《交互作用中介与干扰效果-朝阳科技大学.ppt》由会员分享，可在线阅读，更多相关《交互作用中介与干扰效果-朝阳科技大学.ppt（84页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第二十章 交互作用、中介和調節(干擾)效果之驗證20-1 交互作用(Interaction)20-2 中介效果之驗證20-3 調節(干擾)效果的驗證20-1 交互作用(Interaction)交互作用顧名思義就是雙方會互相影響。在我們研究社會現象時，若是有二個自變數，則稱為二因子變異數分析，若是有三個自變數，則稱為三因子變異數分析，以二個自變數A 和B 影響一個依變數Y 為例，除了A和B 分別會影響依變數Y 外，也會有AB 交互作用影響著Y，如下圖：我們再以三個自變數A、B 和C 影響，一個依變數Y 為例，除了A、B 和C 分別影響依變數Y 外，還有AB、AC、BC 和ABC 等四個交互項影響
2、依變數Y。我們整理二個和三個自變數產生的交互作用項，如下表：在社會現象中，交互作用時常出現，我們舉例如下：1.範例一：工作單位與性別對組織文化之交互作用A：工作單位(例如：財務、工務、業務)B：性別(例如：男、女)Y：組織文化(例如：成果取向、人員取向、團隊取向)交互作用項=工作單位性別2.範例二：電腦自我效能與目標取向在學習方法的交互作用A：電腦自我效能B：目標取向Y：學習方法交互作用項=電腦自我效能目標取向3.範例三：品牌組成策略與品牌擴張類型對品牌評價的交互作用A：品牌組成策略B：品牌擴張類型Y：品牌評價交互作用項=品牌組成策略品牌擴張類型在一個混合式的組織中(同時存在機械式和有機式)，
3、我們想了解組織的型態與領導特質對於組織績效的交互作用A：組織的型態 機械式和有機式B：領導特質 交易型領導和轉換型領導Y：組織績效 組織表現的好壞程度交互作用項=組織的型態領導特質將光碟MMA 目錄複製到C:MMA 後，操作步驟如下：1.開啟SPSS 檔案interaction，按卷軸向右，看到OS：組織的型態有機械式(1)和有機式(2)，LS：領導特質有交易型領導(1)和轉換型領導(2)，Performance：組織績效(Linkert scale 1-5)。2.按AnalyzeGeneral Linear ModelUnivariate。3.將Performance 放入Dependent
4、 variable，將OS 和LS 放入Fixed Factor(s)。4.按Plots，將OS 放入Horizontal Axis，LS 放入Separate Lines。5.按Add。6.按Continue，回到Univariate。7.按OK。出現結果如下：Tests of Between-Subjects EffectsDependent Variable:Performancea R Squared=.175(Adjusted R Squared=.168)我們看交互作用項OS 組織型態*LS 領導型態 的F 值=13.426，P=0.000達顯著，顯示有交互作用影響。OS 組織型態
5、與LS 領導型態同時對於組織績效的結果如下圖：OS：組織的型態有機械式(1)和有機式(2)，LS：領導特質有交易型領導(1)和轉換型領導(2)，Performance：組織績效(Linkert scale 1-5)交互作用的簡易判定方式：圖中有交叉線，代表有交互作用影響。圖中無交叉線，代表無交互作用影響。我們將結果圖放入報告中如下：註解：OS：組織的型態有機械式(1)和有機式(2)，LS：領導特質有交易型領導(1)和轉換型領導(2)，Performance：組織績效。從圖中的交叉線，我們可以確定領導型態與組織型態同時對於組織績效有交互作用影響。轉換型的領導型態在機械式的組織中績效較差，在有機式
6、的組織中績效較好，而交易型的領導在機械式和有機式組織的績效差異不大，我們也可以將結果整理成下表：我們已經完成“交互作用”的實務操作了。20-2 中介效果之驗證在社會科學的研究中，自變數與調節(干擾)變數透過中介變數來影響依變數。中介變數可以定義為影響依變數的理論性因素，其對依變數的影響，必須從觀察現象之自變數中進行推論。中介效果是指自變數透過中介變數來影響依變數的效果，有三種情形：無中介效果、部份中介效果和完全中介效果，我們分別介紹如下：無中介效果，如下圖：部份中介效果，如下圖：完全中介效果，如下圖：也就是一般常畫的中介效果之驗證圖如下：中介效果驗證流程：中介效果之驗證三步曲：以X 預測Y以X
