中介效应分析方法
中介效应分析方法
中介效应分析方法中介效应是指一个变量（中介变量）在一个自变量与因变量之间的关系中发挥了中介作用。
中介效应分析方法主要包括路径分析、回归分析、结构方程模型等。
路径分析是中介效应分析的一种基础方法，它是基于压力-反应模型的。
首先，通过计算自变量与中介变量之间的相关系数，评估自变量对中介变量的影响；然后，通过计算中介变量与因变量之间的相关系数，评估中介变量对因变量的影响；最后，通过计算自变量对因变量的总效应与自变量对因变量的间接效应来评估中介效应的大小。
回归分析是中介效应分析最常用的方法之一，它通过建立多元线性回归方程来研究自变量、中介变量和因变量之间的关系。
在回归分析中，先将自变量和中介变量同时作为自变量输入模型中，得到自变量对中介变量和因变量的影响系数；然后，在将中介变量和自变量作为自变量输入模型中，得到中介变量对因变量的影响系数；最后，通过比较这两组系数的差异来评估中介效应的大小。
结构方程模型（SEM）是一种较为复杂但较为全面的中介效应分析方法。
在SEM中，通过建立测量模型和结构模型来分析中介效应。
测量模型用于分析中介变量的测量模型，并估计其相关系数；结构模型用于分析自变量与中介变量、中介变量与因变量之间的关系，并估计其路径系数。
最后，通过比较路径系数来评估中介效应的大小。
除了以上三种主要的中介效应分析方法外，还有一些其他方法也可以用于中介效应的分析。
例如，Bootstrap法可以用于估计中介效应的置信区间，通过重复有放回抽样来计算中介效应的分布；Granger因果检验可以用来检验中介效应是否显著，通过检验自变量和因变量的序列在中介变量出现之前和之后的预测能力。
总之，中介效应分析方法有多种选择，研究者可以根据研究目的、数据类型和数据分析方法的熟悉程度来选择适合自己研究的方法。
无论是使用哪种方法，都需要进行合理的假设检验和效果估计，以获得准确的中介效应结果。
中介效应分析方法
中介效应分析方法中介效应是指其中一变量对于两个其他变量之间的关系产生影响或干预的效应。
在社会科学研究中，中介效应分析是一种常用的统计分析方法，用于探究变量之间的关系机制。
一、中介效应的概念二、中介效应的分析步骤1.提出研究问题和假设在进行中介效应分析之前，需要明确研究问题和假设。
例如，假设自变量A会通过中介变量B影响因变量C。
2.进行变量之间的相关分析首先，需要进行自变量、中介变量和因变量之间的相关分析，以确定它们之间是否存在显著的关系。
3.进行中介效应分析通过使用统计分析方法，例如结构方程模型（SEM）或回归分析，来评估中介效应的存在。
在这一步骤中，需要计算直接效应和间接效应。
直接效应指自变量对因变量的直接影响，间接效应指自变量通过中介变量对因变量的影响。
4.进行中介效应的检验接下来，需要进行中介效应的检验。
常用的检验方法包括Sobel检验、Bootstrap检验和偏差校正方法等。
这些方法可以用来判断中介效应是否显著。
5.进行鉴别性分析最后，需要进行鉴别性分析来确定中介变量对自变量和因变量之间关系的影响程度。
鉴别性分析可以通过计算中介变量的完全或部分调节效应来实现。
三、中介效应分析的实例为了更好地理解中介效应分析，以下是一个简单的实例：研究问题：是否存在压力对工作满意度的中介效应？假设：个体的压力会通过工作动机对工作满意度产生中介效应。
分析步骤：1.进行压力、工作动机和工作满意度之间的相关分析，以评估它们之间的相关关系。
2.使用回归分析方法，计算压力对工作满意度的直接效应和间接效应。
3. 进行中介效应的检验，例如使用Bootstrap检验，来判断中介效应是否显著。
4.进行鉴别性分析，例如计算完全或部分中介效应的值，来评估中介变量工作动机对于压力与工作满意度之间关系的影响程度。
通过上述分析，可以得出关于压力、工作动机和工作满意度之间关系机制的结论。
这有助于深入理解变量之间的关系，并为实践提供理论依据。
中介效应模型三步法与四步法-概述说明以及解释
中介效应模型三步法与四步法-概述说明以及解释1.引言1.1 概述中介效应模型是社会科学研究中常用的一种分析方法，用于研究一个变量如何通过中介变量影响另一个变量。
中介变量在原变量与因变量之间起到传递与解释作用，帮助我们理解两个变量之间的关系机制。
中介效应模型有三步法与四步法两种常用的建模方法，本文将对这两种方法进行详细介绍与比较。
在中介效应模型中，步骤一是通过回归分析得到原变量与中介变量之间的关系，步骤二是确定中介变量对因变量的解释效果，步骤三是对整个模型进行验证与修正。
这个三步法是中介效应模型最基本的建模步骤，简单易行，适用于一般的研究情境。
而四步法则在三步法的基础上增加了步骤四，即对比不同中介变量的效应大小，进一步分析中介效应的效果。
本文旨在比较中介效应模型三步法与四步法的优劣与适用情况，通过案例分析来说明两种方法的实际应用。
此外，文章还将从理论与实践的角度出发，对中介效应模型在研究中的意义进行探讨，并展望未来的研究方向。
通过本文的阐述，读者将能够深入理解中介效应模型的基本原理与建模方法，了解三步法与四步法在实践中的应用情况，为进一步开展相关研究提供参考与指导。
同时，读者还能够对中介效应模型的优劣进行评估，根据研究需要选择合适的方法进行分析，提高研究成果的科学性与说服力。
在接下来的章节中，我们将首先介绍中介效应模型三步法的具体步骤与应用案例，然后对比四步法的优劣与适用情况，最后总结全文并展望未来的研究方向。
通过系统的分析与比较，我们将为读者提供一份全面且详尽的中介效应模型研究指南，帮助他们在实际研究中更好地运用这一方法。
1.2 文章结构本文分为四个主要部分。
首先，在引言部分，我们将对中介效应模型进行概述，并明确文章的目的。
接下来，我们将详细介绍中介效应模型的三步法，包括步骤一、步骤二和步骤三，并通过案例分析来说明该方法的应用。
然后，我们还将介绍中介效应模型的四步法，其中包括步骤一、步骤二、步骤三和步骤四，并结合案例分析来展示其实际运用。
中介效应分析方法
中介效应分析方法1 中介变量和相关概念在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。
虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。
为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。
