当中介变量是分类变量：突破传统方法的局限与实战指南.docxVIP

在科学研究中，中介效应分析是探寻“X如何影响Y”这一黑箱机制的利器。我们熟知的Baron和Kenny步骤法、系数乘积检验法，似乎已成为研究者手中的标准流程。然而，当你兴冲冲地将模型套用到自己的数据上时，可能会遇到一个棘手的问题：如果我的中介变量不是连续分数，而是一个“是”或“否”的状态，一个“高、中、低”的等级，或者几种不同的类型，该怎么办？

例如：

X：员工培训项目|?M：工作满意度（满意/不满意）|?Y：工作绩效

X：广告投放量|?M：品牌认知（不知名/知名/顶级）|?Y：购买意愿

X：家庭教育方式|?M：孩子心理韧性（高/低）|?Y：学业成就

此时，你若直接运行PROCESS或画一个路径图，将线性回归的系数生搬硬套，得到的结论很可能是不准确甚至错误的。本文将带你深入浅出地剖析这一问题，并为你提供一套清晰、可操作的现代解决方案。

一、根源探析：为什么传统方法会“失灵”？

传统中介模型的核心操作之一是计算路径系数?a（X→M）和?b（M→Y）的乘积?a*b，并将其定义为中介效应。这个操作的成立，隐含着一个关键前提：变量M是连续的，且其关系是线性的。

“单位变化”的失效：在线性回归中，系数b的意义是“M每增加一个单位，Y平均变化b个单位”。但当M是“满意/不满意”时，什么叫“增加一个单位”？从“不满意”到“满意”是一个质的飞跃，而非量的累积。这个变化无法用“单位”来衡量。

系数尺度的不匹配：当M是分类变量时，我们通常用Logistic回归（二分类）或多项Logistic回归（多分类）来拟合X→M的路径。Logistic回归输出的系数是?Log(Odds)，即“对数几率”。这是一个非线性、非直观的尺度。而路径b（M→Y）的系数，如果Y是连续的，则来自线性回归，单位明确。

试问，一个“对数几率”乘以一个“Y的单位变化”，得到的结果究竟是什么？它的现实意义极其模糊，无法合理解释。?这正是传统方法面临的根本性挑战。

二、思维转换：从“系数相乘”到“效应模拟”

既然直接相乘的路走不通，我们需要的是一场思维革命：放弃直接计算a*b的点估计，转而通过模拟抽样的方法，去估计“中介效应”这个整体的抽样分布，并判断它是否显著地不为零。

这就引出了当今方法论领域的明星——Bootstrap法。

Bootstrap（自助法）的核心思想：我们的样本就是从总体中抽取的一个最好的“缩影”。我们把这个样本当作一个“微观总体”，然后有放回地从中重复抽取大量（如5000次）的新样本（称为Bootstrap样本）。由于是有放回抽样，每个新样本都与原样本略有不同，从而模拟了从总体中多次抽样的过程。

具体到中介分析：

我们从原始数据中，有放回地抽取一个Bootstrap样本。

在这个样本上，分别用Logistic回归拟合X→M的模型，用线性回归（或Logistic回归，如果Y也是分类的话）拟合M→Y的模型。

记录下这两个模型的系数。

将上述步骤重复5000次，我们就得到了5000套略有差异的模型系数组合。

基于这5000套系数，我们可以计算出5000个可能的“中介效应”值。这5000个值就构成了中介效应的一个经验分布。

我们找出这个分布的2.5%分位数和97.5%分位数，就得到了一个95%的置信区间。

如何判断？如果这个置信区间不包含0，我们就认为中介效应是存在的。因为它意味着，在95%的模拟情境下，由X通过M影响Y的间接效应都不为零。

这个方法完美地绕开了“系数尺度不匹配”的难题，因为它关注的是整体效应的分布，而非单个系数的乘积。

三、实战指南：两种情况与操作流程

在实操中，根据因变量Y的类型，主要分为两种情况。理解这两种情况，是正确建模的关键。

情况一：中介变量M为分类变量，因变量Y为连续变量

这是最常见的情形。例如，研究新教学方法（X）如何通过提升学生学习兴趣（M，高/低）来最终提高考试成绩（Y）。

模型构建逻辑：

路径a(X→M)：使用?二元Logistic回归（当M为二分类时）。

路径b(M→Y)：使用?线性回归。

总效应(X→Y)：使用?线性回归。

操作与解读（以SPSSAU为例）：

对于研究者而言，手动进行5000次Bootstrap抽样并分别建模，是一项繁重且易错的工作。幸运的是，现代统计工具已经将这些流程自动化。

找到分析模块：在SPSSAU的“问卷研究”-“中介效应”或“路径分析”模块中，通常都支持Bootstrap和分类变量的设置。

变量设置：将自变量X选入对应框，将中介变量M指定为“分类变量”（SPSSAU界面中通常有变量类型的选项，勾选M为定类数据即可），将因变量Y选入对应框。

选择模型并开启Bootstrap：选择合适的中介模型（如模型4），并务必勾选“Bootstrap”选项，将抽样次数设置为