调节效应分析怎么做：调节模型、交互项与简单斜率真实边界

调节模型检验的是 X 与 Y 的关系是否随 W 改变。当前工具用中心化后的 X × W 交互项和三层 OLS 回归做调节效应分析；它不会执行 Johnson-Neyman，也不会因为交互项不显著就证明“没有调节”。

调节效应分析回答什么

中介关注“X 通过什么路径与 Y 关联”，调节关注“X 与 Y 的关系在什么 W 水平下不同”。统计上，核心证据来自交互项：

Y = b0 + b1X + b2W + b3(X × W) + controls + error

b3 描述 X 的斜率随 W 每增加一个单位而改变多少。交互项显著后，通常再用简单斜率说明 W 在低、均值和高水平时 X 的条件斜率。

模型箭头和交互项都只是特定设计下的条件关联。因果调节仍需要时间顺序、干预或可辩护的识别假设。

数据准备和最低门槛

当前实现会把 Y、X、W 和控制变量一起转成数值，再按所有这些字段删除含缺失的整行。完整案例至少 20 行才能运行；这只是程序门槛，交互效应往往需要更大的样本才能得到足够精度。

若一列超过一半的非空值无法转为数字，程序会把文本类别按排序值编码。文本类别按字母顺序编码为 1、2、3……存在把名义类别强行当连续等级的风险。

例如，把地区“East/North/West”编码成 1/2/3 后直接进入交互项，并不等于正确的多分类调节。分类 X 或 W 应事先建立有明确参考组的虚拟变量，并按研究问题构造相应交互。

X 和 W 的中心化是当前固定行为

当前实现中 X 与 W 总是做均值中心化，然后建立乘积项；没有“保持原值不中心化”的分支。

这条实现边界对二元或多分类变量尤其重要：即使 W 已编码为 0/1，当前程序仍会中心化 W。中心化不改变交互项在同一线性模型中的整体拟合，但会改变低阶系数和截距的解释位置。报告时应说明实际处理，而不是套用别的软件默认值。

控制变量不会统一中心化，只按原始数值进入三层模型。

三层 OLS 实际怎么跑

当前三层 OLS 回归依次为：

1. 模型 1：控制变量 + 中心化 X；
2. 模型 2：控制变量 + 中心化 X + 中心化 W；
3. 模型 3：控制变量 + 中心化 X + 中心化 W + X × W。

输出包含每层的 B、SE、t、p、标准化系数、R²、调整 R²、ΔR² 和 ΔF。交互项是否显著按模型 3 中该项的 p 值判断。

这不是稳健回归，也不是广义线性模型。若 Y 不是适合 OLS 的连续结果，或存在聚类、重复测量、严重异方差，应选择与数据结构匹配的模型。

简单斜率和图什么时候出现

简单斜率默认只在交互项 p < .05 时输出；也可以由调用参数 force_output 强制生成。当前取 W 的低水平（均值减 1 SD）、均值和高水平（均值加 1 SD），报告每条斜率的 B、SE、t、p 和 95% 区间。

如果满足条件，还会生成简单斜率图数据，并尝试调用 R 绘图。R 或绘图包不可用时，图像可能无法生成，但核心 OLS 结果不应因此被替换。

强制输出简单斜率不等于交互项已经显著。它只用于预先计划的描述或诊断，必须同时保留总体交互检验。

当前没有执行的功能

当前不执行 Johnson-Neyman 区间、Bootstrap 交互效应或稳健标准误。也不提供：

• HC3 等异方差稳健协方差；
• 多分类 W 的整组虚拟变量交互检验；
• 非线性交互或广义加性模型；
• 调节中介和条件间接效应；
• 聚类或多层调节模型；
• 自动功效分析。

因此，页面不会声称“默认输出 J-N 显著区间”，也不会把普通 OLS 标准误写成稳健标准误。

交互项不显著怎么解释

交互项不显著不等于已经证明没有调节，只表示当前数据、模型和精度下没有足够证据排除零交互。区间过宽、W 变异不足、测量误差、模型错设或样本不足都可能影响结果。

可以做的复核包括：

• 检查 X、W、Y 的编码和取值范围；
• 核对异常值、线性关系与残差；
• 检查交互项区间和样本精度；
• 对照事前理论与分析计划；
• 在适当时使用稳健或更匹配的数据模型。

不能在结果不显著后反复删样本、换 W、改控制变量或调整中心化方式，直到显著。若进行了探索性分析，必须保留全部尝试，并在独立数据中验证。

一个与当前实现一致的请求

假设 anxiety 是 X，self_efficacy 是 W，score 是 Y，控制 age：

检验 self_efficacy 是否调节 anxiety 与 score 的关系。按完整案例运行三层 OLS；说明 X 和 W 都会均值中心化，报告交互项、ΔR² 和 ΔF。仅在交互项 p < .05 时输出低/均值/高 W 的简单斜率，不执行 Johnson-Neyman、Bootstrap 或稳健标准误。

若理论预先要求即使交互不显著也展示条件斜率，应明确：

使用 force_output 输出简单斜率作为描述，但必须把总体交互项不显著和不确定性完整保留。

结果复核顺序

1. 先核对编码

确认 X、W、Y 和控制变量的代码本。出现文本自动排序编码提示时，先判断它是否把名义类别错误变成连续数值。

2. 核对最终 N

记录完整案例删除前后样本量。缺失不是随机时，删除可能改变样本构成和外推范围。

3. 先读交互项

模型 3 的交互项 B 表示 W 每改变一单位，X 的条件斜率如何改变。p 值和区间应一起报告，不只看星号。

4. 再读简单斜率

简单斜率只说明预设 W 水平下的条件关系。高、低 1 SD 不是天然分组，更不是把连续 W 真正切成三组。

5. 检查模型条件

当前输出没有稳健标准误和 J-N。需要这些证据时，应另行运行真实实现，并说明与主分析的关系。

论文报告模板

采用三层 OLS 回归检验 [W] 对 [X] 与 [Y] 关系的调节效应。
分析使用完整案例，最终 N = [ ]；X 与 W 均进行均值中心化后构造乘积项。

模型 3 中 X×W 的系数为 B = [ ]，SE = [ ]，t = [ ]，p = [ ]，
交互项带来的 ΔR² = [ ]，ΔF([df1], [df2]) = [ ]，p = [ ]。

[若按程序条件输出] 在 W = M-1SD、M、M+1SD 时，
X 的简单斜率分别为 [列出 B、SE、p、95% CI]。
当前分析未执行 Johnson-Neyman、Bootstrap 或稳健标准误。
结果按条件关联解释，不单独证明因果调节。

常见问题

中心化会让交互项变显著吗？

在线性模型中，对连续 X 和 W 做均值中心化通常不会改变乘积项代表的整体交互检验；它主要改变低阶项和截距的解释。不能把中心化当作获取显著结果的技巧。

交互显著但某条简单斜率不显著，矛盾吗？

不矛盾。交互检验问斜率是否随 W 改变，简单斜率问某个 W 水平下斜率是否偏离 0，两个问题不同。

调节与中介怎么分流？

调节依赖 X × W，中介依赖 X → M → Y 的间接效应。若问题是作用路径，可阅读中介效应分析与 Bootstrap 边界。

确认编码、中心化和输出条件后，可进入 ChatSRS 运行当前支持的调节分析。最终解释必须保留交互项、完整案例 N 和未执行功能边界。