对的，我只是嗯有一些疑问，然后也在这里 呃，说一下我，大家如果有不同的看法的话，或者有一些嗯，有一些更多的一些发现，可以在我的评论区留言，大家一起呃学习进步。嗯，那么今天这期视频我就到这里结束了，非常感谢大家的支持。
114小菲stata![stata超详细实证分析命令
👊企业-年份的面板数据实证--stata超详细命令
Ps:如果回归结果比较好建议还是使用控制企业和年份的双固定效应模型
⭕️下面详细讲解大部分文献对于企业-年份的面板数据的做法，控制行业+年份(更容易显著)
✅数据导入
use filename.dta,clear
✅数据处理1%缩尾
winsor2 var1 var2 var3,cut(1 99) replace
✅描述性统计，用下面这个命令可以把所有变量一起输出到word
outreg2 using statistic,word replace sum(log)
✅相关性分析
logout,save(cor) word replace:pwcorr_a var1 var2 var3, star1(0.01) star5(0.05) star10(0.1)
✅基本回归-控制行业+年份
如果行业和年份是数值型变量
reg 被解释变量 核心解释变量 控制变量 i.年份 i.行业
如果行业和年份是字符型变量
xi:reg 被解释变量 核心解释变量 控制变量 i.年份 i.行业
✅结果输出
reg 被解释变量 核心解释变量 控制变量 i.年份 i.行业
est sto r1
outreg2 [r1] using result,word replace tstat bdec(4) tdec(2) keep(被解释变量 核心解释变量 控制变量)
✅分组回归-这里怎么分都行就举一个非常简单的例子，按照国有非国有划分，假设SOE变量取1为国有取0为非国有
reg 被解释变量 核心解释变量 控制变量 i.年份 i.行业 if SOE==0
est sto r1
reg 被解释变量 核心解释变量 控制变量 i.年份 i.行业 if SOE==1
est sto r2
outreg2 [r1 r2] using result,word replace tstat bdec(4) tdec(2) keep(被解释变量 核心解释变量 控制变量)
✅稳健性检验-可以找一个类似含义的被解释变量或者核心解释变量的替换指标进行一次以上回归，如果还是一致显著那么就是结果稳健
#stata #毕业论文 #实证分析](https://p3-pc-sign.douyinpic.com/image-cut-tos-priv/d337bb8a8d80c72d2c6abd651c465597~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2102760000&x-signature=lwj6gyn8MTbboO6i%2BjhLWi3Ig2E%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=20260822205638B389BEA806E3631E941C)
00:30117倪先生
10:21查看AI文稿AI文稿朋友们好，今天给大家分享的是 process 做调节效应和制作简单旋律图。 今天用这个案例给大家进行一个分析，这这个案例是什么样的呢？这边量是感知有人性一面，量是总体满意度，而调节变量是替代者吸引，而我们怎么去理解这个模型？ 感知有用性对总体满意度，他是一个正向的一个影响关系，而我们加入的这个替代者性，他是一个就是互相调节，就是相当于是什么呢？当替代者效应越强的时候，感知应用性并对总体满意度的影响是减弱的一个影响。 在整体的一个分析前，这里给大家就是补充一个，如果说我们就是这个自变的和一面的影响关系有其他的关系，包括了解 电量也可能为正向，那我们怎么去就是理解这个模型。这里给大家补充了四种可能，主效应 是正相关，副相应是主相应是副相关的时候，交互相是正相关，交互相是互相关，交互相是正相关，交互相是互相关。那我们怎么去理解这几种情况呢？