Bekijk dit conceptuele model eens:

Stel dat onze onderzoeksvraag het verband tussen Variabele 3 en Variabele 5 betreft.
Stel verder dat we de volgende zaken uit de literatuur hebben begrepen:
1) Het verband tussen Var3 en Var5 hangt af van het niveau van Var4;
2) Variabele 1 hangt ook samen met Var5;
3) Variabele 2 hangt ook samen met Var5.
Dan weten we dus dat Var1 en Var2 elk wat variantie van Var5 verklaren. Omdat elke toetsing van een verband bestaat uit de vergelijking van een verband met de errorvarientie, is het belangrijk om de errorvariantie te verminderen. Alle variantie in Var5 die niet verklaard wordt door Var3 is in beginsel errorvariantie in die analyse. Die errorvariantie kunnen we verminderen door Var1 en Var2 ook in onze analyse op te nemen; er is dan minder onverklaarde variantie, waardoor het verband tussen Var3 en Var5 minder sterk hoeft te zijn om significant te zijn. Als we Var1 en Var2 dan in onze analyse opnemen, heten zij covariaten. Een andere reden om Var1 of Var2 op te nemen, zou kunnen zijn dat het mogelijke confounders zijn. Een confounder is een variabele die zowel met je onafhankelijke (IV) als je afhankelijke variabele (DV) samenhangt, en daardoor een verband tussen de IV en DV kan vertekenen (een bestaand verband wordt verhuld of onafhankelijkheid lijkt op een verband). In dat geval neem je de confounder ook op in je analyse. Deze variabele heet in de context van je analyse dan nog steeds een covariaat; een covariaat is gewoon een variabele in je analyse waar je niet in geinteresseerd bent, maar waar je voor corrigeert.
Verder weten we dat het verband tussen Var3 en Var5 afhangt van de waarde van Var4. Var4 verklaart in zichzelf msch geen variantie van Var5, maar het zou wel kunnen dat als Var4 laag is, er een negatief verband it tussen Var3 en Var5; en dat als Var4 hoog is, er een positief verband is tussen Var3 en Var5. Als je Var4 dan buiten beschouwing laat, zie je geen verband tussen Var3 en Var5; je 'middelt' immers een negatief verband (voor de mensen die laag scoren op Var4) en een positief verband (voor de mensen die hoog scoren op Var4), dus dat wordt een 'verband van nul' :-) Door Var4 als interactie-term op te nemen in je analyse (wat betekent dat je het hoofdeffect van Var4 ook op moet nemen, ook al verwacht je dat het niet significant is), kun je dit onderzoeken. Omdat de Var4 het verband tussen Var3 en Var5 verandert (modereert) heet Var4 een moderator.
Zoals Luc aangaf, weet SPSS dit allemaal niet: SPSS weet niet in welke voorspeller(s) je geinteresseerd bent (je IV(s)) en welke er alleen bij zitten als covariaat; en als je een interactie-term meeneemt om moderatie te onderzoeken, weet SPSS weet niet welke variabele je ervan verdenkt de moderator te zijn, en welke je onafhankelijke variabele is.
Dus: een confounder is een mogelijke storende variabele; die neem je dan het liefst op in je analyse. Die heet dan een covariaat. Een variabele die je meeneemt om de error-variantie te verminderen heet ook een covariaat. Covariaten hangen alleen lineair samen met de afhankelijke variabele, maar modereren niets; en hebben dus geen interactie-term. Moderatoren hebben een interactie-term, omdat je vermoed dat ze het effect van je IV beinvloeden.