多重中介效应检验(DOC)
温忠麟老师地检验中介效应程序.docx
温忠麟老师的检验中介效应程序一、中介效应概述中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M) 的间接影响产生的，此时我们称M 为中介变量，而X 通过 M 对 Y 产生的的间接影响称为中介效应。
中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。
以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下：Y=cx+e11)M=ax+e22)Y=c ’ x+bM+e 33)上述 3 个方程模型图及对应方程如下：二、中介效应检验方法中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法：1.依次检验法（causual steps ）。
依次检验法分别检验上述 1）2）3 ）三个方程中的回归系数，程序如下：1.1 首先检验方程 1 ）y=cx+ e1 ，如果 c 显著（H0:c=0 被拒绝），则继续检验方程 2），如果 c 不显著（说明 X 对 Y 无影响），则停止中介效应检验；1.2 在 c 显著性检验通过后，继续检验方程 2 ）M=ax+e2，如果a 显著（ H0:a=0被拒绝），则继续检验方程3）；如果 a 不显著，则停止检验；1.3 在方程 1 ）和 2）都通过显著性检验后，检验方程 3）即 y=c ’x + bM + e3, 检验 b 的显著性，若 b 显著（ H0:b=0 被拒绝） ,则说明中介效应显著。
此时检验 c’,若 c’显著，则说明是不完全中介效应；若不显著，则说明是完全中介效应，x 对 y 的作用完全通过 M 来实现。
评价 :依次检验容易在统计软件中直接实现，但是这种检验对于较弱的中介效应检验效果不理想，如 a 较小而 b 较大时，依次检验判定为中介效应不显著，但是此时ab 乘积不等于0，因此依次检验的结果容易犯第二类错误（接受虚无假设即作出中介效应不存在的判断）。
中介效应检验表格
中介效应检验表格主要包含以下几列内容：
1.自变量（X）：用于预测因变量（Y）的变量，也是中介变量（M）
的前置变量。
2.中介变量（M）：在自变量和因变量之间起中介作用的变量。
3.因变量（Y）：被预测的变量，受到自变量和中介变量的共同影响。
4.自变量对因变量的影响（c）：表示自变量对因变量的直接影响。
5.自变量对中介变量的影响（a）：表示自变量对中介变量的直接影
响。
6.中介变量对因变量的影响（b）：表示中介变量对因变量的直接影
响。
7.中介效应（a*b）：表示中介效应的大小，即自变量通过中介变量
对因变量的影响。
8.效应量（Effect Size）：用于衡量中介效应的显著性程度，一般采
用介于0和1之间的值表示。
9.置信区间（Confidence Interval）：表示中介效应估计值的可信
程度，通常以95%或99%的置信水平表示。
中介效应的检验方法
中介效应的检验方法中介效应是指在两个变量之间存在一个中介变量，该中介变量对这两个变量之间的关系产生了影响。
中介效应的检验可以通过以下几种方法进行。
1. Sobel检验Sobel检验是一种使用回归分析的常见方法，用于检验中介效应的显著性。
此方法基于一个假设，即中介变量的效应通过目标变量来影响自变量和因变量之间的关系。
Sobel检验计算中介效应的标准误差，并使用正态分布来检验是否存在显著的中介效应。
2. Bootstrap检验Bootstrap检验是一种非参数统计方法，通过从数据中重复抽取样本进行分析来估计参数的分布。
使用Bootstrap方法进行中介效应的检验，可以通过生成重复样本来计算中介效应的置信区间，并判断中介效应是否显著。
3. Baron和Kenny的四步法Baron和Kenny提出了一种四步法来检验中介效应。
这个方法基于四个步骤：(1) 确定自变量和因变量之间的关系；(2) 确定自变量对中介变量的影响；(3) 确定中介变量对因变量的影响；(4) 验证中介效应的显著性。
这种方法可以帮助研究人员详细分析中介效应的背后机制。
4.鸟笼实验鸟笼实验是一种实验设计方法，用于检验中介效应。
在这种实验中，研究者会操纵自变量来观察对因变量的影响，并通过引入中介变量来研究这种关系的中介机制。
鸟笼实验可以有效地控制其他变量的干扰，并提供更准确的中介效应估计。
5.结构方程模型结构方程模型（SEM）是一种灵活的统计模型，可以用于检验中介效应。
SEM将多个变量之间的关系建模为潜在变量和观测变量之间的关系，并通过比较观测数据和模型预测值，来检验中介效应的显著性。
总结起来，中介效应的检验方法包括Sobel检验、Bootstrap检验、Baron和Kenny的四步法、鸟笼实验和结构方程模型。
研究者可以根据自己的研究目的和数据类型选择适合的方法来检验中介效应的显著性。
多重调节效应和中介与调节整合模型检验实验原理
多重调节效应和中介与调节整合模型检验实验原理
多重调节效应（multiple moderation effects）是指在某个因果关系中，存在多个调节变量同时对因果关系产生影响的现象。
中介与调节整合模型（mediation-moderation integration model）是指在研究中同时考虑中介效应和调节效应的模型。
在实验研究中，检验多重调节效应和中介与调节整合模型可以采用以下步骤：
1. 确定变量和关系：明确要研究的因变量、自变量、可能的中介变量和可能的调节变量。
2. 数据收集和分析：收集相关的数据并进行相应的数据处理和分析。
可以使用统计软件进行分析，如回归分析、结构方程模型等。
3. 检验调节效应：通过回归分析或结构方程模型，探索调节变量对于因变量和自变量之间关系的影响。
可以计算调节变量的交叉乘积项，并加入回归模型中进行检验。
4. 检验中介效应：使用回归分析或结构方程模型，检验中介变量在因变量和自变量之间的中介作用。
可以使用中介效应的检验方法，如Sobel检验、Bootstrap法等。
5. 检验整合模型：将调节效应和中介效应整合到一个模型中，测试模型的拟合程度和各个路径的显著性。
需要注意的是，在实验中，需要严格按照伦理规范进行研究，保护参与者的隐私和权益。
同时，应注意样本的选择和实验设计的合理性，以保证研究结果的可信度和泛化性。
以上是对多重调节效应和中介与调节整合模型检验实验原理的简要介绍，具体的研究方法和统计分析方法还需根据具体研究问题和数据进行进一步选择和操作。
创新自我效能感对创新行为的影响：多重中介效应分析
创新自我效能感对创新行为的影响：多重中介效应分析王楠;张立艳;王洋【摘要】采用创新自我效能感量表、内部动机量表、外部动机量表和创新行为量表，对北京和天津地区的144名科技创新者进行问卷调查，检验了科技创新者的创新自我效能感、内部动机、外部动机与创新行为之间的关系。
研究结果发现创新自我效能感、内部动机、外部动机和创新行为之间均存在显著正相关；创新自我效能感、内部动机和外部动机均可正向预测创新行为；外部动机和内部动机在创新自我效能感和创新行为之间起多重中介作用。
研究结果初步揭示了科技创新领域中创新动机、自我效能感和创新行为之间的动态关系。
