ตัวแปรกำกับ คือ อะไร? วิธีการวิเคราะห์ตัวแปรกำกับใน SPSS [2 วิธี]

การวิเคราะห์ตัวแปรกำกับ (Moderation Analysis) ช่วยให้คุณเข้าใจว่า เมื่อใด ความสัมพันธ์ระหว่างสองตัวแปรเปลี่ยนแปลง แทนที่จะถามว่า X มีผลต่อ Y หรือไม่ การวิเคราะห์ตัวแปรกำกับจะถามว่า: "ความแข็งแกร่งของความสัมพันธ์ X→Y ขึ้นอยู่กับตัวแปรที่สาม (ตัวแปรกำกับ) หรือไม่?"

ในคู่มือนี้ คุณจะได้เรียนรู้สองวิธีปฏิบัติในการวิเคราะห์ตัวแปรกำกับใน SPSS: แนวทางด้วยตนเองพร้อมการทำให้เป็นมาตรฐาน และวิธี PROCESS Macro สมัยใหม่

ตัวแปรกำกับ คือ อะไร?

การวิเคราะห์ตัวแปรกำกับ (Moderation Analysis) ทดสอบว่าความสัมพันธ์ระหว่างตัวแปรอิสระ (X) และตัวแปรตาม (Y) เปลี่ยนแปลงขึ้นอยู่กับระดับของตัวแปรที่สามที่เรียกว่า ตัวแปรกำกับ (Moderator หรือ M) หรือไม่

คิดแบบนี้: ผลกระทบของ X ต่อ Y ไม่เหมือนกันสำหรับทุกคน มัน ขึ้นอยู่กับ M

ตัวอย่างคำถามวิจัย: "อายุ (M) กำกับความสัมพันธ์ระหว่างคุณภาพความสัมพันธ์ของลูกค้า (X) และความภักดีของผู้บริโภค (Y) หรือไม่?"

ในตัวอย่างนี้:

• ตัวแปรอิสระ (X): คุณภาพความสัมพันธ์ของลูกค้า
• ตัวแปรกำกับ (M): อายุ
• ตัวแปรตาม (Y): ความภักดีของผู้บริโภค

คำถามวิจัยถาม: ความสัมพันธ์ระหว่างคุณภาพความสัมพันธ์และความภักดี แข็งแกร่ง หรือ อ่อนแอ กว่าสำหรับลูกค้าที่อายุมากกว่าเทียบกับลูกค้าที่อายุน้อยกว่าหรือไม่?

ทำความเข้าใจความแตกต่างระหว่างตัวแปรกำกับและตัวแปรคั่นกลาง

ตัวแปรกำกับแตกต่างจากตัวแปรคั่นกลางโดยพื้นฐาน:

ตัวแปรกำกับ (Moderation): M เปลี่ยน ความแข็งแกร่ง หรือ ทิศทาง ของความสัมพันธ์ X→Y (ผลกระทบปฏิสัมพันธ์)

ตัวแปรคั่นกลาง (Mediation): M ส่งผ่าน ผลกระทบจาก X ไปยัง Y (ผลกระทบทางอ้อม)

ในตัวแปรกำกับ M ไม่ มีความสัมพันธ์เชิงสาเหตุกับ X ตัวแปรกำกับเป็นอิสระจากตัวทำนาย

แผนภาพแนวคิดของตัวแปรกำกับแสดงให้เห็นว่า M มีอิทธิพลต่อความแข็งแกร่งของความสัมพันธ์ X→Y

เทอมปฏิสัมพันธ์ (Interaction Term)

ตัวแปรกำกับถูกทดสอบโดยใช้ เทอมปฏิสัมพันธ์ (เรียกอีกอย่างว่า product term) คำนวณเป็น:

Interaction = X × M

เมื่อคุณรวมเทอมปฏิสัมพันธ์นี้ในโมเดลการถดถอย ผลกระทบปฏิสัมพันธ์ที่มีนัยสำคัญบ่งชี้การกำกับ

วิธีที่ 1: การวิเคราะห์ตัวแปรกำกับด้วยตนเอง

วิธีด้วยตนเองต้องการขั้นตอนมากกว่า แต่ช่วยให้คุณเข้าใจกลไกพื้นฐานของการวิเคราะห์ตัวแปรกำกับ แนวทางนี้เกี่ยวข้องกับการทำให้ตัวแปรเป็นมาตรฐาน การสร้างเทอมปฏิสัมพันธ์ และการรันการถดถอยเชิงเส้น