第一种就是给大家一个非常简单的一个办法，就是 正向，正向就是呃，同号为正，异号为副，当我们都是正号的时候，那我们就 这理解为他是增强的一个关系，当都视为负向的时候，认为都是就是正负号是相同的时候，那我们都认为呃，他也是一个就是正向的关系。当一正一负的时候，我们就理解为意志的一个作用， 一副一正一正一副啊，是一号的一个关系，那我们成为抑制作用，哎，左边的时候给大家就是列出来我们是怎么去做一个解释的，当有效应的质变量技术 b 前的为正数的时候，那么交叉向 b 乘以 c 的系数为正，就是调节变样就变强了，就强化了 b 对 a 的一个影响， 如果说他是这个交叉项，就是我们交互项为负数的时候，这表明调节效应 c 弱化或抑制的 b 对 a 的一个影响。你看吧，就刚我给大家讲的一个什么呢？ 当一正一负的时候，让我们理解为抑制作用和弱化作用。当五当这个是嗯都为同号的时候啊，都是正都是负的时候，让我们理解为就是增强作用，但是这样去理解的就很简单，这你们就自己去看了哈。 然后接下来给大家的是什么呢？就是说模型，我们这会涉及到一个就是模型的一个公式， y 是一个应变量，等于 b 乘以 x， 这就叫 x， 这里有有点小出入哈，是我这里做的做错了。呃， b 二乘以 z， z 的话是一个调节变量加 b， 三乘以 x， 五乘以五 z 啊， x 乘以 z 的话是我们的一个交互项啊，这个也是我们在进行呃，这个调节作用去进行判断的时候，主要是看这个交互项他的一个，呃，在我们 boss boost cival 车样是否是包含零的来去编的这个调节效应是否就是显著，是否成立的？ 嗯， b 的话是一个常数项，应变量是等于 b 乘以自变量加 b， 二乘以调节变量加 b， 三乘以自变量乘以调节变量加 b 零。这是我把这个翻译过来了。嗯，在我们去做 调节效应的时候，我们一个很关键的一个点就是看没使用中性化处理质变量和调节变量，而我们中性化处理质变量和调节变量有什么作用呢？作用者就是在这里中性化处理是将质变量 呃和调节变量的均值平移到零的一个位置，这是我们的一个中心化的一个过程，是这样去操作的，而说这个的目的是减少贡献性。问题是我们其实在构建交互项的时候啊，我们去做这样的一个中心化处理，是减少 交互项和交互项与质变量、调节变量之间的一个贡献性问题啊。那这会要注意点的是什么呢？质变量和调节变量，质变量和调节变量之间的贡献信息是无法去解决的，而你看没，我们整个的一个模型是这样去做的，也是模型图是这样的，但是呃质变量 和和应变量做呃一个关系，然后调节变量嗯一个关系，然后呃他自变量和调节变量组合起来，和应变量建立一个关系。对，然后接下来我们看下一下一张， 就是当我们呃去这个 process 里面跑，这个模型跑出来之后，那我们还需要去做一个什么呢？就是我们在论文去进行分析的时候，我们需要画一个简单旋律图啊，就是我刚刚把上一个的，就把这个公式 啊，这个公式就简化成就是提取了一个，提取了一个自变量出来，简化成这样的一个模型。而我们的画这个呃就是图形的时候，简历图的时候，他的一个斜率代表是 是这样的 b 一加 b 三乘以调节变量是我们的一个学历的一个量，而在这个变化的过程中，其实是 b 三这个 蓝色，我标出来 b 三，他的一个变化啊，来就是进行一个决定的，看到没？那我们去画的时候，我们怎么去去处理呢？我们采用的是一个高低的一个处理办法 啊，分组的标准是，就是啊，就是宾值对正负加减一个就是标准差啊，低调节变量就是减一个标准差，高调节变量就是增加一个标准差。而我们在这个时候我们可以举个例子，自变量调节变量都是的均值为零，标准差为一，我们的一个处理的时候就是 调节变量啊，低调里面就是相当于负一的时候，高铁里面的是一的时候，我们的自变量都是零啊，然后我们进行一个画图，然后就得出这样的一个图形啊，去看他的一个旋律，对，然后下一个，呃，我们在这就会给大家分享实际在操作过程 是什么样的，这里会给大家一个详细的一个讲解。那在此招之前可能给大家看一个什么呢？我们在做的时候，我们是用 prototype 去进行一个分析的，而分析的过程中我们这一块我用的是什么呢？