调节变量在中国管理学研究中的应用，本文主要内容关键词为：中国论文,变量论文,管理学论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 分析框架
调节作用不存在。
调节变量从原理来看很简单，但要想把握其理论意义以及清楚阐述调节变量、自变量和因变量之间的关系却并不容易，所以在实际应用过程中仍存在很多的缺陷或偏差[2]。本文结合国内外调节变量应用的相关文献，发现主要在以下方面存在一些问题：调节变量概念应用的假设逻辑性、检验方法的使用、检验过程中的多重共线性、调节作用的分析和解释的科学准确性等。
1.1 概念的应用与假设的逻辑性
在理论知识的基础上提出调节作用的假设条件已成为目前国内管理学研究的成熟模式。调节变量的主要作用就是为现有理论划分出限制条件和适用范围，显示了“不同条件”下理论的扩展和假设。其概念本身就是建立在已知的两个变量因果关系的基础之上，如果没有这样的关系作为前提，就不存在调节变量对这组关系不同条件下变化的机制分析。
因此，当应用调节变量提出假设时，一定要明确调节变量的作用是什么，具体如何影响变量的关系，而不应笼统假设“某变量在因变量和自变量关系中起到了调节作用”，需要具体说明其是如何调节变量间关系的。文献回顾的主要目的也是在已知因变量和自变量关系的基础上说明调节变量的变化如何影响因果变量的关系，如果没有对调节作用具体化，那么文章提出的假设或命题就不完善。
1.2 多重共线性的问题
在实证检验中，一般首先需要考虑数据间的多重共线性问题。多重共线性是指线性回归模型中的解释变量之间的依存关系是线性的或者高度相关。多重共线性的产生主要是由于变量变化趋势的同向性或者变量间的线性相关性所导致。多重共线性会使参数估计值的方差增大，使模型估计失真或难以估计准确，从而导致变量的显著性检验失去意义。
如果将调节变量乘积交互项引入交互乘积模型，那么相关系数就不再表示变量的平均效应，而交互项本身就与自变量和调节变量高度相关，其引入肯定会使变量间相关系数发生改变。因此，在调节变量的交互模型中，由于乘积交互项的出现，大多数的文章都会涉及变量间多重共线性的问题。
在调节模型中，一般只关注多重共线性的程度，而并不关注其有无。许多学者一般通过PERSON相关系数分析、膨胀因子的计算来检验多重共线性的程度，一般VIF＞10或相关系数＞0.75就说明多重共线性比较严重[3]，多数文章采取相关变量的中心化或者标准化(如Z分数)来降低或消除多重共线性问题。
1.3 检验方法
检验变量的调节作用，可以有许多不同的方法，包括多元调节回归模型MMR、层次线性模型HLM、结构方程模型SEM以及方差分析等。调节变量既可以是类别变量(如性别、行业类型、环境、教育水平等)，也可以是连续变量(如年龄、薪资水平等)。方法的选择一般依据调节变量的类型。
MMR是检验调节变量最常用的方法[4]。在数学分析中，调节变量与自变量之间相互作用往往超出各自对因变量影响之和，一般通过构造乘积项来表示。自变量、因变量和乘积项同时放到多元回归方程中即构成了MMR。
HLM是检验调节作用的常用方法。多数情况下调节变量并不是与自变量和因变量在同一层次的变量(如组织与个人)，这时MMR就不再适用，需要选取HLM，也真正体现了“层次”的含义。因此，HLM既可用于层内分析，又可应用于层间分析或跨层次分析。自变量与调节变量是连续变量或者自变量为连续变量而调节变量为类别变量时，可以使用MMR或者HLM。
SEM也常用来检验调节作用。SEM作为检验观察变量和潜变量直接假设关系的一种多重变量统计方法，能够同时分析多个因变量和自变量自身及其之间的复杂关系。SEM用于检验调节作用的关键就是模拟调节变量交互乘积项的量度指标。一般潜变量的分析需要用到SEM[5]。
方差分析在调节变量和自变量都是类别变量时可进行交互作用的判别，多用于检验实验研究结果。通过调节变量加入前后实验效果的方差分析，判断调节作用是否存在[4,6]。
