什么是调节变量？定义与示例

调节变量是影响因变量和自变量之间关系的变量类型。

当我们进行回归分析时，我们经常想了解自变量的变化如何影响因变量。然而，调节变量有时会影响这种关系。

例如，假设我们想要拟合一个回归模型，其中我们使用自变量每周锻炼的时间来预测因变量剩余心率。

我们认为，锻炼时间越长，静息心率就越低。然而，这种关系可能会受到性别等调节变量的影响。

男性每多运动一小时，剩余心率可能会比女性下降幅度更大。

调节变量的另一个例子是年龄。与老年人相比，每多运动一小时，年轻人的剩余心率可能会出现更大的下降。

调节变量的属性

调节变量具有以下属性：

1.调节变量可以是定性的或定量的。

定性变量是带有名称或标签的变量。示例包括：

• 性别（男或女）
• 教育程度（学士、学士学位、硕士学位等）
• 婚姻状况（单身、已婚、离婚）

定量变量是采用数值的变量。示例包括：

• 年龄
• 高度
• 平方英尺
• 人口规模

在前面的示例中，性别是一个定性变量，可能会影响研究时间和剩余心率之间的关系，而年龄是一个定量变量，可能会影响这种关系。

2. 调节变量可以通过多种方式影响自变量和因变量之间的关系。

调节变量可以产生以下效果：

• 加强两个变量之间的关系。
• 削弱两个变量之间的关系。
• 取消两个变量之间的关系。

根据情况，调节变量可以以不同的方式调节两个变量之间的关系。

如何测试调节变量

红豆杉

Y = β ₀ + β ₁

如果我们怀疑另一个变量Z是调节变量，那么我们可以拟合以下回归模型：

Y = β ₀ + β ₁ X ₁ + β ₂ Z   + β ₃ XZ

在此方程中， XZ项称为交互项。

如果回归结果中XZ系数的p 值具有统计显着性，则表明X和Z之间存在显着交互作用，并且Z应作为调节变量包含在回归模型中。

我们将最终模型编写如下：

Y = β ₀ + β ₁ X + β ₂ Z   + β ₃ XZ

如果回归结果中XZ系数的 p 值不具有统计显着性，则Z不是调节变量。

然而， Z系数可能仍然具有统计显着性。在这种情况下，我们只需将Z作为回归模型中的另一个自变量。

然后我们写出最终的模型如下：

Y = β ₀ + β ₁ X + β ₂ Z

其他资源

如何阅读和解释回归表
如何在回归分析中使用虚拟变量
易混淆变量简介