通常，当我们试图从数据中获得洞察力时，仅仅了解两个变量是相关的是不够的。 我们需要深入挖掘并提出以下问题：什么他们的情况有关系吗？ 为了谁他们有关系吗为什么他们有关系吗？如何？ Moderation、mediation 和 moderated mediation 使我们能够准确地回答这些类型的问题。
这些分析技术，称为条件过程模型（Hayes，2022 年；Preacher 等人， 2007), 很受欢迎，也很重要，但安装起来很麻烦。 此外，对于理解相互作用必不可少的可视化，包括 Johnson-Neyman 图和简单的斜率图，很难创建并且需要容易出错的计算。
这篇博文中描述的调节和中介 JMP 插件可以在三种流行模型中轻松指定、拟合和视觉探测交互：调节、第一阶段调节调节和第二阶段调节调节。 这些模型可以用普通最小二乘法或结构方程建模 (SEM) 软件进行拟合；该插件依赖于 SEM，它使用尖端方法处理缺失数据并支持同步模型估计。 （此插件需要 JMP Pro 16.0 或更高版本。）
描述这些条件过程模型的最简单方法是使用示例。 让我们从一篇文章中考虑这个剪辑人民科学网关于提高工作满意度：
“你知道你公司的使命吗？ 你知道你的工作的影响吗？ 当我们脑子里没有“为什么”时，就很难对我们正在做的事情感到有动力和兴奋…… 当我们变得忙碌或不知所措时，“为什么”似乎就消失了。”
基本审核示例
在什么情况下我们工作的意义与工作满意度相关？
上面的片段表明，我们工作的意义与更高的工作满意度有关，但如果我们在工作中过于忙碌，这种关系就会减弱。 换句话说，压倒性缓和了意义和工作满意度之间的关系（即存在交互作用）。 从概念上讲，我们可以用路径图来表示：
那么我们如何测试这种交互作用，如果它在统计上显着，又如何理解它的含义呢？ 下面的步骤概述了如何使用审核和中介插件执行此操作。
用户输入
首先，用户输入窗口显示了概念路径图以及适合 JMP Pro SEM 平台的统计模型。 在这两个模型表示之间建立联系可能很困难，因此此功能旨在帮助用户理解正在拟合的统计模型。
用户所需要的只是指出哪个变量在模型中扮演每个角色：预测变量 (X)、调节变量 (Z) 和结果 (Y)。 可选地，可以包括任意数量的协变量来控制它们的影响。 所有变量必须是连续的。
用户所需要的只是指出哪个变量在模型中扮演每个角色：预测变量 (X)、调节变量 (Z) 和结果 (Y)。
默认情况下，X 和 Z 将以均值为中心。 以均值为中心的变量将用于计算模型拟合的乘积项 (X*Z)。 如果需要，可以关闭此功能，X 和 Z 将保持不居中。 此外，X 和 Z 可以以用户指定的值为中心。
用户输入窗口的最后一部分涉及将在输出报告中显示的内容。 默认情况下，仅当交互项 (X*Z) 在 alpha = .05 时显着时，才会显示用于探测节制的文本和图。 即使交互项不显着（例如，如果需要 alpha = .10 显着性水平），用户也可以选择查看这些结果。
结果
扫描电镜输出：输出报告的第一部分显示了 SEM 平台的结果，包括模型拟合统计、参数估计、a路径图模型的比例，以及结果中解释的方差比例。 在路径图中，协方差将不是如果包含 1 个或多个协变量，则会出现（以减少图像混乱）。 可以通过在图表中右键单击并选择显示 > 协方差来显示协方差和其他估计值。
审核详情：本节提供可轻松粘贴到出版物或报告中的结果的简洁文本解释，包括通过 Johnson-Neyman (JN) 技术计算的显着性边界。 JN 技术计算 X 的简单斜率从显着性过渡到非显着性时的调节剂值。 在观察到的调节剂范围内可能存在零个、一个或两个显着性边界。 在某些情况下，无法计算边界，因为 X 的简单斜率在调节剂的整个可能范围内显着或不显着。 在这些情况下，将显示此信息并且 JN 图仍将出现在报告中。
Moderation Details 部分提供简洁的结果文本解释，可以轻松粘贴到出版物或报告中。
