从图中可以看到，自助抽样1000次后间接效应依然显著，直接效应不显著，我们可以很放心的说这个是一个完全中介了。
当然，输出中还有这个中介效应图：
Moderation tests whether a variable (Z) affects the direction and/or strength of the relation between an IV (X) and a DV (Y). In other words, moderation tests for interactions that affect WHEN relationships between variables occur.
看上面的英文解释，调节要回答的什么时候某种XY之间的关系才会出现
最基本，最鲜明的调节作用如下图
我们依然用模拟数据来说明一切
N <- 100
X <- abs(rnorm(N, 6, 4))
X1 <- abs(rnorm(N, 60, 30))
Z <- rnorm(N, 30, 8)
Y <- abs((-0.8*X) * (0.2*Z) - 0.5*X - 0.4*X1 10 rnorm(N, 0, 3))
Moddata <- data.frame(X, X1, Z, Y)
我们模拟出来了两个自变量XX1还有一个调节变量Z，如果把调节变量也算作自变量的话就是3个自变量。
对于调节作用的一般检验就是做交互，为了避免多重共线性，必须将交互的两个变量中心化。
因为你都是要放在一个回归方程中的嘛，所以得考虑多重共线性问题
那么，我们准备讨论XZ之间的交互，所以先将它两中心化：
Xc <- c(scale(X, center=TRUE, scale=FALSE)) #Centering IV; hours of sleep
Zc <- c(scale(Z, center=TRUE, scale=FALSE))
然后跑回归
library(gvlma)
fitMod <- lm(Y ~ Xc Zc Xc*Zc)
summary(fitMod)
跑出来的回归结果：
我们还可以可视乎交互作用：
library(rockchalk)
ps <- plotSlopes(fitMod, plotx="Xc", modx="Zc", xlab = "X", ylab = "Y", modxVals = "std.dev")