用的就是 model 一这个模型啊， 是 w 啊，作为的一个调节变量 x 和 x 变量 y 是音变量来进行一个就是分析的，那进行下一个这个的话，就是我们在实际这个 spas 里面进行操作的一个步骤，我将这个步骤截屏出来，来给大家详细的一个表 讲解。后续的时候我也会去录制这样的一个操作的一个实际操作的一个视频来供大家去进行一个学习，首先是点开分析分析，然后完了之后点回归，回归点个 cs 去进行一个我们调节变量的一个就是处理 啊，当点开这个之后会呈现这样的一个呃状态，嗯，这个的话我们先是用，我们一般是用均值去进行一个处理的，那我们是先将音变量啊 拉到这里啊，自变量拉到这里，然后我们的一个调节变量拉到这里， model moderate variable， 这个的话就代表了我们的一个调节变量，这里写错了，是调节变量 完了之后是百分九十五啊，五千次。然后模型的话这里我们呃选的，刚给大家讲了，我们是用简单调节，我们选的是调第一个，然后呃后面我们就看 option， option 我们跟着看下面， option 里面的话我们必须要选择什么呢？ 首先我们要 generate code for variable， 这个就是把这个进行勾选，然后在这边右边这个框勾选的会更多一些，这个的话我们绑定三位小数。然后这里我们 需要去学刚给大家讲的需要中心化，就是 overall that divide product， 嗯，去进行一个中心化的一个处理，然后这里选的时候，我们是呃观察批值小于小于零点零五的啊，显度性。 然后完了之后，呃的话是我们这里选的是正负一个标准叉，让这里点继续继续出来之后，然后就会呈现出我们的一个 process 的一个界面，这个 process 的界面的话 啊，就是相对点点上一步点确认之后就会出现这个界面，然后在我们的 spas 的一个输出里面啊，这里是 y， 是我们的应变量 x 的，我们自变量 w， 是我们的一个开局变量，不是中界变量。 嗯，这里也写错了啊，是一个考级变量，然后完了之后我们看主要看什么呢？看这个交互项，交互项他是 总包含零，哎，这里的话我们看到没有，这是负的，零点三七八，这里是负的，零点二九三，都是负的，然后没包含零。整，我们因为我们这个是成立的，而我们的这个就是 调节变量到一个音变量，这个这个路径是不显著，你看没负二二幺零，看零点一，这是包含了零的，这一个的话是，就是，呃，就相当于我们的自变量 到音变量、字变量到音变量，这个的话是成立的，你看没有包含零，嗯，这里是我们的梯子，这么的梯子，看这个看梯子，梯子，然后这挪了一下，在这个位置，下面这是零的零点零三，零点六，这，这都是显著的， 对啊，这就是我们正看这个图，然后我们看下一个，还有一个图，嗯，这里是我们看高低值的显著情况的，看到没？ 高离子是否显著？这个图看我们的简单旋律图，用这个简单旋律图去进行画，然后画的时候我们这会有一个公式啊，自变量调节变量，音变量 低高低啊，低低，这是什么高低，这是低高，这是高高啊，看低低就是负，你看负的一个，呃，标准差负零点九，这个低低，我们就把这个值 填到这里去啊，二点五九三，然后呃，我们看的是高低高低，然后高低，然后就这个看到没，然后填到这里来， 三点三三九，然后完了之后是低高低低高是这个，然后把这个找到连写在这里，然后完了之后我们换高高，然后这里都是高，这里高二点八九二，然后画这里，然后完了之后他会自动的识别到这个位置去这个 位置去，然后完了之后他就这个图就画出来了，看到没？那就是这样的，那课就到这里哈，就结束了。然后如果说有数据上不懂的，可以就私信 小小老师团队的一些老师，然后这边就是会给大家进行一个讲解，如果需要就是带数据分析的可以直接联系我们，然后我们这边也是可以帮助大家去进行再分析的。
