近些年来，心理学研究，尤其是问卷调查类研究，显得不能只是考察变量之间的简单关系，而要探索变量之间的复杂关系，因此，中介效应、调节效应就成了数据统计的基本分析。关于中介分析，本人已经多次述及，这里，在人类群体的相似性往往大于差异性的背景下，重点讨论调节分析。

首先，心理学研究者需要了解调节分析受到重视的历史背景。本人曾在一篇文章中看到，美国政府为了解决学校教育中存在的问题，向社会购买解决方案（Edwards & Lambert, 2007）。研究者把自己方案的研制情况写成申报材料，提交给相关机构。起初，评审的依据是哪个方案的效果更好，就选中并购买哪个方案。

不难想像，这样购买的方案，经常出现实际效果不佳的情况。相应地，有关机构要求提交方案者不仅描述自己的方案是有效的，而且解释自己的方案为何是有效的。也就是说，方案研制者应当具体阐明，自己的方案改变了哪个或哪些心理变量，而这个或这些心理变量的改变，对应着现实中需要解决的问题。这是心理学研究中重视中介分析的起点。

类似地，纵然有关方案阐明了为何有效的机制，但是，这些方案在具体实施过程中，还是会出现有时特别有效、有时不那么有效、有时甚至无效的情况。因此，有关机构就要求方案研制者，不仅要提供关于方案机制方面的材料，而且要提供关于方案何时有效、何时无效的材料。这是心理学研究中重视调节分析的起点。

由此可知，心理学研究中考察中介变量、调节变量是有现实需要和动机的。了解和体会这样的背景，研究者就会有目的、有意义、有价值地选择和确定中介变量和/或调节变量，而不是任意地、便利地、随便地测试和检验中介变量和/或调节变量。

其次，心理学研究者需要清楚调节分析能够解决的实际问题。如果知道心理学研究关注调节变量的历史背景，那么，也就应当清楚，研究者考察一个调节变量，目的是要说明这个变量会影响或者限定研究者真正感兴趣的一种效应——某个自变量对特定因变量的效应。

换句话说，在一项研究中，如果考察一个或几个调节变量，那么，研究者意欲提醒的是，关于研究中探明的两个变量之间的关系，明显受到一个或几个方面的制约，也就是，探明的两个变量之间的关系，是有条件的，例如，在一些条件下适用，在一些条件下不太适用，在另外的条件下不适用。

这里的条件，对应着一个或几个变量的不同水平。在这样的不同水平下，另外两个变量的关系不同：可能是关系强度不同，也可能是关系性质不同。简而言之，调节变量影响另外两个变量之间的关系，影响方式随调节变量的水平而不同。顺便指出，中介变量也影响另外两个变量之间的关系，不过，影响方式随中介变量的有无而不同。

正因如此，有时，调节分析也可以认为是一种条件过程分析（Hayes, 2018）。显然，调节分析的主要目的是解决实际问题的，即，描述有关研究结论的条件限制，提醒应用研究结论的人，注意相应的条件，否则，可能无法达到预期的效果。

第三，心理学研究者需要懂得调节分析应当采用的恰当方法。显然，现在有多种进行调节分析的方法，不过，研究者可能并不真正了解调节分析的目的，从而，往往只是检验调节变量的效应是否显著，未能发挥调节分析的真正作用。

例如，不少心理学研究把连续型调节变量人为地划分成高分组和低分组，检验调节变量的效应。此时，即使调节效应显著，也难以提出真正有价值的意见或建议，因为，此时的高分组与低分组在另外两个变量（即自变量与因变量）上的分布情况是不清楚的。前已述及，调节变量制约的是另外两个变量之间的关系，要使调节分析有意义，需要找到在另外两个变量分布上有真正差异的群体，而不是简单依据所谓的调节变量划分高分组与低分组。

在实际的调节分析中，很多研究者把人口统计学变量（比如，性别、年龄）作为调节变量。同样地，也往往没有考察相应人口统计学变量的分组群体，在自变量与因变量的分布情况，因此，纵然得到显著的调节分析结果，也难以说明相应的变量是合理的调节变量。也就是说，在进行调节分析之前，需要考察有关分组群体的叠加正态分布，据此确定所选的调节变量是否合适。

特别地，像教育水平、年龄这样具有实际高低或大小含义的变量，用作调节变量时，可以先细分稍多的水平，计算这类变量与自变量的交互作用项，运用回归分析检验调节效应（Hanel, Maio, & Manstead, 2019）。如果调节效应是显著的，再进一步考察并确定有意义的分组群体。

总之，本人认为，在心理学研究中，考察调节变量需要知道人类群体的相似性大于差异性的基本事实，应当清楚调节分析的目的和意义。具体地说，研究者需要了解调节分析受到重视的历史背景，清楚调节分析能够解决的实际问题，懂得调节分析应当采用的恰当方法。

参考文献

Edwards, J. R., & Lambert, L. S. (2007). Methods for integrating moderation and mediation: A general analytical framework using moderated path analysis. Psychological Methods, 12, 1-22.

Hanel, P. H. P., Maio, G. R., & Manstead, A. S. R. (2019). A new way to look at the data: Similarities between groups of people are large and important. Journal of Personality and Social Psychology, 116, 541-562.

Hayes, A., F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). New York: The Gulford Press.