Logistic回归是研究多因素与二分类或多分类的因变量相互关系的一种多变量分析方法，其基本思想是先建立似然函数与对数似然函数，将调节变量与自变量之间非线性关系的可能性考虑到回归中。由于目前少有研究考虑变量间的非线性关系，所以这种方法运用较少。
也有学者根据调节变量的特征进行分组后再使用OLS回归分析或者SEM来检验调节变量。
1.4 调节作用的分析与解释
在调节变量检验之后，如果发现显著调节作用存在，那么下一个重要的步骤就是对调节作用的分析和解释。对调节作用的解释，除了看相应参数的大小外，还需综合考虑调节关系的性质和调节系数的正负方向。
鉴于此，调节作用检验后直接根据调节系数的显著与否来确定调节作用是否存在并不可靠，仍需通过计算实质意义的边际效应或标准差等对主效应和调节作用做出分析和解释。
1.5 调节效应和主效应
所谓主效应就是不考虑其他研究变量的变化或将其他变量的变化效应平均化以后，一个变量对因变量变化的影响程度，简言之，就是当其他研究变量都不变的情况下，单独考察一个自变量对因变量变化的效应。如果一个自变量对因变量的影响效应会因另一个自变量的水平不同而有所不同，那么这两个自变量之间就具有调节效应。
当
、
两个自变量相互独立且交互乘积效应不显著时，可以直接从对Y的主效应显著与否来判定对Y相互作用的大小。但是，当两个自变量间的交互效应显著时，就不能简单地从对Y的主效应不显著直接得出对Y没有影响的结论了，这是研究者常常忽略的问题。自变量的主效应与交叉效应的关联性也必须分析。如果在两个水平上的效应方向刚好相反，则主效应可能会掩盖在平均过程中，见图2。
从图2可以看到，在不考虑调节变量的情况下，对Y的主效应并不显著。当出现交叉乘积项后，在不同的水平下对Y回归的斜率明显不同，说明调节效应十分显著。但是，由于在不同水平上的效应方向刚好相反，相互作用抵消后导致主效应不显著。由此并不能说明对Y没有因果关系，而是这种关系需要调节变量的出现来显现。所以，当检验结果显示的主效应不显著但与的交互作用显著时，说明其实对Y是有明显作用的，即对Y的影响是存在的，只不过其效应的产生依赖于其他自变量的不同水平，即显著的交叉效应掩盖或歪曲了的作用机制。
1.6 调节变量的非线性作用
自变量与变量之间不成线性关系，成曲线或抛物线关系或不能定量，这种关系叫非线性关系。在忽略非线性关系存在可能性的情况下，调节变量的假设检验可能是错误的，显著性结果很可能是人为数据处理造成的[7,8]。具体来说，回归方程中交叉项显著性的结果可能仅仅由于交叉项和未检验但实际显著的非线性趋势二者重叠，而并不是因为变量间的实际交叉。
2 文献选择
由于中国管理学理论与实践前沿的管理类期刊主要集中在国家自然科学基金委员会认定的A类刊物(22种)，这些期刊能够大体反映调节变量在理论、应用、检验以及结论推导等方面的前沿代表性，所以本文对这22种期刊进行细化后，发现属于管理学范围的有16种(例如，《公共管理学报》作为偏重政府公共管理行为的学术研究不在通常所说管理学研究范围内)。在文献整理中，又发现《数量经济技术经济研究》更偏重数量经济和技术经济研究，《系统工程学报》更偏重于系统工程，均未涉及调节变量的相关研究，故排除。由此仅剩14种期刊作为本文的研究对象。
由于本文主要讨论调节变量在我国管理学中的具体应用以及存在的问题，因此本文不包括那些仅仅提出调节变量的理论模型或概念框架的文章，所选用的文章均为实证研究；其次，对于那些虽涉及调节变量应用但更为偏向经济学研究的实证研究，如《能源价格对制造业能源强度调节效应的实证研究》，也不包括在内。
对研究对象进行统计发现2005年前CJFD鲜有收录关于调节作用的论文，所以本文主要对2005～2010年涉及调节变量的文章进行统计。综合以上情况，本文最终选择的样本量为171篇(见表1)。
3 结果与分析
