因变量通常是研究者关注点，研究的目的就是找到因变量的影响因素（另外四个变量）并搞清楚这些因素如何影响因变量。
比如我们要研究生活在县城和北上广深是否会造成结婚年龄上的差异，结婚年龄就是关注点。
演员：自变量
特长：能操纵平行宇宙的超人
心理学中的定义：研究者主动操纵的变量
这里需要说清两点：1、主动操纵，2、平行分组
1）主动操纵
研究中有一些影响因素是我们可以直接调整和改变的，比如我们要研究温度是否影响员工工作效率，我们就而已人为调控室内温度。
但有些影响因素是我们无法人为调控的，就像生活区域对结婚年龄的影响，我们明显不能让他们随意改变生活区域。
此时，“主动操纵”就体现为将观察对象按照对象原有的属性分到各组中。
我们日常分析问题时采用的变量思维，绝大部分属于后一种主动操纵。
2）平行分组
我们研究自变量如何影响因变量，实际上是说在自变量的各种情况下，因变量有何变化。
因此，我们必须有几组实验对象来分别呈现自变量的各种情况。
同时，理想状态下这几组实验对象仅在自变量上存在差异，其他一切属性都是同质的。
真实的研究中一般存在实质上的分组，而日常情景下我们用实验思维分析问题时一般只是在脑海里进行假想分组。
自变量的逻辑在我们的日常生活中通常的体现，就是利用分组思维来证明某因素能让因变量产生不同结果。
比如你想知道女朋友是不是不喜欢你玩游戏，你就要在脑海里虚拟分出自变量的两种情况：玩游戏时和不玩游戏时，然后回想一下两种情况下女友的心情。
演员：控制变量
特长：装饰平行宇宙
心理学中的定义：控制变量是自变量之外能够影响因变量的因素
这些会影响因变量的因素是研究者不愿意看到的，它们的存在会干扰研究者分析自变量对因变量的影响。
控制变量又称为“额外变量”，是必须被想办法施加控制或采用统计方法排除干扰的因素。
如果感觉上面那段话太抽象，我下面说个具体的例子解释一下。
就像昨天那出戏，我们想知道年轻人生活地点的差异会不会影响结婚年龄，但千人千面，漂亮的讨人喜欢，丑了自然在婚恋市场上行情堪忧。
因此将长相列为控制变量，就是排除这各因素的影响，让我们能够聚焦于地点差异对结婚年龄的影响。
科学研究中，我们通常不可能保证控制变量全部相同，而是采取统计方法排除其对因变量的影响。
然而在现实生活中，我们很难做到这种“统计排除”。
所以，理解控制变量实际上就是让我们分析因果（自变量影响因变量）关系时，留意是否有需要控制的因素没有被控制，如果没有控制，那我们就有理由怀疑这种因果关系。
值得强调的是，并不是除了自变量外所有能影响因变量都是控制变量，中介变量和调节变量都能影响因变量。
因此控制变量是一个相对的概念，主要看我们的研究目的或要弄清的问题。
比如讲生活地点对结婚年龄的影响，就要控制长相因素，如果我们研究长相对结婚年龄的影响，那长相就是自变量了。
演员：中介变量
特长：演三角恋
心理学中的定义：介于自变量和因变量之间，帮助解释自变量如何影响因变量
中介变量也是能够影响因变量的因素，但由于中介变量是会受到自变量的影响，所以它实际上解释了自变量为什么会影响因变量——通过某因素产生间接影响，这个因素就是中介变量。
比如城里的生活开阔了年轻人的眼界，导致了他们择偶标准比乡下人更高，进而他们寻找另一半的过程也就更困难，结婚自然就晚了，这里的择偶标准就是一个中介变量。
其实自变量和因变量之间，可能有很多个中介变量。
研究者一般是根据研究目的去探索一个目标因素是否有中介作用，因而并不需要把中介变量都考虑到。
而理解中介变量，对我们分析日常生活的意义在于帮助我们发现“隐藏的因果关系”。
比如你发现公司美女员工薪酬更高，你可能也会想努力打扮自己，从而获得高薪。
进一步分析美貌如何换来高薪，结果发现美女员工是由于长相而获得了更多表现机会，从而更容易获得晋升而加薪。
时你就发现了一个“隐藏的关系”，你也就有了新的选择——不一定靠化妆，其他增加表现机会的做法也会促成加薪。
这个过程其实也可以反过来。
比如，有男子汉气概的男生更受女生青睐，于是我要想办法增加男子汉气概。
结果我发现做事雷厉风行的人通常被认为更有男子气概，那么我就会去培养自己利落的作风，但我的目的其实是获取女生芳心。
演员：调节变量
特长：跟自变量飚戏
心理学中的定义：能够改变自变量对因变量的影响，即在调节变量的不同条件下，自变量对因变量影响不同
调节变量的存在，使得我们能够分析自变量对因变量的影响方向和作用强弱。
比如我们昨天选的调节变量是“人际圈中的女性数量”，在加入这个因素后，我们发现人际圈中女性数量少的人，生活地点差异造成的结婚年龄差异更大，而对认识女性数量多的人，结婚年龄差距就比较小。
当然以上都是我假设的结果，仅是举例说明调节变量能让我们更深入地了解生活地点对结婚年龄的影响模式。
其实在一些科研实验中，调节变量才是主角。
