简介面向需要开展中介效应分析的研究者与学生这份Word文档系统整理了中介效应检验的核心方法与STATA实现路径。内容聚焦逐步检验法、Sobel检验和Bootstrap检验从变量中心化处理讲起依次给出X对Y总效应、X对M关系、控制M后X对Y影响的三步回归方程明确系数c、a、b、c的判断标准与部分/完全中介的识别方法。同时详述了sgmediation命令的安装使用、Sobel统计量p值解读及Bootstrap重复抽样置信区间的判定要点并给出中介效应占比ab/c的计算思路。资源共1个docx文件大小154KB内容精炼方便随时查阅目前已有593人学习下载。对于社会科学、心理学、市场营销等领域需要完成中介效应检验的论文写作者和数据分析人员可直接参照文档中的命令与结果解读来完成实证分析。 中介效应检验这话题很多做问卷研究、实验研究的朋友迟早都得碰一回。我自己当年写论文时一看到“中介效应”四个字就头大网上资料五花八门教材写得又绕硬啃了好几天才理清楚。后来帮学生改论文、自己跑数据多了才发现这东西核心就那么几个套路弄明白之后其实挺顺手的。这篇就把逐步检验法和Sobel检验从头到尾掰开揉碎讲清楚结合我实际操作中踩过的坑争取让没跑过中介效应的朋友看完也能直接上手。1. 中介效应到底是啥——先别急着跑数据1.1 一个例子看懂中介效应先别急着上公式。很多教程一上来就写回归方程看得人头晕。我习惯先讲一个生活中的例子。假设我们发现“员工培训时长X”和“员工绩效Y”正相关培训越久绩效越高。但你有没有想过培训到底是怎么提升绩效的直接作用吗不一定。更可能是这样一条链培训时间长了员工掌握了一项新技能M技能提升了绩效才跟着上去。这里的“新技能”就是中介变量M它在X和Y之间搭了一座桥把X的影响力“传递”给了Y。这就是中介效应的本质X作用于MM再作用于YM是中间的传导环节。做中介分析就是想验证这条“通路”到底存不存在、传了多大劲儿过去。理解了这点后面所有公式和检验步骤都只是给这条“通路”做体检罢了。1.2 中介效应的核心逻辑与三种路径用统计的语言说一个完整的中介模型包含三条路径路径aX对M的影响路径bM对Y的影响控制X之后路径cX对Y的直接影响控制M之后路径cX对Y的总影响不控制M其中总效应c 直接效应c 间接效应也就是中介效应通常写作ab。如果a和b都显著且ab也显著就说明中介效应成立。这里有个特别容易混淆的点中介效应看的是“乘积a*b”不是单纯看某个系数。很多新手跑完回归发现c不显著了就兴奋地喊“完全中介”——先别急这里面的门道多着呢。后面我专门拿一节说这事。2. 逐步检验法最经典也最受争议的方法2.1 四步操作全流程Baron和Kenny的经典套路逐步检验法也叫因果步骤法是Baron和Kenny在1986年提出的算是中介效应检验的“老祖宗”。虽然现在学界对它争议很大但很多期刊审稿人还是习惯看这个所以你必须得会。它一共分四步每一步都要跑一个回归注意以下回归分析都建议用“分层回归”或“分步回归”的方式操作不要一股脑把变量全塞进去。第一步检验总效应c。做X对Y的回归得到方程Y cX e1。如果c不显著理论上就该停了但实操中很多人会继续做理由后面讲。第二步检验路径a。做X对M的回归得到方程M aX e2要求a显著。第三步检验路径b和直接效应c。做X和M同时对Y的回归得到方程Y cX bM e3。要求b显著。第四步判断中介类型。如果c不显著说明是“完全中介”如果c显著但比c小说明是“部分中介”。我在SPSS里的习惯操作是分析—回归—线性第一步把X放入自变量、Y放入因变量第二步把X放自变量、M放因变量第三步把X和M同时放自变量、Y放因变量。三步跑完把系数表导出来自己核对显著性就完事了。2.2 逐步检验为什么会被论文评审吐槽这个方法的逻辑很直白教学也方便但它有两个硬伤这些年被学术界反复拎出来批评。第一个硬伤是检验力statistical power低。尤其在小样本情况下a和b两个系数都必须各自显著乘积a*b才可能被判定显著。但现实中a和b经常一个显著一个不显著特别是路径b控制X之后M对Y的效应往往被削弱于是很多真实存在的中介效应就被漏掉了。说白了这方法太“挑食”宁可错杀一千不肯放过一个。第二个硬伤是它没有直接检验ab这个乘积本身。