中介作用于調節(jié)作用：原理與應用參考模板

1、中介效應與調節(jié)效應：原理與應用姜永志 整理編輯1中介效應和調節(jié)效應概念原理1.1中介效應考慮自變量X對因變量Y的影響，如果X 通過影響變量M而對Y產生影響，則稱M為中介變量，中介變量闡明了一個關系或過程“如何”及“為何” 產生。 例如，上司的歸因研究：下屬的表現(xiàn)上司對下屬表現(xiàn)的歸因上司對下屬表現(xiàn)的反應， 其中的“上司對下屬表現(xiàn)的歸因”為中介變量。假設所有變量都已經中心化(即將數(shù)據(jù)減去樣本均值，中心化數(shù)據(jù)的均值為0)或者標準化(均值為0，標準差為1)，可用下列回歸方程來描述變量之間的關系(圖1 是相應的路徑圖)：其中方程(1)的系數(shù)c 為自變量X對因變量Y的總效應；方程(2)的系數(shù)a為自變量X對

2、中介變量M的效應；方程(3)的系數(shù)b是在控制了自變量X的影響后，中介變量M對因變量Y的效應；系數(shù)c是在控制了中介變量M 的影響后，自變量X對因變量Y的直接效應；e1-e3 是回歸殘差。中介效應等于間接效應(indirect effect)，即等于系數(shù)乘積ab，它與總效應和直接效應有下面關系：Y =cX +e1 (1)M =aX +e2 (2)Y =c' X +bM +e3 (3)c = c+ab (4) 簡單中介效應中成立，多重中介效應不成立。1 / 69中介效應的因果逐步回歸法模型1.2調節(jié)效應 如果變量Y與變量X的關系是變量M的函數(shù)，稱M為調節(jié)變量。就是說，Y 與X 的關系受到第三

3、個變量M的影響。調節(jié)變量(moderator)所要解釋的是自變量在何種條件下會影響因變量，也就是說，當自變量與因變量的相關大小或正負方向受到其它因素的影響時，這個其它因素就是該自變量與因變量之間的調節(jié)變量。調節(jié)變量可以是定性的(如性別、種族、學校類型等)，也可以是定量的(如年齡、受教育年限、刺激次數(shù)等)，它影響因變量和自變量之間關系方向(正或負)和強弱，調節(jié)變量展示了一個關系“何時”和“為誰”而增強或減弱。如，學生一般自我概念與某項自我概念(如外貌、體能等)的關系，受到學生對該項自我概念重視程度的影響：很重視外貌的人，長相不好會大大降低其一般自我概念；不重視外貌的人，長相不好對其一般自我概念影

4、響不大，從而對該項自我概念的重視程度是調節(jié)變量。在做調節(jié)效應分析時，通常要將自變量和調節(jié)變量做中心化變換(即變量減去其均值，但現(xiàn)有文獻發(fā)現(xiàn)中心化并不能改變調節(jié)的效應量。Y =aX +bM +cXM +e (1)調節(jié)效應的基本模型1.3中介效應與間接效應的聯(lián)系區(qū)別中介效應都是間接效應，但間接效應不一定是中介效應。實際上，這兩個概念是有區(qū)別的。首先，當中介變量不止一個時，中介效應要明確是哪個中介變量的中介效應，而間接效應既可以指經過某個特定中介變量的間接效應(即中介效應)，也可以指部分或所有中介效應的和。其次，在只有一個中介變量的情形，雖然中介效應等于間接效應，但兩者還是不等同。中介效應的大前提是

5、自變量與因變量相關顯著，否則不會考慮中介變量。但即使自變量與因變量相關系數(shù)是零，仍然可能有間接效應，這種觀點目前正在激烈的討論中。多重中介效應基本模型1.4調節(jié)效應與交互效應的聯(lián)系區(qū)別調節(jié)效應和交互效應這兩個概念不完全一樣。在交互效應分析中，兩個自變量的地位可以是對稱的，其中任何一個都可以解釋為調節(jié)變量；也可以是不對稱的，只要其中有一個起到了調節(jié)變量的作用，交互效應就存在。這一點從有關討論交互效應的專著中可以看出。但在調節(jié)效應中，哪個是自變量，哪個是調節(jié)變量，是很明確的，在一個確定的模型中兩者不能互換。例如，要研究數(shù)學能力的性別差異，將年級作為調節(jié)變量，這個問題關注的是性別差異，以及性別差異是

6、否會隨年級而變化。如果從小學一年級到高中三年級都獲得了各年級學生有代表性的樣本，每個年級各用一份測試題，所得的數(shù)據(jù)就可以進行上述分析。但同樣的數(shù)據(jù)卻不能用于做年級為自變量、數(shù)學能力為因變量、性別為調節(jié)變量的分析，因為各年級的測試題目不同，得分沒有可比性，因而按調節(jié)效應的分析方法，分別不同性別做數(shù)學能力對年級的回歸沒有意義。要做數(shù)學能力對年級的回歸，應當用同一份試題測試所有年級的學生。1.5簡單中介效應與調節(jié)相應的比較 溫忠麟等人(2005)對中介效應與調節(jié)效應進行比較后，得出如下結果：中介效應與調節(jié)效應的比較2中介效應方法的原理與程序 中介效應的檢驗方法眾多，包括依次檢驗回歸系數(shù)的因果逐步回歸

