教程 ·
调节效应不显著怎么调数据？三层模型逐行拆解，差的是起点不是斜率
调节效应不显著怎么调数据：三层模型表横着读、交互项那一行才是关键、三组简单斜率与基线差异逐项拆解，不显著能不能改数据讲清楚，演示数据 N=300。
调节效应不显著怎么调数据？先说结论：不能调。这篇用一份三层模型表，把"哪一行才决定调节成不成立"讲清楚，顺便说明不显著时到底该怎么办。
这一页解决什么
调节效应跑完，很多人是这么读表的：一眼扫到"使用频率那行显著"，心里就踏实了——结果导师一句"你的调节效应根本没成立"，人当场傻掉。上一篇调节效应怎么做讲的是怎么把这张表跑出来；这一篇用同一份演示数据（模拟问卷 N=300，按使用频率分低频、中频、高频三组，每组 100 例，非真实论文数据）把表逐行读一遍，顺便说清楚不显著的时候到底该怎么办。
调节效应的表要横着读，重点在最后一栏
这张表是三层模型：模型 1 只放感知有用性，模型 2 加进使用频率，模型 3 才加进交互项。
| 模型 | 放入的变量 | R² | 调整 R² | ΔR² | 检验统计量 |
|---|---|---|---|---|---|
| 模型 1 | 感知有用性 | 0.208 | 0.205 | — | ΔF(1,298)=78.168, p<0.001 |
| 模型 2 | + 使用频率 | 0.279 | 0.274 | 0.071 | ΔF(1,297)=29.351, p<0.001 |
| 模型 3 | + 交互项（PU_c×freq_code） | 0.279 | 0.272 | 0.000 | ΔF(1,296)=0.001, p=0.976 |
数据来源：ChatSRS 调节效应分析结果截图，演示数据 N=300，按使用频率分低/中/高频三组，每组 100 例，数字逐字引自产品实测输出。
R² 从 0.208 涨到 0.279 再到 0.279——前两步涨得漂亮，第三步纹丝不动。 层层加变量的意义就在这儿：能看清每一步各自带来了多少解释力。
三层模型表：横向模型1／模型2／模型3三栏，每栏 B／标准误／t／p／β 五列；纵向常数／PU_c／freq_code／PU_c*freq_code 四行，加 R²／调整R²／ΔR²／ΔF值。R² 那一行横向三个数（0.208／0.279／0.279）和模型3的交互项那一行是本篇要看的重点。
两个主效应都很硬，但那不是调节
感知有用性 β=0.488，p<0.001；使用频率 β=0.269，p<0.001。产品的解读是"用得越频繁的学生，行为意向 BI 本身就越高"。看到这儿很多人就下结论了："使用频率有影响啊，调节成立。"这一步就走岔了。
决定调节成不成立的，只有交互项那一行
交互项 B=-0.002，p=0.976，ΔR²=0.000，ΔF(1,296)=0.001，p=0.976。产品写得很干脆："关键的交互项不显著（B=-0.002，p=0.976），ΔR²=0.000，调节效应不成立——加入交互项后模型解释力几乎没有任何提升。"
三组分开看：关系都成立，强度差不多
低频组斜率 B=0.546、中频组 B=0.444、高频组 B=0.540，三组全是 p<0.001。斜率说的是"感知有用性每高 1 分，使用意愿跟着高多少分"。产品的判断是"三组斜率在 0.44–0.55 之间，差异极小且三组的 PU→BI 关系都显著为正"，并且明确写了一句："所谓'用得多的人和用得少的人反应不同'这一假设，在本数据中没有得到支持。"眼睛看着中频组数值低一点，不代表统计上有差别，这一步千万别自己加戏。
三组简单斜率与基线均值：低频组斜率 0.546、中频组 0.444、高频组 0.540（均 p<0.001）；三组使用意愿均值分别为 2.67、2.95、3.21。"使用频率影响的是起点高低，而不是 PU→BI 这条路径的敏感程度"这句原话是本篇的题眼。
差的是起点，不是斜率
