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，它们都是第三者，且在应用中经常被人混淆（温忠麟等，2005）。国内涉及中介变量的文章不多，涉及调节变量的就更少。本部分将分别检验消费者的归因对于传播者和接收者特征对行为意愿影响的调节效应，以及网络涉入对于负面网络口碑特征对感知风险和信任影响的调节效应。所以，在具体分析之前，首先对调节效应做一简要说明。
5.6.1调节效应概述
调节变量的定义如下：如果变量Y与变量X的关系是变量M的函数，则称M为调节变量，也就是说，Y与X的关系受到第三个变量M的影响，调节变量的模型（温忠麟等，2005）。
调节变量可以是定性的，也可以是定量的，它影响因变量和自变量之间系的方向（正或负）和强弱。其中，变量可分为两类，一类是类别变量（categorical variable），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。
调节变量可以是显变量，也可以是潜变量，两者的分析方法不同。有关显变量调节效应的分析方法，温忠麟等（2005）根据自变量和调节变量的测量级别，将分析方法作一归纳。
本研究关于调节效应的假设涉及理论模型的12个变量。除了归因是连续显变量外，其余都是潜变量。首先对另外11个潜变量的问项取平均数，形成一个新的显变量，作为分析的数据。这样就可以参照调节效应的分析方法。本研究利用多元回归方法分析来探讨网络涉入和归因的调节作用。为回避多重共线性问题，首先对变量进行了中心化处理。然后计算出了调节变量的交互作用项：网络涉入×口碑视觉线索，网络涉入×口碑数量，归因×关系强度，归因×专业性，归因×信任倾向，归因×品牌印象，归因×产品涉入。在下面调节效应分析时，结果中都给出了容忍度（Tolerance）、VIF值和DW值，都达到了上述各自的衡量标准，表明数据适合做数据分析。
5.6.2网络涉入的调节效应分析
5.6.2.1网络涉入对感知风险的调节
本研究把自变量口碑视觉线索和口碑数量及因变量感知风险加入回归分析中（模型1），然后再把调节变量的交互项网络涉入×口碑视觉线索和网络涉入×口碑数量加入回归分析中（模型2）。
可以看出，模型1的F值为79.211，回归效果显著，且所有自变量的回归系数显著。R2为0.223，表示两个自变量联合解释因变量的比例为22.3%。模型2的F值为40.063，回归效果显著，交互项中只有网络涉入×口碑数量达到了显著水平。表明口碑数量对感知风险的影响受到网络涉入的调节作用。且模型2的R2为0.276，比模型1大了0.053，表示加入网络涉入调节变量后，该模型对因变量的调节作用提高了0.053.
5.6.2.2网络涉入对信任的调节
本研究把自变量口碑视觉线索和口碑数量及因变量信任加入回归分析中（模型1），然后再把调节变量的交互项网络涉入×口碑视觉线索和网络涉入×口碑数量加入回归分析中（模型2）。
模型1的F值为42.455，回归效果显著，且所有自变量的回归系数显著。R2为0.203，表示两个自变量联合解释因变量的比例为20.3%。模型2的F值为24.525，回归效果显著，两个交互项都达到了显著水平。表明口碑视觉线索和口碑数量对信任的影响受到网络涉入的调节作用。且模型2的R2为0.221，比模型1大了0.018，表示加入网络涉入调节变量后，该模型对因变量的调节作用提高了0.018.
5.6.3归因的调节效应分析
5.6.3.1归因对购买意愿的调节
本研究把自变量关系强度、专业性、信任倾向、品牌印象和产品涉入及因变量购买意愿加入回归分析中（模型1），然后再把调节变量的交互项归因×关系强度、归因×专业性、归因×信任倾向、归因×品牌印象和归因×产品涉入加入回归分析中（模型2）。
模型1的F值为20.742，回归效果显著，除专业性外，其他自变量的回归系数显著。R2为0.354，表示自变量联合解释因变量的比例为35.4%。模型2的F值为11.876，回归效果显著，5个交互项中有3个达到了显著水平。分别是归因×专业性、归因×品牌印象和归因×产品涉入。表明专业性、品牌印象和产品涉入对购买意愿的影响受到归因的调节作用。且模型2的R2为0.376，比模型1大了0.022，表示加入归因调节变量后，该模型对因变量的调节作用提高了0.022.
5.6.3.2归因对再传播意愿的调节
本研究把自变量关系强度、专业性、信任倾向、品牌印象和产品涉入及因变量再传播意愿加入回归分析中（模型1），然后再把调节变量的交互项归因×关系强度、归因×专业性、归因×信任倾向、归因×品牌印象和归因×产品涉入加入回归分析中（模型2）。
模型1的F值为48.019，回归效果显著，除产品涉入外，其他自变量的回归系数显著。R2为0.431，表示自变量联合解释因变量的比例为43.1%。模型2的F值为24.077，回归效果显著，5个交互项中有2个达到了显著水平。分别是归因×专业性和归因×产品涉入。表明专业性和产品涉入对再传播意愿的影响受到归因的调节作用。且模型2的R2为0.459，比模型1大了0.028，表示加入归因调节变量后，该模型对因变量的调节作用提高了0.028.
5.6.4假设验证
结合上述的调节变量分析结果，本部分对调节变量相应假设的验证标准主要是看交互项回归系数的显著程度。如果交互项回归系数显著，则表明该自变量对因变量的影响受到调节变量的作用，支持假设。如果交互项回归系数不显著，则表明调节作用不明显，不支持假设。根据上述标准，本部分各相关假设的验证情况。
通过交互项的回归系数可以看出，负面网络口碑的数量无论对感知风险还是信任的影响都受到网络涉入的正向调节作用。口碑视觉线索对信任的影响受到网络涉入的正向调节作用，且调节程度大于口碑数量对信任的影响。所以，消费者对负面网络口碑信息特征的了解程度，与其网络涉入水平有关。
负面网络口碑传播者的专业性与接收者的品牌印象对购买意愿的影响受到归因的正向调节作用。在5个自变量（关系强度、专业性、信任倾向、品牌印象和产品涉入）中，产品涉入对购买意愿的影响受到归因的调节作用影响最大，且为负向影响。传播者的专业性对再传播意愿的影响受到归因的正向调节作用，接收者的产品涉入对购买意愿的影响受到归因的负向调节作用。
通过比较回归系数的大小，可以看出，负面网络口碑传播者的专业性对购买意愿的影响受归因的调节作用要大于专业性对再传播意愿影响的调节作用。接收者的产品涉入对行为意愿的影响都受归因的负向调节，同样表现为对购买意愿的调节作用要大于对再传播意愿的调节作用。由此可以看出，总体上，对负面网络口碑的归因对消费者的购买意愿的调节作用大于对再传播意愿的调节作用。