四步法是通过分别检验a和b来“间接推断”中介效应存在但a显著且b显著只是ab显著的必要条件而不是充分条件逻辑上就有漏洞。更麻烦的是c不显著就判“完全中介”这个做法也被批得很惨——样本量稍微大一点c几乎必显著完全中介很难出现样本量小了c不显著可能纯粹是没检验出差异。我自己经历过最典型的一次样本量只有120人跑出来c不显著开心得不行以为捡到个完美的完全中介模型。后来用了Bootstrap方法一测直接效应其实还在只是被样本量坑了。从那以后我就对“完全中介”四个字特别警惕。3. Sobel检验给系数乘积一个正式的裁判3.1 Sobel检验的原理与手算公式既然逐步检验法最大的问题是没直接检验ab那Sobel检验就是来补这个缺的。它的思路很简单既然中介效应是ab那我就直接检验“a*b是否显著不等于0”。具体的做法是构造一个z统计量z ab / 根号下(a²s_b² b²*s_a²)其中s_a和s_b分别是a和b的标准误这在回归结果表里都能直接找到。算出来的z值如果大于1.96或小于-1.96就说明中介效应在0.05水平上显著。手算其实也不难。比如你跑完回归得到a 0.45s_a 0.12b 0.30s_b 0.09那a*b 0.135分母 根号下(0.45²×0.09² 0.30²×0.12²) 根号下(0.2025×0.0081 0.09×0.0144) 根号下(0.00164025 0.001296) 根号下0.00293625算出来约等于0.0541。z 0.135/0.0542 ≈ 2.49大于1.96显著中介效应成立。不过现在很少有人真去手算。实用做法是用在线Sobel检验计算器把a、b、s_a、s_b四个数往进一填结果秒出。SPSS里也有各种宏可以做比如经典的Process插件就自带Sobel检验结果。3.2 数据正态性要求——Sobel检验的命门Sobel检验看起来比逐步法高级但它有一个特别要命的前提要求a*b的抽样分布是正态的。问题恰恰在于两个回归系数的乘积其分布通常是偏态的尤其在中小样本下偏得更厉害。这就导致Sobel检验的置信区间很多时候并不靠谱容易出现假阴性或假阳性。用我一位统计老师的话说“Sobel检验其实就是拿一把偏了的尺子量东西量得再仔细尺子本身就不直。”所以现在主流期刊基本不推荐单独用Sobel检验更推荐用偏差校正的百分位Bootstrap法bias-corrected percentile bootstrap。这个方法不假设ab服从正态分布而是通过对原始数据反复有放回抽样一般抽5000次每次抽完都算一个ab最后形成一个a*b的抽样分布取第2.5百分位和第97.5百分位作为95%置信区间。只要区间不含0就说明中介效应显著。好多人一听Bootstrap就觉得高大上、不敢用。其实Process插件默认给的就是Bootstrap结果心理学家们早就把这套东西集成好了。我后面实操部分会详细讲。4. 实操案例工作压力、情绪耗竭与离职意愿的中介分析4.1 案例背景与数据准备拿我最常带学生做的一个案例来走完整流程。假设我们要研究“工作压力X是否通过情绪耗竭M影响离职意愿Y”。数据是自己模拟的一份样本量260人三个变量都用李克特5点量表测量1代表非常不同意5代表非常同意。用到的工具是SPSS 26加Process插件v4.0。数据录入格式很简单三列分别是X、M、Y的得分每行一个样本。别小看数据准备这步我见过太多人在这里栽跟头。首先是缺失值处理SPSS默认的列表删除listwise deletion会直接把含缺失值的整行样本扔掉如果缺失比例超过5%结果就可能偏了建议先做一下缺失值插补。其次是反向计分题量表中有些题目是反向措辞的录入后一定要先反向计分再算总分否则信度直接垮掉。我有个学生当年就是把反向题忘了处理算出来的Cronbachs alpha只有0.4数据白跑一周。4.2 逐步检验法的SPSS操作记录先跑逐步检验法SPSS的操作路径是分析—回归—线性分三次设置。第一步把工作压力X放自变量、离职意愿Y放因变量。输出结果里看“系数表”那一行X对应的Beta值就是总效应c看显著性那一列的p值。我这次跑出来标准化的Beta 0.58p 0.001总效应显著。