3.0 基础概念

本节目标

读完本节后你能：

区分定类、定序、定距、定比四类变量，把心理学常见变量正确归类。
说清自变量和因变量在实验研究、相关研究中的含义与各自的检查重点。
用一句话讲明白中介和调节的区别，并判断一个变量能不能当中介/调节。
把"理论 → 假设 → 操作性定义 → 变量 → 数据结构 → 统计检验"这条链条画出来，并解释为什么分析方法不是凭感觉选的，而是被前面的设计"逼"出来的。

本节路线图

变量与变量类型：Stevens 的四级测量
自变量与因变量：要求与限制
中介变量与调节变量：机制 vs. 边界条件
理论 → 数据结构 → 分析方法：一条链条贯穿全章
实操对照表：变量类型 → 分析方法

一、变量与变量类型

变量（variable）是在不同观测之间可能取不同值的特征。如果当前数据里所有人都填同一个值，例如只向一年级学生询问年级，那么这一列在概念上仍可称为变量，但在这份数据中没有变异，无法用来解释个体差异。

观测（observation）：之所以强调不同“观测”，而不是不同“样本”/“被试”，是因为对同一个样本/被试在不同时间的测量也可以构成不同观测。

特征：变量是对象的属性，而不是对象本身。“张三”是一个对象，“张三”的“性别”“年龄”等特征可以构成变量。

1. 变量的四级分类

S. S. Stevens 在 1946 年提出的四分类至今仍是常用入门词汇。它帮助你先问：数值之间的顺序、间距和比值分别有没有解释意义？ 这只是分析决策的起点，不是“看到量尺标签就自动选检验”的算法；研究设计、观测依赖性、分布和模型假设同样重要。

类型	关键属性	允许的运算	心理学常见变量
定类Nominal	类别区分，无序	计数、众数、卡方	性别、民族、实验组别
定序Ordinal	类别有序，间距未知	上述 + 中位数、百分位、秩相关	学历
定距Interval	间距相等，无绝对零	上述 + 加减、均值、标准差	智商
定比Ratio	间距相等，有绝对零	上述 + 乘除、比值	反应时、年龄、收入、行为次数

小技巧

较高级的测量尺度可以使用较低级尺度允许的运算。例如，定序变量也可以按类别计数；反过来，仅有类别信息的定类变量不能计算有意义的中位数。

区分定距和定比变量的关键在于零点是否表示该属性在所定义量尺上的缺失，以及比值能否解释。IQ 分数的零点不是“没有智力”，而时长等变量的零点表示没有经过时间，“20 秒是 10 秒的两倍”有明确含义。变量属于哪一类取决于构念与测量规则，不取决于软件把这一列存成整数还是小数。

李克特量表到底是定序还是定距？

严格地说，单条目的 5 / 7 点李克特题是定序变量——"非常同意"和"同意"之间的距离，未必等于"同意"和"中立"之间的距离。
多条目量表的合成分（比如自尊量表 10 题求平均）在实践中常被近似当作连续、等距变量处理，但它仍不是定比变量：得分为 0 通常不表示该心理属性完全不存在，"20 分是 10 分的两倍"也未必有意义。
t 检验、ANOVA 等参数方法对有序评分的偏离在不少条件下具有一定稳健性，但这不是无条件保证。题目数、类别数、分布偏斜、样本量和模型假设都会影响结果。
分析单条目或严重偏斜的合成分时，应检查分布和模型残差；必要时用有序模型、稳健方法或非参数方法做敏感性分析，而不是只凭"定序/定距"标签机械选方法。

2. 另一个独立的变量分类维度：离散 vs. 连续

这与 Stevens 的四级分类是正交的。前者关心数值特征，后者关心统计特征。

离散变量（discrete）：取整数或可数值。例：答对题数、行为次数。
连续变量（continuous）：在区间内可取任意值。例：反应时。

定类一定是离散的；定比可以是连续（反应时）或离散（孩子数）。

3. 为什么变量类型是重要的？

因为变量类型会限制哪些分析及解释是合理的。把无序的多分类变量直接编码成 1、2、3 后做 Pearson 相关，结果会依赖任意编码；二分类变量正确编码后与连续变量求 Pearson 相关，则等价于点二列相关。反应时常右偏，也不能仅凭它是定比变量就机械套用 t 检验：还要检查研究设计、异常值、样本量和模型残差，必要时变换数据或使用稳健方法。本节末尾附上了“变量结构与研究设计 → 统计方法”速查表。

