方 杰 溫忠麟 吳 艷

(1廣東財經(jīng)大學(xué)人文與傳播學(xué)院,廣州 510320)

(2華南師范大學(xué)心理學(xué)院/心理應(yīng)用研究中心,廣州 510631)

(3廣東外語外貿(mào)大學(xué)應(yīng)用心理學(xué)系,廣州 510420)

1 前言

在心理、教育和管理等社科研究中,經(jīng)常遇到多層(嵌套)數(shù)據(jù)的調(diào)節(jié)效應(yīng),稱為多層調(diào)節(jié)(multilevel moderation)效應(yīng)。例如,團(tuán)隊認(rèn)同在教師人格與教師職業(yè)倦怠關(guān)系中起調(diào)節(jié)作用(王昊,周奕欣,王可欣,周明潔,2015),數(shù)據(jù)是教師嵌套于學(xué)校的兩層結(jié)構(gòu),只有團(tuán)隊認(rèn)同是在學(xué)校層面的測量,屬于 2×(1→1)調(diào)節(jié)(這三個數(shù)字依次代表調(diào)節(jié)變量、自變量和因變量的層次,數(shù)字 2表示層次2,數(shù)字1表示層次1,以下類同)。又如,組織文化強(qiáng)度在組織創(chuàng)新文化與個體創(chuàng)新行為之間起調(diào)節(jié)作用(陳衛(wèi)旗,2013),數(shù)據(jù)是員工嵌套于公司的兩層結(jié)構(gòu),只有個體創(chuàng)新行為是在個體層面的測量,屬于2×(2→1)調(diào)節(jié)。再如,領(lǐng)導(dǎo)?成員交換在任務(wù)績效風(fēng)險考量與管理者授權(quán)行為之間起調(diào)節(jié)作用(楊英,龍立榮,周立芳,2010),數(shù)據(jù)是員工嵌套于公司的兩層結(jié)構(gòu),只有任務(wù)績效風(fēng)險考量是在公司層面的測量,屬于 1×(2→1)調(diào)節(jié)。還有,與同事人際關(guān)系在員工工作滿意度與平行建言之間起調(diào)節(jié)作用(段錦云,施嘉逸,凌斌,2017),所有變量都是在員工個體層面測量,屬于1×(1→1)調(diào)節(jié)。

研究者常用多層線性模型(multilevel model,MLM)進(jìn)行多層調(diào)節(jié)效應(yīng)分析(方杰,邱皓政,張敏強(qiáng),方路,2013),但多層線性模型將所有變量都設(shè)定為顯變量并假設(shè)所有變量的測量不存在測量誤差,因此難免會造成參數(shù)估計的偏差(方杰,邱皓政,張敏強(qiáng),2011;方杰,溫忠麟,張敏強(qiáng),任皓,2014)。多層結(jié)構(gòu)方程模型(Multilevel Structural Equation Model,MSEM)可以設(shè)置潛變量,有效控制誤差,是比較好的方法。本文討論如何利用MSEM 進(jìn)行多層調(diào)節(jié)效應(yīng)分析。以較為常用的2×(1→1)調(diào)節(jié)效應(yīng)為例,在介紹多層線性模型的調(diào)節(jié)效應(yīng)建模方法后,討論了多層結(jié)構(gòu)方程模型如何進(jìn)行調(diào)節(jié)效應(yīng)分析;接著,總結(jié)出一套多層調(diào)節(jié)SEM分析流程;然后,用一個例子說明如何用Mplus程序進(jìn)行多層調(diào)節(jié)SEM分析;隨后評述了多層調(diào)節(jié)效應(yīng)分析方法在國內(nèi)心理學(xué)的應(yīng)用現(xiàn)狀,最后對相關(guān)問題進(jìn)行了討論和拓展。

2 基于多層線性模型的調(diào)節(jié)效應(yīng)分析

其實(shí),2×(1→1)多層調(diào)節(jié)效應(yīng)模型就是一般的多層線性模型,包含下面方程：

以員工嵌套于公司為例,方程中的下標(biāo)i表示員工,j表示公司。將方程(2)、(3)帶入方程(1)得：

2×(1→1)多層調(diào)節(jié)效應(yīng)又被稱為跨層調(diào)節(jié)效應(yīng)(cross-level interaction),調(diào)節(jié)項(xiàng)為 XijZj(見方程(4)),跨層調(diào)節(jié)效應(yīng)的大小由回歸系數(shù) r11表示,如果回歸系數(shù) r11顯著不為 0,則表示跨層調(diào)節(jié)效應(yīng)顯著。

