统计百科 · 2026-06-24

Johnson-Neyman技术是什么？调节效应显著性区间的精确定位

统计百科：Johnson-Neyman技术（J-N法）通过计算调节变量的精确显著性边界，替代传统±1SD简单斜率检验，给出交互效应在调节变量全值域上的显著区间，是调节效应分析最严谨的探查工具，支持APA 7th规范报告。

调节效应回归跑出来交互项显著，接下来怎么"探查"？传统做法是取±1SD的高低两组做简单斜率——但这样你只检验了两个点，调节变量的其余取值到底在哪个范围里效应显著、哪个范围里不显著，完全未知。Johnson-Neyman技术（J-N法）解决的正是这个问题：它直接算出调节变量的精确显著性边界（"以色列点"），给你一张全值域的显著地图，比±1SD更严谨、信息量更大。

你的调节分析有这些困惑吗？

审稿人或导师关于调节效应报告最常见的追问：

"高低组怎么定义的？±1SD的分组依据是什么？"
"在调节变量的中间值范围内，交互效应是否仍然显著？"
"你报告的是两个点的简单斜率，调节效应的显著区间到底有多宽？"
"如何证明调节效应不只是在极端值上才显著？"
"Johnson-Neyman区域能否在正文中报告？"

这些问题的答案只有一个工具能直接给出：Johnson-Neyman技术（Johnson-Neyman Technique，简称 J-N 法）。

一、什么是Johnson-Neyman技术

概念起源

Johnson-Neyman技术由统计学家 Palmer O. Johnson 与 Jerzy Neyman 于1936年提出，最初用于教育统计研究中检验线性假设并比较回归线的显著性区域。进入心理学、社会科学和管理学后，由 Preacher、Curran 与 Bauer（2006）在 PROCESS 宏的框架下系统化，成为调节效应（交互效应）探查的标准工具。

核心思路

在含交互项的回归模型中：

$Y = b_0 + b_1 X + b_2 W + b_3 (X \times W) + e$

自变量 X 对因变量 Y 的斜率（简单斜率）是调节变量 W 的函数：

$\frac{\partial Y}{\partial X} = b_1 + b_3 W$

这条"斜率关于 W 的函数"在 W 的不同取值处可能显著，也可能不显著。传统简单斜率分析只在 $W = \bar{W} \pm 1SD$ 两个点上做 t 检验；J-N 法则解出使该斜率恰好等于临界显著值（通常 t 对应 alpha = .05）时，W 的精确取值——即显著性边界（Johnson-Neyman点，以色列点）。

"以色列点"是什么

J-N点（又称transition point）是调节变量 W 的一个或两个临界值，将 W 的全值域分成若干区段：

区段内：X 对 Y 的简单斜率在 alpha = .05 水平上显著
区段外：简单斜率不显著（效应不能区别于零）

图形上通常表现为"floodlight图"：横轴为 W 的全值域，纵轴为简单斜率，两侧为95%置信带，显著区段用阴影标注。

二、J-N法 vs ±1SD简单斜率：为什么更优？

比较维度	±1SD简单斜率	Johnson-Neyman法
检验点数	2个（固定）	全值域连续
显著边界精度	无法给出	精确到小数点后两位
样本分布依赖	强（依赖SD分布）	弱（基于回归参数）
信息量	低（只知道高/低两点）	高（知道整个显著区段）
APA推荐趋势	广泛接受，但信息不完整	顶刊（JPSP等）越来越要求
适用调节变量类型	连续变量（强制分组）	连续变量（不分组）
报告难度	易	稍复杂，但有标准模板

