解决这个问题花费了我不少精力，人处在一种焦虑和筋疲力竭中整整2天。曾在几个华西的博士、硕士QQ群里请教这个问题，仅有一个学精神心理学的硕士给了一点启发，但详细怎么做，就没有人再懂了。也在人大经济论坛发贴请教，也是被告知要人工增加变量，且是用SAS来做。SAS除了在同济医大学的那点外，早就忘了。现在用的都是SPSS。

     直到，请教侯杰泰老师，在其一步一步的指导下，这个问题才迎刃而解。因为解决问题的过程如此艰难，再加上懂的人不多，所以觉得有必要把这个问题的解决方法写下来。当然，也便于自己查阅（久了，怕忘）。

     这个问题是基于刘朝杰老师发给我的一篇文献温忠麟老师的《调节效应与中介效应的比较和应用》论文，当自变量和调节变量都是连续变量时，用带有乘积项的回归模型，做层次回归分析。

     一般做多重线性回归，都是逐个把自变量选进自变量框的，没有乘积项。因此，只能在数据库中手工增加一个带有乘积项的自变量。比如，生存质量QOL与慢性病的关系，往往受到年龄的影响。那么这时，想看年龄（X）与慢性病(M)对生命质量是否有交互作用，这里的交互其实就是调节效应分析。把年龄(X)作为调节变量，慢性病(M)是自变量，QOL是应变量，怎么做？

    第一步，把需要分析的变量标准化。这个是非常关键的一步。有两种方法，一种是在transform的compute里做，zx1 = (X - mean X) / SD of X。另一种是直接在descriptive做，在derscriptive中有一个选项“save standardized values as variables”,选中它，所分析变量自动转换为标准化，并保存为一个新的变量。

   第二步，在transform中用computer设置一个新变量，让新变量等于X*M.

第三步，可以做多重线性回归了。但是要注意的是必须选用“enter”，而不是stepwise等其他变量进入的方法。就是让自变量强制进入模型。做回归的时候，先做Y对X，M的回归（第一个模型），然后做Y对X, M, X*M的回归（第二个模型），每个模型的R square的差值越大越好，表示调节效应显著。

 第四步，结果出来的时候，要看Unstandardized Coefficients的结果。由于自变量在第一步已经标准化，所以这时的Unstandardized Coefficients就是标准化的结果，而不能再看Standardized Coefficients这一列的结果。另外，由于自变量是强制进入，所以所有变量都应在模型中，无论它是否有显著性。