spss软件怎么用?

spss软件怎么用?,第1张

当我们的调查问卷在把调查数据拿回来后,我们该做的工作就是用相关的统计软件进行处理,在此,我们以spss为处理软件,来简要说明一下问卷的处理过程,它的过程大致可分为四个过程:定义变量、数据录入、统计分析和结果保存下面将从这四个方面来对问卷的处理做详细的介绍Spss处理:第一步:定义变量大多数情况下我们需要从头定义变量,在打开SPSS后,我们可以看到和excel相似的界面,在界面的左下方可以看到Data View, Variable View两个标签,只需单击左下方的Variable View标签就可以切换到变量定义界面开始定义新变量。在表格上方可以看到一个变量要设置如下几项:name(变量名)、type(变量类型)、width(变量值的宽度)、decimals(小数位) 、label(变量标签) 、Values(定义具体变量值的标签)、Missing(定义变量缺失值)、Colomns(定义显示列宽)、Align(定义显示对齐方式)、Measure(定义变量类型是连续、有序分类还是无序分类)我们知道在spss中,我们可以把一份问卷上面的每一个问题设为一个变量,这样一份问卷有多少个问题就要有多少个变量与之对应,每一个问题的答案即为变量的取值现在我们以问卷第一个问题为例来说明变量的设置为了便于说明,可假设此题为:1请问你的年龄属于下面哪一个年龄段( ) A:20—29 B:30—39 C:40—49 D:50--59那么我们的变量设置可如下: name即变量名为1,type即类型可根据答案的类型设置,答案我们可以用1、2、3、4来代替A、B、C、D,所以我们选择数字型的,即选择Numeric, width宽度为4,decimals即小数位数位为0(因为答案没有小数点),label即变量标签为“年龄段查询”。Values用于定义具体变量值的标签,单击Value框右半部的省略号,会d出变量值标签对话框,在第一个文本框里输入1,第二个输入20—29,然后单击添加即可同样道理我们可做如下设置,即1=20—29、2=30—39、3=40—49、4=50--59;Missing,用于定义变量缺失值, 单击missing框右侧的省略号,会d出缺失值对话框, 界面上有一列三个单选钮,默认值为最上方的“无缺失值”;第二项为“不连续缺失值”,最多可以定义3个值;最后一项为“缺失值范围加可选的一个缺失值”,在此我们不设置缺省值,所以选中第一项如图;Colomns,定义显示列宽,可自己根据实际情况设置;Align,定义显示对齐方式,有居左、居右、居中三种方式;Measure,定义变量类型是连续、有序分类还是无序分类。以上为问卷中常见的单项选择题型的变量设置,下面将对一些特殊情况的变量设置也作一下说明1开放式题型的设置:诸如你所在的省份是_____这样的填空题即为开放题,设置这些变量的时候只需要将Value 、Missing两项不设置即可2多选题的变量设置:这类题型的设置有两种方法即多重二分法和多重分类法,在这里我们只对多重二分法进行介绍这种方法的基本思想是把该题每一个选项设置成一个变量,然后将每一个选项拆分为两个选项项,即选中该项和不选中该项现在举例来说明在spss中的具体 *** 作比如如下一例:请问您通常获取新闻的方式有哪些( )1 报纸 2 杂志 3 电视 4 收音机 5 网络在spss中设置变量时可为此题设置五个变量,假如此题为问卷第三题,那么变量名分别为3_1、3_2、3_3、3_4、3_5,然后每一个选项有两个选项选中和不选中,只需在Value一项中为每一个变量设置成1=选中此项、0=不选中此项即可使用该窗口,我们可以把一个问卷中的所有问题作为变量在这个窗口中一次定义。