一次看懂中介效应分析：从理论到智能建模的全过程.docxVIP

本文以中介效应分析的理论框架为主线，结合SPSSAU的中介分析模块实现细节，系统化阐述中介模型的建模逻辑、各项指标的理论含义及相互关系。

一、中介效应：理论上的“为什么”与统计上的“怎么测”

在因果推断或机制探究中，**中介效应（mediation）**回答的不是“X与Y是否相关”，而是“X如何通过某个或若干个中间变量M影响Y的过程”。从理论上讲，中介模型把因果链条拆成若干段（直接路径+间接路径），有利于揭示机制、检验理论假设并提出可干预的路径节点。

基本三段路径：

a（X→M）：自变量对中介变量的影响；

b（M→Y）：中介变量对因变量的影响（控制X）；

c（X→Y控制M）：在纳入中介后X对Y的直接效应；

c（总效应）：未纳入中介时X对Y的总体影响（等于c+a×b）。

二、指标体系的分类与理论意义

下面将中介分析报告中常见的指标进行系统化分类，并说明每个指标在理论与推断上的作用与局限性。

1）路径系数类（回归系数：a、b、c、c）

性质：回归系数是线性模型中最直接的效应度量，表示在其他控制变量不变时，自变量每单位变化对因变量（或中介变量）产生的平均变化量（在标准化或非标准化尺度上含义不同）。

理论意义：

a：检验理论假设中X能否改变M（是否存在机制前提）。

b：检验M是否能进一步改变Y（检验机制能否传导到结果）。

c：判断除机制外是否还有剩余的直接影响（是否存在未测中介或直接通路）。

c：衡量整体关系强度，用于评价模型是否有探究价值。

注意：路径系数的显著性受样本量、变量测量误差与模型设定影响；故不能单凭显著/不显著结论做因果断言。

2）间接效应与效应分解（a×b、效应占比）

a×b（中介效应）：表示X通过M对Y的间接影响强度。理论上这是检验机制存在性的核心量。

效应占比（a×b/c）：衡量间接路径在总效应中的相对贡献，用于判断机制“重要性”或“主导性”。

注意：若c较小（接近零）时，占比解释需谨慎；若a×b与c异号，需警惕“遮掩效应”（suppression）。

3）模型拟合与统计判断（R2、调整R2、F值）

R2/调整R2：表示模型解释的方差比例，理论上反映自变量（及中介）对因变量变异的解释力。调整R2修正了变量个数带来的偏差，更适合模型比较。

F值：检验整个回归模型是否在统计上显著优于零模型（即至少有一个预测量有用）。

理论意义：用于评价模型整体“有用性”，但不能替代对路径机制的逐条检验。

4）置信区间与稳健检验（BootstrapCI、BootSE、z值）

Bootstrap区间（百分位法或偏差校正法）：通过重复抽样直接估计间接效应的分布，判断a×b是否显著（区间是否包含0）。

BootSE：间接效应的抽样标准误估计。

理论意义：因a×b的分布通常偏离正态，Bootstrap提供了更稳健的显著性检验与不依赖正态假设的置信区间，对中介检验尤为关键。SPSSAU默认提供百分位法，并可选偏差校正（bias-corrected）等方法以提升精度与控制偏差。

5）显著性判定逻辑（完全中介/部分中介/遮掩/不显著）

判定依据：综合a、b、a×b的显著性与c的显著性以及a×b与c的符号关系来决定中介类型（例如：a、b显著且c不显著→完全中介；a、b、c均显著且a×b与c同号→部分中介；a×b与c异号→遮掩效应）。

理论意义：类型判定帮助研究者理解理论模型中的“机制是否独立”或“是否存在相反方向的作用通路”。

SPSSAU输出中介效应分析部分结果示例如下：

三、指标间的关联性：如何在解释上互为佐证

指标并非孤立使用，而是构成一个互相支撑的证据链：

解释要点：

模型解释力（R2）：若很低，路径系数即便显著，也需谨慎解读机制实际贡献；

路径系数（ab）：是中介效应成立的必要条件（至少在直观上），但非充分条件——必须结合a×b的置信区间；

BootstrapCI：作为a×b的最终“法官”，若区间不跨0，则间接效应被视为统计上显著；

中介类型：由c与a×b的关系决定，直接影响理论上是否存在额外通路或“矛盾路径”。

四、方法比较：因果逐步回归（依次检验）vs.乘积系数/Bootstrap（当前主流）

学术界对中介效应检验方法已有系统讨论：温忠麟等（2014）对传统逐步回归法（BaronKenny）与系数乘积法、Bootstrap法的优缺点做了梳理，并提出因果判断与方法选择的流程性建议。理论要点包括：

因果逐步回归（依次检验）：直观、易理解，适用于教学与初步检验；但在统计检验效能上可能较低（特别是中介效应