結論

迴歸模型是資料分析工具中非常有用且充滿變化的模型，有賴於學者對於迴歸模型 的深入討論以及統計軟體的快速發展，萃取資料中的資訊變得容易許多，但也因為軟體 操作的快速，使用者常常忽略了分析資料的過程中應該注意的細節。

本篇文章即針對連續型變數的三因子交互作用迴歸模型進行細節上的探討，首先提 出應用該模型進行資料分析時建議的程序和注意事項，其次則是透過模擬的方式，展示 出斜率差異檢定法(發現具有三因子交互作用存在後最適合用來做後續分析的方法)的檢 定力和自變數間相關係數其實是曲線的關係，相較於 Dawson and Richter 的文章，自變 數間視為獨立所模擬出來檢定力的結果事實上常高估或低估了真實檢定力的表現，此為 本文最重要的貢獻。另外，透過本文的研究將有助於社會科學研究者更深入地了解三因 子交互作用模型，其貢獻有二，第一為增加研究的可信度：若非正確地了解如何分析三 因子交互作用模型，研究者將可能簡化該模型為兩因子交互作用模型或用錯誤的方式來 分析(最常見的錯誤即為採用子群分析法來分析顯著之三因子交互作用模型)，若模型中 的確存在顯著三因子交互作用而誤用分析方法將會導致錯估或扭曲變數之間的關係，故 了解正確的分析方法將會讓研究的結果更為可信和客觀；第二為資料中資訊量的增加，

透過適當的統計方法，研究者不僅只是侷限於了解是否有顯著三因子交互作用的存在，

而是可進行深入地探討產生此顯著交互作用的原因為何、是何種調節因子的設定導致交 互作用的產生等議題將提供更多資訊供研究者參考。

然而，本文章的主要目的在於探究連續變數之三因子交互作用模型分析中斜率差異 檢定法之檢定力與自變數間相關係數的關係，為了專於此目的的緣故，無法將資料的信 度(reliability)納入考量為本文的研究限制，事實上，有學者認為信度對於該檢定的檢 定力是會有影響的(Dunlap & Kemery, 1988)。總而言之，斜率差異檢定法為發現具有顯 著三因子交互作用時最為推薦的後續分析方法，且透過本文的研究，在使用該方法的同 時，研究者必頇將自變數間相關係數的大小關係納入評量該檢定力的因素之一，如此才 能正確地衡量該方法真實檢定力的大小且讓資料分析的過程更為客觀、精確以及嚴謹。

參考文獻

Aguinis, H. (1995). Statistical power problems with moderated regression in management re search. Journal of Management, 21, 1141–1158.

Aguinis, H. (2004). Regression analysis for categorical moderators. New York: Guilford Press.

Aguinis, H., & StoneRomero, E. F. (1997). Methodological artifacts in moderated multiple regression and their effects on statistical power.Journal of Applied Psychology, 82, 192–206.

Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions.

Newbury Park, CA: Sage.

Cohen,J., Cohen, P., West, SG, & Aiken, LS (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Mahwah, NJ: Erlbaum.

Cronbach, L. J. (1987). Statistical tests for moderator variables: Flaws in analyses recently proposed. Psychological Bulletin, Vol. 102, 41417.

Dawson, J.F., & Richter, A.W. (2006). Probing ThreeWay Interactions in Moderated Multiple Regression:Development and Application of a Slope Difference Test.Journal of Applied Psychology, 2006, Vol. 91, No. 4, 917–926.

Dunlap, W. P., & Kemery, E. R. (1988). Effects of predictor intercorrelations and reliabilities on moderated multiple regression. Organizational Behavior and Human Decision Processes, 41, 248-258.

Ganzach, Y. (1998). Nonlinearity, multicollinearity and the probability of type II error in de-tecting interaction. Journal of Management, 24, 615–622.

Jaccard, J., & Turrisi, R. (2003). Interaction effects in multiple regression (2nd ed.). Thousand Oaks, CA: Sage.

Kutner, M. H., Nachtsheim, C. J. & Neter, J. (2004). Applied Linear Regression Models(4th

ed.). New York: McGrawHill.

Shieh, G. (2010). On the Misconception of Multicollinearity in Detection of Moderating Effects:

Multicollinearity Is Not Always Detrimental .Multivariate Behavioral Research, v45 n3

p483507 2010.

StoneRomero, E. F., & Anderson, L. E. (1994). Relative power of moderated multiple re-gression and the comparison of subgroup correlation coefficients for detecting moderating effects. Journal of Applied Psychology, 79, 354–359.

van Yperen, N. W., & Janssen, O. (2002). Fatigued and dissatisfied or fatigued but satisfied?

Goal orientations and responses to high job demands. Academy of Management Journal, 45, 1161–1171.

Wilcox, R. R. (1998). How many discoveries have been lost by ignoring modern statistical methods? American Psychologist, 53, 300–314.

附錄

斜率差異類別 斜率差異估計值

a ˆ ( ) ˆ ( )

7

5 WH WL  ZH WH WL



b ˆ ( ) ˆ ( )

7

4 ZH ZL  WH ZH ZL



c ˆ ( ) ˆ ( )

7

4 ZH ZL  WL ZH ZL



d ˆ ( ) ˆ ( )

7

5 WH WL  ZL WH WL



e ˆ ( ) ˆ ( ) ˆ ( )

7 5

4 ZH ZL  WH WL  ZHWH ZLWL



f ˆ ( ) ˆ ( ) ˆ ( )

7 5

4 ZH ZL  WLWH  ZHWLZLWH



標準差 檢定統計量