因果推断中介效应分析的Bootstrap检验.docxVIP

因果推断中介效应分析的Bootstrap检验

一、引言

在因果推断研究中，我们常常需要回答这样的问题：自变量X如何影响因变量Y？除了直接作用外，是否存在某个中间变量M，使得X通过改变M进而间接影响Y？这种中间变量M被称为中介变量，探究X→M→Y的作用路径即为中介效应分析。中介效应分析是揭示因果机制的核心工具，广泛应用于心理学、社会学、医学等领域——例如，研究教育水平对收入的影响时，职业技能可能是一个中介变量；分析药物干预对疾病的效果时，生物标志物可能扮演中介角色。

然而，中介效应的统计检验一直是方法学中的难点。传统检验方法如Sobel检验依赖严格的假设（如正态分布、大样本），在实际研究中常因数据不满足条件而导致结论偏差。此时，Bootstrap检验凭借其对分布假设的弱依赖、小样本适用性强等优势，逐渐成为中介效应分析的主流方法。本文将围绕“因果推断中介效应分析的Bootstrap检验”展开，从基本逻辑到操作细节逐层深入，帮助读者理解其原理、掌握应用要点。

二、中介效应分析的基本逻辑与传统检验方法的局限

（一）中介效应的定义与因果关系前提

中介效应分析的核心是分解总效应为直接效应和间接效应。总效应（TotalEffect）是自变量X对因变量Y的整体影响；直接效应（DirectEffect）是X不通过中介变量M直接作用于Y的部分；间接效应（IndirectEffect）则是X通过M间接作用于Y的部分，即X→M→Y的路径效应。三者关系可简化描述为：总效应=直接效应+间接效应。

需要强调的是，中介效应分析的前提是明确的因果关系假设。根据因果推断的“后门准则”，要准确估计X对M、M对Y的因果效应，必须控制所有可能的共同原因变量（即混淆变量）。例如，研究“家庭收入（X）→教育投入（M）→子女学业成绩（Y）”的中介路径时，若父母教育水平同时影响家庭收入和教育投入，则必须将其纳入模型作为控制变量，否则可能高估中介效应。

（二）传统中介效应检验方法的不足

早期中介效应检验多采用“三步法”（BaronKenny法）：第一步检验X对Y的总效应是否显著；第二步检验X对M的效应是否显著；第三步检验控制M后X对Y的直接效应是否显著，若直接效应减弱且M对Y的效应显著，则认为存在中介效应。但这种方法仅为“经验判断”，未直接检验间接效应的显著性，且存在“全或无”的判定缺陷——若总效应不显著但间接效应存在（如直接效应与间接效应方向相反抵消），三步法会错误否定中介效应。

为直接检验间接效应，学者提出了基于乘积的检验方法，其中最经典的是Sobel检验。Sobel检验的逻辑是：间接效应等于X→M的路径系数（记为a）与M→Y的路径系数（记为b）的乘积（ab），其标准误可通过delta法近似计算（标准误≈√(a2SE_b2+b2SE_a2)），进而构造Z统计量（Z=ab/SE_ab）进行显著性检验。然而，Sobel检验要求ab的抽样分布近似正态，但大量模拟研究表明，当a或b的方差较大、样本量较小时，ab的分布会呈现明显偏态，导致Sobel检验的Ⅰ类错误率（错误拒绝原假设的概率）偏高或检验效能（正确发现中介效应的概率）偏低。例如，当样本量小于200时，Sobel检验的实际显著性水平可能偏离预设的5%，影响结论可靠性。

三、Bootstrap检验：原理、优势与核心逻辑

（一）Bootstrap的基本思想：从样本到总体的“自举”模拟

Bootstrap（自助法）是一种基于重抽样的非参数统计方法，其核心思想是“用样本自身模拟总体”。具体来说，假设我们有一个原始样本量为n的数据，Bootstrap会在原始样本中进行有放回抽样（即每次抽取一个观测值后放回，允许重复抽取），生成一个与原样本量相同的“自助样本”。重复这一过程B次（通常B=5000或10000），可得到B个自助样本。每个自助样本都能计算出一个间接效应的估计值（ab），B个ab值构成的经验分布即可近似间接效应的真实抽样分布。

这种方法的巧妙之处在于，无需假设数据服从特定分布（如正态分布），仅依赖原始样本的信息，就能估计统计量的标准误、置信区间等关键指标。对于中介效应分析中ab的非正态分布问题，Bootstrap的经验分布能更准确地反映其真实形态，从而提升检验的准确性。

（二）Bootstrap检验相对于传统方法的优势

弱分布假设，适用性更广：传统Sobel检验依赖ab的正态性假设，而Bootstrap通过经验分布直接估计ab的分布，无论其是否正态，都能有效计算置信区间。模拟研究显示，当ab的分布呈偏态或尖峰时，Bootstrap检验的Ⅰ类错误率更接近预设水平，检验效能更高。

小样本下表现更稳健：在小样本（如n200）情况下，传统方法的标准误估计往往偏差较大，而Bootstrap通过大量重抽样（如5000次）生成的