到此,我们的定义变量的工作就基本上可以结束了下面我们要作就是数据的录入了首先,我们要回到数据录入窗口,这很简单,只要我们点击软件左下方的Data View标签就可以了第二步:数据录入 Spss数据录入有很多方式,大致有一下几种:1读取SPSS格式的数据2读取Excel等格式的数据3读取文本数据(Fixed和Delimiter)4读取数据库格式数据(分如下两步)(1)配置ODBC (2)在SPSS中通过ODBC和数据库进行但是对于问卷的数据录入其实很简单,只要在spss的数据录入窗口中直接输入就可以了,只是在这里有几点注意的事项需要说明一下1 在数据录入窗口,我们可以看到有一个表格,这个表格中的每一行代表一份问卷,我们也称为一个个案2 在数据录入窗口中,我们可以看到表格上方出现了1、2、3、4、5……的标签名,这其实是我们在第一步定义变量中,我们为问卷的每一个问题取的变量名,即1代表第一题,2代表第二题以次类推我们只需要在变量名下面输入对应问题的答案即可完成问卷的数据录入比如上述年龄段查询的例题,如果问卷上勾选了A答案,我们在1下面输入1就行了(不要忘记我们通常是用1、2、3、4来代替A、B、C、D的)3我们知道一行代表一份问卷,所以有几分问卷,就要有几行的数据在数据录入完成后,我们要做的就是我们的关键部分,即问卷的统计分析了,因为这时我们已经把问卷中的数据录入我们的软件中了第三步:统计分析 有了数据,可以利用SPSS的各种分析方法进行分析,但选择何种统计分析方法,即调用哪个统计分析过程,是得到正确分析结果的关键。这要根据我们的问卷调查的目的和我们想要什么样的结果来选择SPSS有数值分析和作图分析两类方法1作图分析:在SPSS中,除了生存分析所用的生存曲线图被整合到Analyze菜单中外,其他的统计绘图功能均放置在graph菜单中。该菜单具体分为以下几部分::(1)Gallery:相当于一个自学向导,将统计绘图功能做了简单的介绍,初学者可以通过它对SPSS的绘图能力有一个大致的了解。(2)Interactive:交互式统计图。(3)Map:统计地图。(4)下方的其他菜单项是我们最为常用的普通统计图,具体来说有: 条图 散点图 线图 直方图 饼图 面积图 箱式图 正态Q-Q图 正态P-P图 质量控制图 Pareto图 自回归曲线图 高低图 交互相关图 序列图 频谱图 误差线图 作图分析简单易懂,一目了然,我们可根据需要来选择我们需要作的图形,一般来讲,我们较常用的有条图,直方图,正态图,散点图,饼图等等,具体 *** 作很简单,大家可参阅相关书籍,作图分析更多情况下是和数值分析相结合来对试卷进行分析的,这样的效果更好2数值分析:SPSS 数值统计分析过程均在Analyze菜单中,包括:(1)、Reports和Descriptive Statistics:又称为基本统计分析基本统计分析是进行其他更深入的统计分析的前提,通过基本统计分析,用户可以对分析数据的总体特征有比较准确的把握,从而选择更为深入的分析方法对分析对象进行研究。Reports和Descriptive Statistics命令项中包括的功能是对单变量的描述统计分析。Descriptive Statistics包括的统计功能有:Frequencies(频数分析):作用:了解变量的取值分布情况Descriptives(描述统计量分析):功能:了解数据的基本统计特征和对指定的变量值进行标准化处理Explore(探索分析):功能:考察数据的奇异性和分布特征Crosstabs(交叉分析):功能:分析事物(变量)之间的相互影响和关系Reports包括的统计功能有:OLAP Cubes(OLAP报告摘要表):功能: 以分组变量为基础,计算各组的总计、均值和其他统计量。而输出的报告摘要则是指每个组中所包含的各种变量的统计信息。Case Summaries(观测量列表):察看或打印所需要的变量值Report Summaries in Row:行形式输出报告Report Summaries in Columns:列形式输出报告(2)、Compare Means(均值比较与检验):能否用样本均值估计总体均值?两个变量均值接近的样本是否来自均值相同的总体?换句话说,两组样本某变量均值不同,其差异是否具有统计意义?能否说明总体差异?这是各种研究工作中经常提出的问题。这就要进行均值比较。以下是进行均值比较及检验的过程:MEANS过程:不同水平下(不同组)的描述统计量,如男女的平均工资,各工种的平均工资。目的在于比较。