7、 預測M以X 和M 同時預測Y我們解釋如下：1.第一步驟：以X 預測Y以圖形和迴歸方程式表示如下：檢驗：要達顯著，執行第二步驟，否則中止中介效果分析2.第二步驟：以X 預測M以圖形和迴歸方程式表示如下：檢驗：要達顯著，執行第三步驟，否則中止中介效果分析3.第三步驟：以X 和M 同時預測Y以圖形和迴歸方程式表示如下：檢驗：若為不顯著 且接近於0 結果為完全中介 若為顯著，且係數小於第一步驟的 結果為部份中介我們想要驗證“高階主管的參與”對於“資訊品質”的影響中，”團隊合作”是否有中介效果？如下圖：MI：高階主管的參與CO：團隊合作IQ：資訊品質第一步驟：以MI 預測IQ以圖形和迴歸方程式表示如下
8、：將光碟MMA 目錄複製到 C:MMA 後，操作步驟如下：1.開啟SPSS 檔案MMA，按卷軸向右，看到MI：高階主管的參與、CO：團隊合作、IQ：資訊品質2.按AnalyzeRegressionLinear3.將IQ 選入Dependent，MI 選入Independent4.按OK整理結果如下:檢驗：為迴歸係數，要達顯著，執行第二步驟，否則中止中介效果分析。=0.217，P=0.000 達顯著，執行第二步驟。第二步驟：以MI 預測CO以圖形表示如下：操作步驟如下：1.按Dialog Recall 呼叫對話框2.按Linear Regression，將CO 選入Dependent，MI 選入
9、Independent3.按OK整理結果如下:檢驗：要達顯著，執行第三步驟，否則中止中介效果分析。=0.314，P=0.000 達顯著，執行第三步驟。第三步驟：以MI 和CO 同時預測IQ以圖形和迴歸方程式表示如下：操作步驟如下：1.按Dialog Recall 呼叫對話框，按Linear Regression，將IQ 選入Dependent，將MI 和CO 選入Independent2.按OK整理結果如下：檢驗：若為不顯著，且接近於0 結果為完全中介 若為顯著，且係數小於第一步驟的 結果為部份中介 =0.097，P=0.06 未達顯著且接近於0 =0.383，P=0.00 達顯著結果為完全中
10、介。LISREL 中介效果之驗證我們想要驗證“高階主管的參與”對於“資訊品質”的影響中，“團隊合作”是否有中介效果？如下圖：執行結構方程模式(SEM)中介效果的步驟如下：1.畫出結構方程模式(SEM)中介效果之的圖示2.寫出結構方程模式(SEM)的語法3.開啟LISREL 軟體，輸入上述結構方程模式(SEM)的語法或開啟C:MMAMediator.lpj4.按RUN 執行出結構方程模式(SEM)的結果5.選Standardized Solution6.選T-values7.按Ctrl+F，出現適配度(Goodness-of-Fit)指標值我們整理模式的適配度(Goodness-of-Fit)指
11、標值，理想數值，建議的學者，本模式的數值如下：顯示模式適配度(Goodness-of-Fit)良好。本研究以LISREL 之最大概似估計法的估計結果與模型路徑圖，可知各潛在變數的關係。除了以路徑係數衡量潛在自變數對潛在應變數之直接影響外，潛在自變數尚可能經由其他變數對潛在應變數產生間接影響。其中，直接影響又稱為直接效果，間接影響又稱為間接效果，二者皆可經由路徑係數計算而得。直接效果與間接效果之加總，稱為總效果（Total Effects），我們整理如下表：解釋力：以模式解釋度而言，亦由查看報表項目如下：MI 高階主管支持潛在變項對CO 團隊合作潛在變項影響的解釋度(Squared Multip
12、le Correlations for Structural Equations)為13%，MI高階主管支持和CO 團隊合作對IQ 資訊品質的解釋度為26%，顯示模式解釋潛在變項偏低。T-values:MI CO=6.40 顯著。CO IQ=7.69 顯著。MI IQ=1.79 不顯著。MI：高階主管的參與CO：團隊合作IQ：資訊品質檢驗：MI 高階主管的參與，對於IQ 資訊品質的直接影響是不顯著。MI 高階主管的參與，對於CO 團隊合作的直接影響是顯著。CO 團隊合作，對於IQ 資訊品質的直接影響是顯著。MI 高階主管的參與，對於IQ 資訊品質的間接影響0.16 大於MI 高階主管的參與對於
