调节回归说明

本博文主要讲一下调节回归的概念，以及其操作流程和一些注意事项。对于本博文的概念部分建议可以直接看邱皓政老师的《量化研究与统计分析：SPSS(PASW)数据分析范例解析》第12章节，这样的话就不必看我写的了，然后博文中的注意事项或者说操作总结还是值得一看的。

0.回归的一些基本概念

看了这本书确实有很多新的理解，感谢，下面就直接放书里的概念了。

1.调节回归概念

我们都知道在回归中自变量可以分为很多种：解释变量、控制变量、调节变量等等。调节回归也就是带有调节变量的回归。具体来说，比如Y是因变量，X是解释变量，Z是调节变量，那么调节回归就是：
$$Y=a_1+a_2\ast X+a_3\ast Z+a_4\ast XZ+\eta$$
大家可能不熟悉调节回归这种说法，但是看到上面的式子一下子就理解了，也就是带有交互项的回归嘛。它的实际意义就是在不同的Z水平下，Y与X的关系会发生变化。接下来借下书中的图来说下，讲得相当清楚明了。c调节模型也就是调节回归了，也就是说Z会影响X与Y的关系。

3.操作流程

1. 分析好问题，确定被解释变量、解释变量、控制变量、调节变量。
2. 需要按照调节变量（解释变量是分类变量或连续变量时是一模一样的，因为调节变量和解释变量是相互的，不同角度看问题就是不同的解释变量及调节变量了。）是分类变量和连续变量分成两种情况讨论：情况1：解释变量是连续的，调节变量是连续的： 将解释变量做平减处理（中心化），调节变量做平减处理（中心化），平减后的解释变量和平减后的调节变量相乘得到交互项，进而对得到的交互项做平减处理（中心化）得到平减后的交互项，因变量无需做任何处理。情况2：解释变量是连续的，调节变量是分类变量： 将解释变量做平减处理（中心化），调节变量不做处理，将平减后的解释变量与调节变量相乘得到交互项，不必进一步做平减。
3. 进行分层回归，第一层回归纳入平减解释变量，第二层回归纳入（平减）调节变量，第三层回归纳入（平减）交互项。记得输出变化的R_square。
4. 对模型进行解读，如果交互项显著，进一步进行简单效果检验。同样需要分为连续变量和分类变量，情况1：解释变量是连续的，调节变量是连续的： 将调节变量取3个值：平均值-标准差，平均值，平均值+标准差，分别得到调节变量在这三个值下的回归方程，可进一步解释在不同调节变量的水平下，因变量和自变量之间的关系。情况2：解释变量是连续的，调节变量是分类变量： 在不同的调节变量水平下分别得到回归方程，于是可分析在不同调节变量的水平下，因变量和自变量的关系。

4.注意事项

主要就是要注意一定要做平减，因为交互项和解释变量以及调节变量间的相关性一定都是很高的，不平减则会有多重共线性问题，平减这一方法可大大减少它们之间的相关性。 而且要注意当解释变量和调节变量都为连续变量时，得到交互项后还要做一次平减，这主要是为了最后回归方程的截距项有意义，即截距项是Y的平均值，其实我们对于Y的平均值一般不怎么关注，因此最后这一个交互项的平减不做影响其实也不大，但是书中是这么说的，建议交互项还是平减一下吧。然后注意因变量是无需做平减的。当调节变量是分类变量时，解释变量要平减，但是分类变量和交互项不用做平减，也就是说连续变量要平减，分类变量就不用。此外，解释变量可能是分类的，调节变量是连续的，这种情况和解释变量是连续的，调节变量是分类的是一样的，因为正如我前面说的，解释变量和调节变量是相互的，只是在不同的角度看问题而已。最后如果解释变量和调节变量都是分类的，就都不用平减就好了，但是这种情况书中也没说，也没给例子，不过根据我的理解应该就是这样的。
关于spss的操作方法大家可以自己去看这本书，书里有操作流程示意，不过我感觉操作也不难，就不在此赘述了。

---

最新的理论认为去中心化不是为了去除共线性，而是为了使得结果更容易解释，详见B站这个系列的视频。

使用spss的process插件进行调节回归可以看这个视频。说的还是很清楚的。

参考文献

邱皓政老师的《量化研究与统计分析：SPSS(PASW)数据分析范例解析》
B站操作视频
spss process操作简介