但提出的检验程序也适合有多个自变量、多个中介变量的模型。
中介变量的定义考虑自变量X 对因变量Y 的影响,如果X通过影响变量M来影响Y,则称M 为中介变量。
例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。
又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。
在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。
假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系:Y = cX + e1 (1)M = aX + e2 (2)Y = c’X + bM + e3 (3)e1 Y=cX+e1e 2 M=aX+e 2a be 3 Y=c ’X+bM+e 3图1 中介变量示意图假设Y 与X 的相关显著,意味着回归系数c 显著(即H 0 : c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M 。
如何知道M 真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显著呢 目前有三种不同的做法。
传统的做法是依次检验回归系数 。
如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显著影响它的后继变量。
这是Baron 和Kenny 定义的(部分) 中介过程。
如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显著, 变成了Judd 和Kenny 定义的完全中介过程。
在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c 显著(即H 0 : c = 0 的假设被拒绝) ； (ii) 系数a 显著(即H 0 : a = 0 被拒绝) ,且系数b 显著(即H 0 : b = 0 被拒绝) 。
三种中介效应检验方法及操作步骤
三种中介效应检验⽅法及操作步骤本⽂将介绍三种常见中介效应检验⽅法，分别是因果逐步回归检验法、系数乘积法、改良后的因果逐步回归法，以及如果使⽤SPSSAU进⾏操作。
什么是中介效应中介效应：如果⾃变量X通过影响变量M⽽对因变量Y产⽣影响，则称M为中介变量。
例如，上司的归因研究：下属的表现→上司对下属表现的归因→上司对下属表现的反应，其中的“上司对下属表现的归因”为中介变量。
中介作⽤的检验模型可以⽤以下路径图来描述：图1 中介效应检验模型路径图⽅程(1)的系数c 为⾃变量X对因变量Y的总效应；⽅程(2)的系数a为⾃变量X对中介变量M的效应；⽅程(3)的系数b是在控制了⾃变量X的影响后，中介变量M对因变量Y的效应；⽅程(3)的系数c′是在控制了中介变量M 的影响后，⾃变量X对因变量Y的直接效应；系数乘积a*b即为中介效应等于间接效应1 因果逐步回归检验法因果逐步回归法由Baron和Kenny(1986)提出，其检验步骤分为三步：第⼀，分析X对Y的回归，检验回归系数c的显著性(即检验H0:c=0)；第⼆，分析X对M的回归，检验回归系数a的显著性(即检验H0:a=0)；第三，分析加⼊中介变量M后X对Y的回归，检验回归系数b和c'的显著性(即检验H0:b=0、H0:c’=0)。
根据检验结果按下图进⾏判断：流程图基于SPSSAU的操作（1）第⼀步，登录SPSSAU，上传数据；（2）第⼆步，选择【问卷研究】--【中介作⽤】；（3）第三步，选择变量拖拽到右侧对应分析框内，点击开始分析。
结果分析SPSSAU的“中介作⽤”可直接将中介作⽤的检验过程⾃动化，⼀键提供出上述提及模型结果。
本次结果中共包含三个模型：①模型1：X对Y的回归模型，结果显⽰x与y存在显著影响关系，回归系数c=0.130.②模型2：x对m的回归模型，结果显⽰x与y存在显著影响关系，回归系数a=0.175.③模型3：加⼊中介变量m后x对y的回归模型，结果显⽰回归系数b、c’均呈现显著性，系数a、b均显著，说明存在中介效应。
中介效应分析方法
中介效应分析方法中介效应是指在两个变量之间的关系中，一个中间变量（中介变量）可以解释这两个变量之间的关系。
通过中介效应分析可以帮助研究者理解为什么两个变量之间存在关系，以及这个关系是如何产生的。
本文将介绍几种中介效应分析的方法。
1. Sobel检验Sobel检验是最常用的中介效应分析方法之一、它基于一个简单的线性回归公式，通过计算中介变量对因变量的回归系数和因变量对自变量的回归系数的乘积与其标准差的比值，来检验中介效应是否显著。
如果计算得到的比值显著不等于零，则可以认为存在中介效应。
2. Bootstrap法Bootstrap法是一种基于重复抽样的统计方法，可以用来估计中介效应的置信区间。
该方法通过构建多个样本并分析每个样本中的中介效应，然后计算中介效应的分布，并从中计算出中介效应的置信区间。
Bootstrap法可以有效地降低因数据偏差和非正态分布而导致的误差。
Baron和Kenny的中介效应分析方法是一种最早的中介效应分析方法。
该方法包括四个步骤：首先，确定自变量对中介变量的回归系数是否显著；然后，确定自变量对因变量的回归系数是否显著；接下来，确定自变量和中介变量对因变量的回归系数是否显著；最后，通过比较两个回归系数的显著性来判断中介效应是否存在。
Preacher和Hayes的中介效应分析方法是一种较新的中介效应分析方法，也被认为是一种更精确的方法。
该方法通过计算中介效应的点估计和置信区间，同时还可以进行多个中介变量的分析。
该方法可以帮助研究者更深入地理解中介效应并进行更准确的统计推断。
除了以上提到的几种中介效应分析方法外，还有许多其他方法，例如结构方程模型、路径分析等。
这些方法都有各自的优缺点，研究者可以根据自己研究的需求和数据特点选择合适的方法进行中介效应分析。
无论选择哪种方法，都需要保证数据的质量和有效性，并进行适当的假设检验和结果解释，以确保中介效应的可靠性和统计显著性。
中介效应检验方法
中介效应检验方法中介效应是指一个变量通过改变另一变量来影响另一个变量与最终结果之间的关系。
在社会科学研究中，中介效应的检验可以帮助理解变量之间的关系机制，揭示出其中的因果过程。
本文将介绍三种主要的中介效应检验方法：Sobel检验、Bootstrap检验和路径分析。