7、法(casual steps approach)，檢驗c-c'顯著性的系數(shù)差異法(difference in coefficients)和檢驗ab顯著性的系數(shù)乘積法(products of coefficients)，因果逐步回歸法由于操作簡單且易于理解，成為迄今為止使用最多的中介效應檢驗方法，但這類方法卻存在諸多缺陷，已不適應甚至在某種程度上阻礙了中介研究的發(fā)展，這種方法目前也受到非常大的質疑，已經有研究者建議放棄該方法的使用。另外，由于系數(shù)差異法在a或b不全為0時，存在第類錯誤率很高的缺陷(可高達100%)，且難以應用到更復雜的涉及多個中介變量或有調節(jié)的中介模型分析中而鮮有使用。目

8、前被推薦的使用方法主要包括因果逐步回歸法的改良法和非參數(shù)百分位數(shù)Bootstrap法，也有研究者建議使用基于機構方程模型的中介效應檢驗，另外也要一些其他方法。傳統(tǒng)中介效應方法的相互比較2.1中介效應的因果逐步回歸檢驗法2.1.1經典中介效應檢驗方法的步驟因果逐步回歸法由Baron和Kenny(1986)提出，其檢驗步驟分為三步： 第一，X對Y的回歸，檢驗回歸系數(shù)c的顯著性(即檢驗H0:c=0)；第二，X對M的回歸，檢驗回歸系數(shù)a的顯著性(即檢驗H0:a=0)；第三，X和M對Y的回歸，檢驗回歸系數(shù)b和c' 的顯著性(即檢驗H0:b=0、H0:c=0)。如果系數(shù)c，a和b都顯著，就表示存在

9、中介效應。此時如果系數(shù)c'不顯著，就稱這個中介效應是完全中介效應(full mediation)；如果回歸系數(shù)c'顯著，但c'c，就稱這個中介效應是部分中介效應(partial mediation)。中介效應的效果量(effect size)常用ab/c或ab/c'來衡量，但現(xiàn)有研究認為ab/c和ab/c'作為中介效果量指標存在諸多問題。上述Baron和Kenny(1986)的逐步法，第一步檢驗的是X對Y的總效應；第二步實際上是檢驗系數(shù)乘積的顯著性(即檢驗H0:ab =0)，通過依次檢驗系數(shù)a和b來間接進行；第三步檢驗用來區(qū)分完全中介還是部分中介。這三步

10、其實是可以分開進行的，區(qū)分每一步的目的對理解和討論逐步法很重要。依次檢驗是對系數(shù)乘積的間接檢驗，想法很直觀，如果檢驗結果是a0且b0，就可以推出ab0。這個推理在代數(shù)上沒有問題，但在統(tǒng)計檢驗上如何呢？模擬研究發(fā)現(xiàn)，用依次檢驗來檢驗H0:ab =0，第一類錯誤率較低，低于設定的顯著性水平(如0.05)。這就是說，如果依次檢驗結果a和b都顯著，已經足夠支持所要的結果，即ab顯著。但依次檢驗的檢驗力(power)也較低，即系數(shù)乘積實際上顯著而依次檢驗比較容易得出不顯著的結論。2.1.2經典中介效應檢驗的質疑（1）依次檢驗還有用嗎？盡管早有方法文章已經建議使用Bootstrap法直接檢驗系數(shù)乘積，但很

11、多應用工作者還是照用依次檢驗。依次檢驗受到歡迎的原因是方法簡單，容易理解和解釋。方法學者不推薦也可以理解，因為依次檢驗的檢驗力在各種方法中是最低的。就是說，依次檢驗比較不容易檢驗到中介效應顯著。但如果研究者用依次檢驗已經得到顯著的結果，檢驗力低的問題對其而言就不是問題！此時，依次檢驗的結果甚至好過Bootstrap法的結果。因此，如果檢驗結果都顯著，依次檢驗的結果強于Bootstrap法檢驗結果。（2）先檢驗總效應還有必要嗎？ 逐步法中第一步是檢驗方程(1)的系數(shù)c，有些人認為沒有必要(Zhao etal.， 2010)。他們的論據(jù)是，間接效應(ab)的符號可能和直接效應(c)的符號相反，使得

12、總效應(c)不顯著，但中介效應還是存在；也可能存在兩條中介路徑，其間接效應大小相近但符號相反，使得總效應不顯著。就是說，即使總效應不顯著，間接效應還是可能存在。這里其實涉及兩個問題，一是要不要檢驗系數(shù)c？二是中介效應要不要以系數(shù)c顯著為前提條件？第一個問題的答案是肯定的，因為研究者肯定會關心X是否顯著影響Y。對于特定的兩個變量X和Y，如果根據(jù)理論、經驗或者與他們關系密切的第三個變量M，都無法設想X和Y之間有關系的話，還會去研究X如何影響Y嗎？文章將如何立論？所以說，研究者肯定會關心X和Y之間關系。 因果逐步回歸法將自變量顯著影響因變量作為中介效應檢驗的前提條件，即如果系數(shù)c不顯著，就不存在中介

13、效應了，但有學者認為這個前提條件是不必要的，這個前提條件的存在使得許多本來有意義的中介研究停止在第一步，抑制了中介研究的發(fā)展和應用，因為在系數(shù)c不顯著的情況下完全可能存在中介效應。另外，以c顯著為前提降低了中介效應的統(tǒng)計檢驗力也是主要的批評來源。Mackinnon(2002)通過模擬研究比較了三類中介效應檢驗方法的表現(xiàn)，發(fā)現(xiàn)因果逐步回歸法的統(tǒng)計功效(Power)最低，并且容易低估第類錯誤率，統(tǒng)計功效最低成為因果步驟法的主要批評來源。有學者認為，因果步驟法統(tǒng)計功效最低主要與因果步驟法需要自變量顯著影響因變量(即系數(shù)c顯著)有關，系數(shù)c顯著的要求嚴重降低了統(tǒng)計功效。放棄系數(shù)c顯著的因果步驟法稱為聯(lián)