10:17查看AI文稿AI文稿大家好，接下来我用几分钟的时间来谈一谈心理学科学研究当中的调节效应。什么是调节效应呢？自变量 x 和应变量 y 之间的关系，如果会随着第三个变量 z 的大小变化变化，那么这个 z 我们就可以称之为调节变量。 那么 x 跟 y 之间的关系变大或变小完全依赖于调节变量 z 它的大小。 那么我们具体来说，比如父母控制会影响孩子的学习成绩，那么在这样一个关系当中， 性别是否会调节父母控制对孩子学习成绩的影响呢？通俗的来说，父母控制会影响孩子的学习成绩，在男孩和女孩这两个群体当中，是不是会有不同的变化？所以这就是我们要进行的一个调节效应的研究。那么这里面 也告诉我们，如果你在进行心理学论文选题的过程中，那么你在选择变量的时候，就要考虑到这几个变量他们是什么关系，你把谁作为调节变量，那么他是否具有调节作用？我们在做出这个假设之前，一定要有充分的理论依据， 所以尤其是本科生，在写毕业论文的时候，不要随便想当然的拿一个变量，把它作为中介变量或者作为调节变量，那么这个是要有充分的理论依据的，这一点特别重要。 那么也存在着第三个变量的情况，比如说冰淇淋的销量和儿童溺水之间的关系，那么很显然，根据我们的生活常识，冰淇淋的销量和儿童溺水应该没有必然的联系，那么如果他也呈现着一定的关系的话呢？可能是由于天气炎热，也就是天气炎热，这样一个第三变量， 同时影响了冰淇淋的销量，也同时影响了儿童溺水的情况，冰淇淋销量越多，儿童溺水人数越多，所以这种第三变量是我们需要控制的，我们要在控制无关变量的情况下，再去检测自变量和阴变量之间的关系。 那么我们具体来看，调节变量他其实都是和回归分析有关的，而回归的前提又是相关。我们在前面也说了，如果说两个变量他们的相关系数小于零点二，那么他们是不会发生中介效应的， 当然也就不会发生调节效应啊，因为不相关就不会有回归，做不了回归就不会有中介和调节。所以这样一个逻辑关系呢，是大家需要理清的。那么下面一段话呢，非常的重要，我们说心理学、时政研究的起点是变量，那么变量他是通过收集数据来提， 那么另外一句话叫做数据的类型决定了我们统计的方法，所以我们在做中介也好，在做调解也好，一定要牢牢把握住数据的类型。根据数据类型的不同，我们就要采用不同的研究方法。那么中介效应当中，自变量、中介变量和音变量都必须是连续型变量， 连续性变量就是他可以取很多很多的值，无限个值，比如说我们的成绩，他就是一个连续性变量。 那么我们在理科特亮表当中啊，五级也好，七级亮表也好，这样的亮表型数据，我们认为它也是连续性变量。在调节效应当中， 这里就不一样了，我们只要求音变量是连续变量，那么换句话说，字变量和调节变量，他可以是连续的，也可以是分类的。刚刚我们把性别作为了调节变量，那么性别他就是分类变量，还有年这个年龄是连续性变量， 而学历，我们人的学历它是显然是分类变量，所以这是一个基础的心理统计学知识。数据的类型，希望大家注意调节效应，它的调节变量可以是分类，也可以是连续，只是不同的数据类型，我们要采用不同的统计分析方法， 那么像这样的 x 会影响 y， 那么根据子 z 取值的不同，它的影响程度是不同的。那么从数学的角度来看，注意调节效应就表现为交互作用， 所以我们后面会讲交互项的问题，那么怎么又突然走出了一个交互项，那么这是从数学的角度我们转变过来的，所以交互项就是 x 乘以之 z， 这是我们后面要讲到的一个交互项，就是从数学的演变，所以我们要检验调节作用，那么就检验交互项它是否显著。 那么这里要注意，在同一个模型当中，可以同时存在中介效应和调解效应，那么调解效应的示意图啊，从图形来说， z 的不同水平，那么他就会有一个不同的影响啊，这边的 x 影响 y 在 z 一水平，他的影响更明显，这个线更陡峭，那么在 z 二水平呢？他更平缓。 那么我们接下来看到调节效应的检验模型，这个是我们从原理上去理解调解效应， 那么我们看到这个图，自变量 x 会影响应变量 y， 那么它的系数是 b 一，调节变量 z， 它也会影响应变量，它的系数是 b 二。那么我们前面说了，我们从数学的角度来说，引出了一个交互项， x 乘以 c， x 乘以 z 呢，它影响应变量的系数是 b 三。那么我们之前进行调节效应很多视频也好， 包括甚至有的人的文章都说，要进行标准化和虚拟化处理数据，可以减少多重贡献性的问题。那么最新的 研究表明啊，我们可以不做标准化、中心化的数据处理，也就是拿原始的数据也可以做调节和中介，这是大家要注意的一点啊。你会发现，近几年的数数论文，尤其是二一年、二二年的数数论文，他们没有对数据进行中心化的处理，仍然可以做调节效应。 