二、自变量与因变量

自变量（IV, independent variable）通常指研究者操纵或用于解释差异的变量。 因变量（DV, dependent variable）是研究者测量并试图解释的结果变量。

实验研究 vs. 相关研究

在设计良好的随机实验中，研究者操纵 IV、随机分配条件、控制混淆并测量 DV；在这些条件及其他假设合理时，组间差异才支持因果推断。仅仅"操纵了一个变量"并不自动保证因果结论成立。
在相关 / 横断研究中，IV 只是被研究者选作“预测变量”（如人格、收入），DV 是被预测的结果变量。即使统计上 X 显著预测 Y，设计本身不允许下"X 导致 Y"的因果结论。
在相关或横断研究中，优先使用预测变量 / 结果变量或 X / Y。有些统计教材也使用 IV / DV，但这些称呼本身不能提供因果含义。

1. 自变量的常见要求

按"能否做因果推断"分两类：

(A) 实验性自变量——可以操纵的：

可操纵性（manipulability）：研究者能把它"调"到不同水平。无法被操纵的（性别、人格、年龄）严格说不算实验 IV。
充分变异：至少两个水平，否则无法比较。
理论依据：操纵要对应到理论构念上。比如想操纵"权力感"，需要让被试回忆一段拥有权力的经历，而不是回忆"道德"、"助人"等无关经历。
操纵有效性证据：可通过预实验、既有范式的验证证据或合适的操纵检验说明操纵奏效。主实验中的操纵检验可能提示研究目的或成为处理后的变量，是否设置及放在哪里需要结合设计决定，不能机械地视为必做步骤。
减少共变操纵：除预期操纵外，材料长度、呈现方式和实验流程尽量可比；若操纵不可避免地同时改变其他体验，需要用预实验和理论说明替代解释。
通常配合随机分配，使分配机制不系统依赖被试特征。随机分配并不保证每个样本的基线变量都恰好平衡，尤其在小样本中；应记录分配是否正确执行，并透明报告重要基线特征，而不是根据事后显著性检验随意删改协变量。

(B) 准实验/被试变量——不可操纵的：

性别、年龄、人格特质、文化背景。
这些只能被“选择”或观察。仅凭它们与结果变量的统计关系，应报告为关联；若要作因果解释，还需明确研究设计、时间顺序和混淆控制等额外依据。

2. 因变量的常见要求

结果变量的测量质量会直接限制结论。至少检查三个方面：

信度（reliability）：测量结果在相应误差来源下具有一致性或可重复性。内部一致性、重测信度、评分者一致性回答的是不同问题，不能互相替代。
效度证据（validity evidence）：现有证据是否支持你对得分作出的解释和用途，例如内容、内部结构、与其他变量的关系及反应过程等。不能只凭量表名称断言“它测的就是目标构念”。
敏感性（sensitivity）：能区分出实验操纵带来的差异。有两类常见问题：

天花板与地板效应

天花板效应（ceiling effect）：题太简单，几乎所有人都拿满分，组间无法拉开。
地板效应（floor effect）：题太难/罕见行为，几乎所有人都是 0 或最低分。
出现这两种之一，即使你的操纵真的有效，DV 也无法把效应"显示"出来。预实验和功效分析阶段就要排查。

其他常见问题

要求特征（demand characteristics）：被试猜到了实验目的并迎合。
社会赞许性（social desirability）：被试报告自己"应该是"的样子，而非真实情况。
共同方法偏差（common method bias）：IV 和 DV 都在同一时间、用同一来源和同一反应格式测量，可能引入共同的系统误差，使关系被高估或低估；它不是看到"同一份问卷"就能直接判定的固定偏差量。

三、中介变量与调节变量

这两个概念容易混淆。先看你的研究问题在问什么：

中介变量（mediator, M）回答 "X 通过什么影响 Y"——机制问题。
调节变量（moderator, W）回答 "X 在什么条件下对 Y 的影响会发生变化"——边界条件问题。

1. 中介变量

中介模型把 M 放在理论路径 X → M → Y 的中间。图上的箭头是待检验的理论方向，不会因为画成箭头或估计出非零系数就自动成为因果链。

IV \overset{a}{\to} M \overset{b}{\to} DV, a b = 间接效应

例子：

高 自我效能感（X）→ 投入更多努力（M）→ 取得更好的 学业成绩（Y）

这里 M（努力）是理论上假定的作用通道。在不含 X × M 交互的简单线性中介模型中，间接效应写作 $a b$ ；X 对 Y 的总效应或直接效应是否显著，都不是检验 $a b$ 的必要前提。统计上的间接效应也不会单独证明这一因果通道成立。