14、合顯著法(joint significance)，Mackinnon(2002)的模擬研究發(fā)現(xiàn)聯(lián)合顯著法的統(tǒng)計功效顯著高于因果步驟法。Shrout和Bolger(2002)指出當ab和c'方向相反時，就可能會導致系數(shù)c不顯著。Preacher和Hayes(2008)指出在有兩個中介變量的模型中，如果兩個中介效應方向相反，也可能會導致系數(shù)c不顯著，有研究者將這種現(xiàn)象稱之為遮蔽效應，即一旦出現(xiàn)c不顯著但中介效用顯著時，要進一步去考察是否會存在上述兩種情況，研究的解釋也應按照遮蔽效應來解釋。多重中介模型（3）區(qū)分完全中介和部分中介是否合適？因果逐步回歸法中最后一步， 通過檢驗方程(3)的系數(shù)

15、c來區(qū)分完全中介還是部分中介。如果系數(shù)c不顯著，屬于完全中介。Baron 和Kenny(1986)認為完全中介是中介效應存在的最強有力的證明。區(qū)分完全中介和部分中介，是對中介效應模型的效應量的一種文字描述， 可以幫助解釋結果。但完全中介和部分中介概念是有問題的：第一，在總效應小(但顯著)的時候，間接效應可能占總效應的比重也很小，直接效應已經不顯著了，結果是完全中介，與常理相悖。一般地說，當總效應小且樣本也小的時候，容易得到完全中介的結果，但其實完全中介的情況是很少的。第二，當說M是X 和Y關系的完全中介時，排除了將來探索其他中介的可能性。Preacher 和Hayes(2008)呼吁放棄完全中

16、介的概念，將所有中介都看作是部分中介，Zhao等人(2010)建議直接報告間接效應和直接效應的顯著性。（4）效果量能否準確反映中介效應由于中介效應ab 的統(tǒng)計顯著性實際上是效果量和樣本量共同作用的結果，因此，當中介效應顯著后還需要報告獨立于樣本量的效果量大小，效果量才是研究者最關心的。Mackinnon(2008)總結了7種中介效果量指標，其中使用最廣的是ab/c 和ab/c'，但ab/c和ab/c'作為中介效果量指標存在諸多問題。就ab/c指標而言，第一，效果量的大小可能不能準確反映中介效應的實際重要性，二者之間可能存在較大差異。例如當c很小時，即使很小的中介效應ab都會產生

17、較大的效果量值，同理，當c很大時，即使很大的中介效應ab也只能產生較小的效果量值。第二，盡管許多研究者將ab/c 看成是一個比值，表示中介效應ab在總效應c(c=ab +c')中所占的比例，但實際上，當ab與c'方向相反時，ab /c的值可以大于1，也可以是負值，甚至小于-1，這表明ab/c不是一個比值，不能表示中介效應占總效應的比例。Shrout 和Bolger(2002)甚至建議ab/c在ab和c'方向相同的情況下使用。第三，ab/c的使用需要大樣本，ab /c只有當樣本量大于500 時才穩(wěn)定。2.2乘積系數(shù)法系數(shù)乘積法由于直接檢驗中介效應ab 是否顯著不為0，無需

18、以系數(shù)c顯著作為中介效應檢驗的前提條件，可以直接提供中介效應的點估計和置信區(qū)間，且Mackinnon(2002)的模擬研究也發(fā)現(xiàn)系數(shù)乘積法的統(tǒng)計功效優(yōu)于因果逐步回歸法。因此，系數(shù)乘積法逐漸得到眾多研究者的青睞。系數(shù)乘積法分為兩類，一類是基于中介效應的抽樣分布為正態(tài)分布的Sobel 檢驗法，另一類是基于中介效應的抽樣分布為非正態(tài)分布的不對稱置信區(qū)間法(asymmetric confidence interval)。2.2.1 Sobel中介效應檢驗法 Sobel檢驗法就是用中介效應估計值ab除以中介效應估計值ab的標準誤ab得到一個z值(z=ab/ab)，將這個z值和基于標準正態(tài)分布的臨界z值進

19、行比較，如果z值大于臨界z值，說明中介效應存在，如果z值小于臨界z值，說明中介效應不存在；或構建一個對稱的置信區(qū)間(ab-z/2×ab，ab+z/2×ab)，如果置信區(qū)間不包括0，說明有中介效應存在，置信區(qū)間包括0，說明中介效應不存在(MacKinnon etal，2002;溫忠麟等，2004)。 Sobel檢驗的前提假設是中介效應ab是正態(tài)分布且需要大樣本，因為只有在正態(tài)分布下，才能使用基于標準正態(tài)分布的臨界z值。但實際的情況是，即使a和b都是正態(tài)分布，ab也不一定是正態(tài)分布，更進一步的說，只要ab不為零，ab的分布就是偏態(tài)分布，并且分布的峰值還會隨著中介效應值ab的變化

20、而變化。因此，基于中介效應ab是正態(tài)分布的Sobel檢驗仍是不準確的，而且導致了統(tǒng)計功效降低。Macho和Ledermann(2011)指出Sobel檢驗的另一個不足是在有多個中介變量的模型中，中介效應估計值的標準誤ab常用Delta法計算，計算公式比較復雜，且使用不便。軟件具體操作步驟： 下載Sobel插件安裝在Spss中(/ahayes/) 步驟一、運行SPSS，打開數(shù)據(jù)文件；步驟二、在SPSS 程序的菜單欄中找到“分析”欄目下的“回歸”，在“回歸”下面找到已經安裝的sobel插件； 步驟三、運行sobel程序，出現(xiàn)對話框； 步驟四、在對話框里的相應的輸入框

