【講座回顧】比暢👨🏻‍🦯‍➡️：調節中介效應——Hayes Process建模法

12月12日下午©️🪑，美國內布拉斯加大學奧馬哈分校傳播熊猫助理教授比暢以“調節中介效應🗓：Hayes Process建模法”為主題，為熊猫体育博士生帶來一場精彩的講座，詳細介紹了如何利用Process的模型進行中介和調節效應分析。比暢老師主要研究方向為親社會戰略傳播、品牌活動、健康傳播以及人工智能的應用🔸📁。

講座伊始，比暢老師首先介紹了Process是加拿大卡爾加裏大學教授Andrew F. Hayes基於SPSS和SAS開發的插件，主要用於進行中介和調節效應分析🙍🏼‍♀️。比暢老師指出Process模型的原理為在原本樣本中抽取5000個小樣本➡️，進行回歸分析，從而提高數據結果的可信度，適用於原本樣本量較小的數據。

接下來☝🏼，比暢老師簡單介紹了什麽是回歸🙋🏽。她講到👮🏿‍♂️，回歸的目的是考察一個或多個自變量和目標變量之間的關系，並確定自變量對應變量的影響程度。比暢老師以分析社交媒體使用時長和年齡的關系為例，大致解釋了回歸分析的過程，包括繪製散點圖、估算回歸方程等，通過方程的回歸系數🫣，可以看出自變量對應變量的影響程度。

隨後👷🏼‍♀️，比暢老師從三個維度比較了Process模型和結構方程模型（Structural Equation Model, SEM）之間區別。第一9️⃣，研究目的不同。SEM模型關註多個變量之間相互關系以及它們的對整體的共同作用；Process模型聚焦於變量的中介和調節效果🧑🏽‍⚖️，主要用於判斷一個變量是否是有影響力的中介變量。第二，模型類型不同💣🔋。SEM模型可以包含潛在變量；Process模型需要人為歸納組合🦨。比暢老師強調，應該根據研究目的選擇合適的模型。

Process模型主要用於分析兩種變量的效果🤖：中介變量（mediator）和調節變量（moderator）。比暢老師對這兩種變量及其基礎模型模板分別做了介紹🧑🏽‍🎨👩‍🏭。中介變量是自變量（X）對應變量（Y）產生影響的中介🧚🏿‍♂️，X通過影響中介變量來影響Y🪶；調節變量則具有疊加效果的作用，調節X對Y的影響的大小或方向🧙🏿。比暢老師向同學們介紹Process建模共有74種模型模板，其中模型1是最基礎的調節效應模型🤴，模型4是最基礎的中介效應模型。

講座的下半場，比暢老師帶領同學們進行實操，分別以模型1和4對給定數據進行Process建模，並詳細解釋了如何讀懂運行結果。她指出，結果中的LLCI一欄代表置信區間的最小值，ULCI代表最大值。在中介效應模型中，當這個兩個值均為正或均為負，即區間內不包含0值🐸，則代表一個變量對另一個變量有顯著正向或反向預測效果，如若區間內包含0值，則效果不顯著。模型4的最終運行結果分為直接影響和間接影響兩欄數據，當這兩欄數據的置信區間均不含0值時♦️，證明該中介變量具有中介效應。對於調節效應模型，比暢老師表示主要觀察自變量（X）與調節變量（M）生成的交互變量（XM）的P值，當P值<0.05時，代表該調節變量對X與Y之間的作用存在調節作用。

最後，比暢老師講解了如何將結果寫入論文。首先說明使用了哪個模型。其次，寫明自變量🌮、應變量和中介/調節變量分別是什麽。然後寫明反映中介效應或調節效應存在與否的置信區間。最後插入模型示意圖輔助說明。至此🏄‍♀️，本次講座圓滿結束。同學們學習了如何利用Process模型分析變量的中介或調節效應🤵🏻‍♀️，對其日後進行量化研究有極大幫助📋。