术语:水平数(指分类变量的值数,如sex变量有2个值,称为有两个水平)、单元Cell(指因变量按分类变量值所分的组)、水平组合T test 过程:对样本进行T检验的过程单一样本的T检验:检验单个变量的均值是否与给定的常数之间存在差异。独立样本的T检验:检验两组不相关的样本是否来自具有相同均值的总体(均值是否相同,如男女的平均收入是否相同,是否有显著性差异)配对T检验:检验两组相关的样本是否来自具有相同均值的总体(前后比较,如训练效果,治疗效果)One-Way ANOVA:一元(单因素)方差分析,用于检验几个(三个或三个以上)独立的组,是否来自均值相同的总体。(3)、ANOVA Models(方差分析):方差分析是检验多组样本均值间的差异是否具有统计意义的一种方法。例如:医学界研究几种药物对某种疾病的疗效;农业研究土壤、肥料、日照时间等因素对某种农作物产量的影响;不同饲料对牲畜体重增长的效果等,都可以使用方差分析方法去解决(4)、Correlate(相关分析):它是研究变量间密切程度的一种常用统计方法,常用的相关分析有以下几种:1、线性相关分析:研究两个变量间线性关系的程度。用相关系数r来描述。2、偏相关分析:它描述的是当控制了一个或几个另外的变量的影响条件下两个变量间的相关性,如控制年龄和工作经验的影响,估计工资收入与受教育水平之间的相关关系3、相似性测度:两个或若干个变量、两个或两组观测量之间的关系有时也可以用相似性或不相似性来描述。相似性测度用大值表示很相似,而不相似性用距离或不相似性来描述,大值表示相差甚远(5)、Regression(回归分析):功能:寻求有关联(相关)的变量之间的关系在回归过程中包括:Liner:线性回归;Curve Estimation:曲线估计;Binary Logistic: 二分变量逻辑回归;Multinomial Logistic:多分变量逻辑回归;Ordinal 序回归;Probit:概率单位回归;Nonlinear:非线性回归;Weight Estimation:加权估计;2-Stage Least squares:二段最小平方法;Optimal Scaling 最优编码回归;其中最常用的为前面三个(6)、Nonparametric Tests(非参数检验):是指在总体不服从正态分布且分布情况不明时,用来检验数据资料是否来自同一个总体假设的一类检验方法。由于这些方法一般不涉及总体参数故得名。 非参数检验的过程有以下几个:1Chi-Square test 卡方检验2Binomial test 二项分布检验3Runs test 游程检验41-Sample Kolmogorov-Smirnov test 一个样本柯尔莫哥洛夫-斯米诺夫检验52 independent Samples Test 两个独立样本检验6K independent Samples Test K个独立样本检验72 related Samples Test 两个相关样本检验8K related Samples Test 两个相关样本检验(7)、Data Reduction(因子分析)(8)、Classify(聚类与判别)等等以上就是数值统计分析Analyze菜单下几项用于分析的数值统计分析方法的简介,在我们的变量定义以及数据录入完成后,我们就可以根据我们的需要在以上几种分析方法中选择若干种对我们的问卷数据进行统计分析,来得到我们想要的结果第四步:结果保存 我们的spss软件会把我们统计分析的多有结果保存在一个窗口中即结果输出窗口(output),由于spss软件支持复制和粘贴功能,这样我们就可以把我们想要的结果复制、粘贴到我们的报告中,当然我们也可以在菜单中执行file->save来保存我们的结果,一般情况下,我们建议保存我们的数据,结果可不保存因为只要有了数据,如果我们想要结果的,我们可以随时利用数据得到结果总结: 以上便是spss处理问卷的四个步骤,四个步骤结束后,我们需要spss软件做的工作基本上也就结束了,接下来的任务就是写我们的统计报告了值得一提的是spss是一款在社会统计学应用非常广泛的统计类软件,学好它将对我们以后的工作学习产生很大的意义和作用]