由表1可以发现，发表调节变量应用的论文数量自2007年开始早快速递增趋势，且增长较快。其中，2005～2008年间发表的调节变量实证研究总计62篇，而2010年就有67篇，远多于任何年份，占样本总量的39.18％。2005年仅有3篇论文，说明研究尚处于起步阶段，使用调节变量的研究学者很少。从2007年开始，调节变量的研究文献进入快速增长阶段，而到2010年达到了峰值，2011年的文献数量估计仍会快速增长。这显示了随着管理学科理论与实践的不断发展，研究的日趋成熟与丰富，调节变量的使用与应用将会更为普遍。
期刊中发表调节变量实证研究最多的期刊为《南开管理评论》，共计42篇，其次为《管理世界》28篇，超过其他管理类权威期刊，且多数期刊的调节变量应用研究数量在2010年实现了快速增长。调节变量应用的研究内容也非常丰富，涉及组织行为、企业战略、人力资源、消费者行为、营销等各个方面。
以上述调节变量应用及检验中所涉及的主要问题为分析框架，对选取的相关文献进行回顾与分析，并归类如下：①文章研究的调节机制是什么，是否提出了关于调节作用的理论假设，如果提出，假设逻辑性是否具体、准确；②研究方法：方差检验、结构方程模型、层次线性模型、层次回归模型、多元调节回归模型或者其他方法；③是否考虑多重共线性，以及相应的解决方式，如是否进行了数据中心化等；④在对调节作用检验后，是否对调节作用进行分析和解释，通过画图或计算边际效应等方法考虑调节变量的不同条件或范围如何影响因果关系；⑤在检验调节变量的过程中，是否考虑或分析了调节变量与自变量之间可能存在的非线性关系。表2选取了一些具有代表性文献进行了分析：
3.1 概念的运用与假设提出
由于调节变量是建立在已知的两个变量关系的基础之上，因此当研究中需要应用调节变量时，在研究假设中一定要明确说明调节变量的作用是什么，以及如何影响两个变量之间的关系。
在171篇实证研究中，共有154篇文章提出了关于调节变量的假设，有17篇未提出与调节作用相关的假设或是仅设计了理论框架。154篇提出相关假设的文章中有21篇在提出调节作用假设的过程中仅仅指出研究的某一变量为调节变量，而在理论论述中未进一步论述调节变量对因果变量具体是如何影响的，如文献[23]中，“假设2：领导者实施魅力型领导行为对下属的工作态度(包括情感承诺感、功利承诺与自信)和工作绩效(包括份内工作表现和组织公民行为)的影响，受到下属情绪智力的调节”。其次，涉及调节变量的假设应与假设模型相对应，如《质量管理实践对企业绩效影响机制的实证研究》中假设5、假设6、假设8、假设9与提出的框架模型图并未相符[24]。而提出完整假设较好的如文献[25]中“假设2：团队交易型领导方式将对组织公正与组织承诺之间的关系产生调节作用，即在交易型领导方式更高的团队中，组织公正对组织承诺的影响要强于低交易型领导的团队”。再次，有些研究将调节作用与中介作用的不同原理相混淆，没有区别调节变量与中介变量。例如，“变革型领导行为、组织公平与OCB都积极相关，同样变革型领导行为与组织公平也积极相关。由此可以看出，组织公平对变革型领导行为与OCB的关系具有调节作用”[20]，仅通过3个变量之间相关性就判断出调节变量的存在。
3.2 多重共线性问题
当考虑多重共线性时，多数研究通过计算膨胀因子VIF或者变量相关系数等方法来观察多重共线性的严重程度，但在对检验结果进行说明时，有的提法却并不准确，如“模型4中的变量的方差膨胀指数VIF，所有的VIF都在1～5之间，而普遍接近于1，说明不存在多重共线性问题”[26]。这样的提法是不科学的，正如前文所述，多重共线性完全不存在的概率是很低的，仅仅是程度的问题。
再者，很多学者通过对乘积交叉项进行中心化[4]或者残差中心化[27]的方法来解决多重共线性严重的问题。在运用HLM和MMR方法所涉及交叉乘积项的121篇文章中，有40篇指出为了消除变量间的多重共线性进行了中心化或标准化的过程，而使用SEM方法的文章中则有4篇文章对数据进行了中心化处理。另外，还有1篇文章运用广义回归法FGLS来纠正模型序列相关和异方差问题[18]。
