在实证研究中，一篇扎实的学术研究论文不仅需要我们善于利用样本数据进行操作分析，而且还需要我们有较强的能力去解读分析统计量的基本内涵。
一般而言，写好一篇优质的实证研究论文，我们除了要分析和讨论核心主效应“
A
对
B
的主效应影响”之外，还可能要进一步推进“进一步分析”（推文导读：
为什么要进行“进一步分析”？
）中“在
C
情景下，
A
对
B
的影响有什么变化？”，从而相关问题的探讨就会产生调节效应结果的解读和分析。
通常来讲，实证研究中的“调节效应”具体表现为因素
C
在
A
与
B
两者之间关系中的调节作用。在数据分析系统中，一般会以交叉项的形式而存在，譬如：在主效应
B
对
A
影响下，变量交叉项
B
×
C
对
A
变量的影响分析，即考察
C
在
B
和
A
关系中的调节效应。
那么，为什么需要进行调节效应分析呢？（推文导读：
实证论文写作中稳健性检验的思路有哪些？
）
引入调节变量，来考察令人神往的调节效应。一次学术会议的餐桌上，笔者听到一位管理学领域的大佬谈到自己的心得体会，他说“要想发表好的学术期刊文章，在考察
A
对
B
影响时，一定需要引入两三个有意思的调节变量，进行调节效应分析！”
而且，相信大家在阅读文献时，绝大部分的文献都有自己的调节效应分析章节，通过调节效应分析将自己所考察的问题进一步升华，把所考察的问题分析得更加透彻易懂，让读者更加充分地认识世界。（推文导读：
不能总搞“仅B对A的影响研究”的论文了！
）
显然，调节效应分析，对一篇学术论文而言，是一种“锦上添花”的作用！它能够让你的文章更加充实饱满，欣赏起来让读者有种“赏心悦目”的体会。然而，究竟去如何选择合适的调节变量呢？这实际上是我们研究中的一个难题。
不过，根据笔者自己的研究经验，你可以从下面的思路入手：
首先，分别从自变量和因变量之间关系入手，掌握两者关系作用机理；其次，在了解两者关系影响机制上，可分别从宏观制度环境、经济发展因素、微观企业（家庭）管理因素，甚至管理人员（家庭成员）个人特质等方面入手，来获取选择调节变量的思路。
进一步来说，在选取调节变量和分析数据后，该如何去解读实证研究中的交叉项呢？一般而言，调节效应的解读需要基于主效应的影响关系上，只有知道主效应影响关系系数符号了，我们才能找到调节效应的真正含义。一般而言，结合主效应和调节影响的两者符号，我们可以将调节效应分拆也如下几类，如图（1）所示。
图（1）调节效应的四种情景
（1）当主效应中自变量
B
系数显著为正时：
（
1-a
）如果交叉项
B
×
C
的系数为正，这表明调节变量
C
强化了
B
对
A
的影响关系，即可以表达为变量
C
对
B
与
A
间的影响关系具有显著的强化或促进作用，具有显著的正向调节效应；（
1-b
）如果交叉项
B
×
C
的系数为负，这表明调节变量
C
弱化或抑制了
B
对
A
的影响关系，即可以表达为变量
C
对
B
与
A
间的影响关系具有显著的削弱抑制作用，具有显著的负向调节效应。此外，这里有个特殊情况：在（
1-b
）情景中，如果调节变量
C
的系数显著为正，我们在分析调节效应时可以表达为：变量
B
和变量
C
在影响变量
A
中具有明显的替代关系，当然这属于（
1-b
）情景的特殊情况。
针对（1-b）这种特殊情况，我们可以给出一个例子：政治联系
B
对企业获取银行贷款
A
具有显著的正向促进作用；当在考察调节效应时发现，交叉项政治联系和市场化程度
B
×
C
的系数显著为负，且调节变量
C
系数显著为正，这表明整体而言，市场化程度削弱了政治联系对银行信贷的正向影响，且在市场化程度较低时，政治联系所发挥的积极作用比较明显，但是随着市场化程度的提高，政治联系的积极作用逐渐降低，这表明市场化改革和政治联系两者在企业银行信贷上存在明显的替代关系，即正式制度与非正式制度在经济发展的企业融资中替代关系。
（2）当主效应中自变量
B
系数显著为负时：
（
2-a
）如果交叉项
B
×
C
的系数为正，这表明调节变量
C
削弱了
B
对
A
的负向影响关系，即可以表达为变量
C
对
B
与
A
间的影响关系具有显著的削弱或抑制作用；（
2-b
）如果交叉项
B
×
C
的系数为负，这表明调节变量
C
强化了
B
对
A
的负向影响关系，即可以表达为变量
C
对
B
与
A
间的影响关系具有显著的强化或促进作用。此外，这里也有个特殊情况：在（
2-a
）情景中，如果调节变量
C
的系数显著为负，我们在分析调节效应时可以表达为：变量
B
和变量
C
在影响变量
A
中具有明显的替代关系，当然这属于（
2-a
）情景的特殊情况。在这里，我们给予一个案例思路：地方法律环境
C
与儒家文化
B
在企业违规行为
A
中的调节效应，在这里不予以赘述解读。
为此，还有一个常见的现象：在未引入调节效应形成的交叉项之前，主效应是显著的，但是一旦将调节变量及其由此形成的交叉项纳入实证分析模型后，主效应变得不显著但交叉项是显著的。
记住！！！这个时候分析解读依然是可以按照上述分析表述方式来展开，解读和表达依然以“在未引入调节效应形成的交叉项之前，主效应是显著的”的结论为基础。显然，这是由多重共线性问题导致的，因为交叉项
B
×
C
在解释
A
时也包含了自变量
B
解释
A
时的信息，两者之间存在信息解释重复的问题。
所以，最后需要注意的是，在推进调节效应检验时，我们的交叉项数据操作需要注意什么细节呢？其中最为关键的是多重共线性问题。（推文导读：
实证分析中多重共线性问题
）多重共线性问题，是实证分析过程中比较常见的一种实证问题，需要大家引起注意，尤其是遇到调节交叉项时。此时，建议所采用的方法是当存在调节交叉项时，实证分析应对交叉项所采用的子变量分别予以中心化处理，再进行相乘得出交叉项。
