调节效应分析中，如果调节变量是分类变量，可以采用分组回归分析方法来检验参数的差异。于是，有一些学者就把本来是连续变量的调节变量人为的划分为高低两组，比如高于或等于均值或中位数的为高分组，低于者为低分组，然后做多群组分析，检验某个路径的差异，进而推断调节效应是否成立。
Hayes指出了这种Subgroup可能存在的各种不足，不建议采用这种方法。主要的问题包括：
1、分组法检验的是整体模型的参数，而不仅仅是某个路径或部分路径，因而用整个模型的差异来评判部分路径的差异是不合适的。
2、调节效应是针对某个斜率或路径的，此时需要假定其他变量关系的影响恒定（Constant），但分组法通常没有做这种假定。
3、分组法的调节效应推断是基于参数差异检验的显著性来做的，但显著性水平和样本量有很大关系，如果两组样本量不等，则统计推断效力在两组之间是不一样的。有时候某个组中的斜率或中介效应不显著可能是样本量的问题。
4、人为分组得到的组类可能并不具有心理测量上的实际意义，比如得到的所谓高分组或低分组实际上并不是真正意义（如基于常模）上的高低组。
5、人为对连续变量分组还存在一个严重的现实问题，那就是本来连续的变量或构念人为的分为性质差异的两组，这就导致处在临界值的个案性质差异很大的问题，这个就跟59不及格和60及格的性质差异。例如，有什么理由认为心理资本处在平均值的人就是高心理资本呢？就算用均值上下特定标准差来分组也存在类似的问题。例如（均值
1SD）是高分组，那为何比（均值 1SD）低1分或0.5分它就不属于高分组呢？
6、那如果是某些自然分组呢，比如男性和女性，是否可以用这种分组法？Hays认为有些情况下使用问题不大，但严格来说还是存在“鸡同鸭讲”的问题，对象不一样所得到的测量实质可能也不一样。例如同性恋和异性恋性行为的差异，同性恋的性行为与异性恋的性行为可能本质上存在不同，难以比较。
总之，Subgroup分组法请慎用！Hayes发明的Process就推荐分类调节变量用交互项的方法来处理。咸菜老师赞同Hayes的观点，但认为某些情况使用分组法问题也不大，关键是此法能够提供交互项方法不能提供的很多信息。总之，具体数据和具体模型具体分析。
【与咸菜老师一起学习SPSS、Amos、Mplus、HLM、SmartPLS，结构方程模型与多层线性模型，您会有很多意想不到的知识收获！
学习培训咨询 QQ群 527282166】
加载中，请稍候......
喜欢
加载中…