process插件(ess插件)

95%的混音都会用到的5个处理插件

首先，这绝不是一个概率或偶然性的现象，经过对大量音乐制作人和工程文件的调查，Waves是使用率最高的插件库，然而更令人惊讶是，Waves之中有5个插件在至少95％的混音中被使用。

这些5个Waves插件以它们不可被取代的声音征服了制作人，或者说大部分制作人已经习惯了他们的声音，而在潜意识的驱使下使用他们。

另一个有趣的事情是，这5个Waves插件在使用时相当简单，所以你可以更多地关注音乐，而不是花更多时间去死磕插件的使用方法。

Waves RCompressor

Waves RCompressor常被用于总线压缩，它可以巧妙地使用来纠正某些声音的色调，或者用于极端处理，以突出一些细微的东西。

受访音乐人的使用理由：

我喜欢这个压缩器的“平滑”类型的声音，通常会考虑使用它。

混合声乐时，我喜欢使用它来进行一般音色整形/固定

听起来很酷的合成声，当你真的推动它，让他们在混合中发挥更好的效果

将它用于并行压缩，使我获得过很多次的成功，我喜欢它。

Waves L-1 Limiter

使用简单，通常你只用关注两个控件 - 阈值和输出上限。 当然，这两个控件并不是唯一可控制参数，但他们确是最常用的。

受访音乐人的使用理由：

Waves L-1限制器让我着迷的就是它真的听起来很音乐。 你可以把这个插件放在一个声音上，毫无痕迹的削减峰值，而且听不到声音失去动力，听起来非常优雅。

将它用在声音链末端听起来真的很棒，我还喜欢用它控制瞬态

我喜欢在平行链结束时使用它的重压缩技术增加一些动态。

我经常在混音时使用它，嘘！但不要告诉任何人。

Waves L-1 C1-sc Compressor

波形C1-sc是一种动态均衡插件，意味着你可以专注于某个频率范围并针对“问题”区域进行处理。

受访音乐人的使用理由：

它具有许多功能和用途，我认为应该把它列在名单的首位，因为这是我混音时最喜欢使用的插件。 事实上，我可能会在每个组合中使用它， 这听起来很好。

我使用这个插件基本上都是用来清理每个声音中的垃圾部分，而且

也用它来提取声音中的任何粗糙成分。

Waves Renaissance AXX

这个插件的美丽之处在于，你可以超级简单的使用，只需轻轻点击thersh和attack滑块，就可以轻松找到可爱的声音点。

受访音乐人的使用理由：

我觉得这绝对是一个被许多工程师使用不足的插件。 这个压缩器可以让你获得更多平均值，使混音更加平滑。

这听起来很棒，特别是当用于混合声学吉他时。 如果吉他是沉闷的，那么用它可以为吉他塑造瞬态。

我喜欢用它处理鼓组，获得均衡的音响。

在声乐和鼓上做平行处理，你知道吗，这非常棒！

Waves DeEsser

ess限制器，声音接近于L-1和RComp，给人以很舒服的感觉。

受访音乐人的使用理由：

在我接触这个插件之前，我也喜欢使用剪辑增益作为我的第一个修复Ess的选项，不过，现在就全靠它了。

我只是像普通的DeEsser一样设置它，通常在我的混音链的末端。 我通常专注于4kHz - 8kHz，它会让我非常满意。

我通常将它用于hi hats， 尝试下一次吧，它会比EQ更有效。

这篇文章中提到的Waves插件是很多音乐的核心处理插件，它们可以随时为声音添加纹理或颜色。

95%的混音都会用到的5个处理插件

首先，这绝不是一个概率或偶然性的现象，经过对大量音乐制作人和工程文件的调查，Waves是使用率最高的插件库，然而更令人惊讶是，Waves之中有5个插件在至少95％的混音中被使用。

