用R绘制调节效应图

常见的调节变量有类别变量和连续变量,两种变量可以互相转换。
类别变量比如性别、年级,可以设置虚拟变量,将其赋值,变为连续变量(比如男性赋值为1,女性赋值为2);
连续变量通过计算均值mean和标准差sd,定义Low为mean-sd,Medium为mean,High为mean+sd,把连续变量分成了三类。

先说类别变量的调节效应,回归方程为Y=β1*X+β2*Z+β3*X*Z+β0+ε。
Y为因变量(连续变量),β为前面的系数,X为自变量(连续变量),ε为随机误差项(不用管)。

#任意方式导入数据
mydata <- read.table(file = "clipboard", header = TRUE)
#构建回归方程
regression <- lm(y ~ x + z + x*z)
summary(regression)

Call:
lm(formula = y ~ x + z + x * z, data = mydata)

Residuals:
     Min       1Q   Median       3Q      Max 
-16.7361  -4.4863  -0.1334   5.5795  17.6777 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -1.1186    10.4104  -0.107 0.914761    
x             0.8632     0.2427   3.557 0.000707 ***
z            14.2038     6.3678   2.231 0.029167 *  
x:z          -0.3906     0.1471  -2.655 0.009950 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 7.553 on 65 degrees of freedom
Multiple R-squared:  0.2325,    Adjusted R-squared:  0.197 
F-statistic: 6.562 on 3 and 65 DF,  p-value: 0.0006055

计算出结果后,将结果带入回归方程。z是性别,分别赋值为1和2(注:也可以选择0和1)。
Y=0.8632*X+14.2038*Z+(-0.3906)*X*Z+(-1.1186)
再带入性别,得到两个方程:
Y=0.8632*X+14.2038*1+(-0.3906)*X*1+(-1.1186)
Y=0.8632*X+14.2038*2+(-0.3906)*X*2+(-1.1186)
简化后,根据结果画图:
Y=0.4726*X+13.0852
Y=0.082*+27.289

plot(x, y, type = 'n')
abline(13.0852,0.4726)
abline(27.289,0.082,lty=2,col='red')
legend('topright',c('male','female'),lty = c(1,2),col = c('black','red'))
points(mydata$x[mydata$z==1],mydata$y[mydata$z==1],pch=19)
points(mydata$x[mydata$z==2],mydata$y[mydata$z==2],col='red')
性别的调节效应.png

连续变量的调节效应方法类似,以年龄为例:

#任意方式导入数据
mydata2 <- read.table(file = "clipboard", header = TRUE)
#构建回归方程(此处z是年龄)
regression2 <- lm(y ~ x + z + x*z)
summary(regression2)
Call:
lm(formula = y ~ x + z + x * z)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.8951  -4.8414   0.9287   5.0560  17.5495 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept) 89.35148   32.28101   2.768  0.00734 **
x           -1.38904    0.78072  -1.779  0.07989 . 
z           -3.49763    1.65353  -2.115  0.03825 * 
x:z          0.08439    0.04016   2.101  0.03950 * 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 7.751 on 65 degrees of freedom
Multiple R-squared:  0.1917,    Adjusted R-squared:  0.1543 
F-statistic: 5.137 on 3 and 65 DF,  p-value: 0.002997

#计算年龄的均值和标准差
mean(z)
[1] 19.31884
sd(z)
[1] 1.851015

计算出结果后,将结果带入回归方程。
Y=(-1.389)*X+(-3.49763)*Z+0.08439*X*Z+89.35148
再带入年龄,分为三档:
Low = mean - sd = 17.47;
Medium = mean = 19.32;
High = mean + sd = 21.17。
Y=(-1.389)*X+(-3.49763)*17.47+0.08439*X*17.47+89.35148
Y=(-1.389)*X+(-3.49763)*19.32+0.08439*X*19.32+89.35148
Y=(-1.389)*X+(-3.49763)*21.17+0.08439*X*21.17+89.35148

简化后,根据结果画图(因为三类放散点图会很乱,所以就没加):
Y=0.0853*X+28.2479
Y=0.2414*X+21.7772
Y=0.3975*X+15.3067

plot(x,y,type = 'n')
abline(28.2479,0.0853)
abline(21.7772,0.2414,lty=2,col='blue')
abline(15.3067,0.3975,lty=3,col='red')
legend('topright',c('low','medium','high'),lty = c(1,2,3),col = c('black','blue','red'))
年龄的调节效应.png

参考:
Zhang, Z. & Wang, L. (2017). Advanced statistics using R. [https://advstats.psychstat.org]. Granger, IN: ISDSA Press. ISBN: 978-1-946728-01-2.

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,552评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,666评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,519评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,180评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,205评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,344评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,781评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,449评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,635评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,467评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,515评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,217评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,775评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,851评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,084评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,637评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,204评论 2 341