中介效应分析：原理、程序、Bootstrap方法及其应用-2013-08-18
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ppt课件
中介效应分析方法
学生：肖 翔 导师：曾晓青
1
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，“专业满意度”影响“专业承诺”，进而影响“对该专业 的学习投入”。“专业承诺”是中介变量。
new (H); !定义辅助变量 H=a*b; ! 系数乘积ab的估计 OUTPUT: cinterval (bcbootstrap);!输出各个系数及系数乘积 ab 的偏差校正的非参数 百分位 Bootstrap 法置信区间 若要得到(不校正的)非参数百分位Bootstrap 法置信区间, 只需将 OUTPUT 中的 cinterval (bcbootstrap)改为 cinterval (bootstrap)即可。
学习投入
图3：专业承诺对专业满意度和学习投 入的中介作用模型
13
依次检验回归系数法Mplus
TITLE: The structure of PTSD of DSM-4 using ML in table 5-8 !题目。 DATA: FILE IS PTSD.dat / .txt ; !指定数据存储位置。 VARIABLE: NAMES ARE x1 x2 y1-y17; !定义数据文件中的变量名。
先看以上指标，如果满足以上条件，则模型符 合拟合指标。
15
16
再看STDYX Standardization输出数据，确定中介调节效应
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。
中介效应分析：原理、程序、Bootstrap方法及其应用
校正的非参数百分位法，在X编码框中选择“Indicator”，即将自变量 作为多组别分类变量进行编码。
.
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 结果汇报
.
1 经典的中介检验方法（即前一个ptt中讲的）
因果逐步回归方法 (Causal Step Regression) (Baron & Kenny1986) (1) (2) (3)
M
a=0.7*
b=0.58*
X
* p<0.05
c’=0.2
Y
c=0.6*
.
1 经典的中介检验方法
温忠麟等（2004）中介效应检验程序（知网上应该有）
资料来源：温忠麟,张雷,侯杰泰,刘红云. 中介效应检验程序及其应用. 心理学报, 2004, 36(5): 614-620. .
1. 经典的中介检验方法
存在的问题 > 主效应并非中介效应存在的前提 > 完全中介并非中介检验的完美准则 > 该方法并非直接检验中介路径a*b=0 > 未能明晰复杂中介的检验
中介效应分析：原理、程序、Bootstrap方法及其应用
清华大学经济管理学院 陈瑞 郑毓煌 刘文静
.
本文的写作目的
• 总结介绍前沿的中介检验程序和方法 • 结合研究实例，阐述Bootstrap中介检验的具体应用 • 结合研究实例，阐述复杂中介检验时Bootstrap的应用、
结果分析和汇报
.
目录
• 经典的中介效应检验方法 • 中介效应检验的原理和程序 • Bootstrap中介检验方法及其应用 • 结论和讨论
中介效应分析原理程序Bootstrap方法及其应用
3. Bootstrap中介效应检验方法及其应用
3.1 简单中介检验
> 具体操作步骤（以Tong, Zheng & Zhao (2013)为例介绍）
安装PROCESS插件（Hayes 2013） 打开SPSS，选择“Analyze”→“Regression”→“PROCESS”； 将自变量（时间概念）、中介变量（防御聚焦）和因变量（享乐实用
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
若两个控制组对因变量影响无显著差异，将控制组合并 (如Calogero & Jost 2010, Janssen et al. 2010)
将对实验操纵的操纵检验变量作为自变量 (如Forgas 2011)
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 具体操作步骤（以Legate et al. (2013)为例介绍）
选择）依次选入相应的选项框。 选择模型4，设定样本量为5000, Bootstrap取样方法选择偏差校正的
非参数百分位法，即勾选“Bias Corrected”；对置信区间的置信度，选 择95%
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
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。
中介作用于调节作用：原理与应用
中介效应与调节效应：原理与应用姜永志整理编辑1中介效应和调节效应概念原理1.1中介效应考虑自变量X对因变量Y的影响，如果X 通过影响变量M而对Y产生影响，则称M 为中介变量，中介变量阐明了一个关系或过程“如何”及“为何” 产生。
