调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰。比如学习方案对学习效果的影响，其中会受到学生个性的影响，一种指导方案对一类学生有效，对另一类学生无效。此时我们就称学生个性是调节变量。
1. 数据类型
在调节作用中，Y一定是定量数据，而调节变量可以是定性的，也可以是定量的。
因此根据自变量和调节变量的数据类型，可以将调节作用分为四种，分别是：
*定量数据与定类数据的区分：基本概念
其中，当自变量X和调节变量均为定类数据时，使用【进阶方法】中的【双因素方差】进行分析。当交互项有显著性时，则说明具有调节效应。
另外三种情况直接使用【问卷研究】-【调节作用】进行分析。
两种方法的分析步骤基本一致，本文主要针对调节作用这一方法进行详细说明。
2. SPSSAU操作
案例：研究工作氛围在工作满意度对工作绩效的影响中，是否具有调节作用。
（1）操作步骤
SPSSAU默认为自变量、调节变量均为定量数据，如果是定类数据可通过选择参数设置‘调节作用类型’即可。
在本例中，自变量和调节变量均为定量数据，因此以默认参数进行分析即可。数据处理方式选择-中心化。
如果有多个自变量或多个调节变量，则重复多次分析。
（2）结果分析
上表是对变量处理进行说明，如果自变量和调节变量是定量数据，默认做中心化处理，如果是定类数据，做哑变量处理。因变量和控制变量一般不作处理。
上表是本次分析的核心部分，表中实际上包含了三个模型：
模型1中包括自变量(X)，以及控制变量；分析自变量X对于因变量Y的影响情况。
模型2在模型1的基础上加入调节变量(Z)；
模型3在模型2的基础上加入交互项(自变量与调节变量的乘积项)。
（3）判断方法
调节作用研究并不要求自变量对因变量一定有影响，即使X对Y没有影响也可进行调节作用研究。
判断是否具有调节作用，有两种检验方法：
①△R²显著性：
R²变化显著的判断，是看△F 值是否呈现出显著性，如果模型2到模型3的F值变化呈现出显著性，则说明R²变化显著，交互项有显著性。
但此种检验的问题在于，如果自变量或者调节变量为定类数据，无法检测具体哪个选项情况下呈现出调节作用。
②交互项显著性：
即直接查看交互项的显著性，判断是否存在调节作用。
同时可结合智能分析对结果进行描述。
由分析结果和智能分析可知，交互项的回归系数显著，说明工作氛围对工作满意度与工作绩效的关系起到了调节作用。
（4）简单斜率图
当调节变量呈现出显著性，可进一步查看简单斜率图。SPSSAU会自动画出简单斜率图，不需要额外设置。
简单斜率图展示调节变量Z在不同水平时，X对于Y的影响幅度差异情况。
斜率呈现出不同的水平，则代表调节变量在不同水平下，自变量x对因变量y的影响幅度有显著差异。
比如上图中可以看出工作满意度（X）与工作绩效（Y）之间有着正向相关关系，高水平时斜率明显较大，而低水平时斜率明显较小。也说明随着工作氛围的提升，工作满意度对工作绩效的影响幅度提高。
3. 分析建议
当调节作用两种检验方法出现矛盾SPSSAU建议以交互项显著性作为标准即可。
如果有多个自变量X，或者多个调节变量Z需要分析，可考虑使用进阶方法里面的分层回归一次性研究。
如果对统计分析有兴趣或疑问，欢迎查阅SPSSAU的提供的学习资料。
