简介中介效应检验是社会科学、心理学与市场营销实证研究中的常用分析工具。这份Word文档系统整理了逐步检验法、Sobel检验与Bootstrap检验的操作流程面向需要完成中介效应分析或论文实证的高校师生与科研人员。文档从原理说明、方程设定到判定标准均有清晰讲解并给出STATA命令示例包括变量中心化、sgmediation安装与Bootstrap置信区间计算便于按步骤上手。资源共1个docx文件压缩包总大小154KB内容呈体系化排列适合反复查阅。目前已有594人学习下载对初学中介效应的研究者有较高参考价值。掌握三种主流检验方法的适用条件与结果解读技巧尤其是Sobel和Bootstrap命令的实操细节如间接效应置信区间是否包含0的判断方式内容预览还展示了中介效应占总效应的比例计算。整体而言这份文档兼顾原理与实操是精简型方法整理资料。1. 中介效应是研究里最常用的“黑匣子拆解法”为什么你跑完回归还不够两年前我帮一个做组织行为学的朋友看论文审稿意见外审只回了一句话“中介效应需要做逐步检验和Sobel检验请补充。”他当时已经跑了回归X对Y显著然后直接写了“M可能在中间起作用”。我问他a路径和b路径的数据呢他说没跑。这就是中介效应最常见的尴尬很多人知道这个概念但真正被审稿人追究起来连三个回归方程都凑不齐。中介效应要回答的不是“X和Y有没有关系”而是“X是通过哪条路径影响Y的”。当你需要向读者证明M确实是中间变量而不是你脑补出来的故事时逐步检验法和Sobel检验就是学术界最基础、也最常被要求的两道工序。这篇笔记把这两道工序的完整流程、参数判读和容易翻车的地方一次讲透适合刚跑完相关分析、正准备做机制检验的硕士生和青年研究者。2. 逐步检验法三个回归方程、两类显著性判断和完整复现路径2.1 Baron和Kenny的因果步骤总效应、间接效应与直接效应的关系逐步检验法源自Baron和Kenny在1986年提出的因果步骤框架它把X对Y的影响拆成三段X直接影响Y的路径叫直接效应系数记为cX先影响M、M再影响Y的这条绕行的路叫间接效应系数记为a和b的乘积a×b。把这两条路合在一起就是总效应c。在普通最小二乘回归下三者满足c c ab这个等式。这套逻辑落实到检验上需要依次跑三个回归方程。方程一Y对X回归检验总效应c是否显著方程二M对X回归检验a是否显著方程三Y对X和M同时回归检验在控制M之后X对Y的直接效应c是否显著以及M对Y的效应b是否显著。判定规则很直接a和b都显著说明间接效应存在c不显著称为完全中介c显著但数值比c小称为部分中介。需要提醒的是这套检验里第一步的c显著经常被当成硬性前提。很多教材和论文都写“先看总效应不显著就停止”但后面要讲到这个前提恰恰是整套方法里最容易被误用的地方。实际做的时候我一般会把三个回归一次性都跑完不要第一步不显著就收手否则会漏掉遮蔽效应那是后话。2.2 用R复现三步回归最小代码与每个输出值的读法假设你有三个变量X是自变量M是中介变量Y是因变量数据存在data这个数据框里。用R跑逐步检验最小实现只需要三个lm函数。# 方程一总效应Y对X回归 fit_total - lm(Y ~ X, data data) summary(fit_total) # 看X的系数记为c # 方程二X对M的效应 fit_mediator - lm(M ~ X, data data) summary(fit_mediator) # 看X的系数记为a # 方程三控制M后X对Y的直接效应 fit_direct - lm(Y ~ X M, data data) summary(fit_direct) # X的系数记为cM的系数记为b三个模型的summary输出里你需要读的是Estimate列和Pr(|t|)列。方程一里X的Estimate就是总效应c方程二里X的Estimate是a方程三里X的Estimate是cM的Estimate是b。标准的论文汇报格式是把a、b、c、c以及它们各自的显著性p值做成一张表后面第5.3节会给一个可以直接套用的模板。跑完代码后重要的是判读中间的逻辑关系。c不显著时不要急着下结论先看a和b如果a显著、b也显著说明X对Y的效应确实通过M在传递只是这条间接路径和X对Y的其他作用相互抵消导致总效应看不出来。这种情况在心理学文献里叫遮蔽效应在计量经济学场景里也不少见。2.3 部分中介还是完全中介先看系数再看p值拿到三个模型的系数后先做数值比较再做显著性判断。比较c和c的大小如果c的绝对值比c小说明M吸收了X的一部分效应这是中介存在的正向证据。至于是否显著看p值。c不显著且a、b都显著就是完全中介c显著但系数变小就是部分中介。用一组模拟数字示范一下假设c0.62a0.45b0.38c0.18。