哪些变量"可以"当中介

理论上和时间上都位于 X 与 Y 之间的变量。
经典候选：心理过程（认知评估、情绪反应）、行为（具体动作、决策）、生理反应（皮质醇、心率）。
若要作因果解释，必须有依据支持 X 先于并影响 M，M 再影响 Y，同时排除关键混淆；一组回归系数本身不能验证这些条件。

哪些变量"不能"当中介

测量时间在 X 之前的变量——违背时间先后逻辑。
本质上和 X 是同一个构念，只是换了个测量方式（这只是测量问题，不是中介）。
在 X 发生前已经确定且不会被 X 改变的变量——不能作为该 X 的中介。人口学变量通常属于这一类；特质变量是否可能作为中介，要看 X 的时间位置和理论是否允许它发生变化。
与 Y 概念上重叠或定义包含（比如把"数学成绩"当成"学业成绩"的中介，学业成绩本身包含数学成绩）。

2. 调节变量

调节变量改变 X→Y 关系的强度或方向：在不同水平的 W 下，X 对 Y 的效应不同。

Y = b_{0} + b_{1} X + b_{2} W + b_{3} (X \times W) + ε

$b_{3}$ 检验的是所设模型和量尺下的 X × W 交互。若它显著，可以说有统计交互；还应报告条件效应或 simple slopes 及其置信区间，才能说明交互发生在哪里、方向是什么。

例子：

工作压力（X）→ 情绪耗竭（Y），但 社会支持（W）调节这一关系：在低社会支持下，压力强烈推高耗竭；在高社会支持下，这一效应减弱。

调节关系的可视化通常是 simple slopes 图：高 W 一条线，低 W 一条线，看两条斜率是否不同（更详细的内容见 3.5 中介与调节）。

哪些变量"可以"当调节

与 X-Y 关系逻辑独立，且能改变其强度/方向的变量。
典型候选：人口学变量（性别、年龄、文化）、人格特质（神经质、自尊）、情境变量（任务难度、时间压力）、实验组别。

调节分析常见限制

变异太小的变量（比如 95% 都是同一个值）——交互项几乎无法估计。
如果 W 会被 X 改变，它属于处理后的变量。统计上仍能放入交互项，但把结果解释为因果调节需要额外假设与专门方法。
不能只比较"一组显著、另一组不显著"就断言存在调节；必须直接检验交互项。

3. 一个口诀

问的问题	角色	示意
通过什么过程 X 与 Y 发生联系？	中介 M	X → M → Y
什么时候 X 才影响 Y？	调节 W	X × W → Y

衍生：有调节的中介（moderated mediation）= 调节作用作用在中介路径的某一段；有中介的调节（mediated moderation）= 调节效应通过一个中介传递。详见 3.5。

四、数据结构决定分析方法

在数据分析的任何一个阶段都要牢记以下逻辑。

1. 五个台阶的逐级映射

理论（theory）
   ↓ 演绎
假设（hypothesis）：可证伪的具体预测
   ↓ 操作化
操作性定义（operational definition）
   ↓ 落实
变量（variables）：IV / DV / M / W / 协变量
   ↓ 设计
研究设计 + 数据结构（design + data structure）
   ↓ 分析
统计模型 / 检验（statistical model / test）
   ↓ 结果
回到理论：数据与预测有多相容、哪些替代解释仍存在、下一步如何修正

理论（theory）是一组关于"世界如何运作"的相互关联的命题。例：自我决定理论。

假设（hypothesis）是从理论里推出来的、可证伪的具体预测。"自主感（X）正向预测内在动机（Y），且这一关系被环境支持感（W）调节"——这是一个可证伪的假设。

操作性定义（operational definition）是把抽象构念落到可以观测/测量的程序上。同一个构念可以有多种操作化，每种操作化都是一组关于"什么是什么"的规定/约束。例如"焦虑"可以操作化为 BAI 量表得分，也可以操作化为皮质醇水平，还可以操作化为公开演讲任务中的紧张表情时长。

变量是被操作化后的构念。同一个研究里，要明确每个变量的：

角色：IV / DV / M / W / 协变量
类型：定类 / 定序 / 定距 / 定比
形式：连续 / 离散 / 二分

研究设计决定了数据结构。横断 vs. 纵向、被试间 vs. 被试内、单层 vs. 多层（学生嵌套于班级）、是否有重复测量——这些都会改变数据的"形状"。

研究问题、研究设计和数据结构共同限定了合理的分析方法。它们通常不能唯一决定某一个检验，但会排除大量不合适的选择。只看到"两组比较"就用 t 检验，可能忽略数据是否配对、嵌套或重复测量，也可能忽略 DV 的类型和模型假设。

