通常，當我們試圖從數據中獲得洞察力時，僅僅了解兩個變量是相關的是不夠的。 我們需要深入挖掘並提出以下問題：什麼他們的情況有關係嗎？ 為了誰他們有關係嗎為什麼他們有關係嗎？如何？ Moderation、mediation 和 moderated mediation 使我們能夠準確地回答這些類型的問題。
這些分析技術，稱為條件過程模型（Hayes，2022 年；Preacher 等人， 2007), 很受歡迎，也很重要，但安裝起來很麻煩。 此外，對於理解相互作用必不可少的可視化，包括 Johnson-Neyman 圖和簡單的斜率圖，很難創建並且需要容易出錯的計算。
這篇博文中描述的調節和中介 JMP 插件可以在三種流行模型中輕鬆指定、擬合和視覺探測交互：調節、第一階段調節調節和第二階段調節調節。 這些模型可以用普通最小二乘法或結構方程建模 (SEM) 軟件進行擬合；該插件依賴於 SEM，它使用尖端方法處理缺失數據並支持同步模型估計。 （此插件需要 JMP Pro 16.0 或更高版本。）
描述這些條件過程模型的最簡單方法是使用示例。 讓我們從一篇文章中考慮這個剪輯人民科學網關於提高工作滿意度：
“你知道你公司的使命嗎？ 你知道你的工作的影響嗎？ 當我們腦子裡沒有“為什麼”時，就很難對我們正在做的事情感到有動力和興奮…… 當我們變得忙碌或不知所措時，“為什麼”似乎就消失了。”
基本審核示例
在什麼情況下我們工作的意義與工作滿意度相關？
上面的片段表明，我們工作的意義與更高的工作滿意度有關，但如果我們在工作中過於忙碌，這種關係就會減弱。 換句話說，壓倒性緩和了意義和工作滿意度之間的關係（即存在交互作用）。 從概念上講，我們可以用路徑圖來表示：
那麼我們如何測試這種交互作用，如果它在統計上顯著，又如何理解它的含義呢？ 下面的步驟概述瞭如何使用審核和中介插件執行此操作。
用戶輸入
首先，用戶輸入窗口顯示了概念路徑圖以及適合 JMP Pro SEM 平台的統計模型。 在這兩個模型表示之間建立聯繫可能很困難，因此此功能旨在幫助用戶理解正在擬合的統計模型。
用戶所需要的只是指出哪個變量在模型中扮演每個角色：預測變量 (X)、調節變量 (Z) 和結果 (Y)。 可選地，可以包括任意數量的協變量來控制它們的影響。 所有變量必須是連續的。
用戶所需要的只是指出哪個變量在模型中扮演每個角色：預測變量 (X)、調節變量 (Z) 和結果 (Y)。
默認情況下，X 和 Z 將以均值為中心。 以均值為中心的變量將用於計算模型擬合的乘積項 (X*Z)。 如果需要，可以關閉此功能，X 和 Z 將保持不居中。 此外，X 和 Z 可以以用戶指定的值為中心。
用戶輸入窗口的最後一部分涉及將在輸出報告中顯示的內容。 默認情況下，僅當交互項 (X*Z) 在 alpha = .05 時顯著時，才會顯示用於探測節制的文本和圖。 即使交互項不顯著（例如，如果需要 alpha = .10 顯著性水平），用戶也可以選擇查看這些結果。
結果
掃描電鏡輸出：輸出報告的第一部分顯示了 SEM 平台的結果，包括模型擬合統計、參數估計、a路徑圖模型的比例，以及結果中解釋的方差比例。 在路徑圖中，協方差將不是如果包含 1 個或多個協變量，則會出現（以減少圖像混亂）。 可以通過在圖表中右鍵單擊並選擇顯示 > 協方差來顯示協方差和其他估計值。
審核詳情：本節提供可輕鬆粘貼到出版物或報告中的結果的簡潔文本解釋，包括通過 Johnson-Neyman (JN) 技術計算的顯著性邊界。 JN 技術計算 X 的簡單斜率從顯著性過渡到非顯著性時的調節劑值。 在觀察到的調節劑範圍內可能存在零個、一個或兩個顯著性邊界。 在某些情況下，無法計算邊界，因為 X 的簡單斜率在調節劑的整個可能範圍內顯著或不顯著。 在這些情況下，將顯示此信息並且 JN 圖仍將出現在報告中。
Moderation Details 部分提供簡潔的結果文本解釋，可以輕鬆粘貼到出版物或報告中。
交互式 Johnson-Neyman 情節： JN 圖被認為是用於視覺探測交互的信息最豐富和最先進的工具。 這裡，調節器在 x 軸上，而X 與 Y 相關的簡單斜率在 y 軸上。 因此，我們可以看到將 X 與 Y 相關聯的簡單斜率如何隨著調節劑的變化而變化。 置信帶錶示在 alpha = .05 時調節劑每個值的簡單斜率是顯著（藍色）還是不顯著（紅色）。
