调节效应在护理机制研究中的应用

1. 一句话告诉你这是什么

调节效应分析回答”X 对 Y 的影响在什么条件下更强或更弱”。调节变量 W 决定了 X→Y 关系的方向和强度——比如健康教育的效果是否因患者的文化程度不同而不同。

2. 什么时候用，什么时候别用

适合用

• 想检验干预效果是否在不同人群中有差异
• 想解释效应为何在某些条件下更强或更弱
• 变量均为连续或因变量为连续

不适合用

• 想探索 X 通过 M 影响 Y 的机制路径（应做中介分析）
• 调节变量是分类且各组样本严重失衡（$< 30$ 人/组）
• 测量误差很大（调节效应检测力低，测量误差会进一步降低）

3. 数据准备清单

• 自变量 X 和调节变量 W 已明确区分
• X 和 W 均为连续变量（分类也可，但需注意统计检验力）
• 交互项 XW 已计算（连续变量先做中心化）
• 样本量足够（检测中等调节效应需要 $n \ge 250$）
• 已完成共线性诊断（交互项与主效应相关高时注意）

4. 方法直觉

调节效应在回归模型中用交互项 $X \times W$ 来检验。如果交互项系数显著，说明调节效应存在。

$Y = \beta_0 + \beta_1 X + \beta_2 W + \beta_3 (X \times W) + \varepsilon$

关键理解：$\beta_3$ 衡量的是”X 的效应随着 W 变化了多少”。交互显著后，通常用简单斜率（simple slopes）分析进一步解释——分别在 W 的低（均值 -1SD）、中（均值）、高（均值 +1SD）水平上检验 X 的效应。

5. R 代码（复制即可跑）

library(broom)
library(interactions)                                     # ⬅ 简单斜率图和 Johnson-Neyman 图

# 模拟数据：干预对生活质量的影响是否受社会支持调节
set.seed(2026)
n <- 300
df <- data.frame(
  intervention = rbinom(n, 1, 0.5),                      # 分组：0=对照, 1=干预
  support      = rnorm(n, mean = 50, sd = 10),            # 社会支持评分
  qol          = rnorm(n, mean = 60, sd = 15)             # 生活质量
)
# 构造交互效应
df$qol <- with(df, 55 + 3 * intervention + 0.15 * support +
                0.08 * intervention * support + rnorm(n, 0, 10))

# 中心化调节变量
df$support_c <- scale(df$support, scale = FALSE)

# 拟合含交互项的模型
fit <- lm(qol ~ intervention * support_c, data = df)     # ⬅ * 自动包含主效应 + 交互项

summary(fit)

# 简单斜率分析
sim_slopes(fit, pred = intervention, modx = support_c)   # ⬅ 低中高三个水平

# Johnson-Neyman 图
johnson_neyman(fit, pred = intervention, modx = support_c)

6. 结果怎么读

$^* p < 0.05, ^{**} p < 0.01$

7. 论文里怎么写

中文： 采用回归分析检验社会支持对健康教育干预效果的调节作用。交互项显著（$\beta = 0.08$, 95% CI $[0.01, 0.15]$, $p = 0.03$）。简单斜率分析显示，干预仅在高中社会支持水平的患者中显著改善生活质量（低支持组：$\beta = 2.1$, $p = 0.12$；高支持组：$\beta = 5.8$, $p < 0.001$）。

English: Regression analysis was used to examine whether social support moderated the effect of a health education intervention on quality of life. The interaction term was significant ($\beta = 0.08$, 95% CI $[0.01, 0.15]$, $p = 0.03$). Simple slope analysis revealed that the intervention significantly improved quality of life only among patients with high social support (low support: $\beta = 2.1$, $p = 0.12$; high support: $\beta = 5.8$, $p < 0.001$).

8. 三个最常见的坑

1. 中心化前就计算交互项。 连续变量 X 和 W 与交互项 XW 高度相关，会导致严重的共线性。必须在计算交互项之前对 X 和 W 做中心化（减去均值）。
2. 交互显著却不做简单斜率分析。 交互显著只说明”斜率随调节变量变化”，但不告诉我们具体怎么变。必须在调节变量低、中、高三个水平上分别检验 X 的效应。
3. 简单斜率分析只依赖于 +1SD/-1SD。 如果调节变量分布偏态，+1SD 可能超出实际取值范围。此时用 Johnson-Neyman 法找出”效应显著/不显著的临界点”更可靠。