Hello,
这里是行上行下,我是喵君姐姐~

在上一期中,我们主要介绍了 如何对数据进行 描述、卡方&T检验、独立样本t检验、相关样本t检验、回归分析 。

在这一期中,我们主要为大家介绍如何利用SPSS进行中介、调节分析以及方差分析。

一、多个变量间关系:中介

(一)回归方程法

1算三个回归方程

1)自—因

2)自—中

3)自、中—因
2数据分析

第一个回归, 分析的是自变量对因变量的总体效应。

第二个回归, 是自变量对中介变量的效应

第三个回归, 是自变量、中介变量对因变量的效应

本研究以性格特征为自变量,政治社会现状评价为因变量,时政类信息兴趣程度为中介变量进行中介效应检验。

结果表明,时政类信息兴趣程度在性格特征和政治社会现状评价之间起着中介作用,如图所示。性格特征通过时政类信息兴趣程度的中介作用能够显著正向预测政治社会现状评价,B=0013,SE=0002,β=0123,p<0001。

参考文献:

温忠麟, & 叶宝娟 (2014) 中介效应分析:方法和模型发展  心理科学进展 , 022 (005), 731-745
3画图注意事项

1)可以在ppt里面画,这样图会更好看也更好编辑~

2)一般都标注标准化系数,同时需要在图中注明

3)一般来说,显著的用实线,不显著的用虚线

(二)Process插件法:Model4

1 首先是对模型的一个介绍

使用的是model4

因变量、自变量、中介变量分别对应的是什么

样本量多少
2 以中介变量为被预测变量,自变量为预测变量的回归方程,模型概要(model summary),看R F df  p;模型(model),coeff是B,se是标准误,p,LLCI和ULCI是置信区间(置信区间不含零为显著)标准化系数(Standardizedcoefficients) 是β
3 以因变量为被预测变量,自变量及中介变量为预测变量的回归方程,模型概要(model summary),看R F df  p;模型(model),coeff是B,se是标准误,p,LLCI和ULCI是置信区间(置信区间不含零为显著),标准化系数(Standardizedcoefficients) 是β

4总体效应

以因变量为被预测变量,自变量及中介变量为预测变量的回归方程,模型概要(model summary),看R F df  p;模型(model),coeff是B,se是标准误,p,LLCI和ULCI是置信区间(置信区间不含零为显著),标准化系数(Standardizedcoefficients) 是β
5 接下来是自变量对因变量的总体、直接和间接效应

自变量对因变量的总体效应=自变量为预测变量,因变量为被预测变量回归方程的系数;

自变量对因变量的直接效应=自变量、中介变量为预测变量,因变量为被预测变量回归方程的系数;

自变量对因变量的间接效应=总体效应-直接效应

部分标准化:效应量/Y的标准差

完全标准化:所有变量的标准化
6 最后是模型及误差的简介

置信区间及bootstrap抽样情况

结果:参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4),样本量选择5000,在95%置信区间下,其余如上。
参考文献:Preacher, K J ,& Hayes, A F (2004) Spss and sas procedures for estimating indirecteffects in simple mediation models  Behavior Research Methods, Instruments & Computers, 36 (4), p717-731

二、多重中介

(一)Process插件法:model4

结果解读与一般中介一致。

多重中介的图大概如下:
图x 多重中介效应分析图(上述均为标准化后系数)
三、链式中介
(一)Process插件法:model6

四、调节作用

中心化:原始数据-均值

拆分文件:spilt
(一)线性回归法

1Spss *** 作

1)算自变量、调节变量z分数

2)计算自变量与调节变量z分数的交互项(乘积)
3)算回归方程

以因变量为被预测变量,以自变量、调节变量为第一层预测变量,两者交互项为第二层预测变量。
2Spss结果解读

以性格特征为自变量,谈论频率为调节变量,政治社会现状满意程度为因变量进行调节作用分析,发现性格特征能够显著正向预测政治社会现状满意程度(B=002,SE=0002,β=014,p=0000);谈论频率能显著负向预测政治社会现状满意程度(B=-005,SE=0026,β=-004,p=0043);两者交互项不能显著预测政治社会现状满意程度(B=-003,SE=0016,β=-005,p=0825),故性别的调节作用不存在。

