Metode Anda tampaknya tidak menjawab pertanyaan, dengan asumsi bahwa "efek moderasi" adalah perubahan dalam satu atau lebih koefisien regresi antara kedua kelompok. Tes signifikansi dalam regresi menilai apakah koefisiennya nol. Membandingkan nilai-p dalam dua regresi memberi tahu Anda sedikit (jika ada) tentang perbedaan dalam koefisien-koefisien antara kedua sampel.
Alih-alih, perkenalkan gender sebagai variabel dummy dan berinteraksi dengan semua koefisien minat. Kemudian uji signifikansi koefisien terkait.
Misalnya, dalam kasus paling sederhana (satu variabel independen) data Anda dapat dinyatakan sebagai daftar tupel di mana adalah jenis kelamin, dikodekan sebagai dan . Model untuk gender adalah( xsaya, ysaya, gsaya)gsaya010
yi=α0+β0xi+εi
(di mana mengindeks data yang ) dan model untuk gender adalahigi=01
yi=α1+β1xi+εi
(di mana mengindeks data yang ). Parameternya adalah , , , dan . Kesalahannya adalah . Mari kita asumsikan mereka independen dan didistribusikan secara identik dengan nol berarti. Model gabungan untuk menguji perbedaan pada lereng ( ) dapat ditulis sebagaiigi=1α0α1β0β1εiβ
yi=α+β0xi+(β1−β0)(xigi)+εi
(di mana rentang semua data) karena ketika Anda mengatur istilah terakhir keluar, memberikan model pertama dengan , dan ketika Anda mengatur dua kelipatan bergabung untuk memberikan , menghasilkan model kedua dengan . Oleh karena itu, Anda dapat menguji apakah kemiringannya sama ("efek moderasi") dengan memasang modeligi=0α=α0gi=1xiβ1α=α1
yi=α+βxi+γ(xigi)+εi
dan menguji apakah perkiraan ukuran efek moderat, , adalah nol. Jika Anda tidak yakin intersepnya sama, sertakan istilah keempat:γ^
yi=α+δgi+βxi+γ(xigi)+εi.
Anda tidak perlu menguji apakah adalah nol, jika itu tidak menarik: itu termasuk untuk memungkinkan pencocokan linier terpisah untuk kedua jenis kelamin tanpa memaksa mereka untuk memiliki intersep yang sama.δ^
The Keterbatasan utama dari pendekatan ini adalah asumsi bahwa varians dari kesalahan adalah sama untuk kedua jenis kelamin. Jika tidak, Anda perlu memasukkan kemungkinan itu dan yang memerlukan sedikit lebih banyak kerja dengan perangkat lunak agar sesuai dengan model dan pemikiran yang lebih dalam tentang bagaimana menguji signifikansi koefisien.εi
Saya kira memoderasi variabel pengelompokan akan bekerja sama baiknya ketika membandingkan koefisien regresi lintas gelombang independen data cross-sectional (misalnya, year1, year2 dan year3 sebagai group1 group2 dan group3)?
sumber