好这两个模型啊，我希望大家能理解它，模型一就是音变量受 x 的影响，受调节变量 z 的影响，模型二呢，就是加入了一个交互项，就是模型二，跟模型一相比，它就是增加了一个交互项。 那么针对连续性调节效应的检验步骤，我们其实在检验步骤的讲解都是牢牢的根据两个模 流行来的啊。第一步就是 y 对 x 和 z 的回归，得到拟合度 r 一的平方。第二步就是增加了交互项之后，得到了拟合度 r 二的平方，那么如果是 r 二的平方显著高于 r 一的平方，那就是调节效应显著，也就是你加入了交互项之后啊， 这个模型的拟合度比原来要更好，那么就是调节效应显著。那么又或者是另外一种情况，其实也是同样的意思，也就是交互下 x 乘以 z 的回归系数是什么？ b 三，如果 b 三显著，那么显然就是调节效应显著。这两句话是一个意思，殊途同归。 那么我们可以去对比拟合度的它的大小，对比它的这个变化是否显著，这是一。第二就是检验交互下它的回归系数是否显著啊，这是我们检验是 是否具有调节效应的关键步骤。那么根据温仲林教授的观点，在进行调节效应的时候呢，首先要确保自变量对应变量有显著的预测效应，也就是回归。那么其次呢，就是检测自变量、调节变量以及自变量和调节变量的交互项对应变量的回归， 那么关注交互项对应变量有无显著的预测效应。那么在做调节效应的时候，我们可以进行回归分析啊，也可以用 s p， s s 的 process 插件都可以，那么 process 插件呢，它可以一次性计算出多个回归系数啊，它们都是一样的。 那么这里我们要最后谈一谈，为什么交互下 x 乘以 z 它显著，调节效应就显著呢？其实啊，就是对模型二的这个回归方程进行了一个简单的运算，我们提取了 因子 x， 也就是 y 等于 b 一加 b 三乘以 z， 整个作为 x 的一个回归系数，那么 b 一加 b 三， z 啊，它的大小就完全依赖于 z 的数字大小。其实大家不需要去记住这样的一个公式，只要记住 z 的大小，也就是调节变量的大小， 它会影响它的调节效应。所以这就是回到了交互下显著，调节效应就显著。我们最后举一个例子来说， 工作压力会影响员工的情绪衰竭啊，在这个字，变量跟应变的关系当中，薪酬满意度，我们把它作为调节变量， 这个符合我们的现实假设，就是工作压力很大，很显然，那么这个员工他情绪就会衰竭，但如果说他对自己的工资待遇很满意呢？那么他的情绪衰竭是不是就会更慢呀？这是根据我们的 经验设想啊，他待遇越高，虽然承受了高压力，但是呢，他的情绪呢？也挺好，是吧？如果说他压力大，那么工资又低，他对他的工资非常不满意，那么他的情绪衰竭呢？就更快。 哎，这样的一个假设当中，我们同样有两个模型，是吧？ y 一会受到工作压力 x 的影响，再加上薪酬满意度 m 的影响，这是一个。那么第二个呢？ y e 会受到 x 和 m， 再加上一个 x 乘以 m， 也就是交互项，那么我们要检验的是这个系数 c 是否显著，又或者是 x 乘以 m， 就是第二个增加了交互项之后啊， 我们刚刚说到的德塔 r 的平方，是吧？他们拟合度 r 的平方的变化，他的差值是否显著？这两个都行，都可以检验 调节效应是否显著的问题，那么这是我们的一个数据，那么这里面呢，根据左是左边的这个表格啊，我们得出右边就是德塔 r 的平方，就是模型二减去模型一啊，为什么是模型二减去模型一呢？因为模型二我们是引入了交互项呀， 模型一是没有引入交互项，也就是 y 会受到 x 和 m 的影响，而模型二呢，就是说 y 会受到 x 和 m， 还有 x 乘以 m 的影响，那么至于 x 乘以 m 它有没有影响呢？所以我们要看到 r 的平方模型 r 的平方等于零点二八五，红色字体啊，模型二 r 的平方等于零点二八九，那么他们差值是零点零零四啊，你不要看他等于零点零零四，但他实际上他的批值已经是小于零点零五了。那么我们对比 r 的平方，也可以得出这个调节效应显著，或者说你他的系数啊。下面的我们就不再 一一展开来讲，所以我们总结一下调节效应的检验，要么检验交互项，要么检验呢 r 平方的变化是否显著，那么它的方法呢？就是做回归分析，或者是用 pro 三插件进行分析都可以。好，我们这次的分享就到这里，谢谢。
84太阳季节