交互式 Johnson-Neyman 情节： JN 图被认为是用于视觉探测交互的信息最丰富和最先进的工具。 这里，调节器在 x 轴上，而X 与 Y 相关的简单斜率在 y 轴上。 因此，我们可以看到将 X 与 Y 相关联的简单斜率如何随着调节剂的变化而变化。 置信带表示在 alpha = .05 时调节剂每个值的简单斜率是显着（蓝色）还是不显着（红色）。
在我们的示例中，我们看到在低到中等水平的压力下，意义与工作满意度显着相关（回想一下 x 轴的中心值）。 随着不堪重负的增加，意义与工作满意度之间的关联减少。 事实上，JN 图帮助我们确定压倒性的精确值 (1.75)，在该值处这种关联不再具有统计显着性。
尽管它们提供了所有信息，但 JN 图可能难以理解，因为简单的坡度在 y 轴上。 为了解决这个问题，我让这个情节互动！ 将鼠标悬停在线上以查看 Y 与 X 的关系图在主持人的那个特定值。 当您将鼠标悬停在线上的不同点上时，可以很容易地看到 X 和 Y 之间的关系如何随着主持人的变化而变化。
将鼠标悬停在该线上以查看 Y 与 X 在调节器的特定值下的关系图。
简单斜率图：最后，一个简单的斜率图将出现在报告的底部。 此处，X 和 Y 之间的关系显示为调节器的三个值：均值以下 1 个标准差、均值和均值以上 1 个标准差。 此图不是静态的，因此请随意更改轴标题、图例标签或线条类型和颜色——无论您的出版物或报告需要什么！ 提示：使用双击和上下文菜单找到这些选项。
第一和第二阶段调解示例
我们工作的意义为何、如何以及对谁与工作满意度相关？
对于第一阶段和第二阶段的调节调解，用户输入窗口和输出报告看起来与基本调节模型几乎相同。 这里的主要区别在于对结果的解释。 绘图将显示而不是简单的斜率有条件的间接影响在主持人的每个值。 条件间接效应类似于简单的斜率，因为它取决于调节剂的值。 但是现在，我们正在描述X 通过中介 M 对 Y 的影响。 这些报告不探测路径的片段（例如，X-to-M、M-to-Y），而是探测从 X 到 Y 再到 M 的整个路径（即间接效应）。 这整个间接影响由 Z 调节，并且通常对探测和显着性测试最感兴趣。
一些注意事项：这两个模型都依赖于样本量很大的假设，因为间接效应的标准误差是通过正态理论方法计算的，不是与自举。 （尽管在 JMP Pro 的 SEM 平台的未来版本中注意引导功能！）此外，在第一阶段模型中，Z 被指定为缓和两个都X-to-M 和 X-to-Y 路径，以确保 SEM 平台中的模型规范正确。 这里通常对 X 到 M 路径的调节感兴趣，因此结果不会关注或提供直接 X 到 Y 路径的调节的细节。
第一阶段调解
在我们的例子中，不知所措显着缓和了从有意义到动机的途径。 因此，从意义到工作满意度的整个间接影响都被缓和了。 当压倒性小于 1.63 时，间接影响显着。 因此，当不堪重负是低到中等时，找到工作的意义会带来更大的动力，进而带来更高的工作满意度。
第二阶段调解
在这个例子中，不堪重负显着缓和了从动机到工作满意度的路径。 当压倒性小于 1.25 时，从意义到工作满意度的整个间接影响是显着的。 与前面的示例一样，当不堪重负是低到中等时，在工作中找到意义会带来更大的动力，进而带来更高的工作满意度。
使用附加的模拟数据集复制这些结果中的任何一个！
有关详细信息，请参阅：
鲍尔，DJ， & 柯兰，PJ (2005)。 探索固定和多级回归中的交互：推理和图形技术。多元行为研究, 40 (3), 373-400。
海耶斯，AF (2022)。 调解、适度和条件过程分析简介：基于回归的方法（第 3 版）。 吉尔福德。
传教士，KJ， 拉克，DD， &海耶斯，自动对焦 (2007)。 解决有节制的调解假设：理论、方法和处方。多元行为研究, 42 (1), 185-227。
要联系我，电子邮件haley.e.yaremych@vanderbilt.edu
谢谢劳拉的详细说明！ 我想知道当 X 或/和 Z 是绝对的而不是连续的时是否可以使用它。 如果是这样，当有两个以上的级别时，我们如何比较不同的组？