%To investigate the relationship and mechanism of creative self-efficacy, creative motivation and innovative behavior, a sample of 144 scientific and technological personnel were assessed with the Creative Self-efficacy Scale, the Intrinsic Motivations Scale, the Extrinsic Motivation Scale, and the Innovative Behavior Scale. Results were as follows: 1) Various significant positive correlations were found among creative self-efficacy, intrinsic motivation, extrinsic motivation and innovative behavior; 2) Creative self-efficacy, intrinsic motivation, and extrinsic motivation had positive effect on innovative behavior; 3) Intrinsic motivation, and extrinsic motivation played multiple mediation effect between creative self-efficacy and innovative behavior.【期刊名称】《心理与行为研究》【年(卷),期】2016(014)006【总页数】6页(P811-816)【关键词】科技创新;创新动机;自我效能感;创新行为【作者】王楠;张立艳;王洋【作者单位】天津财经大学商学院，天津 300222;天津财经大学商学院，天津300222;国网天津市电力公司东丽供电分公司，天津 300300【正文语种】中文【中图分类】B849创新行为（Innovative behavior）是指个体在工作群体或组织中有意识的产生、促进和实现新颖想法的行为（Janssen&Van Yperen,2004;Wang,Fang, Qureshi,&Janessen,2015）。
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。
中介效应估计与检测方法
三、多层中介效应模型 四、有中介的调节模型与有调节的中介模型
参考文献： 温忠麟, 侯杰泰, 张雷. (2005). 调节效应与中介效 应的比较和应用. 心理学报, 37, 268–274. 温忠麟等. (2014).中介效应分析：方法和模型发展. 心理科学进展，Vol. 22, No. 5, 731–745
Sobel (1982)法就是比较有名的一种。检验统计量为 z = aˆbˆ / sab , 其中 aˆ 和bˆ分别是 a和 b的估计, sab 是 aˆbˆ的标准误, sa和 sb分别是 aˆ 和bˆ的标准误。
三、系数差异检验：检验H0：c-c’=0 这种检验方 法易犯第一类错误。输给第二种检验方法。 四、中介效应检验小结
检验 特定路径的中介效应：找到感兴趣的那个自变量经 过某一中介变量的中介效应。然后找出中介效应检 验程序对应的系数c,a,b,c’，就可以检验了。 对比两个中介效应 估计和检验总的简介效应
二、类别变量的中介效应模型 对于自变量X 为分类变量或者等级变量的情景, 可 以通过定义虚拟变量(dummy variable)的方法来处 理, 中介效应的分析与连续变量的步骤完全相同。 对于因变量为分类或等级变量的情景, 研究相对较 少
一、分析效应的遮掩问题。
二、分析所谓的远端关系。 自变量与因变量有理论明确的远端关系，且 关系敏感。
一、多重中介变量
以上所述都是简单中介模型。 自变量或中介变量不止一个时，为多重中介模型。 类似的方程描述如下：
并行多重中介模型 链式多重中介模型 一般的多重中介模型 此类模型比较复杂一般用到结构方程模型进 行分析。
中介变量的概念与中介效应的分析方法
多个中介变量如何检验中介效应？
多个中介变量如何检验中介效应？合作：***********************读⼀读：机制分析, 中介渠道, 调节效应必读系列合集以下是⼀个案例和代码驱动型的短⽂，可以直接把code复制过去然后对照⽂章进⾏理解。
⼿机上看不全的部分，可以⽤PC查看。
Preacher and Hayes (2008) show how to analyze models with multiple mediators in SPSS and SAS, how can I analyze multiple mediators in Stata?Here is the full citation:Preacher, K.J. and Hayes, A.F. 2008. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavioral Research Methods, 40, 879-891.NOTE: If running the code on this page, please copy it all into a do-file and run all of it. Mediator variables are variables that sit between independent variable and dependent variable and mediate the effect of the IV on the DV. A model with two mediators is shown in the figure below.In the figure above a1 represents the regression coefficient for the IV when the MV is regressed on the IV while b is the coefficient for the MV when the DV is regressed on MV and IV. The symbol c’ represents the direct effect of the IV on the DV. Generally, researchers want to determine the indirect effect of the IV on the DV through the MV. One common way to compute the indirect effect is by using the product of the coefficients method. This method determines the indirect effect by multiplying the regression coefficients, for example, a1*b1 = a1b1. In addition to computing the indirect effect we also want to obtain