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。
假设所有变量都已经中心化(即将数据减去样本均值，中心化数据的均值为0)或者标准化(均值为0，标准差为1)，可用下列回归方程来描述变量之间的关系(图1 是相应的路径图)：其中方程(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；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；e1-e3 是回归残差。
中介效应等于间接效应(indirect effect)，即等于系数乘积ab，它与总效应和直接效应有下面关系：Y =cX +e1(1)M =aX +e2 (2)Y =c' X +bM +e3 (3)c = c′+ab (4) 简单中介效应中成立，多重中介效应不成立。
中介效应的因果逐步回归法模型1.2调节效应如果变量Y与变量X的关系是变量M的函数，称M为调节变量。
就是说，Y 与X 的关系受到第三个变量M的影响。
调节变量(moderator)所要解释的是自变量在何种条件下会影响因变量，也就是说，当自变量与因变量的相关大小或正负方向受到其它因素的影响时，这个其它因素就是该自变量与因变量之间的调节变量。
调节变量可以是定性的(如性别、种族、学校类型等)，也可以是定量的(如年龄、受教育年限、刺激次数等)，它影响因变量和自变量之间关系方向(正或负)和强弱，调节变量展示了一个关系“何时”和“为谁”而增强或减弱。
如，学生一般自我概念与某项自我概念(如外貌、体能等)的关系，受到学生对该项自我概念重视程度的影响：很重视外貌的人，长相不好会大大降低其一般自我概念；不重视外貌的人，长相不好对其一般自我概念影响不大，从而对该项自我概念的重视程度是调节变量。
中介效应分析-原理、程序、Bootstrap方法及其应用
a,b 至少有一个不显著
检验系数 c’ 显著 不显著
Sobel 检验 显著 不显著
部分中介
完Байду номын сангаас中介 中介显著
中介不显著
Y 与 X 相关不显著 停止中介效应分析
图 1 温忠麟等（2004）中介效应检验程序
资料来源：温忠麟,张雷,侯杰泰,刘红云. 中介效应检验程序及其应用. 心理学报, 2004, 36(5): 614-620.
中介效应分析：原理、程序、Bootstrap 方法及其应用*
摘要 以往研究中，中介效应分析普遍参照 Baron & Kenny（1986）的因果逐步回归分 析法进行中介检验。但是，近年来诸多学者对该方法的合理性和有效性提出质疑。 在此背景下，本研究对国际上近年来提出的最新中介效应检验程序和 Bootstrap 方 法进行提炼总结，详细阐述了中介效应分析的原理、程序、以及使用 Bootstrap 方 法的具体步骤。更为重要的是，本文不仅介绍了简单中介效应的检验，还对于研 究中经常遇到的复杂的有调节的中介、多个并列中介和多步中介等多种复杂中介 情况下如何进行中介效应分析进行了详细的介绍，具体涵盖 Bootstrap 方法进行中 介效应检验时的软件操作、数据分析和数据汇报，这对国内研究者进行中介效应 分析将提供有效、科学和便捷的指导。
regression in mediation tests. However, in recent years many researchers have questioned the rationality and reliability of Baron & Kenny’s procedures. Based on this background, this paper summarized the most recent mediation test procedure and Bootstrap method, and elaborated principle, procedure and offers a step-by-step instruction for data analysis using Bootstrap. We not only introduce the simple mediation test, but also elaborate the rationales and methods for several complex mediation models such as mediated moderation, moderated mediation, multiple mediators, and serial multiple mediators, including steps of performing the bootstrap analysis with SPSS software, data analysis and results reports. The paper will provide effective, scientific and convenient guidance for domestic scholar. Key words Mediation Effect; Causal Step Regression; Bootstrap Method