上述多層調(diào)節(jié)分析方法(見方程(1)～(4))容易解釋且操作簡單,方便應(yīng)用。但這種方法有不足之處,從方程(4)可以看出,主效應(yīng) r10沒能區(qū)分Xij的組內(nèi)和組間效應(yīng),調(diào)節(jié)效應(yīng) r11沒能區(qū)分跨層調(diào)節(jié)和層2調(diào)節(jié)效應(yīng)(Ender &Tofighi,2007;方杰,張敏強(qiáng),邱皓政,2010)。解決的方法是,將層1自變量按組均值中心化后進(jìn)行建模,同時將組均值及其與 Zj的交互項(xiàng)置于層2(廖卉,莊瑗嘉,2012)：

將方程(6)、(3)帶入方程(5)得：

此時,系數(shù) r10只表示自變量的組內(nèi)差異的效應(yīng),系數(shù) r01表示自變量的組間部分X.j的效應(yīng),從而區(qū)分了變量的組內(nèi)和組間效應(yīng)。的系數(shù) r11表示跨層調(diào)節(jié)效應(yīng),的系數(shù) r03表示層2調(diào)節(jié)效應(yīng)。這就控制了層2調(diào)節(jié)作用,從而得到真實(shí)的跨層調(diào)節(jié)效應(yīng)估計值 r11。

下面是一個更復(fù)雜的 1×(1→1)多層調(diào)節(jié)效應(yīng)模型：將方程(9)至(12)代入方程(8)可知,的系數(shù) r30表示層1調(diào)節(jié)效應(yīng),的系數(shù) r03表示層 2調(diào)節(jié)效應(yīng),的系數(shù)r11表示跨層調(diào)節(jié)效應(yīng),的系數(shù) r21表示另一個跨層調(diào)節(jié)效應(yīng)(Preacher,Zhang,&Zyphur,2016)。

3 基于多層結(jié)構(gòu)方程模型的調(diào)節(jié)分析

如果數(shù)據(jù)來自J個公司的 I個員工,其中,J個公司是從公司總體中隨機(jī)抽樣,員工是從樣本公司全體員工中隨機(jī)抽樣,作為從層 1整合出來的層2變量,相比其他自然的層2變量(如Zj)更難控制抽樣誤差。因?yàn)閺膶?2的公司總體中抽取公司后,層 2變量(如 Zj)就確定了,所以只需要增加層2的樣本量就可以控制Zj的抽樣誤差;但從層2的公司總體中抽取公司后,層2變量還不確定,因?yàn)椴粌H受層 2抽樣的影響,同時還受層1抽樣的影響。要想有效控制的抽樣誤差,需要同時增加層1和層2的樣本量,這無疑增大了研究成本和難度。有學(xué)者提出將看成是無法直接觀測的潛變量,使用多層結(jié)構(gòu)方程模型(MSEM)進(jìn)行分析,能較好控制的抽樣誤差(Lüdtke et al.,2008;Lüdtke,Marsh,Robitzsch,&Trautwein,2011;方杰等,2011,2014)。

已有研究者指出,多層結(jié)構(gòu)方程模型(MSEM)會自動地將所有層1測量的變量(如 Xij)分解為組內(nèi)部分和組間部分,組間部分用潛變量 Uxj表示,組內(nèi)部分用Rxij表示,則跨層調(diào)節(jié)項(xiàng)為 RxijZj,層 2調(diào)節(jié)項(xiàng)為UxjZj(方杰等,2014;Preacher et al.,2016)。Ryu(2015)指出,正是由于 Uxj和 Rxij是潛變量,因此多層結(jié)構(gòu)方程模型無法按照一般調(diào)節(jié)效應(yīng)的分析步驟,先要計算出潛調(diào)節(jié)項(xiàng) UxjZj和 RxijZj(包括潛調(diào)節(jié)項(xiàng)的乘積指標(biāo)),然后再分析調(diào)節(jié)效應(yīng)。

有兩種無需計算潛調(diào)節(jié)項(xiàng)的多層調(diào)節(jié) SEM分析方法(Preacher et al.,2016),這兩種方法都無需產(chǎn)生乘積指標(biāo),都能在 Mplus軟件上方便實(shí)現(xiàn)(見附錄)。第一種方法是隨機(jī)系數(shù)預(yù)測(Random Coefficient Prediction,RCP)法,即將隨機(jī)斜率β1j當(dāng)成因變量,做隨機(jī)斜率1jβ對調(diào)節(jié)變量jZ的回歸(見方程(3)),如果回歸系數(shù)11r顯著,就表示跨層調(diào)節(jié)效應(yīng)顯著(見方程(7))。第二種方法是潛調(diào)節(jié)結(jié)構(gòu)方程(Latent Moderated Structural equations,LMS)法。LMS方法直接分析指標(biāo)的分布,將全部指標(biāo)的分布近似為一個有限的混合分布,每個分布都是條件正態(tài)分布,其分布函數(shù)的對數(shù)用 EM算法(Expectation Maximization algorithm)進(jìn)行多層調(diào)節(jié)效應(yīng)估計(Klein &Moosbrugger,2000;溫忠麟,劉紅云,侯杰泰,2012;溫忠麟,吳艷,侯杰泰,2013)。