the standard error of a1b1. Further, we want to be able to do this for each of the mediator variables in the model.Thus, we need the a and b coefficients for each of the mediator variable in the model. We will obtain all of the necessary coefficients using the sureg (seemingly unrelated regression) command as suggested by Maarten Buis on the Statalist. The general form ofthe sureg command will look something like this:sureg (mv1 iv)(mv2 iv)(dv mv1 mv2 mv3 iv)Example 1hsb2 dataset with science as the dv, math as the iv and read and write as the two mediator variables.We will need the coefficients for read on math and write on math as well as the coefficientsfor science on read and write from the equation that also includes math.Now we have all the coefficients we need to compute the indirect effect coefficients and their standard errors. We can do this using the nlcom (nonlinear combination) command. We will run nlcom three times: Once for each of the two specific indirect effects for read and write and once for the total indirect effect.To compute an indirect direct we specify a product of coefficients. For example, the coefficient for read on math is [read]_b[math] and the coefficient for science on read is [science]_b[read]. Thus, the product is [read]_b[math]*[science]_b[read]. To get the total indirect effect we just add the two product terms together in the nlcom command./* indirect via read */nlcom [read]_b[math]*[science]_b[read]_nl_1: [read]_b[math]*[science]_b[read]------------------------------------------------------------------------------| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------_nl_1 | .2185523 .05229 4.18 0.000 .1160659 .3210388------------------------------------------------------------------------------/* indirect via write */nlcom [write]_b[math]*[science]_b[write]_nl_1: [write]_b[math]*[science]_b[write]------------------------------------------------------------------------------| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------_nl_1 | .1290183 .0452798 2.85 0.004 .0402715 .2177651------------------------------------------------------------------------------/* total indirect */nlcom [read]_b[math]*[science]_b[read]+[write]_b[math]*[science]_b[write]_nl_1: [read]_b[math]*[science]_b[read]+[write]_b[math]*[science]_b[write]------------------------------------------------------------------------------| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------_nl_1 | .3475706 .0594916 5.84 0.000 .2309693 .4641719------------------------------------------------------------------------------The results above suggest that each of the separate indirect effects as well as the total indirect effect are significant. From the above results it is also possible to compute the ratio of indirect to direct effect and the proportion due to the indirect effect. These computations require an estimate of the direct effect, which can be found in the sureg output. In this example the direct effect is given by the coefficient for math in the last equation (.3190094). Here are the manual computations for the ratio of indirect to direct and the proportion of