中介效应分析-原理、程序、Bootstrap方法及其应用
《中介效应检验程序及其应用》论文框架范文范例
中介效应检验程序及其应用论文框架范本引言心理学研究旨在理解和解释人类行为、情感和认知。
在这个广泛而复杂的领域中，心理计量方法的发展变得至关重要。
本文将深入探讨其中一项关键技术——中介效应检验程序，并详细分析其在解释心理现象中的应用。
通过对这一方法的原理、方法和实际应用的综合讨论，我们旨在为研究者提供一个更清晰的视角，以加深对心理学现象的理解。
文献回顾中介效应检验的基本概念中介效应是指一个变量通过另一个或一组变量影响因变量的过程。
这一概念的引入为研究者提供了一种更为深入地理解变量之间关系的方式。
中介效应检验方法被广泛应用于揭示这些复杂关系的机制。
主要中介效应检验方法Baron和Kenny的四步法以及Preacher和Hayes的Bootstrap 方法是两种主要的中介效应检验方法。
这些方法为研究者提供了灵活性和可操作性，使他们能够更好地理解和解释中介效应。
中介效应检验的步骤和程序第一步：确定总效应在中介效应检验中，首先需要确定总效应，即自变量对因变量的总体影响。
这一步骤为后续中介效应的检验奠定了基础。
第二步：检验中介效应通过计算中介效应的值，并使用统计方法进行显著性检验，研究者可以确定中介变量在解释总效应中的贡献。
这一步骤有助于揭示心理学现象的内在机制。
第三步：检验总效应和中介效应的关系分析直接效应和间接效应之间的关系，探讨中介变量在总效应中的特定作用。
这有助于进一步理解变量之间的复杂交互。
中介效应检验在实证研究中的应用实证案例1：社会认知过程的中介效应检验通过实际案例分析，我们可以看到中介效应检验在研究社会认知过程中的应用。
这有助于提高对人际关系和社会互动的理解。
实证案例2：情绪对认知任务的影响中的中介效应检验通过实际案例，我们探讨了中介效应检验在研究情绪对认知任务的影响中的应用。
这有助于揭示情绪和认知之间的关系。
讨论与未来展望论文主要发现的总结表明中介效应检验程序在心理学研究中具有适用性和有效性。
bootstrap方法
bootstrap方法Bootstrap方法。
Bootstrap方法是一种统计学上的重要技术，它可以用来估计统计量的抽样分布，计算置信区间和假设检验的p值。
Bootstrap方法的基本思想是通过对原始数据的重抽样来模拟总体分布，从而进行统计推断。
本文将介绍Bootstrap方法的基本原理、应用领域以及实际操作步骤。
Bootstrap方法的基本原理是利用样本数据来模拟总体分布，通过对原始数据的重抽样来构建多个虚拟样本，进而估计统计量的抽样分布。
在实际应用中，我们通常会进行大量的重抽样，比如重复抽取1000次或更多次，以获得统计量的抽样分布。
通过这种方法，我们可以获得统计量的置信区间，评估参数的不确定性，以及进行假设检验。
Bootstrap方法在实际应用中有着广泛的应用领域，比如金融、医学、生态学、工程等领域。
在金融领域，Bootstrap方法常常用于风险管理和金融衍生品定价；在医学领域，Bootstrap方法可以用于估计参数的置信区间和进行假设检验；在生态学领域，Bootstrap方法可以用于估计物种丰富度和多样性指数；在工程领域，Bootstrap方法可以用于估计工程参数的不确定性。
实际操作Bootstrap方法时，首先需要从原始数据中进行重抽样，构建多个虚拟样本。
然后针对每个虚拟样本计算统计量的值，比如均值、中位数、方差等。
通过对这些统计量的分布进行分析，我们可以得到统计量的抽样分布，从而获得置信区间和假设检验的p值。
总之，Bootstrap方法是一种强大的统计学技术，它可以在不知道总体分布的情况下进行统计推断，适用于各种领域的数据分析和统计推断。
通过对原始数据的重抽样，Bootstrap方法可以帮助我们更准确地估计参数的不确定性，评估统计量的置信区间，以及进行假设检验。
因此，掌握Bootstrap方法对于数据分析和统计推断是非常重要的。
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。
中介效应检验方法
中介效应检验方法中介效应是指一个变量对自变量和因变量之间关系的影响。
在心理学和社会科学研究中，中介效应检验方法被广泛运用，用于探究某一变量对另外两个变量之间关系的影响机制。
本文将介绍几种常用的中介效应检验方法，希望能为研究者提供一些参考和帮助。
首先，最常用的中介效应检验方法之一是“Bootstrap法”。
Bootstrap法通过重复抽样的方法来估计中介效应的置信区间，从而判断中介效应的显著性。
这种方法的优势在于不需要对数据的分布做出假设，能够更加准确地估计中介效应的大小和显著性。
研究者可以利用统计软件进行Bootstrap法的实施，得到中介效应的估计和置信区间。
其次，另一种常用的中介效应检验方法是“Sobel检验”。