在我們的示例中，我們看到在低到中等水平的壓力下，意義與工作滿意度顯著相關（回想一下 x 軸的中心值）。 隨著不堪重負的增加，意義與工作滿意度之間的關聯減少。 事實上，JN 圖幫助我們確定壓倒性的精確值 (1.75)，在該值處這種關聯不再具有統計顯著性。
儘管它們提供了所有信息，但 JN 圖可能難以理解，因為簡單的坡度在 y 軸上。 為了解決這個問題，我讓這個情節互動！ 將鼠標懸停在線上以查看 Y 與 X 的關係圖在主持人的那個特定值。 當您將鼠標懸停在線上的不同點上時，可以很容易地看到 X 和 Y 之間的關係如何隨著主持人的變化而變化。
將鼠標懸停在該線上以查看 Y 與 X 在調節器的特定值下的關係圖。
簡單斜率圖：最後，一個簡單的斜率圖將出現在報告的底部。 此處，X 和 Y 之間的關係顯示為調節器的三個值：均值以下 1 個標準差、均值和均值以上 1 個標準差。 此圖不是靜態的，因此請隨意更改軸標題、圖例標籤或線條類型和顏色——無論您的出版物或報告需要什麼！ 提示：使用雙擊和上下文菜單找到這些選項。
第一和第二階段調解示例
我們工作的意義為何、如何以及對誰與工作滿意度相關？
對於第一階段和第二階段的調節調解，用戶輸入窗口和輸出報告看起來與基本調節模型幾乎相同。 這裡的主要區別在於對結果的解釋。 繪圖將顯示而不是簡單的斜率有條件的間接影響在主持人的每個值。 條件間接效應類似於簡單的斜率，因為它取決於調節劑的值。 但是現在，我們正在描述X 通過中介 M 對 Y 的影響。 這些報告不探測路徑的片段（例如，X-to-M、M-to-Y），而是探測從 X 到 Y 再到 M 的整個路徑（即間接效應）。 這整個間接影響由 Z 調節，並且通常對探測和顯著性測試最感興趣。
一些注意事項：這兩個模型都依賴於樣本量很大的假設，因為間接效應的標準誤差是通過正態理論方法計算的，不是與自舉。 （儘管在 JMP Pro 的 SEM 平台的未來版本中註意引導功能！）此外，在第一階段模型中，Z 被指定為緩和兩個都X-to-M 和 X-to-Y 路徑，以確保 SEM 平台中的模型規范正確。 這里通常對 X 到 M 路徑的調節感興趣，因此結果不會關注或提供直接 X 到 Y 路徑的調節的細節。
第一階段調解
在我們的例子中，不知所措顯著緩和了從有意義到動機的途徑。 因此，從意義到工作滿意度的整個間接影響都被緩和了。 當壓倒性小於 1.63 時，間接影響顯著。 因此，當不堪重負是低到中等時，找到工作的意義會帶來更大的動力，進而帶來更高的工作滿意度。
第二階段調解
在這個例子中，不堪重負顯著緩和了從動機到工作滿意度的路徑。 當壓倒性小於 1.25 時，從意義到工作滿意度的整個間接影響是顯著的。 與前面的示例一樣，當不堪重負是低到中等時，在工作中找到意義會帶來更大的動力，進而帶來更高的工作滿意度。
使用附加的模擬數據集複製這些結果中的任何一個！
有關詳細信息，請參閱：
鮑爾，DJ， & 柯蘭，PJ (2005)。 探索固定和多級回歸中的交互：推理和圖形技術。多元行為研究, 40 (3), 373-400。
海耶斯，AF (2022)。 調解、適度和條件過程分析簡介：基於回歸的方法（第 3 版）。 吉爾福德。
傳教士，KJ， 拉克，DD， &海耶斯，自動對焦 (2007)。 解決有節制的調解假設：理論、方法和處方。多元行為研究, 42 (1), 185-227。
要聯繫我，電子郵件haley.e.yaremych@vanderbilt.edu
謝謝勞拉的詳細說明！ 我想知道當 X 或/和 Z 是絕對的而不是連續的時是否可以使用它。 如果是這樣，當有兩個以上的級別時，我們如何比較不同的組？
謝謝你！
你好@Rongyu_Kuang ,
很高興您發現該插件很有用！您在變量名稱中看到的“_c”後綴是為了傳達變量已經以均值為中心。 您可以在啟動對話框中控制它（請參閱下面屏幕截圖中突出顯示的部分）。
但是，建議將變量居中（默認情況下加載項所做的）以促進參數估計的解釋，除非您的數據已經具有有意義的零值。 聽起來您的變量之一是二元預測變量（“虛擬變量”），它已經具有有意義的零值，因此不需要居中。 如果這確實是你的情況，你可以選中中心 X 和中心 Z 的框，為 X 保留 0 並輸入 Z 的平均值：