total effect that is mediated./* ratio of indirect to direct */display .3475706/.31900941.0895309/* proportion of total effect that is mediated */display .3475706/(.3475706+.3190094).52142369nlcom computes the standard errors using the delta method which assumes that the estimates of the indirect effect are normally distributed. For many situations this is acceptable but it does not work well for the indirect effects which are usually positively skewed and kurtotic. Thus the z-test and p-values for these indirect effects generally cannot be trusted. Therefore, it is recommended that bootstrap standard errors and confidence intervals be used.Below is a short ado-program that is called by the bootstrap command. It computes the indirect effect coefficients as the product of sureg coefficients (as before) but does not usethe nlcom command since the standard errors will be computed using the bootstrap. bootmm is an rclass program that produces three return values which we have called “indread”,“indwrite” and “indtotal.” These are the local names for each of the indirect effect coefficients and for the total indirect effect.We run bootmm with the bootstrap command. We give the bootstrap command the names of the three return values and select options for the number of replications and to omit printing dots after each replication.Since we selected 5,000 replications you may need to be a bit patient depending upon the speed of your computer.capture program drop bootmmprogram bootmm, rclasssyntax [if] [in]sureg (read math)(write math)(science read write math) `if' `in'return scalar indread = [read]_b[math]*[science]_b[read]return scalar indwrite = [write]_b[math]*[science]_b[write]return scalar indtotal = [read]_b[math]*[science]_b[read]+[write]_b[math]*[science]_b[write]endbootstrap r(indread) r(indwrite) r(indtotal), bca reps(5000): bootmmBootstrap results Number of obs = 200Replications = 5000command: bootmm_bs_1: r(indread)_bs_2: r(indwrite)_bs_3: r(indtotal)------------------------------------------------------------------------------| Observed Bootstrap Normal-based| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------_bs_1 | .2185523 .0544617 4.01 0.000 .1118094 .3252953_bs_2 | .1290183 .0498037 2.59 0.010 .0314048 .2266318_bs_3 | .3475706 .0653076 5.32 0.000 .2195701 .4755711------------------------------------------------------------------------------We could use the bootstrap standard errors to see if the indirect effects are significant but it is usually recommended that bias-corrected or percentile confidence intervals be used instead. These confidence intervals are nonsymmetric reflecting the skewness of the sampling distribution of the product coefficients. If the confidence interval does not contain zero than the indirect effect is considered to be statistically significant.estat boot, percentile bc bcaBootstrap results Number of obs = 200Replications = 5000command: bootmm_bs_1: r(indread)_bs_2: r(indwrite)_bs_3: r(indtotal)------------------------------------------------------------------------------| Observed Bootstrap| Coef. Bias