Preacher等(2016)對RCP和LMS法在多層調(diào)節(jié)效應(yīng)分析中的作用進(jìn)行了模擬比較。結(jié)果表明,在跨層調(diào)節(jié)效應(yīng)分析中(對應(yīng)于),RCP和LMS法的表現(xiàn)相當(dāng),但在層2調(diào)節(jié)效應(yīng)分析中(對應(yīng)于),RCP相比LMS法會產(chǎn)生更大的參數(shù)估計偏差并存在更多的不收斂情況。另外,LMS法適用于任何多層調(diào)節(jié)效應(yīng)分析,但RCP法無法適用于1×(1→1)調(diào)節(jié)模型的層1調(diào)節(jié)效應(yīng)的分析(見方程(8))。因此,在跨層調(diào)節(jié)效應(yīng)分析中,建議使用RCP法,因?yàn)?RCP與LMS法效果相當(dāng),并且多數(shù)人比較熟悉這種方法;在同層調(diào)節(jié)效應(yīng)分析中,建議使用LMS法。

值得注意的是,Mplus軟件使用LMS法進(jìn)行多層調(diào)節(jié)分析時,未提供常用的 RMSEA、CFI、TLI等擬合指數(shù)值。那如何判斷基于LMS的多層調(diào)節(jié)SEM模型可以接受呢？判斷方法有兩種,第一種是利用對數(shù)?似然比檢驗(yàn)(log-likelihood ratio test),根據(jù) Mplus結(jié)果中的0H 值,計算?2LL值(不含潛調(diào)節(jié)項(xiàng)的基準(zhǔn) SEM 模型和包含潛調(diào)節(jié)項(xiàng)的多層調(diào)節(jié)SEM模型的似然比之差),?2LL值近似服從χ2分布,χ2分布的自由度為基準(zhǔn)SEM模型和多層調(diào)節(jié) SEM 模型的自由度之差,如果?2LL值的卡方檢驗(yàn)結(jié)果顯著,就表示多層調(diào)節(jié)模型更好(Klein &Moosbrugger,2000;Maslowsky,Jager,&Hemken,2015)。第二種是利用AIC判斷,如果AIC變小,就表示多層調(diào)節(jié)模型更好,因?yàn)?AIC越大表示信息損失越多(Sardeshmukh &Vandenberg,2017)。

面對一個多層調(diào)節(jié)效應(yīng)的SEM分析任務(wù),研究者應(yīng)當(dāng)如何進(jìn)行呢？根據(jù)前面的討論,我們總結(jié)出一套多層調(diào)節(jié)效應(yīng)的SEM分析流程(見圖1)如下：

(1) 建立多層調(diào)節(jié)模型。模型的建立應(yīng)該基于學(xué)科理論、文獻(xiàn)資料和過往經(jīng)驗(yàn),模型中的每個路徑關(guān)系都應(yīng)當(dāng)有依據(jù),有關(guān)變量之間先后順序的確定可參見溫忠麟(2017)。

(2) 是否將層 1變量的組均值放入層 2作為自變量。如果是,則進(jìn)入步驟3;如果不是,則使用多層線性模型(MLM)進(jìn)行調(diào)節(jié)分析。

(3) 使用多層結(jié)構(gòu)方程模型(MSEM)進(jìn)行調(diào)節(jié)效應(yīng)分析。如果是跨層調(diào)節(jié)效應(yīng),則選用 RCP法進(jìn)行分析;如果是同層調(diào)節(jié)效應(yīng),則選用 LMS法進(jìn)行分析。

圖1 多層調(diào)節(jié)分析流程

4 示例

接下來用一個示例演示如何用圖1的流程檢驗(yàn)多層調(diào)節(jié)效應(yīng)。本例的數(shù)據(jù)(100個組,每組10人)由模擬產(chǎn)生,采用Mplus 7.4軟件進(jìn)行分析(多層調(diào)節(jié)分析的Mplus程序見附錄)。