第一种方法是Sobel检验，它是最早也是最常见的中介效应检验方法之一、Sobel检验假设中介变量对因变量的影响是通过一些中介变量所导致的。
它通过计算一系列协方差来评估中介效应的大小和显著性。
具体步骤如下：1.首先，使用回归分析估计出自变量对中介变量和因变量的影响。
2.接下来，计算中介效应的大小，即自变量对因变量的总效应减去中介变量对因变量的效应。
3.然后，计算中介效应的标准误，根据标准误可以判断中介效应是否显著。
4. 最后，计算Sobel统计量，通过将中介效应除以中介效应标准误得到。
如果Sobel统计量的绝对值大于1.96，那么中介效应是显著的。
第二种方法是Bootstrap检验，它是一种非参数的方法，可以更好地解决样本量较小的问题。
Bootstrap检验通过多次重新抽样生成新的样本，并计算中介效应的大量估计值。
然后，计算这些估计值的标准差和置信区间，来判断中介效应是否显著。
具体步骤如下：1.首先，使用回归分析估计出自变量对中介变量和因变量的影响。
2. 然后，使用Bootstrap方法生成多个新的样本。
3.对每个新的样本，重新进行回归分析得到中介效应的估计值。
4.根据这些估计值计算中介效应的标准差和置信区间。
如果标准差不包含0，或者置信区间不包含0，则可以判断中介效应是显著的。
第三种方法是路径分析，它是一种图形分析方法，用来揭示变量之间的因果路径。
路径分析可以直接检验中介效应是否存在，并定量评估其效应的大小和显著性。
具体步骤如下：1.首先，构建一个结构方程模型，其中包括自变量、中介变量和因变量之间的路径。
2.通过最小二乘法估计模型参数，得到每个路径的标准化系数。
中介效应分析方法
中介效应分析方法This model paper was revised by the Standardization Office on December 10, 2020中介效应分析方法1 中介变量和相关概念在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。
虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。
为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。
但提出的检验程序也适合有多个自变量、多个中介变量的模型。
中介变量的定义考虑自变量X 对因变量Y 的影响,如果X通过影响变量M来影响Y,则称M 为中介变量。
例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。
又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。
在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。
假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系:Y = cX + e1(1)M = aX + e2(2)Y = c’X + bM + e3(3)1Y=cX+e1e2M=aX+e2a be3Y=c’X+bM+e3 M图1 中介变量示意图假设Y与X的相关显着,意味着回归系数c显着(即H: c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。
如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显着呢目前有三种不同的做法。
传统的做法是依次检验回归系数。
如果下面两个条件成立,则中介效应显着: (i) 自变量显着影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显着影响它的后继变量。
这是Baron 和Kenny 定义的(部分) 中介过程。
如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显着, 变成了Judd和Kenny 定义的完全中介过程。
中介效应分析及应用
中介效应分析及应用中介效应是指通过一个中介变量（介于因变量和自变量之间的中间变量）对因变量和自变量之间的关系进行解释和调解的现象。
中介效应表明自变量对因变量的影响是通过中介变量来实现的。
首先，中介效应分析的步骤主要包括以下几个方面：1. 确定中介变量：通过文献回顾和研究背景，确定可能存在的中介变量。
例如，研究心理健康对幸福感的影响时，可能将社会支持作为中介变量。
2. 测量变量：收集相关数据，包括自变量、中介变量和因变量的测量数据。
确保采用有效和可靠的测量工具。
3. 分析中介效应：使用适当的统计方法进行中介效应分析，常用的方法有路径分析、回归分析和结构方程模型等。
其中，路径分析是常用的中介变量分析方法，通过计算直接效应和间接效应来确定中介效应。
4. 检验中介效应：使用适当的统计检验方法（如Sobel检验或Bootstrap法）验证中介效应的显著性。
5. 解释中介效应：通过解释中介效应的大小、方向和机制，进一步理解因变量和自变量之间的关系。
根据中介效应的结果，提出可能的解释和理论假设。
中介效应的应用非常广泛，涉及多个领域，如心理学、经济学、社会学等。
以下介绍几个典型的中介效应应用案例：1. 健康教育中的中介效应：研究发现，健康教育对健康行为的影响常常是通过中介变量来实现的。
例如，健康教育的目标可能是提高人们对健康风险的认知，从而促使他们改变不良的生活习惯。
在这个过程中，认知变量起到了中介的作用，将健康教育和健康行为之间的关系联系起来。
2. 人际关系中的中介效应：在研究社会关系和心理健康之间的关系时，中介变量常常是人际支持、社交网络等因素。
例如，研究表明，人际支持对心理健康有积极的影响，这种影响可能是通过提高个体的自尊心和自我效能感来实现的。
3. 组织管理中的中介效应：中介效应也被广泛应用于组织领域的研究中。
例如，研究人员可以通过探讨领导行为对员工工作满意度的影响机制，从而了解领导行为如何通过影响员工的组织认同感和自尊心来影响工作满意度。
中介效应三步检验法
中介效应三步检验法
中介效应是指一个自变量（X）通过一个或多个中介变量（M）影响因变量（Y）的过程。
在中介效应分析中，通常需要遵循三步检验法来确定中介效应是否存在以及效应的大小。