13、IQ 資訊品質的直接影響0.1，因此，結果是確認“高階主管的參與”對於“資訊品質”的影響中，“團隊合作”有中介效果。20-3 調節(干擾)效果的驗證調節(干擾)效果是用來探討影響自變數和依變數之間關係的強弱和方向(正或負)，也就是定義一個變數調節(干擾)自變數和依變數之間的相關形式或強度。在一般的因果關係研究中，依變數Y 受到自變數X 的影響表示，如下圖：若是X 和Y 的關係受到第三個變數M 的影響，包含方向(正和負)和強弱(大、小)，我們稱為M 有調節(干擾)效果，表示如下圖：調節變數M 的資料型態，可以是類別或連續的資料型態。在社會科學的研究中，可以進行調節(干擾)效果的研究相當普遍，我們
14、舉例如下：通路型態對於產品知覺品質與客戶滿意度的調節(干擾)效果研究調節變數M 是通路型態(例如：電視購物和網路購物)，自變數X是產品知覺品質，依變數Y 是客戶滿意度，整體關係如下圖：科技任務適配(ITF)對組織知識與組織效能之調節(干擾)效果研究調節變數M 是科技任務適配(例如：Task 作業和Technology 技術)，自變數X 是組織知識，依變數Y 是組織效能，整體關係如下圖：領導型態對觀光旅館等級與服務品質之調節(干擾)效果研究調節變數M 是領導型態(例如：魅力型、轉換型、交易型)，自變數X 是觀光旅館等級，依變數Y 是服務品質，整體關係如下圖：無線網路系統之熟悉度、易用性、兩用性與
15、使用行為意圖之研究 知覺加價之干擾效果調節變數M 是知覺加價，自變數X 有熟悉度、易用性、兩用性，依變數Y 有行為意圖，整體關係如下：品牌對消費者評價的影響：廣告的干擾效果調節變數M 是廣告(電視廣告、網路廣告)，自變數X 是品牌(國外品牌、國內品牌)，依變數Y 是消費者評價，整體關係如下：調節效果分析的方法調節效果分析的變數，依變數Y，自變數X 和調節變數M，可以是直接觀測變數(observable variable)或潛在變數(latent variable)，想要進行調節效果的分析就必須知道，依變數Y、自變數X 和調節變數M 的資料型態，我們整理如下：l依變數Y 的資料型態：連續的變數l
16、自變數X 的資料型態：類別或連續的變數l調節變數M 的資料型態：類別或連續的變數由於依變數Y 是由自變數X 和調節變數M 所共同預測，而且自變數X 和節調變數M 都是有2 種資料型態(類別或連續)，形成有四種組合來預測依變數Y(連續)，我們整理如下：當我們使用 SPSS 和 LISREL 統計工具時，經常使用的情形，整理如下：我們就這四種Case，分別解釋如下。Case 1：自變數X 為類別，調節變數M 為類別當自變數X 為類別，二分變項dichotomous variable，例如：性別的男女，調節變數M 為類別，二分變項 dichotomous variable，例如：成績高低，依變數Y
17、為連續變數時，適用2x2 ANOVA(單變量變異數分析)，交互作用的效用就是調節的效果，我們直接檢定自變數X 和調節變數M 是否有交互作用，我們以下列範例說明：探討員工滿意度對組織績效的影響：領導型態之調節(干擾)效果研究調節變數M 是領導型態(例如：魅力型、交易型)，自變數X 是探討員工滿意度(例如：高和低)，依變數Y 是組織績效，整體關係如下圖：將光碟MMA 目錄複製到C:MMA 後，操作步驟如下：1.開啟SPSS 檔案 moderator case 1，按卷軸向右，看到Satisfaction：員工滿意度有低(1)和高(2)；LS：領導特質有交易型領導(1)和魅力型領導(2)；Perfo
18、rmance：組織績效(Linkert scale 1-5)。2.按AnalyzeGeneral Linear ModelUnivariate。3.將Performance 放入Dependent variable，將Satisfaction 和LS 放入Fixed Factor(s)。4.按Plots，將Satisfaction 放入Horizontal Axis，LS 放入Separate Lines。5.按Add。6.按Continue，回到Univariate。7.按OK。出現結果如下：Tests of Between-Subjects EffectsDependent Variabl