核心优势：J-N法不需要将连续调节变量人为切分为高低两组（切分本身损失信息），直接在连续值域上定位显著区间，结论更精确，也不受分组阈值选择的主观影响。

三、J-N法的数学原理

简单斜率函数

在二阶交互模型 $Y = b_0 + b_1 X + b_2 W + b_3 XW + e$ 中，简单斜率为：

$\theta_{X|W} = b_1 + b_3 W$

其标准误为：

$SE_{\theta} = \sqrt{Var(b_1) + 2W \cdot Cov(b_1, b_3) + W^2 \cdot Var(b_3)}$

求解临界边界

令 t 统计量等于临界值 $t_{crit}$（对应 alpha = .05，双尾）：

$t = \frac{b_1 + b_3 W}{SE_{\theta}} = \pm t_{crit}$

整理后得到关于 W 的二次方程，解得至多两个实根，即 J-N 点。若判别式小于零，则全值域显著（或全不显著）。

置信带（Floodlight图）

每个 W 取值对应一个简单斜率 $\theta_{X|W}$ 及其95%CI：

$CI_{95%} = \theta_{X|W} \pm t_{crit} \times SE_{\theta}$

当 CI 不包含零时，该 W 处的简单斜率显著；J-N 点即为 CI 恰好触碰零的 W 值。

四、何时用J-N法？适用条件

适用场景

交互项 $b_3$ 显著（p < .05）：J-N法作为后续探查工具
调节变量 W 为连续变量（如年龄、量表得分、收入水平）
样本量足够（通常 N ≥ 100）以保证简单斜率标准误的稳定性

不适用场景

W 为分类变量（2组用独立 t 检验，多组用 ANOVA 简单效应）——此时 J-N 无意义
交互项不显著：若 $b_3$ 不显著，则不需要（也不应该）进行 J-N 探查
三阶交互或更高阶模型：J-N 公式不再适用，需要更复杂的方法

前提假设

与普通 OLS 回归相同：残差正态性、方差齐性、独立性、自变量与调节变量之间无严重多重共线性（中心化可以改善条件数，但不影响 J-N 边界本身）。

五、完整分析步骤

Step 1：建立含交互项的回归模型

建议先对 X 和 W 进行均值中心化（mean-centering），以降低多重共线性、使截距和主效应系数更有意义：

$X_c = X - \bar{X}, \quad W_c = W - \bar{W}$

然后建立：

$Y = b_0 + b_1 X_c + b_2 W_c + b_3 (X_c \times W_c) + e$

Step 2：确认交互项显著

报告 $b_3$ 的 t 检验结果，只有交互项显著才继续 J-N 探查。

Step 3：计算 J-N 边界

在 PROCESS（Hayes，2022，Model 1）中，选项 "jn=1" 自动输出 J-N 点及显著区段。R 语言的 interactions 包（johnson_neyman() 函数）或 reghelper 包均支持。

Step 4：绘制 Floodlight 图

以 W 的全值域为横轴，简单斜率为纵轴，绘制斜率曲线及95%CI带，标注显著区段，并在图例中注明 J-N 边界值。

Step 5：计算显著区段覆盖百分比

报告样本中有多少比例的观测值落在显著区段内，帮助读者判断效应的实际覆盖范围（例如："76.3% 的样本落在 W 显著区间内"）。

六、APA 7th 标准报告模板

方法章节说明

本研究采用层次回归分析（hierarchical regression）检验调节效应，
参照 Hayes（2022）PROCESS 宏（Model 1）的程序。
预测变量与调节变量均进行均值中心化处理以降低多重共线性。
在交互项显著的条件下，采用 Johnson-Neyman技术（Johnson & Neyman，1936；
Preacher et al.，2006）定位调节变量产生显著交互效应的精确值域区间，
alpha 水平设定为 .05（双尾）。

结果报告段落模板

层次回归结果显示，[调节变量]对"[自变量]→[因变量]"路径的调节效应显著，
b = [b3值]，SE = [SE值]，t([df]) = [t值]，p [= .XXX / < .001]，
[效应量指标] = .XX（[大小]效应）（Step 2 整体 Delta R^2 = .XX，p [值]）。