步驟一,假設(shè)本例要研究的是領(lǐng)導(dǎo)?部屬交換關(guān)系差異化對仁慈領(lǐng)導(dǎo)與內(nèi)部人身份感知關(guān)系的調(diào)節(jié)作用,使用 2×(1→1)多層調(diào)節(jié)模型(見方程(5)、(6)和(3)),領(lǐng)導(dǎo)?部屬交換關(guān)系差異化是層2調(diào)節(jié)變量,仁慈領(lǐng)導(dǎo)是層1自變量,內(nèi)部人身份感知是層1因變量。數(shù)據(jù)的零模型檢驗(yàn)得到內(nèi)部人身份感知的組內(nèi)相關(guān)系數(shù)ICC (1) = 0.51 ＞ 0.06,因此有必要進(jìn)行多層分析。

步驟二,由于層 1自變量仁慈領(lǐng)導(dǎo)的組均值放入層 2作為預(yù)測變量,因此選擇使用多層結(jié)構(gòu)方程模型(MSEM)進(jìn)行調(diào)節(jié)效應(yīng)分析。

步驟三,用多層結(jié)構(gòu)方程模型(MSEM)進(jìn)行調(diào)節(jié)效應(yīng)分析時,既有跨層調(diào)節(jié)效應(yīng),選用 RCP法進(jìn)行分析;又有層2調(diào)節(jié)效應(yīng),選用LMS法進(jìn)行分析(見方程(7)),因此本例需將RCP和LMS法混合使用。多層結(jié)構(gòu)方程模型的結(jié)果如下：

首先,判斷包含LMS的多層調(diào)節(jié)SEM模型的擬合情況。結(jié)果顯示,包含潛調(diào)節(jié)項(xiàng)的多層調(diào)節(jié)SEM模型的Log Likelihood = ?2862.37,AIC =5758.737,相比基準(zhǔn) SEM模型的 Log Likelihood值(?2948.97),增大了86.6,即?2LL 值為 86.6,自由度增加1,?2LL值的卡方檢驗(yàn)顯著(p ＜ 0.001);相比基準(zhǔn) SEM 模型的 AIC值(5929.94),減少了170.5,都表明多層調(diào)節(jié)SEM模型相比基準(zhǔn)SEM模型更好。

其次,多層調(diào)節(jié)效應(yīng)的檢驗(yàn)結(jié)果顯示,跨層調(diào)節(jié)效應(yīng)顯著(11r = 0.139,SE = 0.089,p ＜ 0.001),即當(dāng)關(guān)系差異化水平越高,仁慈領(lǐng)導(dǎo)與內(nèi)部人身份感知之間的正向關(guān)系越強(qiáng);層 2調(diào)節(jié)效應(yīng)不顯著(03r = 0.158,SE = 0.09,p = 0.08)。為更加清晰地揭示關(guān)系差異化水平在仁慈領(lǐng)導(dǎo)和內(nèi)部人身份感知關(guān)系中的跨層調(diào)節(jié)作用,隨后進(jìn)行簡單斜率檢驗(yàn)(Preacher,Curran,&Bauer,2006)。結(jié)果顯示(圖 2),在高領(lǐng)導(dǎo)?部屬交換關(guān)系差異化的情境下(平均數(shù)加一個標(biāo)準(zhǔn)差),仁慈領(lǐng)導(dǎo)與內(nèi)部人身份感知的正向關(guān)聯(lián)性較強(qiáng)(簡單斜率為 0.27,p ＜0.01);比較一下,在低領(lǐng)導(dǎo)?部屬交換關(guān)系差異化的情境下(平均數(shù)減一個標(biāo)準(zhǔn)差),仁慈領(lǐng)導(dǎo)與內(nèi)部人身份感知的作用不顯著(簡單斜率為?0.05,p ＞ 0.05)。

圖2 調(diào)節(jié)效應(yīng)的簡單斜率圖

5 應(yīng)用現(xiàn)狀分析

多層調(diào)節(jié)分析方法在國內(nèi)心理學(xué)的應(yīng)用現(xiàn)狀如何？以中國期刊網(wǎng)全文數(shù)據(jù)庫為數(shù)據(jù)源進(jìn)行搜索,從2010年1月1日到2017年7月31日,國內(nèi) 10本心理學(xué)期刊中,共找到 29篇多層調(diào)節(jié)的應(yīng)用研究。以下僅對這29例應(yīng)用研究進(jìn)行述評。

第一,從發(fā)表雜志來看,《心理學(xué)報》發(fā)表多層調(diào)節(jié)研究最多,共發(fā)表 12篇(41%),然后依次是《心理科學(xué)》6篇(21%),《中國臨床心理學(xué)雜志》4 篇(14%),《心理發(fā)展與教育》3 篇(10%),《心理與行為研究》2篇(7%),《中國心理衛(wèi)生雜志》和《應(yīng)用心理學(xué)》各有1篇。