19、e:Performance我們看交互作用項 Satisfaction 員工滿意度*LS 領導型態的F 值=8.091，P=0.005 達顯著，顯示有交互作用影響。Satisfaction：員工滿意度與LS 領導型態同時對於組織績效的結果如下圖：Satisfaction：員工滿意度有低(1)和高(2)；LS：領導特質有交易型領導(1)和魅力型領導(2)；Performance：組織績效。調節(干擾)效果的簡易判定方式：圖中有交叉線，代表有調節(干擾)效果。圖中無交叉線，代表無調節(干擾)效果。我們將結果圖放入報告中如下：Satisfaction：員工滿意度有低(1)和高(2)，LS：領導特質有交
20、易型領導(1)和魅力型領導(2)，Performance：組織績效。從圖中的交叉線，我們可以瞭解員工滿意度對組織績效的影響中，領導特質有調節(干擾)效果。交易型的領導在滿意度較高時績效較差，而魅力型領導在滿意度較高時績效較好。我們已經完成員工滿意度對組織績效的影響中：領導特質是否有調節(干擾)效果 的實務操作了。調節(干擾)效果和交互作用的比較：相同點：兩者的檢定方(步驟)是一樣的。不同點：統計上的意義是不一樣的，在調節的模式中，隱含著因果關係自變數X 和調節變數M 是不可以互換的。而在交互作用中，兩個自變數是可以交換的，也就是兩個變數中的任何一個，都可以是對方的調節(干擾)變數。Case 2
21、：自變數X 為連續，調節變數M 為類別當自變數X 為連續，調節變數M 為類別，二分變項dichotomous variable，例如：性別的男女、成績的高低，依變數Y 為連續變數時，適用分組比較分析。以SPSS 為例，分別執行迴歸分析，再檢定R 2 解釋力是否有顯著差異，有顯著差異就代表有調節(干擾)效果。高階管理者介入對專案成功之影響高階主管的領導特質有轉換型領導(TF)與交易型領導(TS)二大類型。轉換型領導是指領導者的行為轉化或改變被領導者的行為。交易型領導是指領導者與被領導者之間是以交換利益為基礎的行為。領導特質的干擾效果對高階管理者介入和團隊合作(CO)對專案成功之影響整體關係圖如下
22、：高階主管的介入(MI)、團隊合作(CO)、專案導入成功(PI)、領導特質(LS)，高階主管的領導特質有轉換型領導(TF)與交易型領導(TS)二大類型，我們已經根據領導特質將檔案分成轉換型領導(TFM)與交易型領導(TSM)二個檔，分別作回歸分析，請將光碟MMA 目錄複製到 C:MMA 後，操作步驟如下：1.開啟SPSS 檔案TFM(轉換型領導)，按卷軸向右，看到高階主管的介入(MI)、團隊合作(CO)、專案導入成功(PI)的平均數2.按 Analyze regressionLinear，將CO 放入Dependent，將MI放入Independent3.按OK4.按Dialog recall
23、5.選Linear Regression，回到Linear Regression，將PI 放入Dependent，將MI，CO 放入Independent6.按OK7.開啟SPSS 檔案TSM(交易型領導)，按卷軸向右，看到高階主管的介入(MI)、團隊合作(CO)、專案導入成功(PI)的平均數8.按AnalyzeregressionLinear，將CO 放入Dependent，將MI放入Independent9.按OK10.按Dialog recall11.選Linear Regression，回到Linear Regression，將PI 放入Dependent，將MI、CO 放入Indep
24、endent12.按OK高階主管的領導特質有轉換型領導(TF)與交易型領導(TS)二大類型，為了計算Fisherz transformation，我們再次整理轉換型領導和交易型領導的階層回歸模式如下：轉換型領導階層回歸模式交易型領導的階層回歸模式Fisherz transformationr(y,1)=0.527 n1=261 r(y,2)=0.521 n2=300計算結果Z trans 1=0.58 Z trans 2=0.578 Z test=0.097顯著判定值Z=1.96 P0.05 Z=2.58 P1.96 達顯著，代表有調節效果。或 F=.019 0.05 達顯著，代表有調節效果。
25、方式二：解釋力23 R 顯著高於22 R，代表有調節效果。R Square Change=.012。F=.019 1.96 達顯著，代表有調節效果。或 F=.006 0.05 達顯著，代表有調節效果。使用交互項XM 的 SEM(以LISREL 為例)執行 SEMXM 顯著，代表有調節效果，XM 是X 和M 的乘積統品質(SQ)對使用者滿意度(US)之影響：以團隊合作(CO)為調節(干擾)效果。系統品質(SQ)、使用者滿意度(US)和團隊合作(CO)程度都是連續變數。團隊合作(CO)的干擾效果對系統品質(SQ)和團隊合作(CO)對使用者滿意度(US)之影響整體關係圖如下：我們也可以用另一種圖表示