以下是中介效应三步检验法的具体内容：
1. 检验自变量对中介变量的影响（Step 1）
这一步是检验自变量（X）对中介变量（M）的影响。
通常使用回归分析方法，以中介变量（M）为因变量，自变量（X）为自变量。
如果这一步的回归分析显著，说明自变量对中介变量产生了影响。
2. 检验中介变量对因变量的影响（Step 2）
这一步是检验中介变量（M）对因变量（Y）的影响。
通常使用回归分析方法，以因变量（Y）为因变量，中介变量（M）为自变量。
如果这一步的回归分析显著，说明中介变量对因变量产生了影响。
3. 检验自变量对因变量的影响，同时加入中介变量（Step 3）
这一步是检验自变量（X）对因变量（Y）的影响，同时考虑中介变量（M）的作用。
通常使用回归分析方法，以因变量（Y）为因变量，自变量（X）和中介变量（M）为自变量。
如果这一步的回归分析中，自变量（X）的系数显著，说明自变量对因变量产生了影响；同时如果中介变量（M）的系数也显著，说明中介变量在自变量和因变量之间起到了中介作用。
在中介效应三步检验法中，只有当所有步骤的检验结果都显著时，才能说明中介效应存在。
同时，可以使用Baron和Kenny的中介效应量
公式来计算中介效应的大小。
中介效应的检验步骤与方法
中介效应的检验步骤与方法中介效应是指在一个因果关系中，中介变量在原因与结果之间起到传递作用的现象。
当我们想要验证一个因果关系是否存在中介效应时，通常需要经过以下步骤和方法。
步骤一：确定研究目的和研究假设在开始检验中介效应前，需要明确研究目的和假设。
研究目的是指研究者希望验证的问题，而研究假设则在定量研究中明确了因变量、自变量、中介变量之间的关系假设。
步骤二：收集数据为了检验中介效应，研究者需要收集相关的数据。
数据可以通过问卷调查、实验、观察等方式来收集，具体的方法取决于研究者所选取的研究设计和研究对象。
步骤三：计算相关系数在检验中介效应之前，需要计算相关系数来评估因变量、自变量与中介变量之间的关系强度。
常用的相关系数包括皮尔逊相关系数和斯皮尔曼相关系数，可以通过统计软件进行计算。
步骤四：进行中介效应检验1.回归法：回归法是通过进行多元回归分析来检验中介效应。
在回归模型中，自变量作为预测变量，因变量作为被预测变量，中介变量作为中介。
通过拟合回归模型和检验回归系数的显著性，可以得出中介效应的存在与否。
2.路径分析法：路径分析法是一种结构方程模型，可以通过构建路径模型来检验中介效应。
路径分析法主要包括两个步骤：测量模型和结构模型。
测量模型是通过验证问卷信度和效度来评估测量指标的质量；结构模型则是通过对各个变量之间的路径系数进行估计，来判断中介变量是否起到了传递作用。
步骤五：检验中介效应的显著性在检验中介效应时，需要进行统计显著性检验。
常用的方法包括Bootstrap法和Sobel检验。
1. Bootstrap法：Bootstrap法是一种非参数法，通过抽取重复样本来估计中介效应的置信区间。
该方法能够解决中介效应的偏差和偏斜问题，得到更准确的显著性判断。
2. Sobel检验：Sobel检验是一种基于标准差的检验方法，通过计算中介效应的标准差来判断是否存在显著的中介效应。
这种方法在样本量足够大以及正态性假定成立时具有较高的准确性。
中介效应分析研究方法
中介效应分析研究方法中介效应是指在两个变量之间的关系中，第三个变量起到中介作用，影响了两个变量之间的关系。
中介效应分析是一种用来研究中介作用的统计方法。
本文将介绍中介效应分析的基本步骤，以及常用的中介效应检验方法。
一、中介效应分析的基本步骤包括：1.确定中介变量：首先要确定研究对象之间的关系，找到两个变量之间的因果关系。
然后需要进一步确定第三个变量是否起到中介作用，即是否介导了两个变量之间的关系。
2.收集数据：收集涉及到两个变量和中介变量的数据。
确保数据的有效性和可靠性，以便进行后续的分析。
3.进行相关性分析：计算两个变量之间的相关系数，以评估它们之间的关系强度。
同时，计算中介变量与两个变量之间的相关系数，以验证中介变量是否与两个变量相关。
4.进行回归分析：将中介变量作为自变量，把一个变量作为因变量进行回归分析，控制其他变量的影响，以评估中介变量对因变量的直接影响。
5.进行中介效应检验：通过比较直接效应和总效应的大小来检验中介效应是否存在。
直接效应是指自变量对因变量的影响，而中介变量则是通过自变量对因变量的影响来起到中介作用。
6.进一步分析：如果中介效应存在，可以进一步分析中介效应的大小和机制。
可以通过计算中介比例来评估中介效应的大小，中介比例越接近于1，说明中介效应越强；而中介效应的机制则可以通过进一步分析中介变量与因变量之间的关系来找到。
二、常用的中介效应检验方法包括：1. Sobel检验：Sobel检验是一种传统的中介效应检验方法。
它通过计算中介效应的标准误差，从而判断中介效应是否显著。
2. Bootstrap法：Bootstrap法是一种非参数检验方法，对样本进行重抽样来估计中介效应的分布。
通过计算重抽样样本中中介效应的分布，可以判断中介效应是否显著。
3. Barron和Kenny的步骤法：这是一种简化版的中介效应分析方法，可以在SPSS等软件中进行操作。
通过依次进行回归分析，计算直接效应和中介效应，以及相关系数，从而判断中介效应是否存在。
三种中介效应检验方法的介绍
三种中介效应检验方法的介绍1. 中介效应检验方法是社会科学研究中常用的一种统计分析方法，用于研究一个预测变量与一个因果变量之间的中介效应。
2. 常用的中介效应检验方法之一是统计回归分析。
通过构建预测变量、中介变量和因果变量之间的回归模型，可以获取各个变量的系数，进而了解中介效应的大小和统计显著性。
3. 直接效应和间接效应是中介效应检验中常用的概念。
直接效应指的是预测变量对因果变量的直接影响，而间接效应则表示中介变量在预测变量和因果变量之间起到的中介作用。
4. 另一种常用的中介效应检验方法是路径分析。
路径分析将中介效应视为一个由预测变量到因果变量的路径，通过计算路径系数，可以判断中介效应的大小和显著性。
5. 中介变量的选择是中介效应检验方法的重要一环。
在实际研究中，研究者需要根据理论基础和实际情况选择适当的中介变量，并进行合适的测量和操作。
6. Sobel检验是另一种常用的中介效应检验方法。
该方法通过计算中介效应的标准误差，进而判断中介效应的显著性。
7. Bootstrap检验是一种非参数的中介效应检验方法。
