因果推断中介效应的Bootstrap检验.docxVIP

因果推断中介效应的Bootstrap检验

一、引言

在因果推断研究中，揭示变量间的作用机制往往比单纯验证因果关系更具科学价值。例如，教育水平对收入的影响，可能并非直接作用，而是通过职业技能提升（中介变量）间接实现。这种“X通过M影响Y”的中介效应分析，是社会学、心理学、经济学等领域探索因果路径的核心工具。然而，传统中介效应检验方法（如Sobel检验）因依赖正态分布假设，在实际数据中常面临检验效能不足或一类错误率偏高等问题。Bootstrap检验作为一种非参数重抽样方法，通过模拟中介效应的经验分布，有效突破了传统方法的局限，逐渐成为中介效应检验的主流技术（PreacherHayes,2004）。本文将系统阐述因果推断中中介效应的Bootstrap检验逻辑，从基础概念到操作流程，再到应用场景与注意事项，层层递进展开论述。

二、中介效应与传统检验方法的局限

（一）中介效应的核心内涵

中介效应（MediationEffect）指自变量X对因变量Y的影响，部分或全部通过一个或多个中介变量M传递的过程。其核心逻辑可概括为：X首先影响M（路径a），随后M影响Y（路径b），而X对Y的直接影响（路径c’）可能存在也可能不存在。总效应（c）等于直接效应（c’）与间接效应（a×b）之和。例如，在“工作压力（X）→心理倦怠（M）→工作绩效（Y）”的关系中，若工作压力通过增加心理倦怠间接降低工作绩效，则心理倦怠发挥了中介作用（BaronKenny,1986）。

（二）传统检验方法的不足

早期中介效应检验多采用因果步骤法（BaronKenny,1986）或Sobel检验（Sobel,1982）。因果步骤法通过依次验证X对Y、X对M、M对Y（控制X后）的回归系数显著性，间接推断中介效应存在，但该方法仅适用于完全中介场景，且未直接估计间接效应的显著性。Sobel检验则通过计算间接效应（a×b）的标准误（约等于√(b2s_a2+a2s_b2)，其中s_a、s_b为路径a、b的标准误），构造Z统计量进行假设检验。然而，Sobel检验的关键缺陷在于：间接效应（a×b）的抽样分布通常呈非正态（尤其是当a或b为负数时），而Z检验依赖的正态假设在此场景下不成立，导致检验结果可能低估或高估显著性（MacKinnonetal.,2004）。模拟研究显示，当样本量较小或间接效应较小时，Sobel检验的一类错误率可能偏离5%的名义水平，检验效能仅为Bootstrap方法的60%-80%（PreacherHayes,2008）。

三、Bootstrap检验的原理与优势

（一）Bootstrap方法的基本逻辑

Bootstrap（自助法）是由Efron（1979）提出的非参数统计技术，其核心思想是“用样本估计总体”。具体而言，从原始样本中进行有放回的重复抽样（抽样次数通常为5000-10000次），生成大量与原样本同容量的“自助样本”；基于每个自助样本计算目标统计量（如中介效应的a×b值），形成统计量的经验分布；最后通过该分布估计统计量的标准误、置信区间或进行假设检验（EfronTibshirani,1993）。这种方法无需对总体分布做任何假设，仅依赖样本自身的信息，因此在非正态、小样本或复杂模型场景下更具稳健性。

（二）Bootstrap检验中介效应的独特优势

相较于传统方法，Bootstrap检验在中介效应分析中体现出三方面优势：

首先，绕过正态假设。间接效应（a×b）的分布常呈偏态（如当a或b为负时，a×b可能为负且分布左偏），而Bootstrap通过经验分布直接估计置信区间，避免了因正态假设不成立导致的推断偏差（MacKinnonetal.,2004）。

其次，提升检验效能。模拟研究表明，当间接效应较小时（如a×b=0.1），Bootstrap检验的统计功效比Sobel检验高约30%；在样本量为50时，Bootstrap的一类错误率仍能保持在5%左右，而Sobel检验可能升至8%-10%（PreacherHayes,2008）。

最后，支持复杂中介模型。传统方法多适用于单中介模型，而Bootstrap可轻松扩展至多中介（多个并行中介变量）、链式中介（X→M1→M2→Y）等复杂模型，通过分别计算每个间接效应的经验分布，实现多路径的同时检验（Hayes,2013）。

四、Bootstrap检验的操作流程

（一）研究设计与模型构建

开展Bootstrap检验前，需明确研究问题与理论框架。例如，若要检验“社会支持（X）是否通过心理韧性（M）影响抑郁水平（Y）”，需先基于理论或前人研究提出中介假设，并构建结构方程模型或回归模型（如依次进行X对M、X和M对Y的回归）。模型中需注意控制可能的混杂变量（如年龄、性别），避免遗漏变量偏