自变量对因变量的影响简单直接，但是实验意义却没有发现一个存在调节作用的因果关系大。
我个人认为主要有这两种原因：
自变量对因变量的关系明确，但结论难以利用；
社科领域没有完美的因果推论，自变量解释的内容，必然没有自变量和调节变量一起解释的内容丰富，甚至让原本没有因果关系的。
第一种情况，比如我们知道有钱的人更幸福，但财富这个东西又不是一时半会说积累就能积累起来的，那我也想要幸福怎么办？
如果有一个调节作用的研究，指出财富主要影响为钱工作的人的幸福感，而那纯粹按自己的兴趣在生活的人，钱对他们的幸福感影响不大。
于是，虽然我们赚不了那么多钱，但是我们可以通过选择自己喜欢的生活来增加幸福感啊。
第二种情况，比如某产品推出了新款包装试图争取更大的市场，但市场反应平淡，销量并没有显著提高，是否这次包装改款就失败了？
如果他们分析一下可能有调节作用的因素，（再假设一种情况）发现将顾客性别纳入分析后，结果是男性用户增加了而女性用户减少了，说明此次改款实际上是得到了男用户支持。
事实上，产品运营经常讲的用户画像，就是通过多个调节变量的综合作用来达到精细划分用户群体的目的。
还有一个很重要的思维逻辑，就是当自变量对因变量的影响作用非常大时，我们就不要太过于在意调节变量的作用。
就好比我们要比较清华北大毕业生与独立院校学生的就业情况，我们都知道有学生干部经历能增加求职砝码，但由于清北与三本的差距实在太大，此时其他因素的影响作用就十分有限了。
但是，如果自变量对因变量的影响非常小，我们就可以重点考虑调节变量，来细化自变量对因变量的影响，也许就能发现那些“局部因果”。
回归分析中的调节变量, 中介变量和控制变量（Mediator, Moderator, Covariates）
1）控制变量 Covariate
控制变量：这些会影响因变量的因素是研究者不愿意看到的，它们的存在会干扰研究者分析自变量对因变量的影响。
控制变量又称为“额外变量”，是必须被想办法施加控制或采用统计方法排除干扰的因素。
如果感觉上面那段话太抽象，我下面说个具体的例子解释一下。
就像昨天那出戏，我们想知道年轻人生活地点的差异会不会影响结婚年龄，但千人千面，漂亮的讨人喜欢，丑了自然在婚恋市场上行情堪忧。
因此将长相列为控制变量，就是排除这各因素的影响，让我们能够聚焦于地点差异对结婚年龄的影响。
科学研究中，我们通常不可能保证控制变量全部相同，而是采取统计方法排除其对因变量的影响。
然而在现实生活中，我们很难做到这种“统计排除”。
所以，理解控制变量实际上就是让我们分析因果（自变量影响因变量）关系时，留意是否有需要控制的因素没有被控制，如果没有控制，那我们就有理由怀疑这种因果关系。
值得强调的是，并不是除了自变量外所有能影响因变量都是控制变量，中介变量和调节变量都能影响因变量。
因此控制变量是一个相对的概念，主要看我们的研究目的或要弄清的问题。
比如讲生活地点对结婚年龄的影响，就要控制长相因素，如果我们研究长相对结婚年龄的影响，那长相就是自变量了。
调节变量(moderator)和中介变量(mediator)是两个重要的统计概念,它们都与回归分析有关。
相对于人们关注的自变量和因变量而言，调节变量和中介变量都是第三者，经常被人混淆。
从文献上看,存在的问题主要有如下几种：
(1)术语混用或换用,两个概念不加区分。例如,在描述同一个过程时,既使用调节过程的术语又使用中介过程的术语
(2)术语和概念不一致。如研究的是调节过程,却使用中介的术语。
(3)术语和统计分析不一致。如使用了中介变量的术语，却没有做相应的统计分析。
出现前面的任何一个问题都会使统计结果解释含糊不清,往往导致错误结论。
国内涉及中介变量的文章不多，涉及调节变量的就更少。
从国外的情况看,一旦这方面的定量分析多起来，误用和混用的情况也就可能多起来，所以让应用工作者正确理解和区分中介变量和调节变量，会用适当的方法进行统计分析,对提高科学的研究水平具有积极意义。
2）调节变量
如果变量Y与变量X的关系是变量M 的函数，称M 为调节变量。
就是说, Y与X 的关系受到第三个变量M 的影响。
调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱。
例如，学生的学习效果和指导方案的关系，往往受到学生个性的影响：
一种指导方案对某类学生很有效，对另一类学生却没有效，从而学生个性是调节变量。
又如，学生一般自我概念与某项自我概念(如外貌、体能等)的关系，受到学生对该项自我概念重视程度的影响：
很重视外貌的人，长相不好会大大降低其一般自我概念；不重视外貌的人，长相不好对其一般自我概念影响不大，从而对该项自我概念的重视程度是调节变量。
在做调节效应分析时，通常要将自变量和调节变量做中心化变换(即变量减去其均值）。
最简单常用的调节模型,即假设Y与X 有如下关系