Std. Err. [95% Conf. Interval]-------------+----------------------------------------------------------------_bs_1 | .21855231 -.0009252 .05446169 .1116576 .3263005 (P)| .1140179 .3286456 (BC)| .1140179 .3286456 (BCa)_bs_2 | .12901828 .0009822 .04980373 .0375536 .2286579 (P)| .0375377 .22842 (BC)| .0333511 .2264691 (BCa)_bs_3 | .34757059 .000057 .0653076 .2181866 .4773324 (P)| .2209776 .4805473 (BC)| .2158857 .4752103 (BCa)------------------------------------------------------------------------------(P) percentile confidence interval(BC) bias-corrected confidence interval(BCa) bias-corrected and accelerated confidence intervalIn this example, the total indirect effect of math through read and write is significant as are the individual indirect effects.Example 2What do you do if you also have control variables? You just add them to each of the equations in the sureg model. Let’s say that socst is a covariate. Here is how the bootstrap process would work.capture program drop bootmmprogram bootmm, rclasssyntax [if] [in]sureg (read math socst)(write math socst)(science read write math socst) `if' `in'return scalar indread = [read]_b[math]*[science]_b[read]return scalar indwrite = [write]_b[math]*[science]_b[write]return scalar indtotal = [read]_b[math]*[science]_b[read] + ///[write]_b[math]*[science]_b[write]endbootstrap r(indread) r(indwrite) r(indtotal), bca reps(5000) nodots: bootmmBootstrap results Number of obs = 200Replications = 5000command: bootmm_bs_1: r(indread)_bs_2: r(indwrite)_bs_3: r(indtotal)------------------------------------------------------------------------------| Observed Bootstrap Normal-based| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------_bs_1 | .1561855 .040306 3.87 0.000 .0771872 .2351837_bs_2 | .0890589 .0352121 2.53 0.011 .0200444 .1580733_bs_3 | .2452443 .0477817 5.13 0.000 .1515939 .3388947------------------------------------------------------------------------------estat boot, percentile bc bcaBootstrap results Number of obs = 200Replications = 5000command: bootmm_bs_1: r(indread)_bs_2: r(indwrite)_bs_3: r(indtotal)------------------------------------------------------------------------------| Observed Bootstrap| Coef. Bias Std. Err. [95% Conf. Interval]-------------+----------------------------------------------------------------_bs_1 | .15618546 -.0016606 .04030598 .0784972 .2359464 (P)| .0836141 .2407494 (BC)| .0838816 .2413034 (BCa)_bs_2 | .08905886 .0000963 .0352121 .0241053 .163005 (P)| .0274379 .1664222 (BC)| .0260387 .164438 (BCa)_bs_3 | .24524432 -.0015643 .0477817 .1536668 .341307 (P)| .1581453 .3477974 (BC)| .1581453 .3477974 (BCa)------------------------------------------------------------------------------(P) percentile confidence interval(BC) bias-corrected confidence interval(BCa) bias-corrected and accelerated confidence intervalAlthough the total and individual indirect are much smaller in the model with the covariate, they are still statistically significant using the 95% confidence intervals.Source:。
有多重中介的调节模型的检验及实证分析
67
彭月 等
n
Y
=c0′ + c1′X
+ c2′U + c3′UX
+ ∑ βiWi + ε ′,
i =1, 2, , n
i =1
依据路径分析， c3 为 X 对 Y 的总调节效应(通过多重中介变量的调节效应)， c3′ 为 X 对 Y 的直接调节 效应， ai3βi 为中介变量Wi 的个别调节效应，因此效应之间有如下关系：