2. 一个完整链条的样例

例：自尊—焦虑—幸福感的中介研究

理论：自我价值理论认为高自尊提升心理健康。

假设：自尊（X）正向预测幸福感（Y），且这一效应通过降低焦虑（M）实现。

操作性定义：

自尊 = Rosenberg 自尊量表 10 题均分
焦虑 = BAI 21 题均分
幸福感 = SWLS 5 题均分

变量：

预测变量：自尊（多条目合成分，连续变量近似处理）
M：焦虑（连续）
DV：幸福感（连续）

研究设计：横断在线问卷，N = 300，所有变量同时测量。

数据结构：宽格式；每名被试一行，自尊、焦虑、幸福感及人口学变量各占一列；没有重复测量或已知嵌套。

分析方法：

步骤 1：描述性统计 + 相关矩阵（见 3.1 描述性统计）
步骤 2：用 PROCESS Model 4 估计 $a b$ 及其 bootstrap 95% CI；重抽样次数（例如 5000 次）应在分析前设定并记录，它不是证明因果的阈值
步骤 3：报告间接效应、直接效应、总效应

回到理论：若 bootstrap 置信区间不包含 0，可以报告数据与所设模型中的间接关联一致。但三个变量同时测量，无法建立时间顺序，也无法排除反向路径和未测混淆，因此不能据此确认"焦虑是因果机制"。横断中介模型更适合作为描述或生成后续纵向、实验研究的假设。

3. 顺序写反了会怎样

实践中常见的错误顺序是：

数据已经收完了 → 看哪个分析显著 → 倒推一个理论说得通的故事

如果把看到结果后形成的假设伪装成事前假设，这就是 HARKing（Hypothesizing After the Results are Known）。它会破坏原有显著性检验的确认性解释，并提高选择性报告和偶然发现被当成稳定结论的风险。探索本身没有错，关键是如实标注探索性结果，并用新数据确认。

4. 为什么"研究设计 → 数据结构 → 分析"不能跳

跳过数据结构这一环，常导致下面这些经典错误：

把嵌套数据（学生嵌套于班级）当独立观测，常会低估标准误，使置信区间过窄并抬高 I 类错误率。
对同一批人的重复测量使用独立样本 t 检验，会忽略配对关系，使标准误和置信区间不再对应真实观测结构，也常损失精度。
把二分类 DV 不加说明地当连续变量做普通线性回归，可能产生超出 0–1 的预测值和不合适的方差假设；入门分析通常从 logistic 回归等二项模型开始。
把多条目构念的合成分当作完全无测量误差，可能低估不确定性；是否需要 SEM，应由研究问题、测量模型、样本量和模型复杂度共同决定。

正确做法：先想清楚数据"长什么样"——是否分层、单次测量还是重复测量、变量是什么类型，再考虑/决定"这种结构对应什么分析"。

五、实操对照表：变量类型 → 分析方法

第一次拿到数据时，不要先在软件菜单里找检验。按四个问题走一遍：

结果变量是什么？ 连续、二分类、多分类、计数还是有序评分？
一行代表什么观测？ 一名被试、一次试次、一对伴侣，还是一个班级？同一单位是否出现多行？
观测怎样产生？ 组间随机分配、同一人的前后测、自然观察，还是人嵌套在群组中？
要估计什么？ 均值差、关联、预测概率、间接效应还是交互？需要同时报告哪种效应量、置信区间和诊断？

回答完再查下面的候选表。它把变量类型与最常见的设计结构映射到起步方法；正式分析前仍需检查模型假设，表格不能替代研究设计判断。

预测变量 / 设计结构	结果变量	典型分析	出现章节
二分类、两组相互独立	连续	独立样本 t 检验	3.2.1
两次测量或一一配对	连续	配对 t 检验	3.2.1
一个三分类及以上	连续	单因素 ANOVA	3.2.2
多个分类（含交互）	连续	多因素 ANOVA	3.2.2
分类	多个连续	MANOVA	3.2.3
分类	分类	卡方检验 / Fisher 精确检验	3.3
一个连续	连续	Pearson 相关 / 一元回归	3.4
多个连续或正确编码的分类变量	连续	多元回归	3.4.2
含分类预测变量	连续	含哑变量的回归	3.4.3
假设包含间接路径	通常为连续	中介模型 / SEM	3.5
假设包含交互	通常为连续	含交互项的回归 + 条件效应 / slopes	3.5
观测嵌套或重复测量	连续	多层 / 混合效应模型	3.6
多个连续或分类预测变量	二分类	Logistic 回归	3.4
构念以多个指标测量	一个或多个	验证性因素分析 / 结构方程模型（按问题）	3.7