3画交互作用图:对调节变量做高低分组

高分组:平均值+一个标准差

低分组:平均值-一个标准差
高分组:平均值+标准差=351

低分组:平均值—标准差=202

拆分文件,做回归

再做一次回归,画图即可

Y=常数项+BxX+B调节变量调节变量+B交互项交互项
(二)Process插件法:model1

1Spss *** 作
2Spss结果解读

模型介绍:

模型:模型一,因变量、自变量、调节变量

样本数量

结果:

基本模型概要:R²、F、p

模型:B、SE、t、p、置信区间

加入交互项的模型概要:ΔR²(R2-chng)、F、p

画图使用的数据:

Q19    Q17      Q8

自变量 调节变量因变量

将标灰色这段复制,粘贴进语法中,运行,出现spss自己画的图,仅供参考。

仍然建议将原始数据放入excel中,自行画图。

五、有调节的中介

(一)线性回归法

算两组交互项 自调 中调

1自、调、自调—因

2自、调、自调—中

3自、调、自调、中、中调—因

(二)Process插件法

*** 作方式及结果解读与调节、中介一致~

六、方差分析

(一)单因素方差分析组间实验+单一因变量;进行差异检验

1差异检验

1) Spss *** 作
2) Spss结果

方差齐性结果为显著,说明方差不齐,事后检验看邓肯尼T3的结果;

方差齐性结果为不显著,说明方差齐性,事后检验看其他结果。

对不同来源的问卷进行政治社会满意度的差异检验,结果发现,不同来源的政治社会满意度存在显著差异,F(5,2373)(组内,组间)=4743,p<00001,

,具体表现为问卷网(M=369,SD=081)显著高于新浪微博(M=257,SD=1103)……

2组间实验

1) Spss *** 作

为了进行交互作用的事后比较,勾选后选择粘贴,在语法中添加事后比较。

但由于本数据两自变量均为二分变量,因此无法进行事后比较,在此仅进行 *** 作展示
方差不齐,选择修正模型

性别的主效应:结果发现,男性的满意度(M,SD)显著低于女性的满意度(M,SD),F,p,

政治面貌的主效应:与性别一样:结果发现,党员的满意度(M,SD)显著高于非党员的满意度(M,SD),F,p,
交互作用分析:结果发现,对于党员群体来说,男性(M,SD)女性(M,SD)的满意度无显著差异,F,p,

;对于非党员群体来说,男性的满意度(M,SD)显著低于女性(M,SD),F,p,



七、多因素方差分析

1 Spss *** 作
2 spss结果

解读与单因素方差分析一致。

八、重复测量方差分析

1 Spss *** 作

2 Spss结果

重复测量方差分析的解读与单因素方差分析解读基本一致,但需要注意:

球形检验:显著看多变量检验(multivariatetest),不显著看主体内效应(withinsubject)

九、方差分析小结

方差分析是实验法进行数据分析的重要分析方法,需要根据实验设计及变量情况选择单因素、多变量、重复测量方差分析;最简单的选择方式即为:多个因变量的用多变量;含组内变量的一律选择重复测量方差分析。

在进行数据分析时一定要注意:方差齐性检验、球形检验。

此外,当进行数据解读时,若主效应、交互作用不显著,一般无需进行事后比较。

除了语言描述的方式,直方图是方差分析的常用表达方式,也有简单效应的表达方式(尤其是体现交互作用)

本期的内容就到此结束啦!

本期我们介绍了如何利用SPSS进行中介、调节分析以及方差分析。

在下一期中,我们将继续介绍如何进行EFA分析和CFA分析。

分享完毕,希望有所帮助。
排版:华华

校对:喵君姐姐

Hello,

这里是 行上行下 ,我是 喵君姐姐 ~

在上一期中,我们为大家带来了 利用SPSS软件进行高级统计分析的实 *** 教程第一期 ,内容包括: 描述性统计表格模板、卡方&T检验、相关&回归分析 等。

在本期中,我们继续为大家介绍如何利用SPSS进行:中介、多重中介、链式中介、调节分析、有中介的调节分析等。
PS: 后台回复关键词 “高级统计” 即可获得所述的PDF原文啦!
一、中介报告B,SE,t(df),p),置信区间,画中介效应图