谢谢你！
你好@Rongyu_Kuang ,
很高兴您发现该插件很有用！您在变量名称中看到的“_c”后缀是为了传达变量已经以均值为中心。 您可以在启动对话框中控制它（请参阅下面屏幕截图中突出显示的部分）。
但是，建议将变量居中（默认情况下加载项所做的）以促进参数估计的解释，除非您的数据已经具有有意义的零值。 听起来您的变量之一是二元预测变量（“虚拟变量”），它已经具有有意义的零值，因此不需要居中。 如果这确实是你的情况，你可以选中中心 X 和中心 Z 的框，为 X 保留 0 并输入 Z 的平均值：
最后，您还可以通过获取 SE 的平均值（通过单击主红色小三角菜单 > 描述性统计 > 单变量简单统计）并将其添加到值 -6.459 和 -0.231 来将边界值恢复到其原始度量。
请记住，显着性边界有可能超出观测数据的范围。 在您的情况下，下边界可能（ SE_c 等于 -6.459) 超出数据范围。 为防止外推，Johnson-Neyman 图仅显示观测数据内的边界——它也仅显示观测数据范围的置信带。 总而言之，这意味着解释结果的最佳方式是查看 JN 图，了解主要预测变量 (X) 在 Y 上的简单斜率如何随 Z 变化。 将鼠标悬停在直线的点上以获得显示不显着的简单斜率与显着的斜率的小图。 你可能已经在这样做了，但这里有一个例子：
卫生部,
~劳拉
嗨海莉，
非常感谢如此有用的插件。
只是一个关于重要边界的快速问题，我的输出显示
“当平均 SE_c 等于 -6.459 和 -0.231 时，dummy_c 的简单斜率从显着性变为不显着性。 dummy_c 的简单斜率在这两个值之外是显着的。“为什么显着边界是负值（即-6.459 和-0.231）。通过 11-bipolar 尺度测量的平均 SE 是一般正值。此外，什么是“ “average SE_c”或“dummy_c”中的“_c”是什么意思？
最好的祝愿，
荣宇
嗨，劳拉，
非常感谢如此有用的插件。
只是一个关于重要边界的快速问题，我的输出显示
“当平均 SE_c 等于 -6.459 和 -0.231 时，dummy_c 的简单斜率从显着性变为不显着性。 dummy_c 的简单斜率在这两个值之外是显着的。“为什么显着边界是负值（即-6.459 和-0.231）。通过 11-bipolar 尺度测量的平均 SE 是一般正值。此外，什么是“ “average SE_c”或“dummy_c”中的“_c”是什么意思？
最好的祝愿，
荣宇
为了@詹博和其他对中介分析感兴趣的人，JMP Pro 可以通过结构方程模型平台进行此操作：
- 在“分析”>“多变量”菜单下，您会找到“结构方程模型”(SEM)——单击该选项并选择 3 个（或更多，如果进行多重中介）变量以启动 SEM 平台：
- 启动后，您会发现一个“模型快捷方式”红色小三角，其中有一个选项用于在“横截面经典”下拟合中介模型。
- 该快捷方式将指导您选择预测变量、中介变量和结果变量。 最后，您将单击“运行”以拟合模型并获得结果。
- 您可能还想在拟合模型下选择“间接影响”以获得间接影响的估计值以及增量法标准误差：
卫生部,
~劳拉
嗨海莉
感谢您的出色工作。 无论如何要使用此插件而不使用主持人，仅使用调解器进行初级调解分析。 如果不添加主持人，插件似乎无法正常工作。
最好的
我有一些关于加载项是否可以处理二分法预测器的问题，所以我将在这里回答：
是的，您可以使用二元预测变量或调节变量，但需要将其保存为数据集中的数值变量（非名义变量），以便加载项将其识别为可用变量。 我强烈推荐 0/1 编码。
另外，我会推荐反对将二进制预测器居中以帮助使您的结果更易于解释。 假设 X 是二元的：要使 X 不居中，您可以选择“关闭居中”（这样，任何东西都不会居中）或选择“使 X 围绕不同的值居中”并在此处保留 0 作为值（这样，仅连续变量将居中，二进制 X 将保持不居中）。
这适用于二进制变量，但是不是多类别的。 多分类变量将不是使用此加载项。
希望这可以帮助！
海莉