Johnson-Neyman技术分析结果显示，当[调节变量]取值低于 [下界值]
（占样本的 [X]%）或高于 [上界值]（占样本的 [Y]%）时，
[自变量]对[因变量]的简单斜率显著（p < .05）。
在下界值以下的区段，b_simple = [值]，95% CI [[LL], [UL]]；
在上界值以上的区段，b_simple = [值]，95% CI [[LL], [UL]]。
整体而言，[W值]处于 [[下界值], [上界值]] 区间内（约占样本 [Z]%）的被试，
[自变量]对[因变量]的预测效应未达显著，表明调节效应在[调节变量]
取中间值时趋于消失。见图[X]（Floodlight图）。

填入数值的示例

层次回归结果显示，社会支持（W）对"工作压力（X）→ 职业倦怠（Y）"路径的调节效应显著，b = −0.24，SE = 0.06，t(246) = −4.03，p < .001，f^2 = .066，为中等效应（Cohen，1988）（Step 2 整体 Delta R^2 = .038，F(1, 246) = 16.24，p < .001）。

Johnson-Neyman技术分析结果显示，当社会支持取值低于 38.47（占样本的 22.4%）时，工作压力对职业倦怠的简单斜率显著为正（b_simple = 0.31，95% CI [0.09, 0.53]），表明在低社会支持群体中，工作压力对职业倦怠具有显著加剧效应。当社会支持取值高于 62.13（占样本的 19.8%）时，工作压力对职业倦怠的简单斜率转为显著负向（b_simple = −0.18，95% CI [−0.34, −0.02]），提示极高社会支持可能产生缓冲乃至反转效应。社会支持取值在 [38.47, 62.13] 区间内（占样本 57.8%）的被试，工作压力对职业倦怠的预测效应未达显著水平（p > .05），见图2（Johnson-Neyman Floodlight图）。

参考文献（APA 7th）

Johnson, P. O., & Neyman, J. (1936). Tests of certain linear hypotheses and
  their application to some educational problems. Statistical Research Memoirs,
  1, 57–93.

Preacher, K. J., Curran, P. J., & Bauer, D. J. (2006). Computational tools for
  probing interactions in multiple linear regression, multilevel modeling, and
  latent curve analysis. Journal of Educational and Behavioral Statistics,
  31(4), 437–448. https://doi.org/10.3102/10769986031004437

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

七、在 ChatSRS 一句话完成J-N分析

打开 chatsrs.com，上传数据后输入：

"以工作压力为自变量，职业倦怠为因变量，社会支持为调节变量，做含交互项的层次回归。自变量和调节变量均值中心化。交互项显著后，用Johnson-Neyman技术输出调节变量的显著性边界（以色列点），绘制Floodlight图（横轴为社会支持全值域，95%置信带，显著区段阴影标注），报告显著区段的样本覆盖百分比，输出符合APA 7th格式的完整结果段落和参考文献。"

ChatSRS 会自动完成以下操作：

均值中心化 X 和 W，构建 $X_c \times W_c$ 交互项
分两步输入层次回归，输出 Delta R^2 和 F 变化量
用 R 的 interactions 包执行 johnson_neyman()，精确计算 J-N 边界
绘制出版级 Floodlight 图（可导出 PNG/PDF）
生成可直接粘贴进论文的 APA 7th 报告段落

如需对三变量（X、W1、W2）的三阶调节做区域显著性分析，可在指令中补充说明，ChatSRS 将自动切换到 Floodlight 三维版本。

八、常见误区与注意事项

误区一：交互项不显著也做J-N

J-N法是对显著交互效应的后续探查（probing），而非独立的显著性检验工具。若交互项 $b_3$ 本身不显著（p > .05），则不应进行 J-N 分析，否则属于数据钓鱼，审稿人会直接质疑。

误区二：J-N边界报整数

J-N边界是数学解，保留两位小数（如 38.47，不要报成 38 或 39）。报告中同时说明该边界对应的测量含义（如"PSSS量表第38.47分，介于题项4和5之间"），帮助读者建立实质理解。