然而，认为采用相关变量中心化方法可以降低多重共线性的提法并不准确：因为从统计上讲，中心化以后的数据没有提供新的或者更加准确的数据，并没有任何重要实质性意义的改变[28]。这也很容易证明。我们可以看到，中心化模型中变量与原始末中心化模型相比，虽然因为量化数值不同而相关系数的标准差有所不同[29]，但中心化后的方程并未消除多重共线性也并未提供更好的解释结果。另外，依照COHEN的建议，将的值选为低于、等于和高于均值的标准差，并分别代入中心化和未中心化的回归方程，经过对比发现：虽然二者常数项不同，但所有对应的回归系数都是一致的[34]。这说明中心化仅仅是一种代数变换，虽然从形式上看能够降低多重共线性，但是并不能对研究结果产生实质性改变。
3.3 检验方法
171篇实证研究中，有8篇文章使用方差分析、卡方检验或T检验来检验调节作用的存在；有19篇文章使用SEM证明调节作用的存在；有91篇文章使用了层次线性模型或层次回归模型；有30篇文章使用了多元调节回归；6篇文章使用了Logistic回归模型(1篇为贝叶斯Logit)；1篇使用广义回归分析；且有17篇没有引入交叉项，直接通过变量均值、K-均值聚类法等分割样本数据，再使用SEM、OLS或其他方法进行组别的显著差异对比分析；1篇使用了偏相关分析；1篇没有检验调节作用。其中，1篇同时使用HLM和SEM；1篇同时使用HRM和Logistic回归模型。
有学者指出直接通过结构方程模型进行潜变量交互作用分析方法尚未成熟[31]；而从上述数据也可看到国内检验调节变量使用最多的方法是HLM或HRM。主要原因在于多数研究的调节变量和因果变量涉及不同层次，而一般的回归分析可能满足不了方差齐性假设，HLM则可以将两个或者多个层次的作用放在一起分析，检验高层次变量对低层次变量的调节作用。
但是需要指出，HLM和HRM并不是等同的：HRM将变量按照先后顺序(先控制变量，再控制变量与自变量，最后控制变量、自变量、调节变量、交叉乘积项)选择进入模型，更像是分组回归或者分块回归。这与HLM强调变量的不同层次在性质上是不一样的。国内很多文章直接将二者等同，希望以后将二者加以区别。
Logistic回归模型目前在调节变量检验中使用得相对较少，选择该方法的主要原因是结果状态变量是二分的[32]；同时，相比OLS估计，Logistic回归自变量不需要满足方差齐性和多元正态分布的假设条件，但是这种方法对多重共线性问题敏感，必须注意模型的假设条件和拟合优度[33]。
有的学者在检验条件假设时把样本分为组别，而多数情况下不同条件的组别本身就会导致X对Y的影响不同，由此验证调节效应的存在并不十分科学。较小的样本规模[34]、拆分后分组样本规模的不均衡[35]，都可能产生较低的统计功效(统计功效是指当存在调节作用时在一定的样本中检测到调节作用存在的概率)。有的学者使用One-way Anova方法检验分组样本没有显著差别，从统计学角度是可行的。但人为地将变量分段以作为样本分组的基础仍然可能造成信息损失[36]，因此不建议直接采用人为分组的方法检验调节变量。
学者使用相关方法检验调节变量的过程也存在一定问题。如按照HLM的定义及引入调节变量的过程，需要在引入控制变量、自变量和调节变量的基础上引入交叉乘积项进行回归分析之后，才能得出结论。但有的研究，如文献[37]“将调节变量——员工人力资本引入回归模型，以检验上述人力资源管理活动中的各个变量与核心能力之间的关系是否具有稳健性”，直接在自变量与因变量线性回归的显著性检验后，将人力资本直接与自变量作为解释变量，在未考虑交叉项情况下通过系数显著性就直接得到调节作用的存在。
3.4 调节作用的分析与解释
大多数的研究在通过各种方法验证调节作用时，仅仅根据乘积交叉项系数的显著性就判断调节作用的存在，而没有再深入剖析调节作用背后的机制，通过解释调节变量不同条件或限制范围对因果变量的关系可以产生怎样的影响。如“分销商弥补性投资对分销商专用资产投资与供应商长期导向的负相关关系有显著的反向调解作用(t＝3.149，p＜0.01)验证了假设3”，仅通过调节交叉乘积项系数(β＝0.331)说明分销商弥补性投资的调节作用[14]，而没有更进一步指出弥补性投资大小对因果变量关系的影响是否相同。