该方法通过对样本进行重抽样，利用重抽样样本计算中介效应的置信区间，以判断中介效应的显著性。
8. 中介效应检验方法的选择需要根据具体研究问题和数据情况来决定。
不同的方法可能适用于不同的研究领域和研究设计。
9. 中介效应检验方法的使用需要注意建立合理的模型假设。
合理建模能够减少错误推断，并提高中介效应结果的可靠性。
10. 中介效应检验方法常用于心理学、教育学、社会学等领域的研究。
通过检验中介效应，可以深入理解变量之间的关系机制。
11. 需要指出的是，中介效应检验是基于观察数据的分析方法，不能直接证明因果关系，仅仅提示变量之间可能存在的中介效应。
12. 在中介效应检验中，也需要注意数据的收集质量和分析过程的可靠性，以避免结果产生误导性的解释。
13. 中介效应检验方法的有效性和一致性需要通过复制研究来进行验证。
中介效应三步法stata指令
中介效应三步法stata指令
中介效应是一种统计分析方法，用于评估一个因果关系中的中介效应。
它涉及到的三个步骤是：
第一步：建立直接效应模型
使用线性回归模型来评估自变量对因变量的直接效应。
在Stata中，可以使用regress命令。
例如：
regress dependent independent
其中，dependent代表因变量，independent代表自变量。
第二步：建立中介效应模型
使用线性回归模型来评估自变量对中介变量的效应。
在Stata中，可以再次使用regress命令。
例如：
regress mediator independent
其中，mediator代表中介变量。
第三步：进行中介效应分析
使用indirect命令来计算中介效应。
在Stata中，可以使用以下指令：
indirect independent mediator, bootstrap
其中，independent代表自变量，mediator代表中介变量。
通过添加bootstrap 选项，可以进行bootstrap置信区间估计。
需要注意的是，以上指令仅适用于线性回归模型。
如果你使用其他类别的模型，需要根据实际情况选择相应的命令和选项。
中介效应的两步法
中介效应的两步法中介效应是指一个变量（中介变量）在独立变量和因变量之间传递影响的过程，通过探究中介效应可以更深入地了解变量之间的关系及其机制。
为了更好地理解和应用中介效应，研究者们提出了中介效应的两步法，这是一种常用的中介效应分析方法。
中介效应的两步法主要分为两个步骤：第一步是检验独立变量对中介变量的影响，第二步是检验中介变量对因变量的影响。
通过这两个步骤的分析，可以确定中介效应的存在与否及其大小。
下面将详细介绍这两个步骤。
第一步，检验独立变量对中介变量的影响。
在这一步骤中，研究者需要分析独立变量（也称为预测变量）对中介变量的影响。
通常采用回归分析或结构方程模型等方法进行检验。
如果独立变量对中介变量有显著影响，即存在直接效应，则可以继续进行第二步的分析。
第二步，检验中介变量对因变量的影响。
在这一步骤中，研究者需要分析中介变量对因变量（也称为依赖变量）的影响，同时控制独立变量的影响。
同样采用回归分析或结构方程模型等方法进行检验。
如果中介变量对因变量有显著影响，并且在控制独立变量的情况下，独立变量对因变量的影响减弱或消失，则可以认为存在中介效应。
中介效应的大小可以通过计算中介效应的统计指标进行衡量，常用的指标有间接效应的点估计和置信区间。
一般情况下，如果置信区间不包含零，则可以认为中介效应是显著的。
中介效应的两步法的优点是能够清晰地判断和描述中介效应的存在与否，并提供中介效应的具体数值，从而更加准确地解释变量之间的关系。
此外，中介效应的两步法还可以用于探究多个中介变量的效应，通过逐步分析每一个中介变量的影响，揭示出多个中介变量之间的关系和作用机制。
然而，中介效应的两步法也存在一些局限性。
首先，该方法要求变量间的关系是线性的，对于非线性的中介效应分析较为困难。
其次，该方法假设中介变量和因变量之间没有未被控制的其他变量存在，如果存在未被控制的其他变量，可能会对结果产生一定的影响。
此外，中介效应的两步法只能判断中介效应的存在与否，而不能确定中介效应的具体机制。
中介效应分析方法
中介效应分析方法１中介变量与相关概念在本文中,假设我们感兴趣得就就是因变量(Ｙ) 与自变量(X）得关系。
虽然它们之间不一定就就是因果关系,而可能只就就是相关关系,但按文献上得习惯而使用“X对得影响”、“因果链”得说法。
为了简单明确起见,本文在论述中介效应得检验程序时，只考虑一个自变量、一个中介变量得情形。
但提出得检验程序也适合有多个自变量、多个中介变量得模型。
1、1 中介变量得定义考虑自变量Ｘ对因变量Y得影响，如果X通过影响变量Ｍ来影响Y,则称M为中介变量。
例如“, 父亲得社会经济地位”影响“儿子得教育程度”,进而影响“儿子得社会经济地位”。
又如，“工作环境”（如技术条件) 通过“工作感觉”（如挑战性）影响“工作满意度”。
在这两个例子中,“儿子得教育程度”与“工作感觉”就就是中介变量。
假设所有变量都已经中心化(即均值为零）,可用下列方程来描述变量之间得关系:Y = cX+ e１(1)Ｍ=aX + e2(２）Y = c’X + bＭ+ e3 （3)e1 Ｙ=cX+e1M=ａX+e2e3 Y=c’X+bM+e3中介变量示意图假设Y与X得相关显著,意味着回归系数c显著(即H0: c = 0 得假设被拒绝) ,在这个前提下考虑中介变量M。
如何知道M真正起到了中介变量得作用,或者说中介效应（mediａtor eｆfｅcｔ）显著呢？目前有三种不同得做法。
传统得做法就就是依次检验回归系数。
如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量;（ｉi)在因果链中任一个变量,当控制了它前面得变量(包括自变量) 后,显著影响它得后继变量。
这就就是Baroｎ与Ｋenny 定义得(部分) 中介过程。
如果进一步要求:(ｉii)在控制了中介变量后,自变量对因变量得影响不显著, 变成了Ｊｕdd与Kenny定义得完全中介过程。
在只有一个中介变量得情形，上述条件相当于(见图１） : (ｉ) 系数ｃ显著（即H0 : c =０得假设被拒绝) ;（iｉ)系数a 显著(即Ｈ0 : a = 0 被拒绝）,且系数b显著(即Ｈ0 : b＝0被拒绝) 。
中介效应的检验步骤与方法