21、里，輸入因變量，自變量，中介變量。如果需要，也可以輸入協(xié)變量； 步驟五、把取樣(Bootstrap samples)設定為某一數(shù)字，一般為1000，建議為5000；步驟六、點擊確定。Sobel操作界面Sobel操作圖示：Sobel檢驗結果輸出2.2.2不對稱置信區(qū)間法 針對現(xiàn)有中介效應分析中的不足，Zhao(2010)建議使用Preacher和Hayes在2004發(fā)展的Bootstrap方法檢驗中介效應。不對稱置信區(qū)間法由于放棄了中介效應的抽樣分布為正態(tài)分布的前提，對中介效應的抽樣分布不加限制，因此得到不對稱置信區(qū)間。Bootstrap 法能適用于中、小樣本和各種中介效應模型，且目前常用的各種

22、統(tǒng)計軟件都能進行Bootstrap 法運算。該方法主要包括非參數(shù)百分位Bootstrap置信區(qū)間法和偏差校對非參數(shù)百分位Bootstrap置信區(qū)間法。Bootstrap 法是一種從樣本中重復取樣的方法, 前提條件是樣本能夠代表總體(當然這也是通常取樣進行統(tǒng)計推論的要求)。Bootstrap 法有多種取樣方案, 其中一種簡單的方案是從給定的樣本中有放回地重復取樣以產生出許多樣本, 即將原始樣本當作Bootstrap總體,從這個Bootstrap總體中重復取樣以得到類似于原始樣本的Bootstrap樣本。(例如, 將一個容量為500的樣本當作Bootstrap總體, 從中有放回地重復取樣,可以得到

23、一個Bootstrap樣本(容量還是500)。Zhao等(2010)中介效應分析程序(1)基于Process插件的操作PROCESS插件做中介和調節(jié)的優(yōu)點： 近幾年來，Hayes開發(fā)的基于SPSS和SAS的中介和調節(jié)效應分析程序插件Process得到了越來越多的人的應用，主要的優(yōu)勢有這么幾點：       第一，中介效應分析一步到位。在Process之前，中介效應分析要分步進行，分為三步（實際上兩步就可以）。第一步檢驗總效應，即自變量X對因變量Y的總效應。但這一步已經被證明是沒有必要的甚至是錯誤的，總效應存在與否不是中介效應的必要條件

24、，因此，先前支持中介效應三步法的一些學者后來做了修正，不再把檢驗總效應作為前提條件，也就是三步法實際上變成了兩步法。此外，結構方程模型的思路再次證明，第一步檢驗總效應的做法完全沒有必要。Hayes顯然早已發(fā)現(xiàn)了這一點，因此，Process插件做的就是兩步而不是三步。Process直接將這兩步整合起來，得到一個總的結果，不需要分兩步設置和分析，這就大大簡化了步驟，結果呈現(xiàn)更更全面。值得一提的是，Process雖然兩步整合在一起，但其結果也是分步呈現(xiàn)，因而非常方便我們在論文中整理成規(guī)范的表格結果。   第二，Process的操作應用。Process主要應用于SPSS、SAS等傳

25、統(tǒng)數(shù)據(jù)統(tǒng)計分析軟件，在SPSS中除了可以可視化操作外，還可以通過Syntax語法等方式操作，擴展功能更為強大。 第三，Process的模型構建。Process提供了76個模型，分析過程中需要選擇對應的模型，設置相應的自變量、因變量、中介或調節(jié)變量即可。 第四，調節(jié)效應分析前的數(shù)據(jù)處理自動化。在Process出來之前，調節(jié)效應的分析要經過兩個重要環(huán)節(jié)變量中心化和構建交互項，雖然這兩步的操作不難，但有時候容易忽視或者計算出錯。Process提供了均值中心化之后的交互項設置，可以自動完成，因此更為準確高效。      第五，中介效應的Bootstra

26、p和Sobel檢驗可以自動處理。在Process開發(fā)之前，中介效應的Bootstrap需要特別設置，Sobel檢驗需要手工計算（或者用專門的小程序），Process則可以直接自動化完成，并直接得到中介效應值Sobel檢驗值Z和顯著性水平（基于理論正態(tài)分布）。 第六，可以處理帶有控制變量的中介、調節(jié)效應模型。在中介效應和調節(jié)效應分析中，尤其是調節(jié)效應分析，經常需要對控制變量進行控制，Process對此也有專門的設置（協(xié)變量中處理即可）。       第七，處理多變量中介、調節(jié)效應更方便，例如多重中介效應、有中介的調節(jié)效應、有調節(jié)的中介效

27、應等。例如，以往的SPSS分析不能提供多重中介模型的各個具體路徑、各個中介變量單獨的中介效應檢驗，如中介效應值及其置信區(qū)間和顯著性水平等，而Process則可以提供這些結果。 第八，其他注意事項。Process只能處理顯變量路徑分析模型，不能處理潛變量模型，潛變量模型需要使用結構方程模型。那么，是用SPSS的Process插件還是用Amos等結構方程模型處理中介（Mediation）、調節(jié)效應（Moderation），哪個更好？  對此要考慮這么幾個問題，一個是樣本量的問題，當樣本量比較小時，用SPSS的Process方法比較好，因為小樣本的數(shù)據(jù)更接近t分布而不是正態(tài)分布，而結構方程