26、團隊合作(CO)的干擾效果對系統品質(SQ)和團隊合作(CO)對使用者滿意度(US)之影響如下：系統品質(SQC4)、團隊合作(COC4)、使用者滿意度(USC4)、系統品質*團隊合作(SQC4COC4)是交互作用項。系統品質(SQ)、使用者滿意度(US)和團隊合作(CO)程度都是連續變數，我們作SEM 分析，請將光碟MMA 目錄複製到 C:MMA 後，執行結構方程模式(SEM)調節效果的步驟如下：1.畫出結構方程模式(SEM)調節(干擾)模式SEM 的圖示2.寫出調節(干擾)模式SEM 結構方程模式的語法3.開啟LISREL 軟體，輸入上述結構方程模式(SEM)的語法或開啟C:MMAcase
27、4.ls84.按RUN 執行出結構方程模式(SEM)的結果，選Standardized Solution5.選T-values調節(干擾)效果方法的整理依變數Y 都是連續變數期刊文章的調節效果整理在驗證調節效果後，初學研究者都會遇到的問題就是該如何整理結果至專題、論文或期刊上，因此，我們特別整理四篇期刊文章如下：期刊文章一：Tsai,W.C.,Chen,C.C.,Chiu,S.F.(2005).Exploring boundaries of the effects of applicant impression management tactics in job interviews.Jour
28、nal of Management,31(1),108-125.Tsai,W.C.et al(2005)探討應用印象管理技巧於工作訪談的邊際效應，Tsai,W.C.et al(2005)提出自我焦點印象管理，Self-focus Impression Management(SF)和 非言語印象管理 Nonverbal Impression Management(NV)對於訪談評價(Interview Evaluation)的影響：以訪談結構(Interview structure(IS)、客戶接觸需求(CR)、和訪談長度(Interview Length)為調節因子，研究模式如下：我們整理文章
29、的主要使用階層迴歸，處理依變數為訪談評價(Interview Evaluation)，被預測變數分4 個階層，執行迴歸順序如下：步驟一 Model 1：控制變數對依變數的影響。步驟二 Model 2：控制變數和自變數(SF 與NV)對依變數的影響。步驟三 Model 3：控制變數和自變數(SF 與NV)和調節變數(IS、CR、IL)對依變數的影響。步驟四 Model 4：控制變數、自變數(SF 與NV)、調節變數(IS、CR、IL)和交互作用項(SFIS，NVIS，SFCR，NVCR，SFIL，NVIL)對依變數的影響。結果如下：判定方式：交互作用(SFIS，NVIS，SFCR，NVCR，SF
30、IL，NVIL)各自是否達顯著，達顯著項則有調節結果。期刊文章二：Bontis N and Serenko A.The moderating role of human capital management practices on employee capabilities.Journal of Knowledge Management Volume 11,Issue 3,2007,Pages 31-51 Bontis N and Serenko A.(2007)探討人力資本管理(Human Capital Management)在員工能力上的調節效果，研究模式如下：我們整理文章的主要處理順
31、序如下：本篇文章將HCM 分成低中高三組，分別使用PLS(Partial least square)和MMR(Model Multiple Regression)方式執行SEM 和HierarchalRegression，以比較HCM 低中高三組的路徑係數和解釋力(調節效果)。備註：一般我們只會使用PLS 的SEM 或MMR 其中一種方式交待結果即可，本篇文章因為PLS 和MMR 各有優缺點，故以二種方式呈現結果。期刊文章三：Jack Shih-Chieh Hsu,Chien-Lung Chan,Julie Yu-Chih Liu,Houn-Gee Chen(2008)The impacts