样本中不到70篇文章在检验调节作用后，进一步分析解释了调节变量的范围如何影响因变量和自变量的关系，如计算边际效应解出调节变量的条件限制范围或者画图说明不同的调节水平下的变量关系。由于画图能够非常直观表示出调节变量不同水平下的因果变量相互影响的显著性差异，所有很多文章都选取这种方法。画图中怎样选择调节变量的值呢？一般采用COHEN等[38]的建议，使用调节变量的均值、高于均值的标准差以及低于平均值的标准差。
大多数研究仅仅通过回归分析检验交叉项系数的显著性就判断调节作用的存在，这种分析方法仍不完善，在研究中应当认识到检验结果分析中计算边际效应的重要性。
3.5 其他问题
在已有的实证研究中，变量间可能存在的非线性关系也可能会导致调节作用显著，但是常常被研究者忽略。有6篇文章考虑了变量的非线性作用。其中，有的是通过使用Logistic回归模型[22]，有的是将调节变量的二次项加入交叉模型[39]。另外，现有的文章大都是在因变量和自变量关系显著时再引入调节变量，很少考虑在关系不显著的情况下，通过调节变量的引入来说明或者验证因果变量的深层关系，进一步挖掘潜在的关系机制，从而忽略调节效应与主效应的关联性。
4 讨论
尽管国内管理学研究对调节变量的应用越来越广泛，所涉及的研究领域在不断扩大，相关文献也在迅速增加，但令人遗憾的是，在应用调节变量时仍有诸多不完善之处：
第一，在了解调节变量的内涵、提出假设并清晰准确地阐述调节变量如何具体影响因变量和自变量关系(如正向或者负向、增强或者减弱等)方面有待提高，如在提出相关假设时要注意理论上的逻辑性。
第二，在2005～2010年A类期刊发表的文章中，90％以上的论文均采用了定量研究的方法。其中，包括数据收集方法的定量化和数据分析方法的量化。在调节变量的研究方法中，HLM一直占据主导地位，MMR和SEM也较受青睐，而由于实验法在中国尚未成为主流，因此方差分析应用较少。由于HLM其先对控制变量进行控制进而检验自变量的主效应、继而引入调节变量并最后加入交叉项来检验调节变量交叉作用的显著性，其层次清晰、逻辑性较强、结果明了，因此，在实际的应用中诸多研究均选用了HLM来检验调节效应。在具体应用SEM中，也有不同的分析方法，如中心化乘积指标方法(适用于正态分布情形)、广义乘积指标GAPI方法(非正态分布情形也适用)等[38]。在检验调节变量的过程中，不要只追求方法的复杂性，而应当注重理论贡献和对实践的指导意义；同时，选取方法后能否准备把握方法的应用步骤和检验过程都是研究者使用调节变量得出准确结论的关键。
第三，多重共线性问题中中心化或标准化并不能消除共线性的问题。但目前研究中，多数学者还是提出为了避免多重共线性而将自变量与调节变量乘积项中心化。实际操作中可通过相关系数分析和方差膨胀因子分析来检验多重共线性的严重性，并切实通过增加样本量大小、利用先验信息预检验、主成分分析等减少多重共线性的影响。但是，中心化或标准化就是在前述方法之后为了解决多重共线性问题而产生的，至于更好的解决方法仍有待进一步研究。
第四，学者们也需要重视对调节作用进行分析和解释。在实际的应用中，如果仅仅根据调节交叉项系数检验结果显著性与否就判断调节作用存在与否，并不科学。首先，不能简单指出交互项相关系数的显著性就能说明对Y在不同条件下具有不同影响。如果在交叉项标准差的式子中，协方差一项是负值，那么即使交互项的相关系数是不显著的，改变调节变量的值也可能使对Y的边际效应(
＋
)显著。这意味着，不能仅仅看交互项相关系数的显著性就决定模型中应该包含或放弃交互项。这样做，可能错过变量间很多潜在的重要关系。但是，多数文章根据相关系数不显著就得出没有调节作用的结论，未进一步分析可能存在的调节效应。另外，如果调节变量是类别变量，需要分析当为0和1时X的边际效应以及相应的两个标准差。如果调节变量为连续变量时，可以通过画图分析来解释的边际效应以及连续取值下相应的标准差。因此，在传统乘积交互项显著性检验结果分析的基础上，进行对Y边际效应以及标准差分析是非常有必要的。