第二,從研究領(lǐng)域上看,國內(nèi)心理學(xué)的多層調(diào)節(jié)研究主要集中在企業(yè)和學(xué)校。具體而言,14篇(48%)文章的研究對象都是企業(yè)員工,其中 10篇發(fā)表在《心理學(xué)報》上;14篇(48%)文章的研究對象是在校師生(大學(xué)生4篇、高中生5篇、小學(xué)生2篇,初中生、學(xué)前兒童和教師各1篇);1篇文章的研究對象為證券投資人。

第三,從研究內(nèi)容上看,國內(nèi)心理學(xué)的多層調(diào)節(jié)與多層中介模型相互整合的趨勢明顯。有10篇(35%)文章同時進(jìn)行了多層調(diào)節(jié)和多層中介分析,其中 4篇明確提出并檢驗(yàn)了有調(diào)節(jié)的多層中介模型。

第四,國內(nèi)心理學(xué)的多層調(diào)節(jié)分析目前都只研究兩層調(diào)節(jié)效應(yīng),且大都使用多層線性模型進(jìn)行調(diào)節(jié)效應(yīng)分析,只有 1篇(3%)用多層結(jié)構(gòu)方程模型對 2-1-1多層中介的后半路徑進(jìn)行調(diào)節(jié)效應(yīng)分析(段錦云等,2017)。

第五,從多層調(diào)節(jié)模型的類型上看,2×(1→1)調(diào)節(jié)模型使用的最多,共有19個研究(61%),6個研究(19%)使用2×(2→1)調(diào)節(jié)模型,1×(2→1)和1×(1→1)調(diào)節(jié)模型各有 3個研究,所有模型都將因變量設(shè)定在層1。

第六,就中心化而言,只有 8篇(28%)文章對層1自變量按組均值中心化,1篇文章對層1自變量按總均值中心化,3篇文章對層1自變量進(jìn)行了均值中心化,但沒說清楚是按總均值還是組均值的中心化,17篇(59%)文章沒有對層1自變量的中心化情況進(jìn)行報告。更進(jìn)一步,只有楊付和張麗華(2012)的研究對層 1自變量按組均值中心化的同時,還將組均值置于層2,即只有1篇文章(3%)區(qū)分了層1自變量的組內(nèi)和組間效應(yīng)。更嚴(yán)重的問題是,沒有文章進(jìn)行多層調(diào)節(jié)效應(yīng)的分解。

除了 2×(2→1)調(diào)節(jié)模型可直接使用多層線性模型進(jìn)行分析外,其他多層調(diào)節(jié)模型應(yīng)當(dāng)區(qū)分層 1自變量的組內(nèi)和組間效應(yīng),同時對多層調(diào)節(jié)效應(yīng)進(jìn)行有效分解,并使用多層結(jié)構(gòu)方程模型進(jìn)行調(diào)節(jié)效應(yīng)分析,以得到更準(zhǔn)確的調(diào)節(jié)效應(yīng)估計值。

6 討論與拓展

多層調(diào)節(jié)分析方法的發(fā)展過程是一個追求更準(zhǔn)確的調(diào)節(jié)效應(yīng)估計值的過程。綜上所述,多層調(diào)節(jié)分析方法經(jīng)歷了三個發(fā)展階段。第一階段是將層1自變量按組均值中心化(見方程5),并將組均值作為層2自變量進(jìn)入方程6,實(shí)現(xiàn)了層1自變量組間和組內(nèi)效應(yīng)的有效分離,改變了過去將組間和組內(nèi)效應(yīng)混為一團(tuán)的情況。第二階段是實(shí)現(xiàn)了多層調(diào)節(jié)效應(yīng)的分解,改變了過去不加區(qū)分的情況。例如,2×(1→1)多層調(diào)節(jié)效應(yīng)分解為跨層調(diào)節(jié)效應(yīng)和層2調(diào)節(jié)效應(yīng)兩部分(見方程7)。第三階段是是將組均值設(shè)置為潛變量,利用多層結(jié)構(gòu)方程模型進(jìn)行調(diào)節(jié)分析,有效控制抽樣誤差。我們總結(jié)出一套多層調(diào)節(jié)效應(yīng)分析的SEM流程,并通過一個例子演示了如何進(jìn)行多層調(diào)節(jié)效應(yīng)的SEM分析。但是,本文仍然存在一些不足,尚需進(jìn)一步深入討論和拓展。