Sobel检验通过计算中介效应的标准误差，从而判断中介效应的显著性。
这种方法需要对数据的分布做出一定的假设，但在满足假设的情况下，Sobel检验能够提供中介效应的显著性判断。
研究者可以通过在线工具或专门的软件进行Sobel检验，得到中介效应的显著性判断结果。
除了Bootstrap法和Sobel检验，还有一种常用的中介效应检验方法是“Baron和Kenny的四步法”。
这种方法通过分析自变量、中介变量和因变量之间的关系，来判断中介效应的存在和大小。
虽然这种方法在实施过程中需要进行多个步骤的分析，但它能够提供对中介效应机制的深入理解，有助于揭示变量之间复杂的关系。
需要注意的是，不同的中介效应检验方法各有优劣，并且在使用时需要根据具体的研究问题和数据特点进行选择。
研究者在进行中介效应检验时，应该结合实际情况和研究目的，选择合适的方法进行分析，并且在结果解释时要注明所采用的方法和其局限性。
总之，中介效应检验方法在心理学和社会科学研究中具有重要的意义，能够帮助研究者深入理解变量之间的关系。
研究者应该根据具体情况选择合适的方法进行分析，并且在结果解释时要谨慎对待，避免过度解释和误导性结论的出现。
希望本文介绍的几种中介效应检验方法能够为研究者提供一些参考和帮助，促进研究工作的开展和进步。
中介分析和自举程序应用
中介分析和自举程序应用中介分析和自举程序是统计学中非常重要的技术，用于探索变量之间的关系和影响。
本文将介绍这两种技术的应用。
中介分析可以帮助研究者理解变量之间的关系，并确定一个变量是否通过另一个变量影响另一个变量。
中介变量是连接原因变量和结果变量之间的变量。
一般来说，如果一个变量能够影响两个变量，则这个变量被视为中介变量。
下面是一个简单的例子来说明中介分析的过程。
考虑一个研究，其中研究者想要探索运动对心理健康的影响。
该研究有两个变量：运动（原因变量）和心理健康（结果变量）。
假设有一个中介变量是压力水平。
在这种情况下，运动可以影响压力水平，压力水平也可以影响心理健康。
因此，压力水平是运动和心理健康之间的中介变量。
为了测试这个模型，研究者可以运行一组回归分析。
运动对压力水平的影响可以被测试。
然后，压力水平对心理健康的影响可以被测试。
运动对心理健康的直接影响和通过压力水平的间接影响可以被测试。
如果这些影响都显著，那么压力水平就被视为运动和心理健康之间的中介变量。
自举程序是一种用于估计样本统计量的分布的非参数方法。
它通过从原始数据生成多个样本，并在每个样本上计算统计量来工作。
然后，这些统计量的分布可以被估计，从而为推断提供基础。
下面是一个简单的例子来说明自举程序的过程。
考虑一个研究，其中研究者想要估计一组数据的均值和标准差。
该数据集有100个数据点，但是不知道总体分布。
为了估计均值和标准差，研究者可以使用自举程序。
研究者可以选择一个样本量，例如。
然后，从原始数据集中抽取个数据点，但每次抽取后将数据点放回原始数据集。
这确保了每个数据点被抽取的次数相同。
在这个样本上计算均值和标准差后，就可以得到自举估计值。
自举程序的优点是可以生成多个样本，以便更好地估计统计量的分布。
这使得研究者可以在不同的样本上检查统计量的一致性，并计算置信区间和其他推断统计量。
中介效应分析是一种用于研究变量之间复杂关系的方法，该方法通过考察变量之间的间接效应，即中介效应，来理解变量之间的作用机制。
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。
1.1 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+e1M=aX+e2e3 Y=c’X+bM+e3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H0 : 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H0 : 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H0 : b = 0被拒绝) 。
中介效应分析概述
中介效应分析概述中介效应分析广泛用于社会科学研究Wood Goodman Beckmann Cook 2008，如心理学MacKinnon Fairchild Fritz 2007 Rucker Preacher TormalaPetty2011 ，管理学Mathieu DeShon Bergh 2008 和传播学Hayes PreacherMyers2011等。
Rucker 等2011统计发现2005 至2009 年间发表在《人格与社会心理学杂志》Journal of Personality and Social Psychology JPSP 和《人格与社会心理学公报》Personality and Social Psychology Bulletin PSPB上59和65的文章使用了中介检验。