第二步把工作压力X放自变量、情绪耗竭M放因变量。这步看路径a。结果Beta 0.62p 0.001a路径显著。第三步把工作压力和情绪耗竭同时放自变量、离职意愿放因变量。这步看两个结果情绪耗竭对离职意愿的系数b以及工作压力对离职意愿的直接效应c。我跑出来b 0.41p 0.001c 0.33p 0.001。四步全部走完a和b都显著c也显著但比c小0.33 0.58所以按照逐步检验法的标准存在“部分中介效应”。中介效应占总效应的比例大约是a*b/c 0.62×0.41/0.58 ≈ 0.438也就是43.8%的工作压力效应是通过情绪耗竭传导的。注意中介效应占比这个指标现在很多方法学专家建议谨慎报告因为它的置信区间通常很宽在样本量不大时尤其不稳定。报告可以报告但别把话说得太死。4.3 用Process插件跑Bootstrap直接看置信区间逐步检验法只是热身下面用Process跑一个更靠谱的Bootstrap中介检验。操作流程先确认Process插件装好了分析—回归—Process v4.0。在界面上把Y选为离职意愿X选为工作压力M选为情绪耗竭Model Number选4这就是简单中介模型。在Options里勾选Bootstrap inference样本量设5000置信区间设95%。点OK完事。输出的结果里我最先看的是“Direct effect of X on Y”直接效应和“Indirect effect(s) of X on Y”间接效应两个表。间接效应那行会给出Effect值、BootSE和BootLLCI、BootULCI。只要BootLLCI和BootULCI不包含0就说明中介效应在95%置信水平上显著。我这次跑出来的间接效应估计值是0.232Boot标准误0.045Boot置信区间下限0.149上限0.327不包含0中介效应显著。再看直接效应0.348Boot置信区间是0.199到0.497也不包含0说明部分中介成立。整个过程不到两分钟比手算Sobel不知道快到哪里去了。如果你老板或审稿人非要看Sobel检验的结果Process输出里其实也附带了这条结果一般在“Indirect effect”表下面几行Normal theory test那一行就是Sobel的z值和p值。我这次的结果Sobel z 5.014p 0.001和Bootstrap结果一致。5. 常见问题与排查技巧实录5.1 分步系数不显著中介还能做下去吗这是被问得最多的一个问题。情况分几种。第一种总效应c不显著。按老派做法直接停。但越来越多研究认为总效应不显著可能是因为存在“遮掩效应”suppression effect也就是直接效应和间接效应符号相反两者互相抵消了。这种情况下中介效应反而是有理论价值的信号。我的建议是如果理论充分支持间接路径存在可以做下去但报告时要诚实拿数据说话说清楚总效应不显著而间接效应显著这个现象。第二种a显著但b不显著。这种情况逐步法判不了中介但Bootstrap有可能显著因为检验力更高。建议直接看Bootstrap置信区间别急着下结论。第三种a和b都显著但Bootstrap区间包含0。这种情况比较蛋疼理论上以Bootstrap为准判中介不成立。我遇到这种结果时会先回去检查一下是不是有极端值在捣乱再做一次稳健性检验比如换一种中介变量测量方式如果还是这样就老实写“未验证到显著的中介效应”。5.2 完全中介与部分中介到底怎么判断我前面说过完全中介是个特别容易误导人的概念。传统的判断标准是控制了M之后X对Y的影响变得不显著了就叫完全中介。问题是这个“不显著”可能只是因为样本量不够。真实世界里中介链条哪会那么干净完全一条路走到黑我见过特别多学生在论文里兴奋地写“本研究发现了完全中介效应”审稿人一问就傻眼。现在的方法学共识是完全中介这个说法要慎用报告部分中介反而是常态。如果你真的发现了完全中介建议做一次稳健性检验确认不是样本量或测量误差导致的结果再考虑要不要写进论文。Process里没有专门的“完全中介”输出选项你可以看直接效应的置信区间——如果包含0可以讨论“完全中介的可能性”。5.3 逐步检验和Sobel检验结果打架听谁的这种情况真有。三年前我做过一个数据逐步检验a显著、b显著、c不显著按传统标准该判完全中介但Sobel检验z 1.81p 0.07不显著。