中介效应分析：如何科学判断间接效应是否成立？.docxVIP

在社会科学、心理学、管理学等实证研究领域，中介效应分析已成为探讨变量间作用机制的重要统计方法。它帮助我们回答“X如何影响Y”这一问题，而不仅仅是“X是否影响Y”。然而，许多研究者在进行中介效应检验时，往往只关注系数是否显著，而忽略了其背后的理论逻辑与统计前提。本文将从理论出发，系统阐述如何判断中介效应中的间接效应是否成立，并介绍在中介检验中常用的指标与其意义。

一、什么是中介效应？

中介效应指的是自变量X对因变量Y的影响，并非直接发生，而是通过一个或多个中间变量（即中介变量M）来实现的。例如，工作环境（X）可能通过影响员工满意度（M），进而影响工作绩效（Y）。这时，员工满意度就扮演了中介角色。

一个完整的中介模型包含三条路径：

X→Y（总效应路径）

X→M（路径a）

M→Y（路径b，控制X后）

间接效应即为路径a与路径b的乘积（a×b），而直接效应是控制M后X对Y的效应（路径c）。

二、判断间接效应是否成立的理论框架

1.系数显著性检验

最传统的判断方法是检验路径a和路径b的系数是否显著。如果a和b都显著，则通常认为间接效应存在。这种方法源于BaronKenny（1986）的因果步骤法，虽然简单直观，但存在统计功效不足的问题，尤其在小样本中容易漏报真实效应。

2.乘积系数的检验：Sobel检验

Sobel检验直接对a×b进行显著性检验，其原假设为“中介效应为零”。该检验构建一个z统计量，公式为：

其中SE表示标准误。若z值达到显著水平（如p0.05），则认为间接效应成立。不过，Sobel检验依赖于正态分布假设，在实际数据中往往难以满足。

3.Bootstrap法：更稳健的检验策略

目前最推荐的方法是Bootstrap抽样法。它不依赖分布假设，通过反复抽样（如5000次）构建间接效应的经验分布，进而计算其置信区间。如果95%置信区间不包含0，则认为间接效应显著。

Bootstrap法尤其适用于：

小样本情况；

非正态分布的数据；

复杂模型（如多重中介、有调节的中介）。

现在多数统计软件（如SPSSAU）都已内置Bootstrap功能，大大简化了中介效应的检验流程，操作示例如下图：

三、关键指标与其理论意义

在中介效应分析中，除了系数显著性，以下几个指标也至关重要：

1.总效应、直接效应与间接效应

总效应（c）：X对Y的总影响，不考虑M。

直接效应（c）：控制M后，X对Y的直接影响。

间接效应（a×b）：X通过M对Y的间接影响。

三者关系为：

c=c′+a×b

2.效应占比

效应占比反映中介路径在总效应中的重要性，计算公式为：

效应占比=a×b/c

这一指标有助于理解中介机制的“解释力”，但需谨慎使用，尤其在遮掩效应中。

3.置信区间（CI）

置信区间提供了效应值的估计范围。若a×b的95%BootstrapCI不包含0，说明间接效应在统计上显著。区间越窄，估计越精确。

四、中介效应的类型判断

根据直接效应与间接效应的显著性与方向，中介效应可分为三类：

1.完全中介

a和b显著；

c不显著；

说明X对Y的影响完全通过M实现。

2.部分中介

a和b显著；

c也显著，且与a×b同号；

说明M只解释了部分效应，X对Y仍有直接作用。

3.遮掩效应

a和b显著；

c显著，但与a×b异号；

说明M遮掩了X对Y的真实关系，总效应被低估。

五、SPSSAU在中介分析中的应用

随着统计方法的普及与软件的发展，像?SPSSAU?这样的在线分析平台极大降低了中介分析的操作门槛。SPSSAU不仅提供传统的三步回归结果，还自动输出Bootstrap置信区间、效应量、模型拟合指标等，并附有智能分析建议，帮助用户理解输出结果与判断标准。

其“中介作用检验-横向格式”表格更是将a、b、a×b、c、c等关键路径的系数、标准误、置信区间、检验结论整合在一起，一目了然，非常适合研究者进行汇报与论文写作。