6.1 多層結(jié)構(gòu)方程模型的拓展

第一,本文只討論了多層結(jié)構(gòu)方程模型控制抽樣誤差的問題。實(shí)際上,如果變量只有單一指標(biāo)或者僅以量表總分作為唯一指標(biāo),還存在測量誤差(measurement error),即單指標(biāo)導(dǎo)致變量的測驗(yàn)信度低,使得調(diào)節(jié)效應(yīng)估計存在偏差?？刂茰y量誤差的方法就是對變量采用多指標(biāo)測量(Mplus程序見附錄)(Lüdtke et al.,2011;方杰等,2011,2014)。值得注意的是,隨著模型復(fù)雜性的增加,模型的穩(wěn)定性在降低,不收斂的風(fēng)險在增大。因此,研究者在使用多層結(jié)構(gòu)方程時,要注意權(quán)衡誤差和穩(wěn)健性的關(guān)系。Li和Beretvas (2013)的模擬研究表明,多層結(jié)構(gòu)方程模型為了控制測量誤差而使用多指標(biāo),這大大增加了參數(shù)估計的數(shù)目,也就意味著需要用更大的層 2樣本量才能避免模型不收斂的情況出現(xiàn)。Lüdtke等(2011)的 2個模擬研究也一致表明,當(dāng)層2信息少(ICC和層2樣本小)時,控制部分誤差的分析方法相比同時控制抽樣誤差和測量誤差的分析方法會有更準(zhǔn)確的參數(shù)估計。Lüdtke等(2011)接著用一個實(shí)例表明,校正抽樣誤差比較校正測量誤差更有意義。

第二,本文只涉及了多層結(jié)構(gòu)方程對因變量在層 1的多層調(diào)節(jié)效應(yīng)分析。實(shí)際上,多層結(jié)構(gòu)方程還能對因變量在層 2的多層調(diào)節(jié)(例如 1×(1→2)、1×(2→2)和 2×(1→2)調(diào)節(jié))進(jìn)行分析,相比多層線性模型(只能分析因變量在層1的多層調(diào)節(jié)效應(yīng))具有更廣的適用性(Preacher et al.,2016;方杰等,2014)。值得注意的是,此時只有層2調(diào)節(jié)效應(yīng)存在(Preacher et al.,2016)

多層結(jié)構(gòu)方程雖然有諸多優(yōu)點(diǎn),但也存在計算耗時較多和數(shù)據(jù)收斂困難的問題(Depaoli &Clifton,2015;Preacher et al.,2016)?？尚械慕鉀Q方法有以下三種。第一,如果研究模型既包括跨層調(diào)節(jié),又包括同層調(diào)節(jié),則可嘗試將RCP和LMS法混合使用,以減少運(yùn)行時間(Preacher et al.,2016)。本文示例中,如果僅用 LMS法(程序見附錄)將多耗費(fèi) 21.7%的時間。第二,將多層線性模型的調(diào)節(jié)效應(yīng)分析結(jié)果當(dāng)成多層結(jié)構(gòu)方程的調(diào)節(jié)效應(yīng)分析的初始值(start values)(Depaoli &Clifton,2015;Preacher et al.,2016)。第三,可用貝葉斯法進(jìn)行多層調(diào)節(jié)效應(yīng)分析。在多層結(jié)構(gòu)方程模型中使用貝葉斯法,也無需產(chǎn)生乘積指標(biāo),同樣能在Mplus軟件上方便實(shí)現(xiàn)(溫忠麟等,2012)。已有模擬研究比較了貝葉斯法和極大似然(Maximum Likelihood,ML)方法在多層結(jié)構(gòu)方程中的表現(xiàn),結(jié)果發(fā)現(xiàn),貝葉斯法能有效改善數(shù)據(jù)收斂困難或不合理收斂(如負(fù)方差)的問題,貝葉斯方法還能在某些(如樣本量和 ICC都小)情況下,改善層 2估計的準(zhǔn)確性(Depaoli &Clifton,2015;Zitzmann,Lüdtke,Robitzsch,&Marsh,2016)。值得注意的是,目前Mplus軟件只能將貝葉斯法和RCP法整合在一起進(jìn)行多層調(diào)節(jié)效應(yīng)的SEM分析,還未能實(shí)現(xiàn)貝葉斯法和LMS法的整合。

6.2 多層調(diào)節(jié)模型的拓展

第一,本文僅將組均值及其與 Zj的交互項(xiàng)置于層2的截距方程(見方程(6)),本研究的分析方法還能拓展到同時將組均值及其與的交互項(xiàng)置于層 2的斜率方程(見方程(13)),將方程(6)和(13)代入方程(5)可知,2×(1→1)多層調(diào)節(jié)模型又增加了跨層調(diào)節(jié)效應(yīng)和(程序見附錄)。