28、模型主要用于處理大樣本。另一個是測量誤差問題，SPSS只能處理顯變量，不能分離測量誤差，因而其結果不如潛變量的結構方程模型精確。第三是，SPSS不能像結構方程模型那樣提供模型擬合參數(shù)，不能進行模型的整體評價。因此，如果研究者關注的重點是路徑關系而不是整體模型效度，或者結構方程模型分析發(fā)現(xiàn)變量之間的路徑關系符合理論假設但模型擬合不佳（需要規(guī)避模型擬合問題）則考慮SPSS的Process方法比較好。非參數(shù)百分位Bootstrap置信區(qū)間法的原理和步驟： 第一，以原樣本(樣本容量為n)為基礎，在保證每個觀察單位每次被抽到的概率相等(均為1/n) 的情況下進行有放回的重復抽樣，得到一個樣本容量為n的B

29、ootstrap樣本；第二，由步驟1中得到的Bootstrap樣本計算出相應的中介效應估計值ab；第三，重復步驟1和2若干次(記為B，常設B=5000)，將B個中介效應估計值的均值作為中介效應的點估計值，將B個中介效應估計值ab按數(shù)值大小排序，得到序列C；非參數(shù)百分位Bootstrap置信區(qū)間法直接進行第四步：第四，用C序列的第2.5百分位數(shù)(LLCI)和第97.5百分位數(shù)(ULCI)來估計的95%中介效應置信區(qū)間。偏差校對非參數(shù)百分位Bootstrap置信區(qū)間法則進行下面兩個步驟： 第四，根據(jù)原樣本數(shù)據(jù)求取中介效應估計值ab*，求ab* 在序列C中的百分比排位，即得到abab* 的概率(z0

30、); 第五，在標準正態(tài)累積分布函數(shù)中，根據(jù)(z0)求取相應的z0值，求2Z0±Z/2在標準正態(tài)累積分布函數(shù)中對應的概率(2Z0±Z/2)，用(2Z0±Z/2)在序列C中的百分位值作為置信區(qū)間的上、下置信限，構建置信度為1-的中介效應置信區(qū)間。由于非參數(shù)百分位Bootstrap置信區(qū)間法產生的置信區(qū)間的估計有可能會產生偏差。一般使用偏差校正(bias corrected)置信區(qū)間調整上限值和下限值，這種方法是對非參數(shù)百分位Bootstrap置信區(qū)間法的改進，其中前三步相同。不管使用何種程序，如果置信區(qū)間不包括0，說明有中介效應存在；置信區(qū)間包括0，說明中介效應不存在

31、。PROCESS插件具體操作步驟： 下載PROCESS插件安裝在Spss中(/ahayes/) 步驟一，運行SPSS，打開數(shù)據(jù)文件；步驟二，在SPSS 程序的菜單欄中找到“分析”欄目下的“回歸”，在“回歸”下面找到已經安裝的PROCESS插件； 步驟三，運行PROCESS程序，出現(xiàn)對話框；步驟四，在對話框里的相應的輸入框里，輸入因變量，自變量，中介變量。 步驟五，Model Number選擇4，把Bootstrap取樣(Bootstrap samples)設定為1000，建議為5000，Bootstrap方法選擇偏差校對方法(bias corrected)，置信

32、區(qū)間選擇95%置信區(qū)間；步驟六，點擊確定執(zhí)行程序。執(zhí)行完程序，會出現(xiàn)輸出文件。在輸出文件中包括該中介模型的估計值，如R、R2、F，同時輸出文件也包括了因果逐步回歸中的a、b、c的估計值，以及ab的中介效應值。如果置信區(qū)間不包括0，那么中介作用顯著，支持中介作用的假設；如果包括0，則不顯著，不支持中介作用的假設。Bootstrap操作圖示Bootstrap結果輸出（2）基于MEDIATE插件的操作Hayes等也建議使用MEDIATE插件，該插件提供了簡單和并行多重中介分析的語言，只需要將Hayes等編輯的語言復制到語法欄中，進行修改即可。該方法同樣適用于自變量為類別變量的中介分析，包括多個自變量

33、、多個因變量和多個中介變量的多重中介分析，具體操作只需要對語法進行修改就可以。以下是基本語法：MEDIATE Y=symptoms/X=emotion thought/M=reaction/C=age educ/total=1/omnibus=1/ciconf=90/cimethod=2/samples=10000.軟件操作流程：第一，下載解壓縮，然后將后綴名sav改為sps；第二，在spss中打開語法文件；第三，選中全部命令點擊按鈕運行，output里面可以看到如下提示，表明mediate加載成功，注意該操作僅在spss英文版本中可運行。第四，關閉mediate，并新建新的語法編輯框第五，輸

34、入語法，并根據(jù)具體研究輸入變量名，程序自動執(zhí)行(整個操作過程要求spss數(shù)據(jù)打開)。MEDIATE 使用需要說明之處： 第一，中介變量和因變量必須是連續(xù)變量，自變量可以是分類變量； 第二，接受不超過15個并行中介變量的分析； 第三，使用分類變量進行分析時，自變量的水平或類別不應超過9個； 第四，模型中如果出現(xiàn)變量缺失則無法運行； 第五，所有變量格式都應是數(shù)值型，字符串型變量將導致程序運行出錯； 第六，所有的回歸系數(shù)都是基于最小二乘法計算的非標準化回歸系數(shù)。MEDIATE 運行加載MEDIATE 語法輸入結果輸出2.2.3馬爾科夫鏈蒙特卡羅法(MCMC)法馬爾科夫鏈蒙特卡羅(MCMC)方法是在貝