中介分析之所以如此流行，主要取决于如下几点原因MacKinnon 2008MacKinnon Fairchild Fritz 2007：第一，刺激—有机体—反应模型在心理学中的主导地位其次，中介变量是社会科学诸多理论中不可缺少的内容。
第三，方法学上的挑战，中介效应检验的精确性激起了方法学者的研究热情，新的方法或检验程序不断更新Mathieu DeShon Bergh 2008。
中介变量存在于多种模型，如路径模型，SEM，纵向模型MacKinnon 2008 von Soest Hagtvet 2011和多水平模型Preacher Zyphur Zhang 2010 温忠麟等2012等，下面介绍在路径模型的框架内结束中介效应分析，这里介绍的方法也适用于其他情况，潜变量路径分析SEM中的中介效应分析放在第8 章介绍，关于其他模型的中介效应分析的内容可参见MacKinnon2008和温忠麟等2012的专著。
第二，2.中介效应分析的意义中介变量是联系两个变量之间关系的纽带，在理论上，中介变量意味着某种内部机制MacKinnon 2008。
- 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)。
1 经典的中介检验方法（即前一个ptt中讲的）
因果逐步回归方法 (Causal Step Regression) (Baron & Kenny1986) (1)
(2)
(3)
a=0.7*
M
c’=0.2
b=0.58*
X
* p<0.05
c=0.6*
Y
1 经典的中介检验方法
温忠麟等（2004）中介效应检验程序（知网上应该有）
3. Bootstrap中介效应检验方法及其应用
3.5 多步中介（Serial Multiple Mediators）
3. Bootstrap中介效应检验方法及其应用
3.3 自变量为多类别分类变量
> 结果汇报
按照Zhao et al.（2010）提出的中介分析程序，参照Preacher et al. （2007）和Hayes（2013）提出的有调节的中介分析模型（模型8）进 行Bootstrap 中介变量检验，样本量选择5000，在95%置信区间下，中 介变量自我效能的确中介了香烟渴望程度和忧虑状态对戒烟行为的交 互影响。进一步按照均值、均值加减一个标准差，区分了低、中、高 三种忧虑程度，分析了在不同忧虑程度状态下香烟渴望程度对戒烟行 为影响中自我效能的中介效应，数据结果表明对于低度忧虑和中等忧 虑的病人，自我效能的中介效应显著，Bootstrap检验的置信区间分别 为（-.69, -.04）和（-.41,-.03），均不包含0；而对于高度忧虑的病 人，自我效能并不发挥中介作用（-.31,.03），该区间包含 0。
3. Bootstrap中介效应检验方法及其应用
3.3 有调节的中介（ Moderated Mediation ）
7种有调节的中介检验模型
W
M
X
Y
Edwards & Lambert (2007), Preacher, Rucker & Hayes (2007)
3. Bootstrap中介效应检验方法及其应用
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 具体操作步骤（以Legate et al. (2013)为例介绍）
安装MEDIATE插件（Hayes & Preacher 2012） 打开SPSS，选择“Analyze”→“Regression”→“MEDIATE”； 将自变量（遵照实验要求）、中介变量（自主性需求）和因变量（负 面情绪）依次选入相应的选项框。 设定样本量为5000；置信区间选择95%，Bootstrap取样方法选择偏差 校正的非参数百分位法，在X编码框中选择“Indicator”，即将自变量作 为多组别分类变量进行编码。
3. Bootstrap中介应检验方法及其应用
3.4 多个并列的中介变量（ Multiple Mediators） Bootstrap方法的优点
可以检验分析所有的并列中介变量共同发挥的中介作用的大小； 其二，可以观测在剔除了其他中介路径的作用之后，单个的中介 路径的作用大小 其三，可以对比不同中介路径的作用大小是否存在显著差异。
3. Bootstrap中介效应检验方法及其应用
3.1 简单中介检验
> 结果汇报
按照 Zhao et al. （2010）提出的中介效应分析程序， 参照Preacher & Hayes(2004) 和Hayes (2013) 提出的Bootstrap方法进行中介效应 检验， 样本量选择5000，在95%置信区间下，中介检验的结果的确 没有包含0（LLCI=-1.7089, ULCI=-.1597），表明防御聚焦导向的中 介效应显著，且中介效应大小为-.8379。此外，控制了中介变量防御 聚焦导向之后，自变量金钱概念（金钱概念启动vs. 控制组）对因变 量消费者选择（享乐品 vs. 实用品）的影响不显著，区间（LLCI=.8907 ULCI=.5303）包含0。因此防御聚焦导向在金钱概念对消费者 享乐实用选择影响中发挥了中介作用，且是唯一的中介变量。
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
