常见的调节变量有类别变量和连续变量，两种变量可以互相转换。

类别变量比如性别、年级，可以设置虚拟变量，将其赋值，变为连续变量（比如男性赋值为1，女性赋值为2）；

连续变量通过计算均值mean和标准差sd，定义Low为mean-sd，Medium为mean，High为mean+sd，把连续变量分成了三类。

先说类别变量的调节效应，回归方程为Y=β1*X+β2*Z+β3*X*Z+β0+ε。

Y为因变量（连续变量），β为前面的系数，X为自变量（连续变量），ε为随机误差项（不用管）。

#任意方式导入数据

mydata <- read.table(file = "clipboard", header = TRUE)

#构建回归方程

regression <- lm(y ~ x + z + x*z)

summary(regression)

Call:

lm(formula = y ~ x + z + x * z, data = mydata)

Residuals:

Min 1Q Median 3Q Max

-16.7361 -4.4863 -0.1334 5.5795 17.6777

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -1.1186 10.4104 -0.107 0.914761

x 0.8632 0.2427 3.557 0.000707 ***

z 14.2038 6.3678 2.231 0.029167 *

x:z -0.3906 0.1471 -2.655 0.009950 **

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 7.553 on 65 degrees of freedom

Multiple R-squared: 0.2325, Adjusted R-squared: 0.197

F-statistic: 6.562 on 3 and 65 DF, p-value: 0.0006055

计算出结果后，将结果带入回归方程。z是性别，分别赋值为1和2（注：也可以选择0和1）。

Y=0.8632*X+14.2038*Z+(-0.3906)*X*Z+(-1.1186)

再带入性别，得到两个方程：

Y=0.8632*X+14.2038*1+(-0.3906)*X*1+(-1.1186)

Y=0.8632*X+14.2038*2+(-0.3906)*X*2+(-1.1186)

简化后，根据结果画图：

Y=0.4726*X+13.0852

Y=0.082*+27.289

plot(x, y, type = 'n')

abline(13.0852,0.4726)

abline(27.289,0.082,lty=2,col='red')

legend('topright',c('male','female'),lty = c(1,2),col = c('black','red'))

points(mydata$x[mydata$z==1],mydata$y[mydata$z==1],pch=19)

points(mydata$x[mydata$z==2],mydata$y[mydata$z==2],col='red')

性别的调节效应.png

连续变量的调节效应方法类似，以年龄为例：

#任意方式导入数据

mydata2 <- read.table(file = "clipboard", header = TRUE)

#构建回归方程（此处z是年龄）

regression2 <- lm(y ~ x + z + x*z)

summary(regression2)

Call:

lm(formula = y ~ x + z + x * z)

Residuals:

Min 1Q Median 3Q Max

-15.8951 -4.8414 0.9287 5.0560 17.5495

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 89.35148 32.28101 2.768 0.00734 **

x -1.38904 0.78072 -1.779 0.07989 .

z -3.49763 1.65353 -2.115 0.03825 *

x:z 0.08439 0.04016 2.101 0.03950 *

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 7.751 on 65 degrees of freedom

Multiple R-squared: 0.1917, Adjusted R-squared: 0.1543

F-statistic: 5.137 on 3 and 65 DF, p-value: 0.002997

#计算年龄的均值和标准差

mean(z)

[1] 19.31884

sd(z)

[1] 1.851015

计算出结果后，将结果带入回归方程。

Y=(-1.389)*X+(-3.49763)*Z+0.08439*X*Z+89.35148

再带入年龄，分为三档：

Low = mean - sd = 17.47；

Medium = mean = 19.32；

High = mean + sd = 21.17。

Y=(-1.389)*X+(-3.49763)*17.47+0.08439*X*17.47+89.35148

Y=(-1.389)*X+(-3.49763)*19.32+0.08439*X*19.32+89.35148

Y=(-1.389)*X+(-3.49763)*21.17+0.08439*X*21.17+89.35148

简化后，根据结果画图（因为三类放散点图会很乱，所以就没加）：

Y=0.0853*X+28.2479

Y=0.2414*X+21.7772

Y=0.3975*X+15.3067

plot(x,y,type = 'n')

abline(28.2479,0.0853)

abline(21.7772,0.2414,lty=2,col='blue')

abline(15.3067,0.3975,lty=3,col='red')

legend('topright',c('low','medium','high'),lty = c(1,2,3),col = c('black','blue','red'))

年龄的调节效应.png

参考：

Zhang, Z. & Wang, L. (2017). Advanced statistics using R. [https://advstats.psychstat.org]. Granger, IN: ISDSA Press. ISBN: 978-1-946728-01-2.