这些5个Waves插件以它们不可被取代的声音征服了制作人，或者说大部分制作人已经习惯了他们的声音，而在潜意识的驱使下使用他们。

另一个有趣的事情是，这5个Waves插件在使用时相当简单，所以你可以更多地关注音乐，而不是花更多时间去死磕插件的使用方法。

Waves RCompressor

Waves RCompressor常被用于总线压缩，它可以巧妙地使用来纠正某些声音的色调，或者用于极端处理，以突出一些细微的东西。

受访音乐人的使用理由：

我喜欢这个压缩器的“平滑”类型的声音，通常会考虑使用它。

混合声乐时，我喜欢使用它来进行一般音色整形/固定

听起来很酷的合成声，当你真的推动它，让他们在混合中发挥更好的效果

将它用于并行压缩，使我获得过很多次的成功，我喜欢它。

Waves L-1 Limiter

使用简单，通常你只用关注两个控件 - 阈值和输出上限。 当然，这两个控件并不是唯一可控制参数，但他们确是最常用的。

受访音乐人的使用理由：

Waves L-1限制器让我着迷的就是它真的听起来很音乐。 你可以把这个插件放在一个声音上，毫无痕迹的削减峰值，而且听不到声音失去动力，听起来非常优雅。

将它用在声音链末端听起来真的很棒，我还喜欢用它控制瞬态

我喜欢在平行链结束时使用它的重压缩技术增加一些动态。

我经常在混音时使用它，嘘！但不要告诉任何人。

Waves L-1 C1-sc Compressor

波形C1-sc是一种动态均衡插件，意味着你可以专注于某个频率范围并针对“问题”区域进行处理。

受访音乐人的使用理由：

它具有许多功能和用途，我认为应该把它列在名单的首位，因为这是我混音时最喜欢使用的插件。 事实上，我可能会在每个组合中使用它， 这听起来很好。

我使用这个插件基本上都是用来清理每个声音中的垃圾部分，而且

也用它来提取声音中的任何粗糙成分。

Waves Renaissance AXX

这个插件的美丽之处在于，你可以超级简单的使用，只需轻轻点击thersh和attack滑块，就可以轻松找到可爱的声音点。

受访音乐人的使用理由：

我觉得这绝对是一个被许多工程师使用不足的插件。 这个压缩器可以让你获得更多平均值，使混音更加平滑。

这听起来很棒，特别是当用于混合声学吉他时。 如果吉他是沉闷的，那么用它可以为吉他塑造瞬态。

我喜欢用它处理鼓组，获得均衡的音响。

在声乐和鼓上做平行处理，你知道吗，这非常棒！

Waves DeEsser

ess限制器，声音接近于L-1和RComp，给人以很舒服的感觉。

受访音乐人的使用理由：

在我接触这个插件之前，我也喜欢使用剪辑增益作为我的第一个修复Ess的选项，不过，现在就全靠它了。

我只是像普通的DeEsser一样设置它，通常在我的混音链的末端。 我通常专注于4kHz - 8kHz，它会让我非常满意。

我通常将它用于hi hats， 尝试下一次吧，它会比EQ更有效。

这篇文章中提到的Waves插件是很多音乐的核心处理插件，它们可以随时为声音添加纹理或颜色。

分享13个有趣但无用的wordpress插件，开发者请笑纳

Hello Dolly：这是一个经典的 WordPress 插件，会在后台随机显示一句名言或歌词，增加一些乐趣和娱乐性。WP Canvas – Gallery：这个插件可以让您轻松地创建一个“画布”效果的图库，用户可以在上面绘制、涂鸦或者添加标签，非常具有交互性。Cat Facts：这个插件会在您的网站上定期发布一些猫咪相关的趣闻和知识，非常适合喜欢猫咪的网站或博客。WP Unicornify：这个插件会将您的网站中出现的所有图片都换成独角兽的形象，非常有趣和可爱。WP Moustaches Everywhere：这个插件会自动给您网站上的图片添加小胡子，并且力求保持图片的原始外观，非常逗趣。Righteous Insanity’s Church Sign Generator：这个插件可以为您的网站添加一个虚拟的教堂牌匾，您可以自行编辑文字，用来发布一些有趣的信息和提示。Quiz And Survey Master：这是一个用于创建有趣的问卷和调查的插件，可以添加各种问题类型、答案选项，并且可以自定义结果页面。Random Everything：这个插件可以在您的文章或页面中添加一个小部件，随机显示图片、视频、名言、笑话等等内容。WP-Chatbot：这个插件可以为您的网站添加一个聊天机器人，可以自动回答常见问题，与访问者进行对话，提高用户体验和互动性。Giphy for WordPress：这个插件可以在您的文章或页面中添加 GIF 动画图像，通过搜索关键词可以快速添加各种有趣的动画效果。Funny Text Generator：这个插件可以生成一些有趣的文本效果，例如字母大小写混合、反转文本、颠倒顺序等等。MyCred：这是一个奖励系统插件，可以为您的用户提供积分、勋章、排名等等激励措施，增加用户参与度和忠诚度。Video Games Review Plugin：这个插件可以为您的网站添加一个游戏评测模块，可以发布游戏评测、评分、评论等等内容，非常适合游戏爱好者。