自变量X
W1
W2 调节变量U
因变量Y
…
UX Wn
Figure 1. Multiple paralleling mediated moderation model 图 1. 有多个并列中介的调节模型
W1
W2
…
Wn
自变量X
因变量Y
调节变量U
UX
Figure 2. Multistep mediated moderation model 图 2. 有多步中介的调节模型
Testing Methods of Multiple Mediated Moderation Model and Empirical Analysis
Yue Peng, Haiying Wu, Hengqing Tong, Chuanmei Wang School of Sciences, Wuhan University of Technology, Wuhan Hubei
另一种常用方法是构建一个对称的置信区间323323????????iiiiiiiizz??????????????进行效应分析检验10其中3??ii??和3??ii???分别为调节效应生成的估计值和标准误如果0不包含在置信区间内说明调节效应显著0包含在置信区间内说明调节效应不显著
中介效应检验方法
检验方法二：Sobel法
总结词
Sobel法是一种基于回归的检验中介效应 的方法，通过检验自变量对中介变量的 回归系数和中介变量对因变量的回归系 数来推断中介效应的存在。
VS
详细描述
Sobel法的步骤包括在控制自变量和因变 量的相关性后，分别对自变量和因变量进 行回归分析，然后在两个回归方程中分别 加入中介变量，观察加入中介变量后回归 系数的变化。如果中介变量的加入使得自 变量对因变量的影响变得不显著，则说明 存在中介效应。
Part
03
多重中介效应检验
检验方法一：Bootstrap法
总结词
Bootstrap法是一种重抽样技术，通过从原始数据中反复抽样来估计中介效应的置信区 间。
详细描述
Bootstrap法的步骤包括计算自变量通过各个中介变量到因变量的中介效应值，然后根 据这些值生成置信区间，如果区间不包含0，则说明中介效应显著。该方法对样本大小
详细描述
Judd和Kenny法是另一种常用的中介效应检验方法，它基 于因果逐步回归分析的思想，通过逐步引入自变量、中介 变量和自变量与中介变量的交互项来检验中介效应。
Judd和Kenny法的步骤如下：首先，检验自变量对因变量 的回归系数是否显著；其次，检验自变量对中介变量的回 归系数以及中介变量对因变量的回归系数是否都显著；最 后，检验自变量、中介变量以及自变量与中介变量的交互 项同时对因变量的回归系数是否都显著。如果以上回归系 数都显著，则说明存在中介效应。
社会学研究
社会互动分析
中介效应检验在社会学中用于分析社会互动过程，如人际关系、 群体行为等。
社会结构与功能
研究社会结构和社会功能的中介效应，有助于理解社会现象的形成 和演变。
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。
基于结构方程模型的多重中介效应分析
基于结构方程模型的多重中介效应分析基于结构方程模型的多重中介效应分析引言：中介效应分析是一种常用的统计方法，在社会科学研究领域得到广泛应用。
中介变量是指一个变量通过影响自变量和因变量之间的关系，而产生间接效应。
通常情况下，中介效应通过路径分析方法进行分析，但是当一个因变量受到多个中介变量的影响时，传统的路径分析方法就不再适用。
结构方程模型（SEM）能够解决这个问题，本文将介绍基于SEM的多重中介效应分析的原理和步骤。
一、基本概念1. 结构方程模型（SEM）是一种基于统计学方法的数据分析技术，用于评估观察数据与给定的理论模型之间的适配程度。
2. 中介效应：一个变量通过影响自变量和因变量之间的关系，而产生间接效应。
3. 多重中介效应：当一个因变量同时受到多个中介变量的影响时，就存在多重中介效应。
二、基于SEM的多重中介效应分析步骤1. 确定研究设计：明确研究的目的和研究假设。
2. 收集数据：根据研究设计制定合适的问卷或实验来收集数据。
3. 构建理论模型：根据研究假设，构建包括自变量、中介变量和因变量的理论模型。
模型的构建应基于理论基础和先前的研究。
4. 选择合适的统计软件：基于已有的数据和理论模型，选择合适的统计软件进行分析，如AMOS、Mplus等。
5. 评估模型适配度：使用统计软件进行结构方程建模，评估模型的适配度。
合适的模型适配度指标包括χ2拟合度指标、规范拟合度指标（CFI）、比较拟合度指标（TLI）等。
6. 进行路径分析：通过结构方程模型中的路径分析，确定自变量对于因变量的直接效应和中介效应的大小。
路径分析结果应当通过Bootstrap置换法进行统计显著性检验。
7. 进行中介效应分析：通过结构方程模型中的间接效应分析，确定中介效应的大小和统计显著性。
通常使用Bootstrap置换法对中介效应进行统计显著性检验。
8. 检验模型稳健性：通过剔除非显著路径或改变模型结构，检验模型的稳健性。
三、应用实例假设我们研究了工作满意度对员工绩效的影响机制，其中自变量为工作满意度，中介变量包括工作投入、工作动机和心理幸福感，因变量为员工绩效。
中介效应的检验方法
三种中介效应检验方法及操作步骤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。
2 乘积系数法第一种因果逐步回归检验法简单易懂、容易理解和解释，因而受到广泛的应用，但有学者认为其检验效能较低，有时候本身有中介作用但却显示没有中介作用。
多水平中介效应模型检验方法
多水平中介效应模型检验方法嘿，咱今儿就来聊聊多水平中介效应模型检验方法。
这玩意儿听起来是不是特高深？别急，听我慢慢给你唠。
想象一下啊，咱生活中好多事儿就像一个复杂的大网，各种因素相互交织、相互影响。
多水平中介效应模型呢，就像是咱用来理清这张大网的工具。
咱先说说为啥要研究这个。
你看啊，有时候一件事的结果可不是简单的因为这个或者那个原因，中间可能有好多弯弯绕绕的过程呢。
就好比你想去一个地方，中间可能要经过好多岔路口，每个岔路口都可能影响你最终能不能到达目的地。
这多水平中介效应模型就是要搞清楚这些岔路口是咋回事儿。
那怎么检验呢？这可就有讲究了。
就像医生看病似的，得通过各种检查、各种方法来判断病情。
咱这模型检验也一样，得用合适的方法来看看这些因素之间的关系到底是啥样的。
比如说，有一种方法叫逐步检验法。
这就好像你走一步看一步，一点点地去探索。
先看看这个因素对那个因素有没有影响，再看看中间这个是不是真的起到了中介作用。
这就像解谜一样，一点点揭开那层面纱。
还有一种方法叫bootstrap 法。
这名字挺有意思吧？它就像是给你一双有力的翅膀，让你能在数据的天空中自由翱翔，更准确地估计那些关系。
哎呀，你说这多有趣啊！咱通过这些方法，就能把那些复杂的关系给搞清楚，就像在黑暗中找到了明灯一样。
那有人可能要问了，这玩意儿有啥用啊？用处可大了去了！比如说在心理学研究里，咱可以搞清楚人的行为背后那些深层次的原因。
在社会学里，能明白社会现象背后的各种机制。
在管理学里，能帮助企业做出更明智的决策。
总之啊，多水平中介效应模型检验方法可不是那些高高在上、遥不可及的东西。
它就像咱生活中的好朋友，能帮咱解开好多谜团，让咱更明白这个世界是咋运转的。
