可以做问卷调查的网站真正免费建站

统计学模型变量类型详解教程

一、外生变量（Exogenous Variable）

（一）定义与别名

外生变量是模型中不受其他变量影响的独立变量，通常充当自变量。其常见的别名有：

• 外部变量（External Variable）
• 预测变量（Predictor Variable）
• 独立变量（Independent Variable）

（二）核心特点

1. 自变量属性：作为模型中引发变化的源头，直接对其他变量产生影响，自身不受模型内任何变量的作用。
2. 方向性：在路径图里，外生变量仅发射箭头（→）指向其他变量，不会接收箭头。
3. 类型灵活性：既可以是能够直接测量的观察变量，比如年龄、性别；也可以是抽象的潜变量，例如社会经济地位 。

（三）示例与应用

示例：在研究“学习动机（外生潜变量）”对“学业成绩（内生变量）”的影响时：

• 外生变量：学习动机（通过量表测量，如学习时长、问题解决积极性等方面体现）。
• 路径关系：学习动机 → 学业成绩。

注意事项：外生变量之间可能存在相关性（如年龄与收入相关），但模型并不对这种相关性的来源进行解释。

二、内生变量（Endogenous Variable）

（一）定义与别名

内生变量是模型中受其他变量影响的因变量，其别名包括：

• 内部变量（Internal Variable）
• 因变量（Dependent Variable）
• 标准变量（Criterion）

注意：原文档中“独立变量（Dependent Variable）”为笔误，正确的应为“因变量”。

（二）核心特点

1. 因变量属性：内生变量的变化由其他变量（外生变量或其他内生变量）所引起。
2. 方向性：在路径图中，内生变量只接收箭头（←），并且必须添加残差项（Residual），用于表示未被解释的变异，比如误差或遗漏变量等情况。
3. 链式反应：内生变量有可能进一步对其他内生变量产生影响，从而形成复杂的路径关系。

（三）示例与应用

示例：在研究“学习动机（外生变量）→ 学习策略（内生变量）→ 学业成绩（内生变量）”时：

• 学习策略：接收来自学习动机的箭头，并发射箭头指向学业成绩。
• 学业成绩：接收来自学习策略的箭头，同时需添加残差项（如e1） 。

公式表示：$$Y=\beta X+ϵ$$，其中，Y为内生变量，X为外生变量，ε为残差。

三、中介变量（Mediator Variable）

（一）定义与作用

中介变量是自变量（X）与因变量（Y）之间的传递桥梁，用于解释“X如何影响Y”。

• 直接效应：即X → Y 的直接影响，例如学习动机直接提升成绩。
• 中介效应：也就是X → 中介变量（M）→ Y 的间接影响，比如学习动机通过改进学习策略间接提升成绩。

（二）路径分解

假设模型为：
$$X\stackrel{a}{\to }M\stackrel{b}{\to }Y$$
$$X\stackrel{c}{\to }Y$$

• 总效应 \ = 直接效应（c） + 中介效应（a×b）。
• 验证中介效应：需要检验路径系数a、b是否显著，常用方法如Bootstrap法。

（三）示例与应用

示例：在研究“社交媒体使用（X）→ 焦虑水平（M）→ 睡眠质量（Y）”中：

• 中介变量：焦虑水平（M）起到传递社交媒体使用对睡眠质量影响的作用。
• 直接效应：社交媒体使用可能会直接对睡眠质量产生影响，比如蓝光干扰等情况 。

图示：

X（社交媒体）
│
├─→ M（焦虑）─→ Y（睡眠质量）
└─→ Y（睡眠质量）

四、调节变量（Moderator Variable）

（一）定义与作用

调节变量是影响自变量（X）与因变量（Y）之间关系的强度或方向的变量。它主要回答“在什么条件下？”或“对哪些群体？”X对Y的影响会增强、减弱甚至反转。

核心特点：

1. 调节效应：通过交互作用（X×M）来体现，也就是自变量与调节变量的乘积项。
2. 非传递性：调节变量本身并不会传递X对Y的影响（这与中介变量不同），而是改变X→Y的路径属性。
3. 类型灵活：可以是分类变量，例如性别、实验组别；也可以是连续变量，比如年龄、收入 。

（二）路径表示与检验方法

1. 路径图示例

X（自变量）──────→ Y（因变量）
│
调节变量（M）
│
交互作用（X×M）────→ Y

交互作用项（X×M）的系数能够反映调节效应的大小和方向。

2. 检验步骤

• 步骤1：中心化处理（对连续变量X和M进行去中心化操作，以避免多重共线性问题）。
• 步骤2：构建回归模型：$$Y={\beta }_0+{\beta }_{1}X+{\beta }_{2}M+{\beta }_3(X\times M)+ϵ$$
• 步骤3：若交互项系数（β₃）显著（p<0.05），则说明调节效应存在。

（三）实际案例

研究场景：探究“学习动机（X）”对“学业成绩（Y）”的影响是否会因“教师支持（M）”水平的不同而发生变化。

• 调节变量：教师支持（分为高/低分组）。
• 结果解释：
  • 若β₃>0：表明教师支持水平越高，学习动机对成绩的促进作用就越强。
  • 若β₃<0：意味着教师支持水平越高，学习动机对成绩的作用反而会减弱。

五、四类变量的对比与联系

特征	外生变量	内生变量	中介变量	调节变量
方向性	只发射箭头	只接收箭头	接收并发射箭头	通过交互项影响路径
核心作用	自变量，引发变化	因变量，被解释	解释“如何”影响	解释“何时/对谁”影响
统计检验	路径系数显著性	路径系数+残差检验	中介效应Bootstrap检验	交互项系数显著性
示例	年龄、政策干预	学业成绩、满意度	焦虑水平、学习策略	性别、教师支持

六、模型构建要点

（一）模型识别

要确保自由度≥0，也就是方程数≥参数数，防止出现模型不可识别的情况。

（二）残差项意义

内生变量的残差代表着未被解释的变异部分，需要检验其是否合理，比如方差需满足非负的条件。

（三）中介与调节效应区分

1. 中介变量：主要用于解释自变量到因变量的作用机制，例如学习动机→学习策略→成绩。
2. 调节变量：则是界定自变量到因变量关系的边界条件，比如教师支持水平不同时，动机对成绩的影响也会不同。

（四）交互项处理

1. 分类变量调节：需要进行分组分析或者构建虚拟变量。
2. 连续变量调节：一定要进行中心化处理，避免出现共线性问题 。

（五）简单斜率分析

当调节效应显著时，需要进一步计算在不同调节变量水平下，自变量到因变量的简单斜率。例如，绘制“高/低教师支持”组中学习动机与成绩的关系图 。

七、总结

外生变量是模型的起始点，内生变量是终点，中介变量如同路径中的桥梁，而调节变量则像是路径的开关。这四类变量共同构建出复杂的因果网络，在实际研究中，需要紧密结合理论假设与统计检验，才能准确区分它们各自的角色。同时，我们可以借助结构方程模型（SEM）或回归模型，对中介与调节效应同时进行检验，从而更加精准地解析数据背后的因果关系。