Y = aX + bM + cXM + e (1)
可以把上式重新写成
Y = bM + ( a + cM ) X + e
对于固定的M ,这是Y对X 的直线回归。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。
3）调节效应与交互效应
对模型中调节效应的分析主要是估计和检验c。
如果c显著(即H0∶c = 0的假设被拒绝) ,说明M 的调节效应显著。
熟悉交互效应( interaction effect)的读者可以从模型看出, c其实代表了X与M 的交互效应,所以这里的调节效应就是交互效应。
这样，调节效应与交互效应从统计分析的角度看可以说是一样的。
然而，调节效应和交互效应这两个概念不完全一样。
在交互效应分析中，两个自变量的地位可以是对称的，其中任何一个都可以解释为调节变量；也可以是不对称的，只要其中有一个起到了调节变量的作用，交互效应就存在。
这一点从有关讨论交互效应的专著中可以看出（例如，显变量之间的交互效应、潜变量之间的交互效应）。
但在调节效应中，哪个是自变量，哪个是调节变量，是很明确的,在一个确定的模型中两者不能互换。
例如，要研究数学能力的性别差异，将年级作为调节变量，这个问题关注的是性别差异，以及性别差异是否会随年级而变化。
如果从小学一年级到高中三年级都获得了各年级学生有代表性的样本，每个年级各用一份测试题，所得的数据就可以进行上述分析。
但同样的数据却不能用于做年级为自变量、数学能力为因变量、性别为调节变量的分析，因为各年级的测试题目不同，得分没有可比性，因而按调节效应的分析方法，分别不同性别做数学能力对年级的回归没有意义。
要做数学能力对年级的回归,应当用同一份试题测试所有年级的学生。
4）调节效应分析方法
调节效应分析和交互效应分析大同小异。
这里分两大类进行讨论。
一类是所涉及的变量(因变量、自变量和调节变量)都是可以直接观测的显变量(observable variable) 。
另一类是所涉及的变量中至少有一个是潜变量( latent variable) 。
显变量的调节效应分析方法
调节效应分析方法根据自变量和调节变量的测量级别而定。
变量可分为两类， 一类是类别变量( categoricalvariable) ，包括定类和定序变量，另一类是连续变量( continuous variable) ，包括定距和定比变量。
定序变量的取值比较多且间隔比较均匀时,也可以近似作为连续变量处理。
表1分类列出了显变量调节效应分析方法。
当自变量和调节变量都是类别变量时做方差分析。
当自变量和调节变量都是连续变量时，用带有乘积项的回归模型，做层次回归分析：
(1)做Y对X和M 的回归,得测定系数R21。
(2)做Y对X、M 和XM 的回归得R22 ,若R22 显著高于R21 ,则调节效应显著;或者,做XM 的偏回归系数检验,若显著,则调节效应显著。
当调节变量是类别变量、自变量是连续变量时,做分组回归分析。但当自变量是类别变量、调节变量是连续变量时,不能做分组回归,而是将自变量重新编码成为伪变量( dummy variable) ,用带有乘积项的回归模型,做层次回归分析。
5）中介变量的定义
考虑自变量X 对因变量Y的影响，如果X 通过影响变量M 来影响Y，则称M 为中介变量。
例如，上司的归因研究：
下属的表现———上司对下属表现的归因———上司对下属表现的反应,其中的“上司对下属表现的归因”为中介变量 。
如果一个变量与自变量或因变量相关不大,它不可能成为中介变量，但有可能成为调节变量。
理想的调节变量是与自变量和因变量的相关都不大。
有的变量，如性别、年龄等，由于不受自变量的影响，自然不能成为中介变量，但许多时候都可以考虑为调节变量。
对于给定的自变量和因变量，有的变量做调节变量和中介变量都是合适的，从理论上都可以做出合理的解释。
一般说来，简单的分析该变量是否是中介变量可以用线性回归，但要更严谨的话，就要采用结构方程（结构方程正在学习中，所以我一定要好好学，高人也只是告诉我如何用线性回归来分析数据来证明该变量是否是中介变量）一般分为三步：
首先是分别检验每一个变量（包括自变量和第三变量）的主效应是否显著；
第二步是将自变量放入回归方程中，检验自变量的效应；
第三步，将第三变量也移入回归方程中，检验自变量的效应，若自变量的效应与之前相比大大减少甚至变为零，那么该变量的确就起到了中介的作用。
值得注意的一点就是，变量的中介作用必须建立在理论和现实的基础上，正如前所述，自变量必须在现实或理论上可以影响第三变量的变化，否则，即使数据支持该变量有中介效应，该结果也是无效的。
如何用定性+定量得到用户画像？
用SPSS进行聚类分析 | 5步解决变量筛选返回搜狐，查看更多