误区三：只报"显著"区段，不报不显著区段

两者都要报告，并说明不显著区段占样本的百分比。这体现了调节效应的边界条件，是 J-N 法最有价值的信息之一。

误区四：误用alpha = .10的临界值

部分软件（如旧版PROCESS）默认 alpha = .05；明确设定 jn=1 时确认所用 t 临界值。如在方法章节说明了 alpha = .05，则 J-N 边界也应基于此水平，不应混用 .10。

误区五：Floodlight图横轴截断

横轴应覆盖调节变量的完整观测范围（从最小值到最大值），不应只显示 ±2SD 的区段，否则读者无法判断显著区段在实际样本中的覆盖情况。

九、J-N法与±1SD简单斜率的配合使用

在大多数投稿场景中，两者可以配合报告，互为补充：

先报 J-N 法：给出精确显著边界和覆盖百分比——这是主要结论
辅以±1SD简单斜率：提供具体高/低调节水平的斜率数值和方向感——帮助读者建立直觉

配合报告示例：

为全面探查调节效应，本研究同时采用 Johnson-Neyman技术和±1SD简单斜率分析。J-N法结果（见上文）给出了显著性边界；简单斜率分析进一步显示，在高社会支持（W = M + 1SD = 71.2）处，简单斜率 b = −0.14，t(246) = −2.19，p = .029；在低社会支持（W = M − 1SD = 42.8）处，简单斜率 b = 0.28，t(246) = 3.87，p < .001。两种方法结论一致，高/低社会支持均对应显著斜率，与 J-N 法确定的显著区段吻合。

这种双报告方式在顶刊（如 JPSP、JMFR、AMJ）中越来越常见，既满足严谨性要求，又保持了可读性。

常见FAQ

Q：J-N法是否必须使用PROCESS宏？

A：不必须。PROCESS（Hayes，2022）是最常用的实现路径，但也可以使用 R 的 interactions 包（johnson_neyman() 函数），或在 Stata 中用 margins + marginsplot 命令手动实现。Python 的 pingouin 暂不原生支持 J-N，但可用 statsmodels 手动计算二次方程求解 J-N 点。ChatSRS 调用 R 引擎，完整支持 J-N 法输出。

Q：J-N分析必须对自变量和调节变量做中心化吗？

A：中心化不影响 J-N 边界的统计含义，但会改变边界值的实际单位解读。若不中心化，J-N 点的 W 值是原始量表单位（如总分第X分），解读更直观；若中心化，J-N 点是均值偏差（如均值以上 X 分），需要还原到原始分才能向读者解释。无论哪种方式，只要在方法章节写明即可，审稿人都能接受。

Q：如果J-N分析发现调节变量全值域上效应都显著（没有以色列点），怎么报告？

A：当判别式小于零时，方程无实数根，说明简单斜率在 W 全值域上均显著。报告时直接陈述："Johnson-Neyman技术分析结果显示，在调节变量的完整观测范围（[min, max]）内，自变量对因变量的简单斜率均显著（p < .05），即不存在调节效应的非显著区段。" 并附 Floodlight 图（显示置信带始终不包含零）即可。

Q：J-N法适用于多层模型（MLM）或SEM中的调节效应吗？

A：适用，但需要使用专门的扩展版本。对于MLM中的跨层调节（如Level-2变量调节Level-1斜率），Preacher et al.（2006）已推导了 J-N法的多层版本，PROCESS 的最新版本（v4.x）支持MLM中的 J-N 分析。SEM中通过 semTools 或 Mplus 的 LOOP 命令也可实现。ChatSRS 支持 MLM 框架下的跨层 J-N 分析，可在指令中注明"多层模型 + J-N法"。

Q：Floodlight图应该放在正文还是附录？

A：若 J-N 法是研究核心结论之一，Floodlight 图应放正文（结果章节），通常作为"图X"引用。如果 J-N 只是作为简单斜率分析的补充验证，可放附录，正文中注明"见附录图X"。期刊字数限制较严时，可仅在正文报告 J-N 边界数值和覆盖百分比，Floodlight 图作为在线补充材料。