1回归方程法

11 算三个回归方程

1) 自—因

2) 自—中

3) 自、中—因
12 数据分析

2 Process插件法:Model4

部分标准化

效应量/Y的标准差

完全标准化

所有变量的标准化

3 报告B、SE、t(df)、P、置信区间+图(标准化系数)

本研究采用软件SPSS 240 中文版进行采集录入和统计分析实验数据。中介效应检验:参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4),样本量选择5000,在95%置信区间下。

为了探讨MIL和FCI的关系中是否存在PA的中介作用,本研究以MIL得分为自变量,FCI得分为因变量,PA得分为中介变量进行中介效应检验。结果表明,PA在MIL和FCI之间起着中介作用。

MIL对PA有显著的预测作用(B=024,SE=007,t(98)=355,p < 0001),置信区间(LLCT = 010,ULCT =037)不包含0; 中介检验的结果不包含0( LLCT = 007 , ULCT = 037) ,表明 P A 的中介效应显著(中介效应大小为022,S E =008) ,中介效应如图所示。
参考文献:Preacher, K J , & Hayes, A F (2004) Spss and sas procedures for estimating indirect effects in simple mediation models  Behavior Research Methods, Instruments & Computers,   36 (4), p717-731

二、多重中介

1 Process插件法:model4

三、链式中介

1 Process插件法:model6

中心化:原始数据-均值

拆分文件:spilt
四、调节报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图

1 线性回归法

11 S pss *** 作

1)算z分数

2)算交互项

3)算回归方程

12  S pss结果解读
13  画交互作用图:对调节变量做高低分组
高分组:平均值+标准差=612

低分组:平均值—标准差=368
14 拆分文件,做回归
15 再做一次回归,画图

2 Process插件法:model1

21 S pss *** 作
22 S pss结果解读

23 报告

利用Process model 1 (Hayes,2018)探讨生命意义感P、社会支持以及二者的交互作用与工作倦怠的关系。

结果表明, 生命意义感P (B = -046, t = -135, p = 018 )、 社会支持 (B = -019, t = -055, p =058 )以及二者交互作用(B = 005, t = 083, p =041 ) 对工作倦怠的作用 均不显著 (如表3所示),简单斜率分析图如图2所示。
图 2简单斜率效应分析图
五、有调节的中介报告B、SE、β、p、95%CI+画回归表+交互作用图

1线性回归法

11 算两组交互项 自调 中调

1) 自、调、自调—因

2) 自、调、自调—中

3) 自、调、自调、中、中调—因
12 报告

接下来验证有调节的中介作用,以压力为自变量,生命意义感P为调节变量,自我效能感为中介变量,深层劳动为因变量为例。

根据温忠麟和叶宝娟(2014)的观点,检验有调节的中介模型需要对三个回归方程的参数进行检验:(1)方程1 估计调节变量(生命意义感P)对自变量(压力)与因变量(深层劳动)之间关系的调节效应; (2)方程2 估计调节变量(生命意义感P)对自变量(压力)与中介变量(自我效能感)之间关系的调节效应; (3)方程3 估计调节变量(生命意义感P)对中介变量(自我效能感)与因变量(深层劳动)之间关系的调节效应以及自变量(压力)对因变量(深层劳动)残余效应的调节效应。

根据Muller, Judd 和Yzerbyt (2005)的观点, 如果模型满足以下两个条件则说明有调节的中介效应存在:(1)方程1 中, 压力的总效应显著, 且该效应的大小不取决于生命意义感P; (2)方程2 和方程3 中, 压力对自我效能感的效应显著, 生命意义感P与自我效能感对深层劳动的交互效应显著, 和/或压力与生命意义感P对自我效能感的交互效应显著, 自我效能感对深层劳动的效应显著,本研究中有调节的中介模型检验结果见表2、图3。

由表2、图1可见,方程1 中压力负向预测深层劳动(β=-037,p<0001),压力与生命意义感P的交互项对深层劳动的预测作用显著(β=-023,p<0001)。

方程2 和方程3 中,压力与生命意义感P的交互项对自我效能感的预测效应显著(β=-018,p<001);压力与生命意义感P的交互项对深层劳动的预测作用显著(β=-018,p<001);同时自我效能感对深层劳动的预测效应显著(β=053,p<0001)。