35、葉斯理論框架下，將馬爾科夫鏈過程引入到蒙特卡羅模擬中，實現(xiàn)抽樣分布隨模擬的進行而改變的動態(tài)模擬。MCMC方法的計算常用WinBUGS、Mplus、SAS和R軟件完成。MCMC方法的基本思想可概括為如下三步： 第一，構造馬爾科夫鏈，使其收斂到平穩(wěn)分布。 第二，利用馬爾科夫鏈進行吉布斯(Gibbs)抽樣，即利用多個一元全條件(full conditionals)分布(除一個變量外, 其他所有變量都賦予固定值的分布)進行迭代抽樣, 獲得n-t(約10000)個后驗樣本，得到的后驗樣本又被稱為馬爾科夫鏈的實現(xiàn)值。第三，由后驗樣本計算 10000個中介效應估計值ab，將 10000個中介效應估計值的均值

36、作為中介效應的點估計值，將10000個中介效應估計值ab按數(shù)值大小排序，用第2.5百分位數(shù)和第97.5百分位數(shù)來得到95%的中介效應可靠區(qū)間估計。方杰和張敏強(2012)的研究認為，有先驗信息的MCMC方法的ab點估計最準確且統(tǒng)計功效最高，中介效應區(qū)間估計也最準確，但付出了低估第類錯誤率的代價；偏差校正的非參數(shù)百分位Bootstrap方法的統(tǒng)計功效其次，但付出了高估第類錯誤率的代價(不需要先驗信息)。因此，當有先驗信息時，推薦使用有先驗信息的MCMC方法，當先驗信息不可得時，推薦使用偏差校正的非參數(shù)百分位Bootstrap方法。2.3溫忠麟等提出的因果逐步回歸的改良法對于系數(shù)乘積的檢驗，溫忠麟

37、等人(2004)早就意識到，如果檢驗結果都顯著，依次檢驗結果強于Sobel檢驗結果，所以在他們提出的檢驗流程中，先進行依次檢驗，不顯著才需要做Sobel檢驗?，F(xiàn)在，Sobel法由Bootstrap法取代，根據(jù)前面的討論，對中介效應的檢驗流程進行相應的修改(見圖2)，步驟如下： 第一步，檢驗方程(1)的系數(shù)c，如果顯著，按中介效應立論，否則按遮掩效應立論。但無論是否顯著，都進行后續(xù)檢驗。 第二步，依次檢驗方程(2)的系數(shù)a和方程(3)的系數(shù)b，如果兩個都顯著，則間接效應顯著，轉到第四步；如果至少有一個不顯著，進行第三步。 第三步，用Bootstrap法直接檢驗H0:ab=0。如果顯著，則間接效應

38、顯著，進行第四步;否則間接效應不顯著，停止分析。 第四步，檢驗方程(3)的系數(shù)c，如果不顯著，即直接效應不顯著，說明只有中介效應。如果顯著，即直接效應顯著，進行第五步。第五步，比較ab和c的符號，如果同號，屬于部分中介效應，報告中介效應占總效應的比例ab/c。如果異號，屬于遮掩效應，報告間接效應與直接效應的比例的絕對值|ab/c|。溫忠麟等人對這個操作流程作出了幾點說明： (1)當間接效應顯著時，如果第一步檢驗后按遮掩效應立論，最后結果按遮掩效應解釋。如果第一步檢驗后按中介效應立論，要根據(jù)ab和c的符號進行解釋，如果符號相反，按遮掩效應解釋。就是說，開始按中介效應立論，不排除最后要按遮掩效應解

39、釋，但這樣的情況少見。 (2)關于中介效應的效應量，起碼應當報告ab/c或者|ab/c|，并酌情報告其他效應量。 (3)這個流程主要是從參數(shù)檢驗的角度考慮的。從參數(shù)估計角度看，一般認為，單單給出點估計是不夠的，應當給出區(qū)間估計。系數(shù)乘積ab的置信區(qū)間計算應當用Bootstrap法代替Sobel法。這樣，為了做區(qū)間估計，Bootstrap法成為一個必須的方法，而且依次檢驗也可以通過Bootstrap法進行，即用Bootstrap法求出系數(shù)a和b的置信區(qū)間進行檢驗。盡管如此，還是應當先做依次檢驗，因為如果顯著的話，結果強于直接檢驗系數(shù)乘積。 (4)如果直接效應顯著，不排除存在其他中介變量的可能，Z

40、hao等人(2010)建議在討論部分說明這種可能性。溫忠麟等(2014)因果逐步回歸法(改良)2.4基于結構方程模型的簡單中介效應檢驗 中介效應因為涉及兩個路徑系數(shù)的乘積，受到的影響可能更大。Ledgerwood和Shrout(2011)的模擬研究發(fā)現(xiàn)，如果使用指標的均值作為顯變量，中介效應的估計值低估實際中介效應的比例與合成信度(葉寶娟，溫忠麟，2011)的乘積有關。例如，如果信度都是0.9，則中介效應的估計值是實際中介效應的80%(0.9×0.9)左右。但使用潛變量的弱點是中介效應估計的標準誤較大，降低了檢驗力。就是說，使用潛變量的檢驗力通常低于使用顯變量的檢驗力。為此，Ledg