两个方法打架了怎么办我当时查阅了相关方法学文献比较靠谱的做法是优先以Bootstrap的置信区间为准注意要偏差校正因为它不依赖正态假设检验力也更好然后看效应量大小和置信区间宽度如果弹性较大就谨慎陈述。如果Bootstrap也不支持那就老实承认中介效应证据不足。还有个小技巧数据质量不好偏态严重、样本量小时Bootstrap的置信区间也可能高估精度。这时用BCa法偏差校正且加速的Bootstrap做交叉验证对比一下区间结果看结论是否稳。6. 实操中的几个独家建议最后分享几条我用了这么多年总结出来的小经验不一定写在教科书里但实操时真能救命。第一做中介分析前先做一次相关矩阵。X、M、Y三者之间理论上应该都有显著两两相关。如果X和Y相关系数接近0而X和M、M和Y有相关这很可能是遮掩效应如果X和M根本不相关那后面的a路径基本没戏趁早改模型。第二样本量别太抠。想检测中等偏小的间接效应小样本比如低于200人很容易翻车。一个粗略的参考标准是样本量至少要是模型中变量数的20倍以上但中介分析的情况更复杂累计误差会随样本变小急剧膨胀。预算允许的话300人起步比较稳妥。第三记得报告置信区间而不是只报p值。现在期刊越来越重视效应量和精确度估计单独的p值已经很难说服审稿人了。哪怕你用的是老派逐步检验法也建议用Process补一个Bootstrap置信区间防止审稿人一句“请补充间接效应的置信区间”把你打回修改。第四做中介分析前先确认量表的信效度。这个看起来和中介检验无关但本身信度不过关的变量跑出来的中介效应大概率也是一团浆糊。我见过一个案例中介变量信度只有0.5跑出来的b路径歪得离谱。先治数据再谈分析。中介效应分析说难也不难说简单也不简单。难在它背后牵扯到因果推断的很多哲学问题简单在如果你只是想完成一次符合常规要求的检验套路确实就那么几板斧。先把逐步检验法练熟再去理解Sobel检验的逻辑最后过渡到Bootstrap这三步走完中介效应对你来说就不再是什么玄学了。本文还有配套的精品资源点击获取 中介效应检验全解析：从逐步检验法到Sobel检验与Bootstrap
简介面向需要开展中介效应分析的研究者与学生这份Word文档系统整理了中介效应检验的核心方法与STATA实现路径。内容聚焦逐步检验法、Sobel检验和Bootstrap检验从变量中心化处理讲起依次给出X对Y总效应、X对M关系、控制M后X对Y影响的三步回归方程明确系数c、a、b、c的判断标准与部分/完全中介的识别方法。同时详述了sgmediation命令的安装使用、Sobel统计量p值解读及Bootstrap重复抽样置信区间的判定要点并给出中介效应占比ab/c的计算思路。资源共1个docx文件大小154KB内容精炼方便随时查阅目前已有593人学习下载。对于社会科学、心理学、市场营销等领域需要完成中介效应检验的论文写作者和数据分析人员可直接参照文档中的命令与结果解读来完成实证分析。 中介效应检验这话题很多做问卷研究、实验研究的朋友迟早都得碰一回。我自己当年写论文时一看到“中介效应”四个字就头大网上资料五花八门教材写得又绕硬啃了好几天才理清楚。后来帮学生改论文、自己跑数据多了才发现这东西核心就那么几个套路弄明白之后其实挺顺手的。这篇就把逐步检验法和Sobel检验从头到尾掰开揉碎讲清楚结合我实际操作中踩过的坑争取让没跑过中介效应的朋友看完也能直接上手。1. 中介效应到底是啥——先别急着跑数据1.1 一个例子看懂中介效应先别急着上公式。很多教程一上来就写回归方程看得人头晕。我习惯先讲一个生活中的例子。假设我们发现“员工培训时长X”和“员工绩效Y”正相关培训越久绩效越高。但你有没有想过培训到底是怎么提升绩效的直接作用吗不一定。更可能是这样一条链培训时间长了员工掌握了一项新技能M技能提升了绩效才跟着上去。这里的“新技能”就是中介变量M它在X和Y之间搭了一座桥把X的影响力“传递”给了Y。这就是中介效应的本质X作用于MM再作用于YM是中间的传导环节。做中介分析就是想验证这条“通路”到底存不存在、传了多大劲儿过去。理解了这点后面所有公式和检验步骤都只是给这条“通路”做体检罢了。