最後，您還可以通過獲取 SE 的平均值（通過單擊主紅色小三角菜單 > 描述性統計 > 單變量簡單統計）並將其添加到值 -6.459 和 -0.231 來將邊界值恢復到其原始度量。
請記住，顯著性邊界有可能超出觀測數據的範圍。 在您的情況下，下邊界可能（ SE_c 等於 -6.459) 超出數據范圍。 為防止外推，Johnson-Neyman 圖僅顯示觀測數據內的邊界——它也僅顯示觀測數據范圍的置信帶。 總而言之，這意味著解釋結果的最佳方式是查看 JN 圖，了解主要預測變量 (X) 在 Y 上的簡單斜率如何隨 Z 變化。 將鼠標懸停在直線的點上以獲得顯示不顯著的簡單斜率與顯著的斜率的小圖。 你可能已經在這樣做了，但這裡有一個例子：
衛生部,
~勞拉
嗨海莉，
非常感謝如此有用的插件。
只是一個關於重要邊界的快速問題，我的輸出顯示
“當平均 SE_c 等於 -6.459 和 -0.231 時，dummy_c 的簡單斜率從顯著性變為不顯著性。 dummy_c 的簡單斜率在這兩個值之外是顯著的。“為什麼顯著邊界是負值（即-6.459 和-0.231）。通過 11-bipolar 尺度測量的平均 SE 是一般正值。此外，什麼是“ “average SE_c”或“dummy_c”中的“_c”是什麼意思？
最好的祝愿，
榮宇
嗨，勞拉，
非常感謝如此有用的插件。
只是一個關於重要邊界的快速問題，我的輸出顯示
“當平均 SE_c 等於 -6.459 和 -0.231 時，dummy_c 的簡單斜率從顯著性變為不顯著性。 dummy_c 的簡單斜率在這兩個值之外是顯著的。“為什麼顯著邊界是負值（即-6.459 和-0.231）。通過 11-bipolar 尺度測量的平均 SE 是一般正值。此外，什麼是“ “average SE_c”或“dummy_c”中的“_c”是什麼意思？
最好的祝愿，
榮宇
為了@詹博和其他對中介分析感興趣的人，JMP Pro 可以通過結構方程模型平台進行此操作：
- 在“分析”>“多變量”菜單下，您會找到“結構方程模型”(SEM)——單擊該選項並選擇 3 個（或更多，如果進行多重中介）變量以啟動 SEM 平台：
- 啟動後，您會發現一個“模型快捷方式”紅色小三角，其中有一個選項用於在“橫截面經典”下擬合中介模型。
- 該快捷方式將指導您選擇預測變量、中介變量和結果變量。 最後，您將單擊“運行”以擬合模型並獲得結果。
- 您可能還想在擬合模型下選擇“間接影響”以獲得間接影響的估計值以及增量法標準誤差：
衛生部,
~勞拉
嗨海莉
感謝您的出色工作。 無論如何要使用此插件而不使用主持人，僅使用調解器進行初級調解分析。 如果不添加主持人，插件似乎無法正常工作。
最好的
我有一些關於加載項是否可以處理二分法預測器的問題，所以我將在這裡回答：
是的，您可以使用二元預測變量或調節變量，但需要將其保存為數據集中的數值變量（非名義變量），以便加載項將其識別為可用變量。 我強烈推薦 0/1 編碼。
另外，我會推薦反對將二進制預測器居中以幫助使您的結果更易於解釋。 假設 X 是二元的：要使 X 不居中，您可以選擇“關閉居中”（這樣，任何東西都不會居中）或選擇“使 X 圍繞不同的值居中”並在此處保留 0 作為值（這樣，僅連續變量將居中，二進制 X 將保持不居中）。
這適用於二進制變量，但是不是多類別的。 多分類變量將不是使用此加載項。
希望這可以幫助！
海莉
@BaggingBird609 ,
好問題！對於具有潛在變數的調節中介模型，我建議直接使用我們的結構方程模型 (SEM) 平台。有幾種方法可以指定與 SEM 中潛在變數的交互，我們的平台將允許您使用Marsh 等人討論的「無約束產品指標」方法。 （2012） 。簡而言之，我們必須根據互動中涉及的潛在變數的指標在資料表中建立新的產品變數。然後，除了所有其他潛在變數的指標之外，還可以使用這些新產品變數來啟動平台。最後，必須指定潛在變數、潛在變數交互作用和中介模型（很像您在貼文中包含的圖表）。運行模型後，可以獲得所有常見的 SEM 輸出。但是，該平台還沒有 Johnson-Neyman 圖表和結果解釋，這是本文討論的插件的一部分。
哈特哈，
~勞拉
你好，如何在平行中介模型中提取兩個中介的間接效應？目前的輸出只輸出一個間接效應（我認為它是模型中兩個間接效應的總和），但是我怎麼能讓它計算每個間接效應的大小和重要性，以便我可以測試其中的哪一個兩個調解人的影響力是顯著還是更大？謝謝！