所以啊，别小瞧了它，好好去研究研究，你会发现一个全新的世界！就这么着吧，你还等啥，赶紧去探索吧！。
中介效应检验流程,示意图公布,不再畏惧中介分析
中介效应检验流程,示意图公布,不再畏惧中介分析所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.关于各种计量方法，各位学者可以参看如下文章：①“实证研究中用到的200篇文章, 社科学者常备toolkit”、②实证文章写作常用到的50篇名家经验帖, 学者必读系列、③过去10年AER上关于中国主题的Articles专辑、④AEA公布2017-19年度最受关注的十大研究话题, 给你的选题方向，⑤2020年中文Top期刊重点选题方向, 写论文就写这些。
后面，咱们又引荐了①使用CFPS, CHFS, CHNS数据实证研究的精选文章专辑！，②这40个微观数据库够你博士毕业了, 反正凭着这些库成了教授，③Python, Stata, R软件史上最全快捷键合辑！，④关于(模糊)断点回归设计的100篇精选Articles专辑！，⑤关于双重差分法DID的32篇精选Articles专辑！，⑥关于合成控制法SCM的33篇精选Articles专辑！⑦最近80篇关于中国国际贸易领域papers 合辑！，⑧最近70篇关于中国环境生态的经济学papers合辑！⑨使用CEPS, CHARLS, CGSS, CLHLS数据库实证研究的精选文章专辑！⑩最近50篇使用系统GMM开展实证研究的papers合辑！这些文章受到了各位学者的欢迎和热议，博士生导师纷纷将其推荐给学生参阅。
最近，我们引荐了①如何选择正确的自变量(控制变量)，让你的计量模型不再肮脏，②忽略交互效应后果很严重，审稿人很生气！，③过去三十年, RCT, DID, RDD, LE, ML, DSGE等方法的“高光时刻”路线图，④空间双重差分法(spatial DID)最新实证papers合辑，⑤机器学习方法出现在AER, JPE, QJE等顶刊上了等，在学者间引起了广泛的讨论。
今天，我们社群引荐一份“中介效应检验流程示意图”，而更多关于中介或调节或机制分析的文章，各位学者可以参看图后的30篇文章。
温忠麟老师的检验中介效应程序
温忠麟老师的检验中介效应程序一、中介效应概述中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。
中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。
以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下：Y=cx+e1 1)M=ax+e2 2)Y=c’x+bM+e3 3)上述3个方程模型图及对应方程如下：二、中介效应检验方法中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法：1.依次检验法（causual steps）。
依次检验法分别检验上述1）2）3）三个方程中的回归系数，程序如下：1.1首先检验方程1）y=cx+ e1，如果c显著（H0:c=0被拒绝），则继续检验方程2），如果c不显著（说明X对Y无影响），则停止中介效应检验；1.2在c显著性检验通过后，继续检验方程2）M=ax+e2，如果a 显著（H0:a=0被拒绝），则继续检验方程3）；如果a不显著，则停止检验；1.3在方程1）和2）都通过显著性检验后，检验方程3）即y=c’x + bM + e3,检验b的显著性，若b显著（H0:b=0被拒绝）,则说明中介效应显著。
此时检验c’,若c’显著，则说明是不完全中介效应；若不显著，则说明是完全中介效应，x对y的作用完全通过M来实现。
评价:依次检验容易在统计软件中直接实现，但是这种检验对于较弱的中介效应检验效果不理想，如a较小而b较大时，依次检验判定为中介效应不显著，但是此时ab乘积不等于0，因此依次检验的结果容易犯第二类错误（接受虚无假设即作出中介效应不存在的判断）。
- 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)。
二．多重中介多重中介是指存在多个中介变量的情况。
目前针对传统多重中介分析存在（1）分析不完整•LISREL--只能得到总的中介效应估计值及其标准误和t值。
•AMOS --也只能得到总的中介效应估计值。
•MPLUS--可以得到特定路径的中介效应和总的中介效应估计值，但还是得不到对比中介效应的分析结果。
（2）使用sobel检验的局限首先，sobel检验统计量的推导基于正态假设，而特定中介效应、总的中介效应和对比中介效应估计值都涉及参数的乘积，因而通常都不满足正态假设。
其次，sobel检验需要大样本，检验在小样本的表现并不好。
第三，sobel检验统计量计算复杂，且需要手工计算所以采用以下两种方法来改善。
1.增加辅助变量的方法针对当前多重中介效应分析不完整的问题，在结构方程模型中加入辅助变量，可以进行完整的多重中介效应分析。
操作我们还是以上图的模型为例子首先打开spss数据库，在SPSS中FILE下选择Save as，依次保存上述指标变量A1,A2,B1,B2,B3,E1-E7,E9,E10,文件格式为Fixed ASCⅡ（.dat），文件名为“dc.dat”Lisrel操作单击FILE，新建syntax窗口，输入：TIDA NI=14 NO=706 MA=CM AP=1 !表示增加一个辅助变量RA FI=dc.datlaE1 E2 E3 E4 E5 E6 E7 E9 E10 B1 B2 B3 A1 A2MO NY=12 NX=2 NK=1 NE=3 LX=FI L Y=FI GA=FU,FI BE=FU,FILKXLEM1 M2 YPA L Y2(1 0 0)0 1 01 0 00 1 01 0 01 0 00 1 00 1 03(0 0 1)PA LX11FR ga 3 1 ga 2 1 ga 1 1FR be 3 1 be 3 2CO PAR(1)=GA(1,1)*BE(3,1)-GA(2,1)*BE(3,2) !辅助变量,用来建立一新的待检验参数PDOU AD=OFF ND=4点击保存，将文件命名为fz.pr2，点击运行按钮结果输出部分BETA可以找到b1，b2两条路径的参数估计值及显著性M1 M2 Y-------- -------- --------M1 - - - - - -M2 - - - - - -Y 0.1915 -0.0894 - -(0.0607) (0.0421)3.1532 -2.1256发现M1对Y的预测作用不显著，M2对Y的预测作用显著在GAMMA中可以找到其他路径系数及显著性X--------M1 0.6296(0.0561)11.2243M2 -0.3534(0.0483)-7.3242Y -0.0491(0.0597)-0.8223ADDITIONAL PARAMETERS表示辅助变量a1*b1-a2*b2的估计值PA(1) !表示第一个辅助变量，本例只用了一个辅助变量--------0.0890 !表示辅助变量的参数估计值(0.0412) !表示p值，小于0.05说明显著，即两个中介变量M1和M2的中介效应差异显著。