中介效应的检验步骤与方法一、中介效应的概念中介效应是指在两个变量之间存在一个中介变量，该中介变量通过解释独立变量与因变量之间的关系。
中介效应研究的是独立变量对因变量的影响是否通过中介变量来实现。
中介变量是独立变量与因变量之间的一个中间步骤，起到传导效应的作用。
二、中介效应的检验步骤中介效应的检验步骤主要包括以下几个步骤：1. 确定独立变量、中介变量和因变量：首先需要明确研究中的独立变量、中介变量和因变量是什么。
独立变量是研究者感兴趣的变量，中介变量是独立变量与因变量之间的中间步骤，因变量是研究的结果。
2. 进行总效应分析：在检验中介效应之前，需要先分析独立变量对因变量的总效应。
这可以通过回归分析、相关分析等方法来进行。
3. 进行中介效应分析：在确认了独立变量对因变量具有一定影响之后，需要进一步分析中介变量的影响。
这可以通过路径分析、结构方程模型、Bootstrap法等方法来进行。
4. 检验中介效应的显著性：在进行中介效应分析后，需要检验中介效应的显著性。
常用的方法有Sobel检验、Bootstrap法等。
5. 进行附加分析：在检验中介效应的显著性之后，还可以进行一些附加的分析，如中介效应的大小、方向等。
三、常用的中介效应检验方法1. Sobel检验：Sobel检验是一种常用的中介效应检验方法，通过计算中介效应的标准差来判断中介效应的显著性。
该方法基于正态分布的假设，适用于样本量较大的情况。
2. Bootstrap法：Bootstrap法是一种非参数检验方法，适用于样本量较小的情况。
该方法通过对原始样本的重抽样，得到多个重抽样样本，然后计算中介效应的分布，从而判断中介效应的显著性。
3. 结构方程模型：结构方程模型是一种多变量分析方法，可以同时估计变量之间的直接效应和间接效应。
通过构建适当的模型，可以直接估计中介效应的大小和显著性。
4. 偏差修正方法：偏差修正方法是一种用于纠正因果推断中潜在偏差的方法。
中介效应的方法
中介效应的方法中介效应是社会心理学领域的一个概念，是指一个变量对另外两个变量之间关系的影响。
换言之，如果一个变量对另外两个变量之间的关系产生了影响，那么这个变量就是一个中介变量。
中介效应在研究心理学和社会学中得到广泛运用。
本文将介绍中介效应的几种主要的方法及其优缺点。
方法一：中介效应检验中介效应检验是一种常用的中介效应方法。
它的基本思想是通过回归分析来探讨变量之间的关系。
具体操作过程为：先将自变量与依赖变量之间的关系进行回归分析，得到直接效应；然后将自变量与中介变量之间的关系分析，得到中介效应；最后将中介变量和依赖变量进行回归分析，来确定其间接效应和总效应。
这种方法的优点在于能够识别中介变量对因变量的影响，并充分考虑到中介效应对因变量的影响。
缺点是需要对变量之间的关系进行复杂的回归分析，运算量大且结果的可解释性较强。
方法二：回归分析结构方程模型回归分析结构方程模型是一种较为复杂的统计分析方法。
基本上，它是把回归与因子分析结合起来，采用因子分析的方法来评估变量之间的因素结构，并通过路径模型来描述变量之间的关系。
这种方法的优点在于模型的可解释性，能够提供变量之间的影响及其大小，并能够检验模型的拟合度。
缺点在于运算量较大，需要专业的知识和技能，否则容易导致模型的误差。
方法三：Bootstrap方法Bootstrap方法是一种用于估计统计量置信区间的方法。
它的基本思想是通过模拟中介效应的分布，来判断中介效应的大小是否显著。
能够有效地避免观测数据误差对结果的影响，具有较好的鲁棒性和统计效力。
缺点在于需要使用大量的计算资源，运算时间较长且解释性差。
综上所述，以上三种中介效应的方法各有优缺点，具体采用哪种方法应根据实际情况进行选择。
不管哪种方法，都需要仔细的设计实验，合理的进行数据收集和整理，并且选用适当的统计方法进行数据分析，以得出正确和可靠的结论。
中介效应(逐步检验法与Sobel检验)
中介效应定义：当我们在分析自变量X对因变量Y的影响时，如果变量X可以通过影响变量M从而对因变量产生影响，那么就可以说变量M属于X与Y两者关系的中介变量，是一条影响路径。
参考温忠麟的文献，现有的中介效应检验方法有以下几种：逐步检验法、系数乘积检验（Sobel检验法、Bootstrap 检验）在进行中介效应检验之前，需要将所有的变量进行中心化处理，也就使得变量均值为0。
1.逐步检验法Y=cX+e1 (1)M=aX+e2 (2)Y=c`X+bM+e3 (3)主要分为三步：第一步：检验方程(1) 的系数c，也就是自变量X 对因变量Y 的总效应；第二步：检验方程(2) 的系数a，也就是自变量X 和中介变量M 的关系；第三步：控制中介变量M 后，检验方程(3) 的系数c’和系数 b ;判定依据：（1）系数 c 显著，则说明X对Y存在显著作用。
（2）系数 a 显著，则说明X对M存在显著作用，且系数 b 显著；系数c’小于系数c。
同时满足以上两个条件，则中介效应显著；另外根据方程（3）中系数c’的显著性判断中介效应的类型，如若系数c’显著，则属于部分中介效应，如若系数c’不显著，则可以称为完全中介效应。
STATA命令如下：Center Y x m control（中心化）reg y x //分析x 和y 之间的关系reg m x //分析x 和m 之间的关系reg y m x // 加入m，看x 和y 之间的关系在三者关系中，总效应为c=ab + c’，其中c’ 为直接效应，ab 为中介效应也称间接效应。
所以可以计算中介效应在总效应中占比为ab/c。
2.sobel检验安装sgmediation命令，findit sgmediationStata命令：sgmediation 因变量, mv(中介变量) iv(自变量) cv(控制变量)回归结果举例：分析结果主要分成三个部分，第一部分是中介效应的显著性的统计量Sobel，看p值的大小，若小于0.1就显著；第二部分是展示分步回归中，自变量和中介变量的回归系数与标准误，以及各自对因变量的效应大小；第三部分，是中介效应和直接效应在X对Y的总效应中所占的份额，本图中中介效应比例是6.52%。
中介效应分析方法和模型发展
5、实例分析 a.引入实际研究案例 b.详细解释实例中使用的SEM模型 c.分 析多重中介效应的结果
6、总结和展望 a.总结本次演示的主要观点和内容 b.提出未来研究方向
三、展开论述
1、引言在引言部分，我们将简要介绍SEM和多重中介效应的概念，以及本次 演示的主题和目的。通过引出问题，激发读者对后续内容的兴趣。