>逻辑：X对Y的影响通过中介M发挥 作用，这种中介受到W的调节。
W X M Y X
W M Y
两者没有本质区别，只是强调的重点不同
Muller, Judd & Yzerbyt (2005), Edwards & Lambert (2007), Preacher, Rucker & Hayes (2007)
3. Bootstrap中介效应检验方法及其应用
3.4 多个并列的中介变量
> 结果汇报
按照Zhao et al. （2010）提出的中介分析程序， 参照Preacher & Hayes（2008）提出的多个并列的中介变量检验方法，进行 Bootstrap中介变量检验，样本量选择5000，设置95%的置信区间。 数据结果表明四个中介变量共同发挥的中介作用显著（-.15, .08），作用大小为-.11；在四个中介路径中生活目标感知（-.05, .01）、正确的价值观（-.04, -0.3）和自我价值感知（-.09, -.03）发 挥了显著的中介作用，中介作用大小依次为-.03，-.02，-.06；而自 我效能的中介作用并不显著（-.02, .00）。为了更好地区分各中介 路径相对大小，对四个中介路径作用的大小进行了对比，数据结果 显示，自我价值感知的中介作用显著高于自我效能（.01, .08）的中 介作用，其他的中介路径比较则没有显著差异18。
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
中介效应分析：原理、程序、Bootstrap方法及其应用
清华大学经济管理学院 陈瑞 郑毓煌 刘文静
本文的写作目的
• 总结介绍前沿的中介检验程序和方法
• 结合研究实例，阐述Bootstrap中介检验的具体应用 • 结合研究实例，阐述复杂中介检验时Bootstrap的应用、 结果分析和汇报
目录
• 经典的中介效应检验方法 • 中介效应检验的原理和程序 • Bootstrap中介检验方法及其应用 • 结论和讨论
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 以往检验方法
使用ANOVA进行因果逐步回归（如Pandelaere et al. 2010, Wirtz & McColl-Kennedy, 2009） 分别进行两组间比较的回归中介分析(如 Mehta et al. 2012, Pedersen et al. 2011) 若两个控制组对因变量影响无显著差异，将控制组合并 (如Calogero & Jost 2010, Janssen et al. 2010) 将对实验操纵的操纵检验变量作为自变量 (如Forgas 2011)
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 结果汇报
按照Zhao et al.（2010）提出的中介分析程序，参照Preacher & Hayes (2012)提出的多类别分类自变量模型进行Bootstrap中介效应 检验， 将自变量以无实验要求组为参照编码为两个哑变量，样本 量选择5000，在95%置信区间下，遵照实验要求排斥他人（vs. 无 实验要求）对情绪的负面影响受到心理需求的中介影响（LLCI=.25 ULCI=.63） ，该区间不包含0，中介效应大小为0.43；遵照实验要 求接纳他人（vs. 无实验要求）对情绪的负面影响也受到心理需求 的中介影响（LLCI=.01 ULCI=.28），该区间没有包含0，中介效应 大小为0.13。此外，两个哑变量（遵照实验要求排斥他人 vs. 无实 验要求；遵照实验要求接纳他人 vs. 无实验要求）对因变量（情 绪）的直接影响均不显著（p>0.05），表明心理需求是唯一的中介 变量。
3.3 有调节的中介（ Moderated Mediation ）
> 具体操作步骤（以Berndt et al. (2012)为例介绍）
选择“Analyze”→“Regression”→“PROCESS” 将自变量（香烟渴望程度）、中介变量（自我效能）、调节变量（忧 虑状态）和因变量（戒烟行为）依次选入相应的选项框。 选择模型8，设定样本量为5000；置信区间选择95%，Bootstrap取样 方法选择偏差校正的非参数百分位法。
3. Bootstrap中介效应检验方法及其应用
3.3 有调节的中介（ Moderated Mediation ）
有中介的调节(Mediated Moderation) >逻辑：X和W交互影响Y, X和W 对Y的交互影响受到中介变量M 的作用。
有调节的中介(Moderated Mediation)
具体操作步骤（以Stillman et al. (2009)为例）
打开SPSS，选择“Analyze”→“Regression”→“PROCESS”；
将自变量（社会排斥）、中介变量（生活目标感知、自我效能、正
确的价值观、自我价值感知）和因变量（（生命意义感知）依次选入 相应的选项框。 选择模型4，设定样本量为5000, Bootstrap取样方法选择偏差校正的 非参数百分位法；对置信区间的置信度，选择95%