ชุดข้อมูลตัวอย่าง:

สำหรับบทช่วยสอนนี้ เราจะใช้ชุดข้อมูลตัวอย่างที่มีสามตัวแปร: Relationship, Loyalty และ Age หากคุณต้องการทำตาม ให้ดาวน์โหลดไฟล์ข้อมูล SPSS ตัวอย่างและนำเข้าสู่ SPSS ชุดข้อมูลควรมีลักษณะดังนี้:

ชุดข้อมูล SPSS ตัวอย่างแสดงตัวแปร Relationship, Loyalty และ Age

ขั้นตอนที่ 1: ทำให้ตัวแปรต่อเนื่องเป็นมาตรฐาน

หมายเหตุสำคัญ: ในวิธีด้วยตนเองนี้ เราจะใช้ Z-score standardization (การสร้างคะแนนมาตรฐานที่มีค่าเฉลี่ย = 0 และ SD = 1) ซึ่งแตกต่างจาก mean centering ที่ใช้โดย PROCESS Macro ซึ่งเพียงแค่ลบค่าเฉลี่ย (ค่าเฉลี่ย = 0 แต่คง SD เดิม)

ทั้งสองแนวทางลด multicollinearity ระหว่างเทอมปฏิสัมพันธ์และองค์ประกอบของมัน Z-score standardization มีข้อได้เปรียบในการทำให้ตัวแปรทั้งหมดอยู่บนมาตราส่วนเดียวกัน ทำให้ค่าสัมประสิทธิ์สามารถเปรียบเทียบได้โดยตรง

ทำไมต้องทำให้เป็นมาตรฐาน? เมื่อคุณคูณ X × M เพื่อสร้างเทอมปฏิสัมพันธ์ ตัวแปรที่ได้มักมีความสัมพันธ์สูงกับ X และ M การทำให้เป็นมาตรฐานช่วยลดปัญหานี้และทำให้การตีความง่ายขึ้น

เพื่อทำให้ตัวแปรในชุดข้อมูลของเราเป็นมาตรฐาน ไปที่ Analyze → Descriptive Statistics → Descriptives ในเมนูบนสุดของ SPSS

การนำทางไปยัง Descriptive Statistics ใน SPSS เพื่อทำให้ตัวแปรเป็นศูนย์กลาง

ในหน้าต่าง Descriptives:

1. ย้าย Relationship และ Age ไปยังช่อง Variable(s)
2. เลือก "Save standardized values as variables"
3. คลิก OK

หน้าต่างโต้ตอบ SPSS Descriptives แสดงการเลือกตัวแปรและตัวเลือกการทำให้เป็นมาตรฐาน

SPSS จะสร้างตัวแปรใหม่ที่มีคำนำหน้า Z: ZRelationship และ ZAge

SPSS Data View แสดงตัวแปรเดิมและตัวแปรมาตรฐานที่มีคำนำหน้า Z

สิ่งที่การทำให้เป็นมาตรฐานทำ:

การเปรียบเทียบตัวแปรเดิมและตัวแปรมาตรฐาน

ขั้นตอนที่ 2: สร้างเทอมปฏิสัมพันธ์

ตอนนี้สร้าง product term โดยการคูณตัวแปรมาตรฐาน

ใน SPSS:

1. ไปที่ Transform → Compute Variable
2. ใน Target Variable พิมพ์: INT (ย่อมาจาก interaction term)
3. ในช่อง Numeric Expression พิมพ์: ZRelationship * ZAge
4. คลิก OK

กล่องโต้ตอบ SPSS Compute Variable สำหรับการสร้างเทอมปฏิสัมพันธ์

SPSS สร้างตัวแปรใหม่ชื่อ INT ที่มีผลคูณของตัวแปรมาตรฐานสองตัว

SPSS Data View แสดงตัวแปร INT ที่สร้างขึ้นใหม่

ขั้นตอนที่ 3: รันการถดถอยเชิงเส้น

ตอนนี้ทดสอบว่าเทอมปฏิสัมพันธ์ทำนายตัวแปรตามอย่างมีนัยสำคัญหรือไม่

ใน SPSS:

1. ไปที่ Analyze → Regression → Linear
2. ย้าย Loyalty (Y) ไปยังช่อง Dependent
3. ย้าย ZRelationship, ZAge และ INT ไปยังช่อง Independent(s)
4. คลิก OK

กล่องโต้ตอบ SPSS Linear Regression สำหรับการวิเคราะห์ตัวแปรกำกับ

การตีความการวิเคราะห์ตัวแปรกำกับใน SPSS

การวิเคราะห์การถดถอยเชิงเส้นสร้างสามตาราง: Model Summary, ANOVA และ Coefficients เพื่อพิจารณาว่า Age กำกับความสัมพันธ์ระหว่าง Relationship และ Loyalty หรือไม่ คุณต้องตรวจสอบค่านัยสำคัญในตาราง Coefficients

ขั้นตอนที่ 1: ตรวจสอบตาราง Model Summary

ก่อนอื่น ดูที่ค่า R Square ในตาราง Model Summary

ตาราง Model Summary แสดงค่า R-squared สำหรับโมเดลตัวแปรกำกับ

R Square บอกคุณว่าความแปรปรวนในตัวแปรตาม (Loyalty) มีเท่าไหร่ที่อธิบายได้โดยโมเดลของคุณ ในตัวอย่างนี้ R Square = 0.977 ซึ่งหมายความว่าโมเดลอธิบาย 97.7% ของความแปรปรวนในความภักดีของลูกค้า

⚠️ หมายเหตุสำคัญเกี่ยวกับตัวอย่างนี้: ค่า R² ของ 0.977 นี้สูงเกินจริงเพราะนี่เป็นข้อมูลจำลองที่สร้างขึ้นเพื่อการสอน ในงานวิจัยจริง ค่า R² สำหรับโมเดลตัวแปรกำกับมักจะอยู่ในช่วง 0.20 ถึง 0.60 อย่าคาดหวังว่าจะเห็นค่า R² สูงแบบนี้ในงานวิจัยจริงของคุณ

ขั้นตอนที่ 2: ตรวจสอบตาราง ANOVA

ถัดไป ตรวจสอบตาราง ANOVA เพื่อทดสอบว่าโมเดลการถดถอยโดยรวมของคุณมีนัยสำคัญทางสถิติหรือไม่

ตาราง ANOVA แสดงนัยสำคัญของโมเดลโดยรวม

ตาราง ANOVA ทดสอบว่าโมเดลการถดถอยของคุณ (รวมตัวทำนายทั้งหมด) อธิบายจำนวนความแปรปรวนที่มีนัยสำคัญทางสถิติในตัวแปรผลลัพธ์หรือไม่ ดูที่คอลัมน์ Sig.:

• ถ้า Sig. < 0.05 (มักแสดงเป็น 0.000): โมเดลของคุณมีนัยสำคัญทางสถิติ ตัวทำนายอย่างน้อยหนึ่งตัว (ZRelationship, ZAge หรือ INT) มีผลกระทบที่มีนัยสำคัญต่อ Loyalty
• ถ้า Sig. > 0.05: โมเดลของคุณไม่มีนัยสำคัญ ตัวทำนายไม่อธิบายความแปรปรวนในผลลัพธ์อย่างมีนัยสำคัญ

ในตัวอย่างนี้ ตาราง ANOVA แสดง F = 297.402 โดยที่ Sig. = .000 (p < 0.001) ผลลัพธ์ที่มีนัยสำคัญสูงนี้ยืนยันว่าโมเดลโดยรวมมีนัยสำคัญทางสถิติ

ขั้นตอนที่ 3: ตรวจสอบตาราง Coefficients

สุดท้าย ตรวจสอบตาราง Coefficients เพื่อดูว่าเทอมปฏิสัมพันธ์ (INT) มีนัยสำคัญหรือไม่

ตารางค่าสัมประสิทธิ์การถดถอย SPSS แสดงผลกระทบปฏิสัมพันธ์

ก่อนที่จะตีความผลลัพธ์ มาทำความเข้าใจว่าแต่ละแถวในตาราง Coefficients บอกคุณอะไร:

การทำความเข้าใจตารางค่าสัมประสิทธิ์ในการวิเคราะห์ตัวแปรกำกับ

ตอนนี้ ดูที่แถว INT (เทอมปฏิสัมพันธ์ของคุณ) และตรวจสอบคอลัมน์ Sig.:

• ถ้า Sig. < 0.05: ตัวแปรกำกับ (Age) มีผลกระทบอย่างมีนัยสำคัญต่อความสัมพันธ์ระหว่าง Relationship และ Loyalty มีการกำกับ
• ถ้า Sig. > 0.05: Age ไม่กำกับความสัมพันธ์ ไม่มีผลกระทบการกำกับ

ในตัวอย่างนี้ ค่า Sig. สำหรับ INT คือ .000 (p < 0.001) นี่มีนัยสำคัญสูงมาก ต่ำกว่าเกณฑ์ 0.05 มาก เราสามารถสรุปได้อย่างมั่นใจว่าผลกระทบการกำกับมีนัยสำคัญทางสถิติ นี่หมายความว่า Age กำกับความสัมพันธ์ระหว่าง Relationship และ Loyalty

ขั้นตอนที่ 4: ตีความทิศทาง

เมื่อคุณยืนยันว่าการปฏิสัมพันธ์มีนัยสำคัญแล้ว คุณต้องเข้าใจ ทิศทาง ของผลกระทบการกำกับ ดูที่ค่า B (unstandardized coefficient) ในแถว INT

ในตัวอย่างนี้ ค่า B สำหรับ INT คือ 0.551 เนื่องจากนี่เป็นค่าสัมประสิทธิ์ บวก มันบอกเราว่าความสัมพันธ์ระหว่าง Relationship และ Loyalty กลายเป็น แข็งแกร่งขึ้น เมื่อ Age เพิ่มขึ้น

ความหมายคืออะไร:

ค่าสัมประสิทธิ์บวก (B = 0.551) บ่งชี้ว่าผลกระทบของคุณภาพความสัมพันธ์ต่อความภักดี แข็งแกร่งกว่าสำหรับลูกค้าที่อายุมากกว่า เทียบกับลูกค้าที่อายุน้อยกว่า กล่าวอีกนัยหนึ่ง การสร้างความสัมพันธ์ที่แข็งแกร่งมีผลกระทบที่ใหญ่กว่าต่อความภักดีในหมู่ลูกค้าที่อายุมากกว่าเมื่อเทียบกับผู้ที่อายุน้อยกว่า

การทำความเข้าใจค่าสัมประสิทธิ์บวกเทียบกับลบ:

• ค่าสัมประสิทธิ์บวก (+): ความสัมพันธ์ X→Y แข็งแกร่งขึ้นเมื่อ M เพิ่มขึ้น ค่าที่สูงกว่าของตัวแปรกำกับขยายผลกระทบ
• ค่าสัมประสิทธิ์ลบ (−): ความสัมพันธ์ X→Y อ่อนแอลงเมื่อ M เพิ่มขึ้น ค่าที่สูงกว่าของตัวแปรกำกับลดผลกระทบ

ในตัวอย่างของเรา Age เพิ่มความสัมพันธ์ระหว่างคุณภาพความสัมพันธ์และความภักดี

วิธีที่ 2: PROCESS Macro (แนะนำ)

PROCESS Macro ที่พัฒนาโดย Andrew Hayes เป็นมาตรฐานสมัยใหม่สำหรับการวิเคราะห์ตัวแปรกำกับ มันจัดการการทำให้เป็นมาตรฐานโดยอัตโนมัติ สร้างเทอมปฏิสัมพันธ์ และให้ผลกระทบตามเงื่อนไขที่ระดับต่างๆ ของตัวแปรกำกับ

การติดตั้ง PROCESS Macro

ก่อนที่คุณจะใช้ PROCESS คุณต้องติดตั้งใน SPSS การติดตั้งใช้เวลาประมาณ 5 นาที

สำหรับคำแนะนำการติดตั้งโดยละเอียด ดูคู่มือของเรา: วิธีติดตั้ง PROCESS Macro ใน SPSS

การรันการวิเคราะห์ตัวแปรกำกับด้วย PROCESS

เมื่อติดตั้ง PROCESS แล้ว คุณสามารถเข้าถึงได้จากเมนู SPSS

การเข้าถึง PROCESS Macro จากเมนู SPSS: Analyze → Regression → PROCESS

ใน SPSS:

1. ไปที่ Analyze → Regression → PROCESS v5.0 by Andrew F. Hayes
2. เลือก Model 1 (simple moderation model)
3. ย้าย Loyalty ไปยังช่อง Y Variable
4. ย้าย Relationship ไปยังช่อง X Variable(s)
5. ย้าย Age ไปยังช่อง W: Primary Moderator (ไม่ใช่ช่อง M: Mediator)
6. ปล่อย M: Mediator(s), Z: Secondary Moderator และ COV: Covariate(s) ว่างไว้
7. คลิก Options

กล่องโต้ตอบ PROCESS Macro ที่ตั้งค่าสำหรับการวิเคราะห์ตัวแปรกำกับแบบง่ายโดยใช้ Model 1

สำคัญ: ตรวจสอบให้แน่ใจว่าคุณวาง Age ในช่อง W: Primary Moderator ไม่ใช่ช่อง M: Mediator(s) ช่อง M สำหรับการวิเคราะห์ตัวแปรคั่นกลาง (โมเดลต่างกัน) ในขณะที่ช่อง W สำหรับตัวแปรกำกับโดยเฉพาะ

ในหน้าต่าง Options:

1. ภายใต้ "Centering for moderation:" ตรวจสอบให้แน่ใจว่า "Mean center components of products" ถูกเลือก
2. เก็บค่าเริ่มต้น "Continuous and dichotomous components" ที่เลือกไว้
3. ภายใต้ "Probing moderation:" ตรวจสอบให้แน่ใจว่า "Probe interactions" ถูกเลือก
4. เก็บค่าเริ่มต้น "Percentiles" ที่เลือกไว้สำหรับค่าตัวแปรกำกับ
5. เลือก "Johnson-Neyman technique" เพื่อระบุพื้นที่ของนัยสำคัญ
6. ภายใต้ "Visualizing moderation:" เลือก "Generate data to visualize moderation"
7. คลิก OK

หน้าต่าง PROCESS options แสดงการตั้งค่าที่แนะนำสำหรับการวิเคราะห์ตัวแปรกำกับ

เมื่อคุณตั้งค่าตัวเลือกแล้ว คลิกปุ่ม Run ในหน้าต่าง PROCESS หลัก PROCESS จะทำการวิเคราะห์และสร้างผลลัพธ์ที่ครอบคลุมใน SPSS Output Viewer

การทำความเข้าใจผลลัพธ์ PROCESS

PROCESS สร้างตารางการถดถอยเดียวกับที่คุณเห็นในวิธีที่ 1 แต่จัดการการคำนวณทั้งหมดโดยอัตโนมัติ

ผลลัพธ์ PROCESS แสดงตาราง Model Summary, ANOVA และ Coefficients

ผลลัพธ์เหมือนกับวิธีที่ 1 (R² = .977, F = 297.402, INT Sig. = .000) ยืนยันผลกระทบการกำกับที่มีนัยสำคัญ

สิ่งที่ PROCESS เพิ่มนอกเหนือจากวิธีที่ 1:

ข้อได้เปรียบที่แท้จริงของ PROCESS คือผลลัพธ์เพิ่มเติมที่ให้:

1. ตารางผลกระทบตามเงื่อนไข (Conditional Effects Table): แสดงว่าผลกระทบของ Relationship ต่อ Loyalty เปลี่ยนแปลงอย่างไรที่ระดับ Age ต่างๆ (เช่น ต่ำ ปานกลาง สูง)
2. ผลลัพธ์ Johnson-Neyman: ระบุค่า Age ที่แน่นอนที่ผลกระทบการกำกับกลายเป็นมีนัยสำคัญหรือไม่มีนัยสำคัญ
3. ข้อมูลการแสดงภาพ: ค่าที่คำนวณล่วงหน้าพร้อมสำหรับการพล็อตการปฏิสัมพันธ์

การตีความ Simple Slopes (ผลกระทบตามเงื่อนไข)

การค้นหาเทอมปฏิสัมพันธ์ที่มีนัยสำคัญบอกคุณว่ามีการกำกับ แต่มันไม่บอกคุณว่า อย่างไร ตัวแปรกำกับมีผลต่อความสัมพันธ์ X→Y นี่คือที่ การวิเคราะห์ simple slopes กลายเป็นสิ่งสำคัญ

Simple Slopes คืออะไร?