32、of user review on software responsiveness:Moderating requirements uncertainty.Information&Management Volume 45,Issue 4,June 2008,Pages 203-210Jack Hsu et al(2008)探討需求的不確定requirements uncertainty 對軟體回應software responsiveness 的關係：使用者檢視User Review 的調節影響研究模式如下：我們整理文章主要的處理順序如下：主要步驟一 Measurement Model 量測模
33、式；用來交待信效度。主要步驟二 Moderated multiple regression analysis(MMR)調節迴歸分析：判定是否有調節效果。在主要步驟二中，作者執行如下：調節迴歸分析如下表：主要步驟三：Moderation effect 調節效果作者將user view 分成高低二組，分別作迴歸分析，以迴歸分析的 係數和截距項計算調節效果。期刊文章四：Garcia,Rosanna and Kandemir,Destan(2006)，Illustration of moderating effects in multi-national studies?，International
34、Marketing Review，23(4)：371-389。Garcia,Rosanna and Kandemir,Destan(2006)探討跨國比較下，調節變數的使用 Garcia，Rosanna and Kandemir,Destan 提出一個跨國，澳洲、紐西蘭和美國消費者研究，探討跨國比較下，調節變數的模式應用，研究模式如下：交互作用項說明：本篇文章使用的是潛在變項，加總平均數的乘積項我們整理文章的主要處理順序如下：在作跨國(文化)比較時，SEM 中較嚴謹的作法是需要步驟二中交待measurement+invariance 測量恆等性，因為在跨國(文化)CFA 的測量恆等性若是顯示有
35、顯著差異，則無法進行結構模式的比較，跨國(文化)測量恆等性的作法如下：Model 1：multi-group unconstrained 恆等基本模式：未限制模式，用來測試相同因素結構(factor structure)Model 2：multi-group constrained 限制相關恆等：測試nomological validity 也就是測試因素共變異(factor covariance)使用命令 PH=IN Model 3：multi-group constrained 限制因素負荷恆等：建立測量metric 恆等，也就是檢測所有問項相等，使用命令 LX=INModel 4：mul
36、ti-group、constrained 限制相關和因素負荷恆等，檢視跨國(文化)構面的結合性測量恆等性結果如下：判定方式：使用卡方檢定，在比較自由度df 和卡方()的差異後，查卡方檢定表，判定是否有顯著差異。Model 1：所有指標符合，代表三個國家有相同因素結構。Model 2：測試因素共變異 factor covariance 是否相等，使用卡方檢定方式，將Model 2 減去 Model 1 之後的卡方與自由度為 =11.183，df=12，查卡方分配表，未達顯著，代表因素共變異相同。Model 3：建立測量恆等，將Model 3 減去 Model 1 之後，卡方與自由度為 =46.8
37、85，df=26，查卡方分配表，達顯著，有測量上的差異，作者再測試後有4/13 因素負荷是有差異的。Model 4：測試跨國構面的結合性，將Model 4 減去 Model 3 之後，卡方與自由度為 =12.081，df=12，查卡方分配表，未達顯著，代表三個國家構面相同。結果：這三個國家樣本的測量具有恆等性測量。第三主要步驟：檢定各國樣本的假設，包含交互作用項，使用三個國家的樣本，和自執行SEM，呈現因果模式的路徑係數，也包含交互作用的路徑係數，交互作用路徑係數達顯著，代表著有調節效果。第四主要步驟：跨群組(國)的結構模式比較，用來顯示調節效果的強度，使用的方式是將跨群組(三個國家)的一個路徑(例如r 1)，設定成一樣，再釋放估計這個路徑，以比較在那二個國家限制相同路徑下，與另一個國家的路徑的比較(大小)。各步驟的細部結果整理，請參閱原期刊論文。