本篇最要紧的一句： 三组的使用意愿均值分别是——低频组 2.67、中频组 2.95、高频组 3.21，产品说这是"三组基线递增约 0.27 分（与上方 freq_code 主效应 β=0.269 几乎一致）"。用得多的人，使用意愿确实整体更高一截；但他们对"AI 有没有用"这件事的敏感程度，跟用得少的人几乎一样。产品把这层意思写成了一句原话，值得抄进论文里琢磨："使用频率影响的是'起点高低'，而不是'PU→BI 这条路径的敏感程度'——PU 每提升 1 分，三组学生都大致多出 0.5 分的 BI，规律稳定。"
说人话就是：高频组的人本来就站得高，但爬坡的坡度和别人一样。调节问的是坡度，不是起点。这两件事分不清，就会把组间的高低差当成调节效应报上去。
调节效应不显著怎么调数据：能做的四件事
先说不能做的：不能删掉几个"碍事"的样本、不能改数据、不能把低中高三组的切分线反复挪来挪去直到 p 值终于小于 0.05。"调节效应不显著怎么调数据"这类问法搜的人不少，答案是不能——这已经不是统计问题，是学术诚信问题了。
该做的是这几件：
- 确认自己没读错表。 上面提到的最常见误读，是把主效应或者组间的高低差当成了调节。
- 回头看理论假设本身站不站得住。 你凭什么认为这条关系在不同人群里强度会不一样？这个理由如果本来就单薄，跑不出来才是正常的。
- 换个问题接着往下问。 产品自己给了下一步的方向："如需进一步追问'为什么用得越多意愿越高'，应转向使用频率本身的预测因素（如性别、年级、专业等）。"
- 如实报告，把它写成结论。 产品的结论句是"感知有用性对使用意愿的促进作用是跨使用频率一致的，未发现显著的调节效应。差异仅在于不同频率组的基线 BI 水平不同"。这本身就是一个可以写进论文的发现，说明这条关系有普遍性、不挑人群。不显著也是结果，回避它才是问题。
AI 的结论段：明确写出"未发现显著的调节效应"，并给出下一步该往哪个方向继续问的建议——不显著也是一个可以直接写进论文的结论。
什么情况下不适用
- 调节效应说的是变量之间的统计关系，不代表因果。 分组怎么切、编码怎么定都会影响系数怎么解释；样本量不够大的时候交互项本来就不容易显著，这也是常见原因之一。
- 这篇演示的是分类调节变量（三组）的场景。 如果调节变量本身是连续变量，交互项和简单斜率的具体算法与本文略有差异，参考调节效应怎么做里换算法的判断逻辑。
- AI 给出的判断建议自己复核，拿不准要问导师。
常见问题
调节效应不显著怎么调数据？ 不能。中介检验以外的调节效应同理：不显著不是数据"写错了"，能查的是理论假设、分组切分方式和样本量这些研究设计层面的问题，不是回头改问卷作答的原始数字。直接改动原始数据，不管有没有改善最终的显著性结果，都是学术诚信问题。
交互项不显著，但主效应显著，算不算调节成立？ 不算。调节成不成立只看交互项那一行；主效应显著说明这个变量本身对结果有影响，但那和"影响是否因分组不同而变强变弱"是两件事，不能把主效应显著当成调节成立的证据。
三组回归系数看起来不一样，是不是就说明调节效应存在？ 不一定。眼睛看到的数值差异要靠交互项的显著性检验来确认，本文示例里三组斜率在 0.44–0.55 之间波动，交互项 p=0.976 不显著，说明这点差异在统计上站不住，不能凭肉眼判断组间差异有没有意义。
调节效应不显著还能不能写进论文？ 能，而且应该写。不显著本身就是一个结果：说明这条关系在不同人群中是一致的、不挑人群，这是可以直接报告的发现，回避它反而是问题。
读懂你自己的那张调节效应表
准备好去标识的问卷数据后，可以开始分析，对着自己的交互项那一行核对一遍。按"先看交互项显不显著 → 再看三组简单斜率差不差 → 不显著就如实报告"这个顺序走，结果同样建议逐项核对后再写进论文。
相关文章推荐
本文演示数据为模拟问卷（N=300，按使用频率分低频、中频、高频三组，每组 100 例），非真实用户数据。具体功能、数据处理规则和价格以当前产品页面与真实输出为准。