1.2 中介效应的核心逻辑与三种路径用统计的语言说一个完整的中介模型包含三条路径路径aX对M的影响路径bM对Y的影响控制X之后路径cX对Y的直接影响控制M之后路径cX对Y的总影响不控制M其中总效应c 直接效应c 间接效应也就是中介效应通常写作ab。如果a和b都显著且ab也显著就说明中介效应成立。这里有个特别容易混淆的点中介效应看的是“乘积a*b”不是单纯看某个系数。很多新手跑完回归发现c不显著了就兴奋地喊“完全中介”——先别急这里面的门道多着呢。后面我专门拿一节说这事。2. 逐步检验法最经典也最受争议的方法2.1 四步操作全流程Baron和Kenny的经典套路逐步检验法也叫因果步骤法是Baron和Kenny在1986年提出的算是中介效应检验的“老祖宗”。虽然现在学界对它争议很大但很多期刊审稿人还是习惯看这个所以你必须得会。它一共分四步每一步都要跑一个回归注意以下回归分析都建议用“分层回归”或“分步回归”的方式操作不要一股脑把变量全塞进去。第一步检验总效应c。做X对Y的回归得到方程Y cX e1。如果c不显著理论上就该停了但实操中很多人会继续做理由后面讲。第二步检验路径a。做X对M的回归得到方程M aX e2要求a显著。第三步检验路径b和直接效应c。做X和M同时对Y的回归得到方程Y cX bM e3。要求b显著。第四步判断中介类型。如果c不显著说明是“完全中介”如果c显著但比c小说明是“部分中介”。我在SPSS里的习惯操作是分析—回归—线性第一步把X放入自变量、Y放入因变量第二步把X放自变量、M放因变量第三步把X和M同时放自变量、Y放因变量。三步跑完把系数表导出来自己核对显著性就完事了。2.2 逐步检验为什么会被论文评审吐槽这个方法的逻辑很直白教学也方便但它有两个硬伤这些年被学术界反复拎出来批评。第一个硬伤是检验力statistical power低。尤其在小样本情况下a和b两个系数都必须各自显著乘积a*b才可能被判定显著。但现实中a和b经常一个显著一个不显著特别是路径b控制X之后M对Y的效应往往被削弱于是很多真实存在的中介效应就被漏掉了。说白了这方法太“挑食”宁可错杀一千不肯放过一个。第二个硬伤是它没有直接检验ab这个乘积本身。四步法是通过分别检验a和b来“间接推断”中介效应存在但a显著且b显著只是ab显著的必要条件而不是充分条件逻辑上就有漏洞。更麻烦的是c不显著就判“完全中介”这个做法也被批得很惨——样本量稍微大一点c几乎必显著完全中介很难出现样本量小了c不显著可能纯粹是没检验出差异。我自己经历过最典型的一次样本量只有120人跑出来c不显著开心得不行以为捡到个完美的完全中介模型。后来用了Bootstrap方法一测直接效应其实还在只是被样本量坑了。从那以后我就对“完全中介”四个字特别警惕。3. Sobel检验给系数乘积一个正式的裁判3.1 Sobel检验的原理与手算公式既然逐步检验法最大的问题是没直接检验ab那Sobel检验就是来补这个缺的。它的思路很简单既然中介效应是ab那我就直接检验“a*b是否显著不等于0”。具体的做法是构造一个z统计量z ab / 根号下(a²s_b² b²*s_a²)其中s_a和s_b分别是a和b的标准误这在回归结果表里都能直接找到。算出来的z值如果大于1.96或小于-1.96就说明中介效应在0.05水平上显著。手算其实也不难。比如你跑完回归得到a 0.45s_a 0.12b 0.30s_b 0.09那a*b 0.135分母 根号下(0.45²×0.09² 0.30²×0.12²) 根号下(0.2025×0.0081 0.09×0.0144) 根号下(0.00164025 0.001296) 根号下0.00293625算出来约等于0.0541。z 0.135/0.0542 ≈ 2.49大于1.96显著中介效应成立。不过现在很少有人真去手算。实用做法是用在线Sobel检验计算器把a、b、s_a、s_b四个数往进一填结果秒出。SPSS里也有各种宏可以做比如经典的Process插件就自带Sobel检验结果。3.2 数据正态性要求——Sobel检验的命门Sobel检验看起来比逐步法高级但它有一个特别要命的前提要求a*b的抽样分布是正态的。问题恰恰在于两个回归系数的乘积其分布通常是偏态的尤其在中小样本下偏得更厉害。