41、erwood和Shrout建議，如果測驗信度不夠高，使用兩步分析策略：第一步用顯變量建模檢驗中介效應，第二步用潛變量建模估計中介效應。不過，如果用潛變量檢驗中介效應已經顯著，就沒有必要報告顯變量分析結果了。結構方程模型的主要目的是建構和驗證模型的擬合水平，如果模型擬合水平較好，一方面結構方程模型可以根據(jù)現(xiàn)有理論建構各變量之間的關系，另一方面可以驗證理論構想的合理性和正確性。對于簡單的中介效應一般不建議使用結構方程模型，因為結構方程模型也是默認數(shù)據(jù)為正態(tài)分布，其程序的運行與sobel檢驗法類似，所以也會提高一類錯誤的概率，但對于較為復雜的模型，一般可以使用結構方程模型來做?；谘芯康男枰覀償M

42、以AMOS為例，介紹在結構方程中驗證理論構想的中介效應。Amos的設置及操作步驟：第一，安裝Amos軟件，會在Spss分析中出現(xiàn)；第二，打開Amos軟件，根據(jù)理論構想畫出中介效應圖；第三，添加誤差項、并命名；第四，選擇數(shù)據(jù)文件添加變量，選擇List variables in date set直接拖動顯變量即可；第五，選擇所要輸出的數(shù)據(jù)，點擊Output，一般選擇修正指數(shù)、標準化估計、總效應、直接效應和間接效應，第六，點擊Calculateestimate，運行程序求解；第七，點擊Viewtext查看結果。需要注意的是：第一，Amos對數(shù)據(jù)要求嚴格，數(shù)據(jù)不能含有缺失值；第二，預測變量不需要添加誤

43、差項、因變量必須添加誤差項；第三，潛變量的命名不能與Spss中變量名稱一致。建立假設模型數(shù)據(jù)輸出類型方程模型擬合圖主要的結果輸出：CMINModelNPARCMINDFPCMIN/DFDefault model23317.76032.0009.930Saturated model55.0000Independence model103523.33745.00078.296RMR, GFIModelRMRGFIAGFIPGFIDefault model.025.923.868.537Saturated model.0001.000Independence model.187.394.260.32

44、3Baseline ComparisonsModelNFIDelta1RFIrho1IFIDelta2TLIrho2CFIDefault model.910.873.918.884.918ModelNFIDelta1RFIrho1IFIDelta2TLIrho2CFISaturated model1.0001.0001.000Independence model.000.000.000.000.000RMSEAModelRMSEALO 90HI 90PCLOSEDefault model.110.099.121.000Independence model.323.314.332.000模型指標

45、擬合不理想可以根據(jù)修正指數(shù)提示進行修正：修正指數(shù)關系圖修正后的指數(shù)有所變化：CMINModelNPARCMINDFPCMIN/DFDefault model29202.14826.0007.775Saturated model55.0000Independence model103523.33745.00078.296RMR, GFIModelRMRGFIAGFIPGFIModelRMRGFIAGFIPGFIDefault model.017.947.888.448Saturated model.0001.000Independence model.187.394.260.323Baselin

46、e ComparisonsModelNFIDelta1RFIrho1IFIDelta2TLIrho2CFIDefault model.943.901.950.912.949Saturated model1.0001.0001.000Independence model.000.000.000.000.000RMSEAModelRMSEALO 90HI 90PCLOSEDefault model.095.083.108.000Independence model.323.314.332.0002.5復雜中介效應的發(fā)展2.5.1類別變量的中介效應檢驗通常的中介效應模型，假設自變量X、中介變量M和因

47、變量Y均為連續(xù)變量。對于自變量X 為分類或者等級變量的情景，可以通過定義虛擬變量(dummy variable)的方法來處理?；痉椒òǎ旱谝环N方法，設置虛擬變量后，使用因果逐步回歸法進行處理，基本步驟與連續(xù)變量步驟一致。第二種方法，如果不進行虛擬變量設置，可以使用Hayes等提供的Process或者MEDIATE插件處理，其中，MEDIATE插件也提供了虛擬變量自動處理功能，其結果解釋與校正非參數(shù)百分位Bootstrap法基本一致(需要在spss中編寫語法實現(xiàn))。（1）虛擬變量設置 下面從虛擬變量的設置開始，對上述方法進行操作： 為了在模型中能夠反映這些因素的影響，并提高模型的精度，需要將

48、它們“量化”，這種“量化”通常是通過引入“虛擬變量”來完成的。根據(jù)這些因素的屬性類型，構造只取“0”或“1”的人工變量，通常稱為虛擬變量（dummy variables），記為D。如果某個定性變量有m種相互排斥的類型，則模型中只能引入m-1個虛擬變量。否則會陷入所謂的“虛擬變量陷阱”，產生完全共線性。當原變量是二分類變量時，我們只需要設定一個“1”、“0”取值的虛擬變量，并且把取值為“0”的那個類別作為參照項。兩水平分類變量的虛擬變量設置方法： 第一，Spss中轉換編碼為不同變量 第二，選擇需要轉換的變量并命名，點擊更改 第三，點擊新值和舊值按鈕（Old and New Values），將原變

49、量的“1”設為新變量的“1”， 將原變量的“2”設為新變量的“0”，點擊繼續(xù)按鈕。 第四，點擊確定生成虛擬變量。四水平分類變量的虛擬變量設置方法： 第一，Spss中轉換編碼為不同變量 第二，選擇需要轉換的變量并命名，點擊更改 第三，點擊新值和舊值按鈕（Old and New Values），將原變量的“1”設為新變量的“1”，將原變量的其余取值都設為“0”，點擊繼續(xù)按鈕回主菜單、點擊確定按鈕產生虛擬變量；將原變量的“2”設為新變量的“0”，將原變量的其余取值都設為“0”，點擊繼續(xù)按鈕回主菜單、點擊確定按鈕產生虛擬變量；將原變量的“3”設為新變量的“0”，將原變量的其余取值都設為“0”，點擊繼續(xù)