对比三类多层中介效应分析方法，可以发现每种方法都有其独特的优点和局 限性。基于模型的方法需要严格的假设条件，但可以准确估计每个中介变量的效 应；基于路径分析的方法可以直观展示作用路径，但对样本量的要求较高；基于 SEM的方法可以同时估计多个中介效应，但需要复杂的模型构建过程。
综上所述，三类多层中介效应分析方法各有优劣。在选择使用哪种方法时， 研究者应根据研究问题的具体情况、样本量和数据特点等因素进行综合考虑。此 外，未来研究可以进一步探讨这三类方法的拓展和融合，以期在处理中介效应问 题时能够获得更全面、准确的结果。
本次演示对中介效应分析方法和模型发展进行了详细的探讨，并引入了一个 实际案例来说明这些方法的应用。从中介效应分析方法来看，协整分析和误差修 正模型等传统方法在处理时间序列数据和描述变量间长期均衡关系方面具有一定 的优势，但在处理多重共线性和数据缺失等问题上仍有不足；而随机森林和神经 网络等新型方法在处理高维数据和非线性关系时表现出较强的能力，但在调参和 解释性方面仍存在挑战。
4、基于SEM的多重中介效应分析方法本节将详细描述如何使用SEM进行多重 中介效应分析。我们将介绍SEM在多重中介效应分析中的步骤，包括模型设定、 估计和检验等。同时，我们将通过实例演示如何使用SEM进行多重中介效应分析， 并解释每个步骤的理论依据和实际操作方法。
5、实例分析本节将引入一个实际研究案例，介绍如何将SEM应用于多重中介 效应分析。我们将详细解释案例中使用的SEM模型，包括潜在变量的设定、路径 图的构建以及模型估计和检验的过程。同时，我们将分析多重中介效应的结果， 探讨变量之间的关系以及中介效应的大小和方向。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中介效应分析方法1 中介变量和相关概念在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。
虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。
为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。
但提出的检验程序也适合有多个自变量、多个中介变量的模型。
中介变量的定义考虑自变量X 对因变量Y 的影响,如果X通过影响变量M来影响Y,则称M 为中介变量。
例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。
又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。
在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。
假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系:Y = cX + e1(1)M = aX + e2(2)Y = c’X + bM + e3(3)1Y=cX+e1M=aX+e2e3Y=c’X+bM+e3图1 中介变量示意图假设Y与X的相关显着,意味着回归系数c显着(即H: c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。
如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显着呢目前有三种不同的做法。
传统的做法是依次检验回归系数。
如果下面两个条件成立,则中介效应显着: (i) 自变量显着影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显着影响它的后继变量。
这是Baron 和Kenny 定义的(部分) 中介过程。
如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显着, 变成了Judd和Kenny 定义的完全中介过程。
在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c显着(即H: c = 0 的假设被拒绝) ；(ii) 系数a 显着(即H0: a = 0 被拒绝) ,且系数b显着(即H: b = 0 被拒绝) 。
完全中介过程还要加上: (iii) 系数c’不显着。
第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显着,即检验H: ab = 0 ,如果拒绝原假设,中介效应显着 ,这种做法其实是将ab作为中介效应。
第三种做法是检验c’与c的差异是否显着,即检验H: c - c’= 0 ,如果拒绝原假设,中介效应显着。
中介效应与间接效应依据路径分析中的效应分解的术语 ,中介效应属于间接效应(indirect effect) 。
在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。
当只有一个自变量、一个中介变量时,效应之间有如下关系c = c’+ ab (4)当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。
但公式(4) 对一般的回归系数也成立)。
由公式(4) 得c-c’=ab,即c-c’等于中介效应,因而检验H0 : ab = 0 与H: c-c’= 0 是等价的。
但由于各自的检验统计量不同,检验结果可能不一样。
中介效应都是间接效应,但间接效应不一定是中介效应。
实际上,这两个概念是有区别的。
首先,当中介变量不止一个时,中介效应要明确是哪个中介变量的中介效应,而间接效应既可以指经过某个特定中介变量的间接效应(即中介效应) ,也可以指部分或所有中介效应的和。
其次,在只有一个中介变量的情形,虽然中介效应等于间接效应,但两者还是不等同。
中介效应的大前提是自变量与因变量相关显着,否则不会考虑中介变量。
但即使自变量与因变量相关系数是零,仍然可能有间接效应。
下面的人造例子可以很好地说明这一有趣的现象。
设Y是装配线上工人的出错次数, X 是他的智力, M 是他的厌倦程度。
又设智力(X) 对厌倦程度(M) 的效应是 ( =a) ,厌倦程度(M) 对出错次数( Y ) 的效应也是 ( = b) ,而智力对出错次数的直接效应是( = c′) 。