这就导致Sobel检验的置信区间很多时候并不靠谱容易出现假阴性或假阳性。用我一位统计老师的话说“Sobel检验其实就是拿一把偏了的尺子量东西量得再仔细尺子本身就不直。”所以现在主流期刊基本不推荐单独用Sobel检验更推荐用偏差校正的百分位Bootstrap法bias-corrected percentile bootstrap。这个方法不假设ab服从正态分布而是通过对原始数据反复有放回抽样一般抽5000次每次抽完都算一个ab最后形成一个a*b的抽样分布取第2.5百分位和第97.5百分位作为95%置信区间。只要区间不含0就说明中介效应显著。好多人一听Bootstrap就觉得高大上、不敢用。其实Process插件默认给的就是Bootstrap结果心理学家们早就把这套东西集成好了。我后面实操部分会详细讲。4. 实操案例工作压力、情绪耗竭与离职意愿的中介分析4.1 案例背景与数据准备拿我最常带学生做的一个案例来走完整流程。假设我们要研究“工作压力X是否通过情绪耗竭M影响离职意愿Y”。数据是自己模拟的一份样本量260人三个变量都用李克特5点量表测量1代表非常不同意5代表非常同意。用到的工具是SPSS 26加Process插件v4.0。数据录入格式很简单三列分别是X、M、Y的得分每行一个样本。别小看数据准备这步我见过太多人在这里栽跟头。首先是缺失值处理SPSS默认的列表删除listwise deletion会直接把含缺失值的整行样本扔掉如果缺失比例超过5%结果就可能偏了建议先做一下缺失值插补。其次是反向计分题量表中有些题目是反向措辞的录入后一定要先反向计分再算总分否则信度直接垮掉。我有个学生当年就是把反向题忘了处理算出来的Cronbachs alpha只有0.4数据白跑一周。4.2 逐步检验法的SPSS操作记录先跑逐步检验法SPSS的操作路径是分析—回归—线性分三次设置。第一步把工作压力X放自变量、离职意愿Y放因变量。输出结果里看“系数表”那一行X对应的Beta值就是总效应c看显著性那一列的p值。我这次跑出来标准化的Beta 0.58p 0.001总效应显著。第二步把工作压力X放自变量、情绪耗竭M放因变量。这步看路径a。结果Beta 0.62p 0.001a路径显著。第三步把工作压力和情绪耗竭同时放自变量、离职意愿放因变量。这步看两个结果情绪耗竭对离职意愿的系数b以及工作压力对离职意愿的直接效应c。我跑出来b 0.41p 0.001c 0.33p 0.001。四步全部走完a和b都显著c也显著但比c小0.33 0.58所以按照逐步检验法的标准存在“部分中介效应”。中介效应占总效应的比例大约是a*b/c 0.62×0.41/0.58 ≈ 0.438也就是43.8%的工作压力效应是通过情绪耗竭传导的。注意中介效应占比这个指标现在很多方法学专家建议谨慎报告因为它的置信区间通常很宽在样本量不大时尤其不稳定。报告可以报告但别把话说得太死。4.3 用Process插件跑Bootstrap直接看置信区间逐步检验法只是热身下面用Process跑一个更靠谱的Bootstrap中介检验。操作流程先确认Process插件装好了分析—回归—Process v4.0。在界面上把Y选为离职意愿X选为工作压力M选为情绪耗竭Model Number选4这就是简单中介模型。在Options里勾选Bootstrap inference样本量设5000置信区间设95%。点OK完事。输出的结果里我最先看的是“Direct effect of X on Y”直接效应和“Indirect effect(s) of X on Y”间接效应两个表。间接效应那行会给出Effect值、BootSE和BootLLCI、BootULCI。只要BootLLCI和BootULCI不包含0就说明中介效应在95%置信水平上显著。我这次跑出来的间接效应估计值是0.232Boot标准误0.045Boot置信区间下限0.149上限0.327不包含0中介效应显著。再看直接效应0.348Boot置信区间是0.199到0.497也不包含0说明部分中介成立。整个过程不到两分钟比手算Sobel不知道快到哪里去了。