第二,本文所涉及的多層調(diào)節(jié)都設(shè)定為只有一個調(diào)節(jié)變量的兩層調(diào)節(jié)效應(yīng)。實(shí)際上,本研究的分析方法還能拓展到多個調(diào)節(jié)變量的高階調(diào)節(jié)效應(yīng)分析,Preacher等(2016)實(shí)現(xiàn)了兩個層2調(diào)節(jié)變量、層1和層2各一個調(diào)節(jié)變量的三階調(diào)節(jié)效應(yīng)分析。另外,已有研究已經(jīng)實(shí)現(xiàn)了三層中介效應(yīng)的多層結(jié)構(gòu)方程分析(方杰等,2014),本研究的分析方法也能拓展到三層調(diào)節(jié)模型,當(dāng)前 Mplus軟件允許在多層結(jié)構(gòu)方程框架下,使用RCP法和貝葉斯法進(jìn)行三層調(diào)節(jié)效應(yīng)分析。

第三,本文只涉及了調(diào)節(jié)變量的多層結(jié)構(gòu)方程模型研究。但是,許多實(shí)際問題可能同時包含調(diào)節(jié)變量和中介變量,將調(diào)節(jié)和中介變量整合起來進(jìn)行研究已經(jīng)成為一種趨勢。Ryu (2015)將基于多層結(jié)構(gòu)方程的調(diào)節(jié)模型研究拓展到 1-1-1有調(diào)節(jié)的中介模型研究,包括 1-1-1中介的后半路徑分別被層1調(diào)節(jié)變量調(diào)節(jié)或?qū)?調(diào)節(jié)變量調(diào)節(jié)的有調(diào)節(jié)的中介模型,但 Ryu (2015)只研究了同層調(diào)節(jié)效應(yīng),既不考慮跨層調(diào)節(jié)效應(yīng),又不涉及LMS方法,也沒研究其他有調(diào)節(jié)的中介模型和有中介的調(diào)節(jié)模型,因此基于多層結(jié)構(gòu)方程模型的中介和調(diào)節(jié)混合研究還有待深入。

從統(tǒng)計層面上講,基于多層結(jié)構(gòu)方程模型的多層調(diào)節(jié)分析還處于發(fā)展和完善階段,除了討論中已經(jīng)提到的問題外,還存在諸多值得探討的課題,例如,已有模擬研究發(fā)現(xiàn),多層結(jié)構(gòu)方程模型得到準(zhǔn)確的參數(shù)估計值是以統(tǒng)計功效降低(即第Ⅱ類錯誤率增加)、需要大樣本為代價的(方杰等,2014),如何提高多層調(diào)節(jié)分析的統(tǒng)計功效呢？在確保參數(shù)估計的準(zhǔn)確和足夠統(tǒng)計功效(0.8)的前提下,各層所需最小的樣本量是多少？Hayes和Montoya (2017)提出了基于多元線性回歸的多類別自變量(至少三個類別)的調(diào)節(jié)效應(yīng)分析方法,那么基于多層結(jié)構(gòu)方程模型的多類別自變量的調(diào)節(jié)效應(yīng)如何分析呢？方法的進(jìn)步給研究者提供了一個深入理解和應(yīng)用多層結(jié)構(gòu)方程模型進(jìn)行調(diào)節(jié)分析的機(jī)會,相信隨著多層結(jié)構(gòu)方程模型和多層調(diào)節(jié)效應(yīng)研究的深入,會不斷增加我們對多層調(diào)節(jié)效應(yīng)和多層結(jié)構(gòu)方程問題的理解。

參考文獻(xiàn)

陳衛(wèi)旗.(2013).組織創(chuàng)新文化、組織文化強(qiáng)度與個體員工創(chuàng)新行為: 多層線性模型的分析.心理科學(xué),36(5),1187–1193.

段錦云,施嘉逸,凌斌.(2017).高承諾組織與員工建言:雙過程模型檢驗(yàn).心理學(xué)報,49(4),539–553.

方杰,邱皓政,張敏強(qiáng).(2011).基于多層結(jié)構(gòu)方程模型的情境效應(yīng)分析: 兼與多層線性模型比較.心理科學(xué)進(jìn)展,19(2),284–292.

方杰,邱皓政,張敏強(qiáng),方路.(2013).我國近十年來心理學(xué)研究中 HLM 方法的應(yīng)用述評.心理科學(xué),36(5),1194–1200.