2.1616如果将辅助变量的程序设置为CO PAR(1)=GA(1,1)*BE(3,1)或CO PAR(1)=GA(2,1)*BE(3,2)则可以分别计算出两个中介变量的特定中介效应大小a1*b1或a2*b2。
建议只设置一个辅助变量，因为我设置两个及两个以上辅助变量时程序无法运行Mplus操作mplus软件可以在一个程序中实现辅助变量与bootstrap法因此在下面bootstrap法中一起介绍。
2.bootstrap法Lisrel操作Lisrel软件进行bootstrap分析的步骤分为六步：第一步，使用Lisrel软件中的prelis程序从原始样本中抽取至少1000 个bootstrap样本具体操作是打开lisrel软件，单击file/import data in free format，选择上一步保存好的dc.dat文件单击打开，因为本例中共有14个变量，所以在number of中填14，单击ok，生成了一个fz.PSF的文件。
然后点击statistics/bootstrapping按钮如图Number of bootstrap 中输入1000，sample fraction中输入文件名mafile.cov然后点击utput option按钮出现如图对话框在moment matrix中选择covariance保存成协方差矩阵，单击OK,run。
我们就会在源文件夹中发现mafile.COV这个新文件。
注意：在我用自己的数据进行到这一步时出现错误提示W_A_R_N_I_N_G: V AR12 has more than 15 categories and will betreated as continuous. ERROR CODE 201.个人分析可能是数据不适用的问题，所以没有再继续进行，但是按照文献所讲仍将下面的步骤列出。
第二步，设置辅助变量，采用固定方差法编写可以分析多个样本的Lisrel程序(如果采用固定负荷法编写Lisrel程序将得到中介效应的非标准化解)程序写法见上文第三步，运行Lisrel程序分析1000个bootstrap样本，得到研究者感兴趣的特定、总的和对比中介效应系数估计值各1000个，保存为prelis 数据文件（文件名.PSF）程序如下：DA NI=14 NO=706 AP=4 RP=1000 ! AP=4表示增加4个辅助变量；RP=1000表示重复运行LISREL 程序1000次 CM =mafile .cov ! 使用第一步产生的1000个协方差矩阵进行分析MO NY=12 NX=2 NK=1 NE=3 LX=FI LY=FI GA=FU,FI BE=FU,FILKXLEM1 M2 YPA LY2(1 0 0)0 1 01 0 00 1 01 0 01 0 00 1 00 1 03(0 0 1)PA LX11FR ga 3 1 ga 2 1 ga 1 1FR be 3 1 be 3 2CO PAR(1)= GA(1 1)* BE(3 1) ! 特定中介效应11a bCO PAR(2)= GA(2 1)* BE(3 2) ! 特定中介效应22a bCO PAR(3)= PAR(1)+ PAR(2) ! 总的中介效应1122a b a b +CO PAR(4)= PAR(1)-PAR(2) ! 对比中介效应1122a b a b -OU AD=OFF ND=4 PV=bs.psf !参数估计值保存在PRELIS 文件bs.psf 中这里设置了四个辅助变量第四步，将 prelis 数据文件导出为EXCEL 文件(文件名.XLS)第五步，在 EXCEL 中将 1000个中介效应估计值从小到大进行排序，将1000 个中介效应估计值的均值作为中介效应估计值的标准化解;用第2.5百分位数和第 97.5 百分位数来估计bootstrap 的中介效应置信区间，如果置信区间不包括 0，说明中介效应显著，百分位 bootstrap 方法的中介效应检验完成第六步，对第五步得到的中介效应置信区间进行校正，得到偏差校正的百分位 bootstrap 方法的中介效应置信区间，如果置信区间不包括0，说明中介效应显著，偏差校正的百分位 bootstrap 方法的中介效应检验完成。
具体校正方法见温忠麟2012年的文章Mplus 操作打开mplus 软件单击新建按钮，然后在空白界面中输入：TITLE:DA TA:FILE IS dc.dat; !此处还是继续延用上文用spss 保存好的数据文件dc.datV ARIABLE:NAMES =E1 E2 E3 E4 E5 E6 E7 E9 E10 B1 B2 B3 A1 A2;ANAL YSIS: bootstrap=1000! bootstrap法抽样1000次MODEL:X BY A1 A2; !两个变量作为潜变量X的指标，其余同理M1 BY E1 E2 E4 E6 E7;Y BY B1 B2 B3;M2 BY E3 E5 E9 E10;Y ON M1(b1); !表示将M1到Y的路径系数命名为b1，其余同理。
Y ON X(c);Y ON M2(b2);M1 ON X(a1);M2 ON X(a2);MODEL INDIRECT:Y IND M1 X; !表示自变量为X，中介变量为M1，因变量为Y的中介效应，其余同理。
Y IND M2 X;MODEL CONSTRAINT:new (con); !对比中介效应命名为concon=a1*b1-a2*b2; !计算对比中介效应大小OUTPUT:cinterval (bcbootstrap); standardized; !输出偏差校正的百分位bootstrap结果和标准化解若要得到百分位bootstrap结果, 仅需将OUTPUT中的cinterval (bcbootstrap)改为cinterval (bootstrap)即可单击保存按钮，将文件与dc.dat保存于同一文件夹，命名为11.inp结果分析我删除了不用解释的部分，只保留了需要解释的部分Chi-Square Test of Model FitValue 341.607Degrees of Freedom 72P-Value 0.0000RMSEA (Root Mean Square Error Of Approximation)Estimate 0.07390 Percent C.I. 0.065 0.081Probability RMSEA <= .05 0.000CFI/TLICFI 0.919TLI 0.898卡方值，CFI,TLI,RMSEA 均在可接受范围内MODEL RESULTS 表示模型参数估计的非标准化解Two-TailedEstimate S.E. Est./S.E. P-ValueY ONM1 0.697 0.227 3.071 0.002X -0.142 0.163 -0.870 0.384M2 -0.369 0.187 -1.975 0.048从此处可以看出M1,M2,X到Y 的各路径系数非标准化的参数估计值以及p值M1 ONX 0.500 0.056 8.973 0.000M2 ONX -0.247 0.047 -5.216 0.000此处表示a1,a2这两条路径系数的非标准化的参数估计值以及p值New/Additional Parameters表示新增的辅助变量的非标准化的参数估计值以及p值CON 0.257 0.140 1.842 0.066 STANDARDIZED MODEL RESULTS 此处表示标准化的结果，但是注意标准化的结果没有给出p值。