欢迎补充，期待相遇：）230414

一次学会中介效应分析——Process

作者：缇娜

1.算三个回归方程

1）自变量—因变量

2）自变量—中介变量

3）自变量—中介变量—因变量

示例：本研究以性格特征为自变量，政治社会现状评价为因变量，时政类信息兴趣程度为中介变量进行中介效应检验。

2.数据分析

在结果分析前，先来了解一下回归输出结果中各个符号的含义:

（1）回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告。然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验。

（2）B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。

（3）最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关。

第一个回归，分析的是自变量对因变量的总体效应。

从上图结果可知，自变量对因变量具有显著正向预测作用（β=0.131，p<0.001）。

第二个回归，是自变量对中介变量的效应

从结果②可知，自变量能够显著正向预测中介变量（β=0.152，p<0.001）.

第三个回归，是自变量、中介变量对因变量的效应

结果表明，加入中介变量后自变量对因变量的正向预测作用仍显著（β=0.123，p<0.001）.同时中介变量也能够显著正向预测因变量（β=0.050，p<0.05）。

因此综上，中介变量时政类信息兴趣程度在自变量性格特征和因变量政治社会现状评价之间起着中介作用，中介作用模型图如下：

3.画图注意事项

1）可以在ppt里面画，这样图会更好看也更好编辑~

2）一般都标注标准化系数，同时需要在图中注明

3）一般来说，显著的用实线，不显著的用虚线

SPSS中Process插件的安装说明在“有调节的中介”那一期已分享过（感兴趣的小伙伴可以关注本号进行浏览哦~），这里便不再赘述哈~安装后，打开SPSS会出现以下界面。

再将自变量、中介变量及因变量放入对应位置中，并选择模型4，操作如下图所示：

输出结果解析：

1.首先是对模型的一个介绍

① 使用的是model4

② 因变量Y、自变量X、中介变量M分别对应的是什么。

③样本量多少。

2.以中介变量为被预测变量，自变量为预测变量的回归方程 ：

模型概要（model summary），看R、F、 df 、p值；模型（model），coeff是B，se是标准误，p，LLCI和ULCI是置信区间（置信区间不含零为显著）标准化系数（Standardized coefficients） 是β。

图中结果表明，自变量Q19对中介变量Q9具有显著预测作用（β=0.152，p<0.001）。

3.以因变量为被预测变量，自变量及中介变量为预测变量的回归方程：模型概要解释同2

图中结果表明，加入中介变量后，自变量Q19对因变量Q8具有显著正向预测作用（β=0.123，p<0.001），中介变量 Q9对因变量Q8具有显著正向预测作用（β=0.05，p<0.05）。

4.总体效应

以因变量为被预测变量，自变量及中介一同为预测变量的回归方程，模型概要（model summary），同2

图中结果表明，自变量Q19对因变量Q8具有显著正向预测作用（β=0.131，p<0.001）。

5.接下来是自变量对因变量的总体、直接和间接效应

① 自变量对因变量的总体效应=自变量为预测变量，因变量为被预测变量回归方程的系数；

② 自变量对因变量的直接效应=自变量、中介变量为预测变量，因变量为被预测变量回归方程的系数；

③ 自变量对因变量的间接效应=总体效应-直接效应；

部分标准化：效应量/Y的标准差

完全标准化：所有变量的标准化

结果表明，自变量 Q19对因变量Q8的直接效应为0.0135，占总效应的 94.41％；自变量通过中介变量Q9对因变量Q8的间接效应为0.0008， 占 总 效 应 的5.59％。 由于加入中介后， 自变量Q19对因变量Q8的直接效应的置信区间仍不包含零， 故中介变量Q9在自变量Q19与因变量Q8之间发挥了部分中介作用。

6.最后是模型及误差的简介

——置信区间及bootstrap抽样情况

结果：参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4)，样本量选择5000，在95%置信区间下，其余如上。

多重中介的图大概如下：

输出结果解读：解读与上述简单中介一致。

1.首先是对模型的一个介绍

2.以中介变量1（实例中为：Q9）为被预测变量，自变量(Q19)为预测变量的回归方程 ：同简单中介结果2

图中结果表明，自变量Q19对中介变量1（Q9）具有显著预测作用（β=0.152，p<0.001）。

3.以中介变量2（Q6_A1_op）为被预测变量，自变量(Q19)为预测变量的回归方程 ：

结果表明，自变量Q19对中介变量2（Q6_A1_op）的预测作用不显著（β=0.009，p>0.05）。

4.以因变量为被预测变量，自变量及2个中介变量（Q9、Q6_A1_op）为预测变量的回归方程:

结果表明，加入两个中介变量后，自变量Q19对因变量Q8存在显著正向预测作用（β=0.123，p<0.001)；中介变量（Q9）对因变量Q8存在显著的正向预测作用（β=0.052，p<0.05)；而中介变量2（Q6_A1_op）对因变量Q8的预测作用不显著（β=-0.026，p>0.05）。

5.总体效应

以因变量为被预测变量，自变量为预测变量的回归方程：

结果表明，自变量Q19对因变量Q8的预测作用显著（总效应β值为0.131，p<0.001）

6.接下来是自变量对因变量的总体、直接和间接效应

① 自变量对因变量的总体效应=自变量为预测变量，因变量为被预测变量回归方程的系数；

② 自变量对因变量的直接效应=自变量、中介变量为预测变量，因变量为被预测变量回归方程的系数；

③ 自变量对因变量的间接效应=总体效应-直接效应；

部分标准化：效应量/Y的标准差

完全标准化：所有变量的标准化

结果表明，自变量 Q19对因变量Q8的直接效应为0.0135，占总效应的 94.41％；自变量通过中介变量1（Q9）对因变量Q8的间接效应为0.0009， 占 总 效 应 的5.59％。而通过中介变量2（Q6_A1_op）对因变量Q8的间接效应为0.0000，置信区间包含0，即中介变量2的中介效应不显著。

另外 由于加入中介后， 自变量Q19对因变量Q8的直接效应的置信区间仍不包含零， 故中介变量Q9在自变量Q19与因变量Q8之间发挥了部分中介作用。

7.最后是模型及误差的简介——置信区间及bootstrap抽样情况：同简单中介结果6.

链式中介模型图如下：

具体操作如下：

输出结果解读：解读与上述简单中介一致。

1.首先是对模型的一个介绍

2.以中介变量1（实例中为：Q9）为被预测变量，自变量(Q19)为预测变量的回归方程 ：

结果表明，自变量Q19对中介变量1（Q9）具有显著预测作用（β=0.152，p<0.001）。

3.以中介变量2（Q6_A1_op）为被预测变量，自变量(Q19)和中介变量1（Q9）为预测变量的回归方程 ：

结果表明，自变量Q19对中介变量2（Q6_A1_op）的预测作用不显著（β=-0.002，p>0.05)；中介变量（Q9）对中介变量2（Q6_A1_op）存在显著的正向预测作用（β=0.074，p<0.001)。

4.以因变量（Q8）为被预测变量，自变量(Q19)、中介变量1（Q9）及中介变量2（Q6_A1_op）为预测变量的回归方程 ：

结果表明，自变量Q19对因变量Q8存在显著正向预测作用（β=0.0123，p<0.001)；中介变量1（Q9）对因变量Q8存在显著正向预测作用（β=0.0518，p<0.05)；而中介变量2（Q6_A1_op）对因变量Q8的预测作用不显著（β=-0.0262，p>0.05)。

5.总体效应：以因变量 Q8为被预测变量，自变量 Q19及中介变量1、2为预测变量的总体效应：

结果表明，自变量Q19对因变量Q8的预测作用显著（总效应β值为0.131，p<0.001）。

6.接下来是自变量对因变量的总体、直接和间接效应

结果表明，自变量 Q19对因变量Q8的直接效应为0.0135，占总效应的 94.41％；自变量通过中介变量1（Q9）对因变量Q8的间接效应为0.0009， 占 总 效 应 的5.59％。而通过中介变量2（Q6_A1_op）对因变量Q8的间接效应为0.0000，置信区间包含0，即中介变量2在自变量与因变量间的中介作用不显著；中介变量1和中介变量2的链式中介效应为0.000，,95%的置信区间包含了0，即中介变量1和中介变量2在自变量与因变量之间的链式中介效应也不显著。

另外 由于加入中介后， 自变量Q19对因变量Q8的直接效应的置信区间仍不包含零， 故中介变量Q9在自变量Q19与因变量Q8之间发挥了部分中介作用。

7.最后是模型及误差的简介——置信区间及bootstrap抽样情况

参考文献：

[1]温忠麟, & 叶宝娟. (2014). 中介效应分析:方法和模型发展. 心理科学进展,022(005), 731-745.

[2]Preacher, K. J. ,& Hayes, A. F. . (2004). Spss and sas procedures for estimating indirecteffects in mediation models. Behavior Research Methods, Instruments & Computers,36(4), p.717-731.