智力对出错次数的总效应( = c) 是零(即智力与出错次数的相关系数是零) 。
本例涉及效应(或相关系数) 的遮盖( suppression) 问题。
由于实际中比较少见,这里不多讨论。
但从这个例子可以看出中介效应和间接效应是有区别的。
当然,如果修改中介效应的定义,不以自变量与因变量相关为前提,则另当别论。
在实际应用中,当两个变量相关不显着时,通常不再进一步讨论它们的关系了。
2中介效应分析方法由于中介效应是间接效应,无论变量是否涉及潜变量,都可以用结构方程模型分析中介效应。
从路径图(图1) 可以看出,模型是递归的( recursive) ,即在路径图上直线箭头都是单向的,没有反向或循环的直线箭头,且误差之间没有弧线箭头联系。
所以,如果所有变量都是显变量,可以依次做方程(1) —(3) 的回归分析,来替代路径分析。
就是说,如果研究的是显变量,只需要做通常的回归分析就可以估计和检验中介效应了。
无论是回归分析还是结构方程分析,用适当的统计软件都可以得到c的估计cˆ; a , b , c′的估计aˆ,bˆ,cˆ',以及相应的标准误。
中介效应的估计是aˆbˆ或cˆ-cˆ',在显变量情形并且用通常的最小二乘回归估计时,这两个估计相等。
在其他情形,使用aˆbˆ比较直观,并且它等于间接效应的估计。
除了报告中介效应的大小外,还应当报告中介效应与总效应之比(aˆbˆ/ (cˆ'+aˆbˆ) ) ,或者中介效应与直接效应之比(aˆbˆ/cˆ') , 它们都可以衡量中介效应的相对大小。
与中介效应的估计相比,中介效应的检验要复杂得多。
下面按检验的原假设分别讨论。
依次检验回归系数在三种做法中,依次检验回归系数涉及的原假设最多,但其实是最容易的。
如果H0 : a = 0 被拒绝且H: b = 0 被拒绝,则中介效应显着,否则不显着。
完全中介效应还要检验H: c’= 0 。
检验统计量t等于回归系数的估计除以相应的标准误。
流行的统计软件分析结果中一般都有回归系数的估计值、标准误和t值,检验结果一目了然。
这种检验的第一类错误率很小,不会超过显着性水平,有时会远远小于显着性水平。
问题在于当中介效应较弱时,检验的功效很低。
这容易理解,如果a很小(检验结果是不显着) ,而b很大(检验结果是显着) ,因而依次检验的结果是中介效应不显着,但实际上的ab与零有实质的差异(中介效应存在) ,此时犯了第二类错误。
做联合检验(原假设是H: a = 0 且b = 0 ,即同时检验a 和b 的显着性) ,功效要比依次检验的高。
问题是联合检验的显着性水平与通常的不一样,做起来有点麻烦。
检验H0: ab = 0检验H: ab = 0 的关键在于求出aˆbˆ的标准误。
目前至少有5 种以上的近似计算公式。
当样本容量比较大时(如大于500) ,各种检验的功效差别不大。
值得在此介绍的是Sobel 根据一阶Taylor 展式得到的近似公式s ab = 2a22b2sb+^sa^(5)其中, sa , sb分别是aˆ,bˆ的标准误。
检验统计量是z = aˆbˆ/ s ab。
只有一个中介变量的情形,LISREL输出的间接效应的标准误与使用这个公式计算的结果一致。
在输出指令“OUT”中加入“EF”选项,会输出包括间接效应在内的效应估计、相应的标准误和t 值,这个t 值就是Sobel 检验中的z 值。
由于涉及到参数的乘积的分布,即使总体的X 、M 和Y 都是正态分布,并且是大样本, z = aˆbˆ/s ab。
还是可能与标准正态分布有较大的出入。
MacKinnon 等人用该统计量但使用不同的临界值进行检验。
在他们的临界值表中,显着性水平0. 05对应的临界值是0. 97 (而不是通常的1. 96 ,说明中介变量有更多的机会被认为是显着的,从而检验的功效提高了,但第一类错误率也大大增加了)。
MacKinnon 等人的模拟比较研究发现,在样本较小或总体的中介效应不大时,使用新的临界值检验的功效比同类检验的要高,在总体参数a = 0 且b = 0 时第一类错误率与0. 05 很接近,因而是一种比较好的检验方法。
但在统计软件采用该临界值表之前,难以推广应用。
而且,当a = 0 或b = 0 只有一个成立时(此时也有ab = 0 ,即中介效应为零) ,第一类错误率远远高于0. 05 ,这是该方法的最大弊端。
检验H0: c-c’= 0同样,检验H: c-c’= 0 的关键在于如何计算cˆ-cˆ'的标准误。
目前也有多种近似公式。
MacKinnon 等人比较的结果是其中有两个公式得到的检验有较高的功效,在总体参数a = 0 且b = 0 时的第一类错误率与0. 05 很接近。
一个是Clogg 等人给出的公式Sc-c’= ◣XMr◣s c’ (6)其中rXM是X和M 的相关系数。
另一个是Freedman 等人推出的公式Sc-c’= 2XMc'c2c'2cr-1s2s-s+s(7)当a = 0 但b ≠0 时(此时ab = 0 ,即中介效应为零) ,这两种公式对应的检验(即t = (cˆ-cˆ') / s c-c’作为检验统计量) 的第一类错误率都很高。
特别是公式(6) ,对应的第一类错误率有可能高达100 %。
事实上,由公式(6) 得到的检验与H: b= 0 的检验等价。
就是说,即使中介效应不存在( ab = 0) ,只要b 0显着,检验结果就是中介效应显着(犯了第一类错误) 。
一个实用的中介效应检验程序为了使一个中介效应检验的第一类错误率和第二类错误率都比较小,既可以检验部分中介效应,又可以检验完全中介效应,而且还比较容易实施,我们提出如下检验程序。
1. 检验回归系数c ,如果显着,继续下面的第2步。
否则停止分析。
2. 做Baron 和Kenny部分中介检验,即依次检验系数a , b ,如果都显着,意味着X对Y的影响至少有一部分是通过了中介变量M实现的,第一类错误率小于或等于0. 05 ,继续下面第3步。
如果至少有一个不显着,由于该检验的功效较低(即第二类错误率较大) ,所以还不能下结论,转到第4步。
3. 做Judd 和Kenny完全中介检验中的第三个检验(因为前两个在上一步已经完成) ,即检验系数c’,如果不显着,说明是完全中介过程,即X对Y的影响都是通过中介变量M实现的;如果显着,说明只是部分中介过程,即X对Y的影响只有一部分是通过中介变量M实现的。
检验结束。
4. 做Sobel检验,如果显着,意味着M的中介效应显着,否则中介效应不显着。
检验结束。
整个检验程序见图2。