一、调节作用所属模块
调节作用归在SPSSAU【问卷研究】模块。
二、方法概述
调节作用用于判断一个变量与结果变量之间的关系，是否会因为另一个变量的加入而发生强弱变化或方向变化。它常用于问卷研究、用户行为研究、管理研究等场景，适合回答“在什么条件下作用更强”这类问题，SPSSAU可以直接完成模型搭建、结果输出和图形展示。
三、变量设置规则
调节作用分析共涉及4类变量，其中3类为必填，1类为可选。因变量Y、自变量X、调节变量Z各只能放入1项，控制变量可按研究需要加入，最多可放入200项。
（1）因变量Y
因变量Y为必填项，且只能放入1个变量，数据类型要求为定量。它是最终需要被解释或预测的结果变量。
（2）自变量X
自变量X为必填项，且只能放入1个变量。根据调节类型设置不同，它既可以是定量变量，也可以是定类变量。
（3）调节变量Z
调节变量Z为必填项，且只能放入1个变量。它用于判断X对Y的作用是否会随着不同水平而变化，可设置为定量变量，也可设置为定类变量。
（4）控制变量
控制变量为可选项，最多可放入200个。若研究中需要排除年龄、性别、学历、工作年限等背景因素的干扰，可以放在这一栏一起纳入模型。
四、参数设置及解释说明
1. 调节类型
该参数用于告诉系统X和Z分别属于哪种数据类型。可选项包括“X定量Z定量”“X定量Z定类”“X定类Z定量”，默认是“X定量Z定量”。如果类型选错，后续的交互项构造、结果表展示和简单斜率图都会受到影响，因此应先按变量实际类型选择。
2. 数据处理
该参数用于处理定量型的X和Z。可选项包括“中心化”“标准化”“不处理”，默认是“中心化”。大多数实际研究直接使用中心化即可，它能让交互项回归结果更稳、更容易解释；如果变量前期已经处理过，可以选“不处理”；如果希望不同量纲下更便于比较，也可以选“标准化”。
五、分析结果表格及其解读
SPSSAU进行调节作用分析后，通常会输出研究变量处理说明、调节效应分析结果、调节效应分析结果简化表、调节作用分析完整结果；在满足条件时还会输出简单斜率分析表，如原始数据存在缺失，还会补充样本缺失情况汇总表。
1. 表1：研究变量处理说明
该表格用于先交代本次进入模型的变量角色、数据类型和处理方式，包含变量类型、名称、数据类型、数据处理4类信息。
● 数据类型：用于确认X、Z到底按定量还是定类方式进入模型。若这里与研究设计不一致，后面的结果解释就容易出现偏差。
● 数据处理：用于确认是否做了中心化、标准化或虚拟变量处理。若定量变量显示为中心化，说明结果更适合直接观察交互项；若定类变量显示为虚拟变量，说明系统已自动完成分组编码。
2. 表2：调节效应分析结果
该表格是核心结果表，采用模型1、模型2、模型3逐步呈现调节检验过程，包含B、标准误、t、p、β、R²、调整R²、F、△R²、△F等指标。
● B：表示变量对因变量的实际影响方向和影响大小。B为正，说明正向影响；B为负，说明负向影响。
● p：用于判断该影响是否显著。通常p＜0.05，说明该项影响显著；p≥0.05，说明暂时不能认为影响成立。做调节检验时，最关键是看模型3中的交互项p值。
● β：表示标准化后的影响强弱，适合比较不同变量谁的作用更强。绝对值越大，说明相对影响越强。
● R²：表示模型对因变量的解释程度，数值越大，说明模型解释力越强。但它没有统一及格线，应结合研究领域判断。
● 调整R²：是在R²基础上考虑变量数量后的结果，更适合比较不同复杂度模型。若加入新变量后调整R²反而下降，说明新增变量贡献有限。
● F值及对应p值：用于判断整个模型是否显著。通常模型整体p＜0.05，说明这一步回归模型具有统计意义。
● △R²：表示新加入变量后模型解释力增加了多少。做调节作用时，模型3相较模型2的△R²尤其重要。
● △F及对应p值：用于判断新加入的一组变量是否显著提升模型。若模型3的△F对应p＜0.05，通常说明交互项带来了显著增量，调节作用成立。
3. 表3：简单斜率分析
该表格在需要进一步拆解交互作用时输出，常见于调节变量为定量的场景。它会比较调节变量在低水平、平均水平、高水平下，自变量对因变量的作用变化，包含回归系数、标准误、t、p、95%区间等指标。
● 回归系数：表示在某一调节水平下，X对Y的具体影响大小。不同水平下系数差异越明显，说明调节越直观。
● p：用于判断该水平下的简单效应是否显著。通常p＜0.05，说明该水平下X对Y的作用成立。
● 95%区间：表示该效应的大致区间范围。若区间没有跨过0，通常说明该效应更稳定，也更支持显著结论。
4. 表4：调节效应分析结果-简化格式
该表格用于把模型1到模型3的结果做压缩呈现，阅读速度更快，适合先快速判断结论，再回到完整表查看细节。它主要包含各变量在三个模型中的系数、t值，以及样本量、R²、调整R²、F、△R²、△F等汇总信息。
● 系数与括号中的t值：适合快速比较变量在不同模型中的稳定性。如果交互项只在模型3出现且达到显著，通常就是调节检验的关键证据。
● 样本量：用于确认三个模型是否基于同一批有效样本。若样本量一致，模型比较更直接。
5. 表5：调节作用分析结果（完整结果）
该表格是在完整回归结果基础上进一步补充区间和共线性诊断，包含B、标准误、β、t、p、95%区间、VIF、容差等指标，适合做论文写作或正式汇报。
● 95%区间：用于判断估计结果是否稳定。区间越窄，说明估计越集中；若区间没有跨过0，通常更支持该项影响显著。
● VIF：用于检查多重共线性。一般VIF＜5说明共线性风险较低；5到10之间提示需要留意；大于10通常说明共线性较明显。
● 容差：与VIF配合使用。通常容差越接近0，共线性问题越明显；如果容差明显偏低，就需要对变量设置再做检查。
6. 表6：样本缺失情况汇总
当原始数据中存在缺失或无效样本时，SPSSAU会额外输出该表格，包含有效样本、排除无效样本、总计及其占比。
● 有效样本数：表示真正进入调节分析的样本量，数量越充分，结果通常越稳定。
● 占比：用于判断样本损失是否严重。若排除比例过高，就要留意数据缺失是否会影响结论代表性。
六、分析结果图表及其解读
SPSSAU做调节作用分析时，通常会输出模型结果图；在存在交互效应展示需求时，还会输出简单斜率图，用来辅助理解不同条件下的作用变化。
1. 模型结果图
模型结果图用于把控制变量、自变量、调节变量、交互项与因变量之间的关系直观连起来。阅读时重点看交互项是否直接指向因变量，以及该路径对应的系数方向与显著性标记。若交互项路径显著，说明调节作用得到支持。
2. 简单斜率图
简单斜率图用于展示不同调节水平下，X与Y关系线条的变化情况。若不同线条的斜率差异明显，说明调节效应较直观；若线条几乎平行，通常说明调节作用较弱。判断图形时，建议结合表格中的交互项p值和简单斜率显著性一起看，图和表一致时结论更稳妥。
以上就是SPSSAU调节作用的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。
