从“两个变量有关吗”，一路走到“为什么有关、什么时候更明显”。
老师讲的方法很多，但可以收进三个连续任务。
散点图 → 相关 → 简单回归
有没有一起变化？能不能画出预测线？多元回归 → 分层回归 → 回归诊断
加入其他变量后，关系还在吗？新变量多解释了多少？调节 → 中介 → PROCESS
什么时候更强？通过什么过程发生？课堂最后会把这些方法放进两篇论文和 SPSS 工作坊。课前不需要会操作，先看懂每一步在问什么。
一个假想案例，贯穿全文
先看 5 名员工。每一行是一个人，每一列是一个变量。
点大致从左下走向右上。先用眼睛判断：AI 使用时间和工作表现好像会一起上升。
数据：一行通常是一位受访者，一列是一个变量。
样本：我们用一部分人的数据推想总体，但代表性仍取决于抽样方式。
证据：样本结果会波动，所以还要用标准误和 p 值判断眼前结果是否可能只是碰巧。
相关（correlation）把散点的方向和紧密程度压缩成一个数。
r > 0大致同向变化
|r| 越接近 1线性关系越明显
把散点与皮尔逊相关系数（Pearson correlation coefficient, r）对上。
不一定。r 主要概括线性关系。曲线关系、不同群体混在一起或少数极端值，都可能让一个 r 讲不清全貌。因此，先看散点图，再看 r。
因为也可能是表现好的人更愿意使用 AI，或工作经验同时影响两者。相关能说明“一起变化”，不能单独证明因果。
这一节只带走：相关回答“有没有一起变化”，但还没有建立预测模型。
回归（regression）把散点中的整体趋势画成预测线。
翻译：a 是起点；b 是斜率。AI 使用时间每增加 1 个单位，工作表现的预测值平均改变 b 个单位。
R²：模型解释了多少差异。
F 与 p：整套模型有没有总体证据。
B、β 与 p：每个预测变量的方向、作用大小与证据。
标准误：估计值换一批样本会波动多少。
假设检验：p 值到底在问什么。
残差（residual）= 实际值 − 预测值。理想情况下，它们应围绕 0 随机散开。
弯曲、漏斗形和孤立点，都在提醒我们重新检查模型。
控制变量不是“删除一些人”，而是先扣除已知变量能解释的部分，再看 X 与 Y 的剩余关系。
用图看懂“其他条件相同时”是什么意思。
接着加入更多 X：多元回归（multiple regression）会同时考虑 AI 使用、工作经验、岗位等变量。
每个系数都在说：其他 X 保持不变时，这个 X 还带来多少变化。
分层回归（hierarchical regression）按理论顺序加入变量。R² 是当前模型总共解释了多少；ΔR² 是这一轮新变量额外解释了多少。
如果几个 X 的信息高度重复，单个系数会不稳定，这叫多重共线性。VIF 从 1 起，越大表示重叠越严重。课前理解方向即可，不必死背唯一门槛。
这一节只带走：加入其他变量，是为了更清楚地判断核心关系，而不是自动证明因果。
也许只有培训支持充分时，AI 使用与工作表现的关系才更强。这就是调节（moderation）。
两条线斜率不同：培训支持改变了 X 与 Y 的关系强弱。
先看交互项，再用简单斜率说明关系如何改变。
关键是交互项 XW。中心化通常是把变量减去自身均值，让“X = 0”更容易解释；它不会凭空制造或消除调节效应。
AI 使用可能先改变员工的工作方式，再影响表现。中介（mediation）就是把一条箭头拆成过程。
认出路径 a、b、c、c′ 和间接效应 ab。
看间接效应 ab 的 Bootstrap 置信区间。区间不包含 0，表示间接效应得到支持；不必先要求总效应显著。
调节问“什么时候、对谁更强？”
中介问“为什么、通过什么过程？”
Model 1 常用于调节，Model 4 常用于简单中介。模型编号只是工具模板，不是研究理论。
验证性因素分析（confirmatory factor analysis, CFA）先检查题项是否按预期测量构念。
结构方程模型（structural equation modeling, SEM）把测量与多条路径放进同一模型。课前先会认图。
找出哪个变量在改变关系强弱，以及 H5—H8 如何落到交互项和斜率图。
找出哪条路径是中介、哪条是调节，以及为什么先做 CFA，再解释 SEM 路径。
准备上课
先看两个变量是否一起变化，再用回归线描述和预测；加入其他变量后，看核心关系是否仍存在；最后用调节回答“何时更强”，用中介回答“为何发生”。