1 / 84

第二十章 交互作用、中介和調節　 ( 干擾 ) 效果之驗證

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 A×B 交互作用影響著 Y ，如下圖：

sabine
Download Presentation

第二十章 交互作用、中介和調節　 ( 干擾 ) 效果之驗證

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  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

  2. 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A×B 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A×B、A×C、B×C 和A×B×C 等四個交 • 互項影響依變數Y。

  3. 我們整理二個和三個自變數產生的交互作用項，如下表：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

  4. 在一個混合式的組織中(同時存在機械式和有機式)，我們想了解組在一個混合式的組織中(同時存在機械式和有機式)，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Analyze→General Linear Model→Univariate。 • 3. 將Performance 放入Dependent 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。

  5. 出現結果如下： • Tests of Between-Subjects Effects • Dependent Variable: Performance • a 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。

  6. OS 組織型態與LS 領導型態同時對於組織績效的結果如下圖：

  7. 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)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。

  8. 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。

  9. 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：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。

  10. 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：

  11. 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：

  12. 中介效果驗證流程：

  13. 中介效果之驗證三步曲： • 以X 預測Y • 以X 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

  14. 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

  15. 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：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

  16. 第一步驟：以MI 預測IQ • 以圖形和迴歸方程式表示如下： • 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Analyze→Regression→Linear • 3. 將IQ 選入Dependent，MI 選入Independent • 4. 按OK

  17. 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。

  18. 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Independent • 3. 按OK

  19. 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。

  20. 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Independent • 2. 按OK

  21. 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 • 結果為完全中介。

  22. 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:\MMA\Mediator.lpj • 4. 按RUN 執行出結構方程模式(SEM)的結果 • 5. 選Standardized Solution • 6. 選T-values • 7. 按Ctrl+F，出現適配度(Goodness-of-Fit)指標值

  23. 我們整理模式的適配度(Goodness-of-Fit)指標值，理想數值，建議的我們整理模式的適配度(Goodness-of-Fit)指標值，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。

  24. 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：

  25. 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 Multiple 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。

  26. 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。

  27. 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：

  28. 􀂙 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：

  29. 􀂙 無線網路系統之熟悉度、易用性、兩用性與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：

  30. 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： • 依變數Y 的資料型態：連續的變數 • 自變數X 的資料型態：類別或連續的變數 • 調節變數M 的資料型態：類別或連續的變數

  31. 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。

  32. 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 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：

  33. 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)；Performance：組織績效(Linkert scale 1-5)。 • 2. 按Analyze→General Linear Model→Univariate。 • 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。

  34. 出現結果如下： • Tests of Between-Subjects Effects • Dependent Variable: 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。

  35. 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。

  36. 我們將結果圖放入報告中如下：

  37. 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。 • 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。

  38. Case 2：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：

  39. 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 →regression→Linear，將CO 放入Dependent，將MI放入Independent • 3. 按OK • 4. 按Dialog recall • 5. 選Linear Regression ， 回到Linear Regression ， 將PI 放入Dependent，將MI，CO 放入Independent • 6. 按OK • 7. 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Analyze→regression→Linear，將CO 放入Dependent，將MI放入Independent • 9. 按OK • 10. 按Dialog recall • 11. 選Linear Regression，回到Linear Regression，將PI 放入Dependent，將MI、CO 放入Independent • 12. 按OK

  40. 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Fisher’z 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

  41. 交易型領導的階層回歸模式

  42. Fisher’z transformation • r (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 P<0.05 Z = 2.58 P<0.01 • Z test = 0.097 小於1.96 所以是不顯著，代表轉換型領導(TF)」與「交易型領導(TS)」没有顯著的差別，也就是領導型態没有調節(干擾)效果。 • 以LISREL 為例，則是執行多重組別選項，也就是將調節(干擾)變項當成分組變數處理。

  43. 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：

  44. 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，作Multi-Group 多組的基本SEM 和因素恆等調節分析，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) Multi-Group 多組基本模式SEM 的圖示 • 2. 寫出結構方程模式Multi-Group 中，二組基本模式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:\MMA\case2M1.ls8 • 4. 按RUN 執行出結構方程模式(SEM)的結果， 選Standardized Solution • 5. 選T-values • 6. 按Ctrl+F，出現適配度(Goodness-of-Fit)指標值

  45. 因素恆等SEM 的操作步驟如下： • 1. 畫出結構方程模式(SEM) multi-group 多組因素恆等的圖示 • 2. 寫出結構方程模式Multi-Group 中，二組因素恆等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:\MMA\case2M2.ls8 • 4. 按RUN 執行出結構方程模式(SEM)的結果， 選Standardized Solution • 5. 選T-values • 6. 按Ctrl+F，出現適配度(Goodness-of-Fit)指標值

  46. 結果整理如下： • Multi-Group 多組的基本模型SEM • Degrees of Freedom = 114 • Minimum Fit Function Chi-Square = 394.91 (P = 0.0) • 作Multi-Group 多組的因素恆等套疊模型分析 • Degrees of Freedom = 115 • Minimum Fit Function Chi-Square = 401.66 (P = 0.0)

  47. 本研究將領導特質(LS)兩個不同群組在「高階主管的介入(MI)」和「專案本研究將領導特質(LS)兩個不同群組在「高階主管的介入(MI)」和「專案 • 導入成功(PI)」間的路徑設為因素恆等，如此一來，這個有限制條件的多 • 群組分析模型便成為基本模型的套疊模型。經由卡方差異檢定後發現兩 • 模型間在自由度為1，在α=0.05 情況下，卡方差異達 3.84 即代表存在調 • 節效果 (Bentler and Bonnet,1980)。本研究經由卡方差異檢定後發現基本 • 模型和因素恆等調節模型，兩模型間在自由度為1，在α=0.05 情況下， • 卡方差異達 6.75，代表高階主管的領導特質中「轉換型領導(TF)」與「交 • 易型領導(TS)」在「高階主管的介入(MI)」和「專案導入成功(PI)」間存 • 在調節效果。

  48. Case 3：自變數X 為類別，調節變數M 為連續 • 當自變數X 為類別，調節變數M 為連續，依變數Y 為連續變數時，適用於使用虛擬變項(dummy variable)的迴歸分析。 • 虛擬變項： • 自變數X 為類別，例如：性別、年級別，無法適用於線性的迴歸分析，此時應該如何處理？ 在迴歸分析方法中， 特別使用虛擬變項(dummy variable)來解決這個問題，也就是先將類別變項轉換成連續性變項，再進行迴歸分析，我們以性別為例。

  49. 我們由性別(男、女)2 個變項，可以轉換成2 個虛擬變項，但是在執行迴歸分析時，未經虛擬處理的參照組(例如：0 的樣本)，也是一個變項，所以會有2-1=1 個虛擬變項，我們以男性為參照組，當成0 的樣本，範例如下：

  50. 我們再以年級別為例，大學有四個年級，可以轉換成4 個虛擬變項，我們假設未經虛擬處理的參照組為大一(變成0 的樣本)，所以會有3 個虛擬變項。

More Related