路径分析与中介效应.pptVIP

模型效应分解 对变量间的相关系数进行分解，去探讨变量间的关系 。 变量间相关系数 因果效应 非因果效应 直接因果效应 间接因果效应 虚假相关 未分解效应 效应分解 直接因果效应 原因变量对结果变量的直接作用。 间接因果效应 一个变量首先作用于中介变量，然后再通过中介变量对另一变量产生的效应。 效应分解 虚假相关 两变量间存在着相关关系，不是因为这两个变量间确实存在着相关，而是因为两个变量和第三变量共同发生联系，第三变量的变化致使这两个变量表现出共同变化的趋势。 未分解效应 两变量间存在着相关关系，但在模型内又找不到共同的前置变量时，称这两个变量间存在着未分解效应。 模型效应分解方法 路径回溯方法（the rules for tracing paths） （1）根据研究需要选择要进行效应分解的一对变量 （2）起始点：当这对变量间存在着因果关系时，路径回溯需要从果开始。如果这对变量间不存在因果关系（如X1与X2之间），那么路径回溯的起始点可以由自己决定，但是一旦选定，有关这对变量的路径回溯都要从这个变量开始。 （3）规则： a.从起始点，逆着路径箭头回溯，一直到达另一个变量为止。 b.每个中介变量只能通过一次 c.两个变量间的每条特定路径只能经过一个非因果变量 d.从起始点开始，路径回溯一直逆向行进，而一旦经过了顺向箭头的路径，就不能再通过逆向箭头的路径了。 效应分解 总效应等于直接效应+间接效应 间接效应的显著性检验 间接效应是两个或多个路径系数的乘积，这种乘积项往往违背了正态分布的假设（Geiser, 2013）。 间接效应的统计显著性方法 Testing mediated effects via asymmetric confidence intervals derived from bootstrapping. An indirect effect is significant at the .05 level if the value of 0 is not part of the 95% bootstrap confidence interval around the indirect effect. 在Mplus操作中，写一个model indirect子命令，可以输出间接效应。 对间接效应的检验，默认采用的是Sobel检验（Sobel,1982）。 根据MacKinnon等人的研究，推荐使用基于bootstrap方法的asymmetric置信区间对间接效应进行显著性检验。 OUTPUT: cinterval; * * * 路径分析与中介效应 提要 基本概念 路径分析 中介效应 中介效应的检验 路径分析的模型界定与识别 模型的建立 递归模型与非递归模型 直接效应与间接效应 潜变量路径分析 Mplus 的路径分析 基本概念——路径分析概述 1921年，Wright首次提出“路径分析”的概念，建立一个统计模型解释一组有关联的变量之间背后的因果关系，以推导出因果结论。 路径分析是一种将观察变量间的关系以模型化的方式进行分析的一种统计技术。 利用测量变量间的共变情形，同时估计模型当中所有的参数，并配合研究者所提出的特定假设模型或竞争模型，检验理论模型与观察数据的适切性，找出最佳的模型（邱皓政，林碧芳，2009）。 回归分析的局限 通常的回归模型，可以包含多个自变量，但只能包含一个因变量。而许多因果效应的问题，因变量往往不止一个。回归分析的另一个局限是，只能分析直接效应，不能分析间接效应（侯杰泰，温忠麟，成子娟，2004）。 在有间接效应的问题中，中介变量（mediator）既是自变量，又是因变量。 传统回归模型与路径分析的比较 回归模型 多个自变量 一个因变量 没有中介变量 自变量没有测量误差 只有单向路径 因果模型（路径分析） 多个自变量 多个因变量 有中介变量 自变量有测量误差 可以有往返路径 结构方程模型的路径分析 路径分析一般指一组外显观察变量（manifest variables）的关系。 但随着SEM盛行，路径分析中除了带有诸多变量间的因果解释之外，各研究变量还可以是潜变量，所谓潜变量路径分析（latent path analysis）。 结构方程式 Y = ? + ?Y + ?X + ? Y 为内生观测变量的矩阵，X 为外源观测变量的矩阵。 ? 为内生变量之间的路径系数（Beta）矩阵，? 为外源变量与内生变量间的路径系数（Gamma）矩阵。 ? 为截距， ? 为内生观测变量Y 的误差矩阵。 路径分析图的表示方法 路径图表示 矩形框：观测变量 线条：单箭头与双箭头 路径系数： 第一个下标标志着结果变量 第二个下标标志着原因变量 外源变量（路径分析中一般设定外源变量相关） 内生变量及其误差 X