如果你老板或审稿人非要看Sobel检验的结果Process输出里其实也附带了这条结果一般在“Indirect effect”表下面几行Normal theory test那一行就是Sobel的z值和p值。我这次的结果Sobel z 5.014p 0.001和Bootstrap结果一致。5. 常见问题与排查技巧实录5.1 分步系数不显著中介还能做下去吗这是被问得最多的一个问题。情况分几种。第一种总效应c不显著。按老派做法直接停。但越来越多研究认为总效应不显著可能是因为存在“遮掩效应”suppression effect也就是直接效应和间接效应符号相反两者互相抵消了。这种情况下中介效应反而是有理论价值的信号。我的建议是如果理论充分支持间接路径存在可以做下去但报告时要诚实拿数据说话说清楚总效应不显著而间接效应显著这个现象。第二种a显著但b不显著。这种情况逐步法判不了中介但Bootstrap有可能显著因为检验力更高。建议直接看Bootstrap置信区间别急着下结论。第三种a和b都显著但Bootstrap区间包含0。这种情况比较蛋疼理论上以Bootstrap为准判中介不成立。我遇到这种结果时会先回去检查一下是不是有极端值在捣乱再做一次稳健性检验比如换一种中介变量测量方式如果还是这样就老实写“未验证到显著的中介效应”。5.2 完全中介与部分中介到底怎么判断我前面说过完全中介是个特别容易误导人的概念。传统的判断标准是控制了M之后X对Y的影响变得不显著了就叫完全中介。问题是这个“不显著”可能只是因为样本量不够。真实世界里中介链条哪会那么干净完全一条路走到黑我见过特别多学生在论文里兴奋地写“本研究发现了完全中介效应”审稿人一问就傻眼。现在的方法学共识是完全中介这个说法要慎用报告部分中介反而是常态。如果你真的发现了完全中介建议做一次稳健性检验确认不是样本量或测量误差导致的结果再考虑要不要写进论文。Process里没有专门的“完全中介”输出选项你可以看直接效应的置信区间——如果包含0可以讨论“完全中介的可能性”。5.3 逐步检验和Sobel检验结果打架听谁的这种情况真有。三年前我做过一个数据逐步检验a显著、b显著、c不显著按传统标准该判完全中介但Sobel检验z 1.81p 0.07不显著。两个方法打架了怎么办我当时查阅了相关方法学文献比较靠谱的做法是优先以Bootstrap的置信区间为准注意要偏差校正因为它不依赖正态假设检验力也更好然后看效应量大小和置信区间宽度如果弹性较大就谨慎陈述。如果Bootstrap也不支持那就老实承认中介效应证据不足。还有个小技巧数据质量不好偏态严重、样本量小时Bootstrap的置信区间也可能高估精度。这时用BCa法偏差校正且加速的Bootstrap做交叉验证对比一下区间结果看结论是否稳。6. 实操中的几个独家建议最后分享几条我用了这么多年总结出来的小经验不一定写在教科书里但实操时真能救命。第一做中介分析前先做一次相关矩阵。X、M、Y三者之间理论上应该都有显著两两相关。如果X和Y相关系数接近0而X和M、M和Y有相关这很可能是遮掩效应如果X和M根本不相关那后面的a路径基本没戏趁早改模型。第二样本量别太抠。想检测中等偏小的间接效应小样本比如低于200人很容易翻车。一个粗略的参考标准是样本量至少要是模型中变量数的20倍以上但中介分析的情况更复杂累计误差会随样本变小急剧膨胀。预算允许的话300人起步比较稳妥。第三记得报告置信区间而不是只报p值。现在期刊越来越重视效应量和精确度估计单独的p值已经很难说服审稿人了。哪怕你用的是老派逐步检验法也建议用Process补一个Bootstrap置信区间防止审稿人一句“请补充间接效应的置信区间”把你打回修改。第四做中介分析前先确认量表的信效度。这个看起来和中介检验无关但本身信度不过关的变量跑出来的中介效应大概率也是一团浆糊。我见过一个案例中介变量信度只有0.5跑出来的b路径歪得离谱。先治数据再谈分析。中介效应分析说难也不难说简单也不简单。难在它背后牵扯到因果推断的很多哲学问题简单在如果你只是想完成一次符合常规要求的检验套路确实就那么几板斧。先把逐步检验法练熟再去理解Sobel检验的逻辑最后过渡到Bootstrap这三步走完中介效应对你来说就不再是什么玄学了。本文还有配套的精品资源点击获取