第六，多数学者提出调节变量都是基于既有自变量对因变量Y之间的关系，进而对调节效应进行检验，但是，在分析多个自变量的效应时，却鲜有注意主效应与调节效应之间的关联性。交互效应可能会掩盖或歪曲两个因子中任何一个因子的主效应。如果对Y的主效应及与的调节交叉效应都不显著时，则说明主效应真的不明显；但当结果显示主效应不显著但调节交叉效应显著时，则说明对因变量的作用需要依赖于的不同水平，而其主效应也应该是存在且显著的。因此，即使主效应不显著但是在引入某个调节变量后调节效应达到了统计学的显著性水平，在就主效应问题作出结论之前需要仔细考察具体的数据变化。
5 结论与应用
调节变量对管理学理论与实践的发展具有重要意义，其作用是显见、广泛和深刻的。对其准确的应用以及对作用机制的合理、科学阐释也是整个管理学科进步发展的必要条件。因此，通过对管理学核心期刊发表论文的归纳整理分析，本文对调节变量在我国管理学中的应用中对存在的主要问题进行了验证。通过本文的梳理与归纳，应用调节变量的学者在实际操作中应该关注以下几方面：
(1)基于现有理论模型或概念框架，在理论支持的基础上引入调节变量，并提出合理的假设。要有坚实的理论基础并以严谨的科学态度来分析调节变量对因果变量产生的影响，具体对这种关系改变的方向(正与负)或强弱。
(2)在收集数据准备进行实证检验之前要注意变量间的多重共线性。通过相关系数法、VIF、先验信息预检验、主成分分析法等方法来计算多重共线性的程度仍然是实证研究得出准确、科学结果的必要前提，但是AIKEN等提出中心化或标准化能解决多重共线性后，很多学者选择了这种方法。中心化后的方程其实并未消除多重共线性问题，目前只能仍旧使用原有方法来计算多重共线性程度，至于更好的解决方法有待进一步研究。
(3)对检验调节变量方法的选取。方法的选择一般依据调节变量的类型，HLM、SEM等方法由于能够提供更为复杂的变量间关系模型，在调节变量检验中得到越来越广泛的重视和应用，同时研究者也将考虑变量的非线性关系等多种因素，汇集更多方法加强理论假设对研究结果的分析解释力，如有的学者将贝叶斯方法引入到Logistic回归中对调节作用进行检验[40]。但是各种方法只是研究者检验调节作用的手段，方法使用过程的科学、准确与否则会影响到调节检验结果。
(4)在选取方法后使用调节交叉项的过程中，对于现有的研究变量间可能存在的非线性关系重视不够。如果要控制可能的非线性效应，从而排除其他解释的结果，那么应该将它们作为协变量，在交互项进入回归方程前将X[,12]和X[,22]或者高阶交互效应项等非线性项进入方程。研究者可以通过对本文的阅读重新审视以往的研究中是否可以考虑这些因素，以使研究模型更加完善。
(5)在实际的应用中，如果仅仅根据调节交叉项系数检验结果显著性与否就判断调节作用存在与否，这是极为不科学的，并不能对提出假设完全验证。即使交互项的相关系数是不显著的，改变调节变量的值从而对Y的边际效应显著也是很可能的。这意味着，不能仅仅看交互项的相关系数显著性就决定模型中应该包含交互项，但是多数文章仅仅当交互项的相关系数不显著就放弃了交互项，会错过变量间很多重要的条件关系。另外，结合调节变量的限制条件和适用范围对调节作用进行分析与解释、阐述对因果变量关系强度或方向的具体影响，对于管理学理论而言也是非常必要的。
(6)需要重视调节效应与主效应的关联性。在对检验结果进行分析的过程中，主效应可能开始是不显著的，但在引入某个调节变量后调节效应达到了统计学的显著性水平，这是因为交互效应可能会掩盖或歪曲主效应。由此，可以说在这种调节变量作用下主效应是显著的。
基于以上几点，本文认为全面了解、掌握调节变量的概念及检验中所涉及的问题，将有助于研究人员更加清晰地认识到目前我国管理学对调节变量的运用情况，从而更加科学和严谨地应用调节变量。同时，结合相关文献对调节变量应用所涉及的主要问题进行分析，并提出相应的解决办法和优化思路，无疑对于未来管理学的发展具有重要的指导意义。
标签：因变量论文; 自变量论文; 相关系数论文; 调节变量论文; 多重共线性论文; 多变量分析论文; 交叉分析论文; 非线性论文;