50、按鈕回主菜單、點擊確定按鈕產生虛擬變量。虛擬變量設置好后，按照溫忠麟等新提出的因果逐步回歸法進行中介效應檢驗(省略)。（2）PROCESS程序運行步驟軟件具體操作步驟： 下載Bootstrap插件安裝在Spss中(/ahayes/) 步驟一、運行SPSS，打開數(shù)據(jù)文件；步驟二、在SPSS 程序的菜單欄中找到“分析”欄目下的“回歸”，在“回歸”下面找到已經安裝的PROCESS插件； 步驟三、運行PROCESS程序，出現(xiàn)對話框；步驟四、在對話框里的相應的輸入框里，輸入因變量變量4，自變量為性別，中介變量為變量3。 步驟五、Model Number選擇4，把Boots

51、trap取樣(Bootstrap samples)設定為1000，建議為5000，Bootstrap方法選擇偏差校對方法(bias corrected)，置信區(qū)間選擇95%置信區(qū)間；步驟六、點擊確定執(zhí)行程序。執(zhí)行完程序，會出現(xiàn)輸出文件。在輸出文件中包括該中介模型的估計值，如R、R2、F，同時輸出文件也包括了因果逐步回歸中的a、b、c的估計值，以及ab的中介效應值。如果置信區(qū)間不包括0，那么中介作用顯著，支持中介作用的假設；如果包括0，則不顯著，不支持中介作用的假設。結果輸出表（3）MEDIATE軟件操作流程Hayes等建議使用MEDIATE軟件操作流程(可自動生成虛擬變量)：第一，下載解壓縮，

52、然后將后綴名sav改為sps；第二，在Spss中打開語法文件；第三，選中全部命令點擊按鈕運行，進行程序加載(該操作僅在spss英文版本中可運行)；第四，關閉MEDIATE，并新建新的語法編輯框；第五，輸入語法，并根據(jù)具體研究輸入變量名，程序自動生成虛擬變量參與程序執(zhí)行(整個操作過程要求Spss數(shù)據(jù)打開)，獲得的估計值被認為是相對直接效應和相對中介效應。MEDIATE Y=attitude/X=cond/M=communeinter/omnibus=1/samples=5000/catx=3.其中catx子命令只有在自變量是分類變量時才使用建立語法操作窗口程序加載方式結果輸出圖如果因變量是分類或

53、等級變量，自變量是連續(xù)變量，應當用Logistic 回歸取代通常的線性回歸(Pregibon, 1981)，回歸系數(shù)的尺度轉換為Logit 量尺。對于因變量Y是分類或者等級變量、中介變量(M)和自變量(X)是連續(xù)變量的中介效應模型，M對X的回歸系數(shù)(連續(xù)變量的量尺)與Y對M的回歸系數(shù)(Logit 量尺)和Y對X的回歸系數(shù)(Logit 量尺)均不在相同的尺度上，因此不能簡單采用處理連續(xù)變量中介效應的方式，直接將回歸系數(shù)a 和b 相乘得到中介效應大小。因而，這樣的模型需要通過標準化轉換實現(xiàn)回歸系數(shù)的等量尺化，這這類研究十分稀少，這里不做討論。2.5.2多重中介效應的檢驗（1）基本類型對于情景比較復

54、雜的研究，經常需要多個中介變量才能清晰地解釋自變量對因變量的作用，這就涉及多重中介(multiple mediation)模型。根據(jù)多個中介變量之間是否存在相互影響，多重中介模型可以分為單步多重中介模型和多步多重中介模型(Hayes, 2009)。單步多重中介模型，也稱為并行多重中介模型，是指中介變量之間不存在相互影響；多步多重中介模型，也稱為鏈式多重中介模型，是指中介變量之間存在影響關系，中介變量表現(xiàn)出順序性特征，形成中介鏈；另外更為復雜的模型還包括多自變量、多因變量和多中介變量的復合式多重中介(柳士順, 凌文輇, 2009)。多重中介效應分析可以從3 個角度進行：一是總的中介效應(tota

55、l mediation effect)，即估計和檢驗所有間接效應的總和；二是特定路徑的中介效應(specific mediation effect)，即估計和檢驗某個感興趣的特定路徑的間接效應；三是對比中介效應，即估計和檢驗某兩個路徑的間接效應的差異。并行多重中介模型 (鏈式)多重中介模型 （2）多重中介分析方法第一，多重中介分析的方法可包括spss的因果逐步回歸法，一般是對每條路徑單獨做回歸，基本程序與上文介紹相同，但該方法局限太多；第二，多重中介模型因為涉及的變量較多、路徑比較復雜，即使只涉及顯變量，一般也要使用結構方程模型進行分析，基本程序與上文介紹相同。第三，Preacher和Hayes(2008)提出使用Bootstrap進行多個并行的中介效應分析檢驗多重中介效應，認為使用Bootstrap方法分析多重并列中介效應。一般可以使用PROCESS插件和MEDIATE插件。該方法可獲得更多信息，一是可以檢驗所有并列中介變量發(fā)揮中介效應的總效應；二是可以觀測在排除其它中介路徑后，某一單個中介路徑的效應大??；三是可以比較不同中介路徑的中介效應大小，并檢驗是否有顯著差異。從現(xiàn)有研究來看，多重中介效應分析主要包括結構方程模型方法