方杰,溫忠麟,張敏強(qiáng),任皓.(2014).基于結(jié)構(gòu)方程模型的多層中介效應(yīng)分析.心理科學(xué)進(jìn)展,22(3),530–539.

方杰,張敏強(qiáng),邱皓政.(2010).基于階層線性理論的多層級中介效應(yīng).心理科學(xué)進(jìn)展,18(8),1329–1338.

廖卉,莊瑗嘉.(2012).多層次理論模型的建立及研究方法.見 陳曉萍,徐淑英,樊景立 (編),組織與管理研究的實(shí)證方法 (第2版,pp.553–587).北京: 北京大學(xué)出版社.

王昊,周奕欣,王可欣,周明潔.(2015).團(tuán)隊認(rèn)同對教師人格與職業(yè)倦怠關(guān)系的跨層調(diào)節(jié)作用.中國臨床心理學(xué)雜志,23(4),741–745.

溫忠麟.(2017).實(shí)證研究中的因果推理與分析.心理科學(xué),40(1),200–208.

溫忠麟,劉紅云,侯杰泰.(2012).調(diào)節(jié)效應(yīng)和中介效應(yīng)分析.北京: 教育科學(xué)出版社.

溫忠麟,吳艷,侯杰泰.(2013).潛變量交互效應(yīng)結(jié)構(gòu)方程:分布分析方法.心理學(xué)探新,33(5),409–414.

楊付,張麗華.(2012).團(tuán)隊溝通、工作不安全氛圍對創(chuàng)新行為的影響: 創(chuàng)造力自我效能感的調(diào)節(jié)作用.心理學(xué)報,44(10),1383–1401.

楊英,龍立榮,周麗芳.(2010).授權(quán)風(fēng)險考量與授權(quán)行為:領(lǐng)導(dǎo)-成員交換和集權(quán)度的作用.心理學(xué)報,42(8),875–885.

Depaoli,S.,&Clifton,J.P.(2015).A Bayesian approach to multilevel structural equation modeling with continuous and dichotomous outcomes.Structural Equation Modeling:A Multidisciplinary Journal,22(3),327–351.

Enders,C.K.,&Tofighi,D.(2007).Centering predictor variables in cross-sectional multilevel models: A new look at an old issue.Psychological Methods,12(2),121–138.Hayes,A.F.,&Montoya,A.K.(2017).A tutorial on testing,visualizing,and probing an interaction involving a multicategorical variable in linear regression analysis.Communication Methods and Measures,11(1),1–30.

Klein,A.G.,&Moosbrugger,H.(2000).Maximum likelihood estimation of latent interaction effects with the LMS method.Psychometrika,65(4),457–474.

Li,X.,&Beretvas,S.N.(2013).Sample size limits for estimating upper level mediation models using multilevel SEM.Structural Equation Modeling: A Multidisciplinary Journal,20(2),241–264.

Lüdtke,O.,Marsh,H.W.,Robitzsch,A.,&Trautwein,U.(2011).A 2×2 taxonomy of multilevel latent contextual models: Accuracy-bias trade-offs in full and partial error correction models.Psychological Methods,16(4),444–467.

Lüdtke,O.,Marsh,H.W.,Robitzsch,A.,Trautwein,U.,Asparouhov,T.,&Muthén,B.(2008).The multilevel latent covariate model: A new,more reliable approach to group-level effects in contextual studies.Psychological Methods,13(3),203–229.

Maslowsky,J.,Jager,J.,&Hemken,D.(2015).Estimating and interpreting latent variable interactions: A tutorial for applying the latent moderated structural equation.International Journal of Behavioral Development,39(1),87–96.

Preacher,K.J.,Curran,P.J.,&Bauer,D.J.(2006).Computational tools for probing interactions in multiple linear regression,multilevel modeling,and latent curve analysis.Journal of Educational and Behavioral Statistics,31(4),437–448.

Preacher,K.J.,Zhang,Z.,&Zyphur,M.J.(2016).Multilevel structural equation models for assessing moderation within and across levels of analysis.Psychological Methods,21(2),189–205.

Ryu,E.(2015).The role of centering for interaction of level 1 variables in multilevel structural equation models.Structural Equation Modeling: A Multidisciplinary Journal,22(4),617–630.

Sardeshmukh,S.R.,&Vandenberg,R.J.(2017).Integrating moderation and mediation: A structural equation modeling approach.Organizational Research Methods,20(4),721–745.

Zitzmann,S.,Lüdtke,O.,Robitzsch,A.,&Marsh,H.W.(2016).A Bayesian approach for estimating multilevel latent contextual models.Structural Equation Modeling: A Multidisciplinary Journal,23(5),661–679.