怎么使用这张表

从 DV 类型出发，比从 IV 出发更不容易出错。
表里没覆盖的纵向、生存、计数或文本数据，需要查对应的专门方法；不要把它们硬塞进连续结果的模型。
如果你的设计找不到对应方法，不要强行把数据改造成表中的情形。先画清观测单位、变量类型、时间点和嵌套关系，再查专门方法或寻求统计咨询。

资源与工具

资源链接核查于 2026-08-31。PROCESS 官网在本次核查环境中出现证书过期提示；如果浏览器也拦截，请不要绕过安全警告，可先从下方 Hayes 教材的出版社页面确认版本，稍后再重试官网。

Open Science Framework

预注册平台 · 锁定假设和分析方案

→

🎓

Methodology Center (PSU)

中介、调节、纵向方法的免费资源

→

延伸阅读

Cumming, G., & Calin-Jageman, R. (2024). Introduction to the new statistics: Estimation, open science, and beyond. Routledge. https://doi.org/10.4324/9781032689470
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association. https://www.aera.net/Publications/Books/Standards-for-Educational-Psychological-Testing-2014-Edition
Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
Norman, G. (2010). Likert scales, levels of measurement and the "laws" of statistics. Advances in Health Sciences Education, 15(5), 625–632. https://doi.org/10.1007/s10459-010-9222-y
Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173 ——经典概念来源；间接效应检验与因果边界应结合后续方法文献。
Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press. https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030 ——第 3–4 章讲简单中介与因果顺序，第 7 章讲调节。
Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44. https://doi.org/10.1037/1082-989X.12.1.23
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin. ——因果推断、混淆与效度边界。
Kerr, N. L. (1998). HARKing: Hypothesizing after the results are known. Personality and Social Psychology Review, 2(3), 196–217. https://doi.org/10.1207/s15327957pspr0203_4

3.2 差异分析

3.4 回归分析

3.0 基础概念

本节路线图

一、变量与变量类型

1. 变量的四级分类

2. 另一个独立的变量分类维度：离散 vs. 连续

3. 为什么变量类型是重要的？

二、自变量与因变量

1. 自变量的常见要求

2. 因变量的常见要求

三、中介变量与调节变量

1. 中介变量

2. 调节变量

3. 一个口诀

四、数据结构决定分析方法

1. 五个台阶的逐级映射

2. 一个完整链条的样例

3. 顺序写反了会怎样

4. 为什么"研究设计 → 数据结构 → 分析"不能跳

五、实操对照表：变量类型 → 分析方法

资源与工具

延伸阅读

3.0 基础概念 ​

本节路线图

一、变量与变量类型 ​

1. 变量的四级分类 ​

2. 另一个独立的变量分类维度：离散 vs. 连续 ​

3. 为什么变量类型是重要的？ ​

二、自变量与因变量 ​

1. 自变量的常见要求 ​

2. 因变量的常见要求 ​

三、中介变量与调节变量 ​

1. 中介变量 ​

2. 调节变量 ​

3. 一个口诀 ​

四、数据结构 决定 分析方法 ​

1. 五个台阶的逐级映射 ​

2. 一个完整链条的样例 ​

3. 顺序写反了会怎样 ​

4. 为什么"研究设计 → 数据结构 → 分析"不能跳 ​

五、实操对照表：变量类型 → 分析方法 ​

资源与工具 ​

延伸阅读 ​

3.0 基础概念

一、变量与变量类型

1. 变量的四级分类

2. 另一个独立的变量分类维度：离散 vs. 连续

3. 为什么变量类型是重要的？

二、自变量与因变量

1. 自变量的常见要求

2. 因变量的常见要求

三、中介变量与调节变量

1. 中介变量

2. 调节变量

3. 一个口诀

四、数据结构决定分析方法

1. 五个台阶的逐级映射

2. 一个完整链条的样例

3. 顺序写反了会怎样

4. 为什么"研究设计 → 数据结构 → 分析"不能跳

五、实操对照表：变量类型 → 分析方法

资源与工具

延伸阅读