这表明, 压力、生命意义感P、自我效能感和深层劳动四者之间构成了有调节的中介效应模型 , 自我效能感在压力与深层劳动之间具有中介作用 , 生命意义感P 在 压力与深层劳动、压力与自我效能感间起调节作用 。
表2 压力对深层劳动有调节的中介效应检验(以生命意义感P为调节变量、自我效能感为中介变量)

图 3压力对深层劳动有调节的中介效应图(中介变量为自我效能感,调节变量为生命意义感P)
参考文献:

温忠麟, & 叶宝娟 (2014) 中介效应分析:方法和模型发展  心理科学进展,   022 (005), 731-745
由于生命意义感P在压力与深层劳动、压力与自我效能感间起调节作用,因此需要进一步检验简单效应以明确生命意义感P调节作用。

首先将生命意义感P按照正负一个标准差分成高、低组, 采用简单斜率检验考察在生命意义感P不同水平上压力对深层劳动、压力对自我效能感的影响,相应的简单效应分析见图5、图6。

图5结果表明,对于 生命意义感P 较 高 的个体 来说,压力能负向预测深层劳动( B= -044, SE = 013,  p <001 ) ;而对于生命意义感P较低的个体来说,压力不能显著预测深层劳动(B =009, SE = 011,p = 045),即 比起低压力情景,高生命意义感P的个体在高压情景下,会有更少的深层劳动。
图 5生命意义感P对压力与深层劳动之间的关系调节作用

图6结果表明,对于生命意义感P较低的个体来说,压力不能预测自我效能感(B = -019,SE =013,p =017);而对于 生命意义感P较高的个体来说 , 压力能负向预测深层劳动( B =-045 , SE = 013 , p  <001) ;即比起低压力情景时, 高生命意义感P的个体在高压情景下自我效能感更低。
图 6生命意义感P对压力与自我效能感之间的关系调节作用
2  Process插件法

21 调节前半路径:model7

1)Spss *** 作

2) Spss结果解读

22 调节后半路径:model14

1) Spss *** 作

2)Spss结果解读

23 探索前后:model57

24 报告

使用Hayes (2019)的SPSS 宏程序PROCESS(Model7),分析自我效能感在压力与深层劳动之间的中介作用(前半段)是否受生命意义感P的调节。

结果表明(如表4所示): 自我效能感显著正向预测深层劳动(B= 037 ,S E =00 4 ,p< 0001 ) ; 压力与生命意义感P的交互项能显著负向预测自我效能感(B=-002,S E =001,p< 001 ) 。

表4:生命意义感P调节自我效能感在压力与深层劳动之间中介作用的回归分析

在生命意义感P得分为平均数减一个标准差、平均数以及平均数加一个标准差三个水平时,自我效能感在压力与深层劳动之间的中介效应值及其95%Bootstrap 置信区间如表5所示。

综合以上结果,本研究提出的有调节的中介模型得到了支持。 自我效能感 在 压力与深层劳动之间起中介作用, 而且该中介作用 前 半段 受到生命意义感P的调节。

表5:不同生命意义感P水平时压力与自我效能感之间的关系

生命意义感P水平中介效应值Boot标准误Bootstrap下限Bootstrap上限

M-SD-009 003-016-004

M-013 003-019-008

M+SD-017 003-024-011

注: p<0001
进一步采用简单斜率检验来分析生命意义感P在压力与自我效能感关系中的调节作用。按生命意义感P的平均分加减一个标准差将被试分为高生命意义感P水平组(高于平均数加一个标准差的被试)、低生命意义感P水平组(低于平均数减一个标准差的被试)与中生命意义感P水平组(介于两组之间的被试)三组,采用分组回归的方式考察压力与自我效能感的关系,结果如图所示: 随着 生命意义感P水平的升高 ,  压力 对 自我效能感 的负向预测作用逐渐 变强 (由B=-009 , p < 0001 减弱为B=-017,p < 0001)。


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/yw/13074222.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-30
下一篇 2023-05-30

发表评论

登录后才能评论

评论列表(0条)

保存