hw <- lmres(購買意願~互動*形象,data=A)
> summary(hw,type=’nested’)

**Models**

Model 1: 購買意願 ~ 互動 + 形象
<environment: 0x000001ca2785b978>

Model 2: 購買意願 ~ 互動 + 形象 + 互動.XX.形象
<environment: 0x000001ca2785b978>

**Statistics**

R R^2 Adj. R^2 Diff.R^2 F df1 df2 p.value
Model 1 0.62 0.39 0.38 0.39 119.70 2.00 381 < 2.2e-16 ***
Model 2: 0.62 0.39 0.38 0.00 79.69 3.00 380 < 2.2e-16 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

**F change**

Res.Df RSS Df Sum of Sq F Pr(>F)
1 381.000 254.753
2 380.000 254.637 1.000 0.116 0.17 0.68

**Coefficients**

Estimate StdErr t.value beta p.value
— Model 1 —

(Intercept) 2.00227 0.20456 9.78826 < 2e-16 ***
互動 0.49877 0.04972 10.03155 0.4379 < 2e-16 ***
形象 0.62647 0.09081 6.89835 0.3011 < 2e-16 ***

— Model 2 —

(Intercept) 1.91207 0.29809 6.41446 < 2e-16 ***
互動 0.52172 0.07425 7.02644 0.4580 < 2e-16 ***
形象 0.80372 0.43523 1.84667 0.3863 0.06557 .
互動.XX.形象 -0.04167 0.10006 -0.41644 -0.0964 0.67732

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Sim_hw <- simpleSlope(hw, pred=’互動’,mod1=’形象’,coded=’形象’)
summary(Sim_hw)

windows()
PlotSlope(Sim_hw)

  • 在 Model 1 中,互動和形象都對購買意願有顯著正向的影響,表示互動和形象越高,購買意願越高。
  • 在 Model 2 中,加入了互動和形象的交互作用項,但是這個項的係數並不顯著,表示品牌形象並沒有調節互動對購買意願的影響。不管品牌形象高低,互動對購買意願的影響都是一致的。
  •  F change 來檢驗 Model 1 和 Model 2 的差異,發現加入交互作用項後,模型的解釋力並沒有顯著提升

 

  • 在低形象和高形象的情況下,互動對購買意願都有顯著正向的影響,表示互動越高,購買意願越高。
  • 但是,這個影響在高形象的情況下略微減弱,表示形象對互動和購買意願的關係有一定的調節作用,但不是很強。
  •  Bauer & Curran 95% CI 的範圍包含了零,表示交互作用項的係數在統計上不顯著。

不同的圖示呈現

library(interactions)
windows()
interact_plot(reshw , pred = 互動, modx = 品牌形象 , plot.points = TRUE)

### interactions 套件也提供很好的視覺化圖表功能,
### 可用來看conditional effect 與 Johnson-Neyman分析。

windows() #信賴區間
interact_plot(reshw , pred = 互動, modx = 品牌形象 , interval = TRUE)

 

windows() #simple slope
sim_slopes(reshw , pred = 互動, modx = 品牌形象 , jnplot = TRUE)
johnson_neyman(model = reshw , pred = 互動 , modx = 品牌形象)

20231017第六週-多變量作業