3 错误率 0。07 0。06 -0。16 -0。30

4 反应时 823。56 150。64 0。29 -0。15 -0。13

5 损耗分组 0。57 0。50 0。04 -0。16 0。32 -0。09

6 能量资源信念得分 3。70 0。77 -0。17 0。20 0。44* -0。15 0。11

注：**p﹤0。01；*p﹤0。05。

由表1可知，能量资源信念得分和错误率呈显著正相关（r=0。43，p﹤0。05）。而损耗分组与错误率并没有出现预期的显著相关关系。性别与各变量之间相关均不显著，并且性别变量分布并不均匀（男性5名，女性25名），因此在之后的数据分析中不考虑性别变量的影响。

2。3。2 多层线性模型（HLM）分析

通过采用多层线性模型（HLM）对数据进行分析，将变量分为两个水平：实验水平，被试水平。多层线性模型分层通常是将个体水平放在模型第一层，组织水平放在模型第二层。但是，并非所有研究数据都能明确区分个体与组织水平，正如本研究中的数据那样。在这种情况下，就可以以因变量所在水平作为模型第一层，其余作为模型第二层。

研究水平的变量作为模型层-1的变量。将不匹配的Stroop任务的错误率作为因变量。考虑到反应时越长，被试做出判断的正确率也越高。因此，需要控制实验水平上的无关变量（反应时）对被试判断的影响，以此达到速度与正确率的之间权衡，减少误差。先前研究发现自我损耗效应会影响Stroop不匹配任务的表现，而对匹配任务的影响并不显著（Inzlicht & Gutsell，2007），因此，本研究将不匹配任务的错误率与反应时作为重要的结果。再者，在Stroop任务中，错误判断产生的反应时对研究结果并无重要意义，所以本研究只选择正确判断的反应时。

被试水平的变量作为模型层-2的变量。其中包括损耗分组（哑变量设定为：控制=0，损耗=1），能量资源信念得分（分析时中心化处理），以及两者的交互作用、和年龄（分析时中心化处理）。

模型如下：文献综述

层-1:错误率=β0+β1×反应时+ r

层-2:β0=γ00 +γ01×年龄+γ02×损耗分组 +γ03×能量资源信念得分+γ04×（损耗分组×能量资源信念得分）

β1=γ10

上述模型分析结果表明，损耗分组主效应显著，β=0。04，t(22)=2。30，p﹤0。05；能量资源信念得分主效应不显著，β=0。001，t(22)=0。50；损耗分组与能量资源信念得分的交互作用显著，β=0。01，t(22)=2。19，p﹤0。05。