Simple slopes (เรียกอีกอย่างว่าผลกระทบตามเงื่อนไข) แทนความสัมพันธ์ระหว่าง X และ Y ที่ค่าเฉพาะของตัวแปรกำกับ แทนที่จะถามว่า "ตัวแปรกำกับมีผลต่อความสัมพันธ์หรือไม่?" (ตอบโดยเทอมปฏิสัมพันธ์) simple slopes ตอบ: "ความสัมพันธ์ X→Y คืออะไรที่ระดับตัวแปรกำกับต่างๆ?"

สำหรับตัวอย่างของเรา simple slopes บอกเรา:

• ผลกระทบของ Relationship ต่อ Loyalty สำหรับ ลูกค้าที่อายุน้อยกว่า คืออะไร?
• ผลกระทบของ Relationship ต่อ Loyalty สำหรับ ลูกค้าอายุปานกลาง คืออะไร?
• ผลกระทบของ Relationship ต่อ Loyalty สำหรับ ลูกค้าที่อายุมากกว่า คืออะไร?

ผลลัพธ์ Conditional Effects ของ PROCESS

เมื่อคุณรัน PROCESS Model 1 โดยเปิดใช้งาน "Probe interactions" PROCESS จะคำนวณ simple slopes โดยอัตโนมัติที่ค่าตัวแปรกำกับสามค่า:

ผลลัพธ์ conditional effects ของ PROCESS แสดงความสัมพันธ์ระหว่าง Relationship Quality และ Loyalty ที่ระดับ Age ต่ำ ปานกลาง และสูง

ความหมายของแต่ละคอลัมน์:

การทำความเข้าใจตาราง conditional effects ของ PROCESS

การเปรียบเทียบสองวิธี

การเปรียบเทียบแนวทางด้วยตนเองและ PROCESS Macro สำหรับการวิเคราะห์ตัวแปรกำกับ

คำถามที่พบบ่อย

สรุป

คุณได้เรียนรู้สองวิธีในการทำการวิเคราะห์ตัวแปรกำกับใน SPSS:

1. วิธีด้วยตนเอง: ทำให้ตัวแปรเป็นมาตรฐาน สร้างเทอมปฏิสัมพันธ์ รันการถดถอย (ดีสำหรับการเรียนรู้)
2. PROCESS Macro: การวิเคราะห์อัตโนมัติพร้อมผลกระทบตามเงื่อนไขและตัวเลือกที่แข็งแกร่ง (ดีที่สุดสำหรับงานวิจัย)

สำหรับวิทยานิพนธ์หรือโครงการวิจัยของคุณ เราแนะนำ PROCESS Model 1 เพราะให้การทำให้เป็นศูนย์กลางอัตโนมัติ ผลกระทบตามเงื่อนไขที่หลายระดับ และตัวเลือกสำหรับความคลาดเคลื่อนมาตรฐานที่แข็งแกร่ง

จำไว้ว่า: การวิเคราะห์ตัวแปรกำกับเปิดเผย เมื่อใด ความสัมพันธ์เกิดขึ้น ในขณะที่การวิเคราะห์ตัวแปรคั่นกลางเปิดเผย อย่างไร หรือ ทำไม ความสัมพันธ์เกิดขึ้น การเข้าใจความแตกต่างนี้เป็นสิ่งสำคัญสำหรับการเลือกการวิเคราะห์ที่ถูกต้อง

ขั้นตอนถัดไป:

• ดาวน์โหลดข้อมูลตัวอย่างและรันทั้งสองวิธีด้วยตัวคุณเอง
• เรียนรู้การวิเคราะห์ตัวแปรคั่นกลางเพื่อเข้าใจกลไก: How to Run Mediation Analysis in SPSS
• ทำความเข้าใจพื้นฐาน Linear Regression: Linear Regression คืออะไร? วิธีการวิเคราะห์ใน SPSS
• สำรวจการวิเคราะห์ด้วย R: Moderation Analysis ใน R คืออะไร? [Single Moderator]

เอกสารอ้างอิง

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). New York: Guilford Press.