总效应0.62减去直接效应0.18等于0.44而a×b0.45×0.380.171。注意c - c和a×b在这个设定里不相等这是正常的因为样本估计存在误差c c ab的等式只在总体层面严格成立实际拟合时两边会有偏差。汇报时以a×b作为间接效应的点估计所以在这组数字里间接效应是0.171不是0.44。提示不要因为c - c和a×b不相等就怀疑跑错了。误差项和样本波动会让这两个数值有差异回归结果解释的是整体趋势不是四则运算恒等式。3. Sobel检验把间接效应显著性问题变成一次z检验3.1 Sobel检验公式拆开看ab的标准误为什么有两个来源逐步检验法有个短板a显著、b显著只能说明X对M有效、M对Y有效但a×b这个乘积本身到底显不显著它没有给出明确答案。审稿人要求补充Sobel检验就是为了补上这最后一步——给间接效应的点估计算出标准误然后做一次z检验。Sobel检验的核心是间接效应ab的标准误公式它来自delta方法的一阶近似se(ab) sqrt(b² × sea² a² × seb²)其中sea是方程二中X系数的标准误seb是方程三中M系数的标准误。公式的逻辑可以这样理解ab这个乘积同时受a和b两个估计值波动的影响b的波动乘以a自身的方差、a的波动乘以b自身的方差两者相加再开根号。a和b的值越大它们的不确定性对乘积的影响就越大。得到标准误之后构造z统计量z ab / se(ab)。在间接效应为零的原假设下z近似服从标准正态分布。z的绝对值大于1.96就意味着p小于0.05间接效应显著。3.2 手算Sobel检验用Excel就能算难点在标准误的收集虽然统计软件能直接输出结果但我强烈建议你至少手算一次。为什么因为Sobel检验的z值对标准误很敏感而标准误在回归输出里位置分散复制粘贴时很容易张冠李戴。我在审稿时不止一次看到有人把方程三里X的标准误当成M的标准误用算出来的结果自然是错的。手算的流程如下先跑完2.2节中的三个回归从方程二的summary中取出X系数的Estimate和Std. Error记为a和sea从方程三的summary中取出M系数的Estimate和Std. Error记为b和seb。然后按下面的公式在Excel里建四个单元格就能算完se_ab SQRT(b^2 * sea^2 a^2 * seb^2) z (a * b) / se_ab p 2 * (1 - NORM.S.DIST(ABS(z), TRUE))这里的NORM.S.DIST函数是Excel里标准正态分布的累积概率函数乘以2是因为做的是双侧检验。用一组结果演示假设a0.42sea0.18b0.35seb0.12。代入公式se_ab sqrt(0.35²×0.18² 0.42²×0.12²) sqrt(0.00397 0.00254) sqrt(0.00651) ≈ 0.0807。z 0.42×0.35 / 0.0807 ≈ 1.82p≈0.069。这组数字很有教学意义a和b单独看都显著但乘积的检验p值却大于0.05。这正是逐步检验法和Sobel检验结论不一致的典型场景也是下一章要专门讲的坑。3.3 用R和SPSS快速跑Sobelmediation包与Process宏的参数设置手算适合理解原理但正式分析时我一般用R的mediation包或者SPSS里的Process宏。# 安装和加载mediation包如果还没安装过 # install.packages(mediation) library(mediation) # 先拟合两个回归模型 model.M - lm(M ~ X, data data) model.Y - lm(Y ~ X M, data data) # 中介分析核心函数 med_out - mediate(model.M, model.Y, treat X, mediator M, boot FALSE, # 先用非Bootstrap的理论分布 sims 1000) summary(med_out)mediate函数的前两个参数直接接收之前拟合好的lm对象。treat参数填的是X在数据框里的列名必须是字符型mediator参数同理。bootFALSE时输出的ACME就是基于Sobel标准误算出的间接效应及其p值这个值和你手算的结果应该一致。如果你在summary里看到ACME的p值和手算对不上先检查treat和mediator的变量名有没有写反。SPSS用户更常用的是Hayes的Process宏。安装宏之后菜单栏会出现Process的对话框把X、M、Y分别拖入对应的变量框Model Number选4Bootstrap Samples填5000置信区间95%。输出表里找到Indirect effect(s) of Y on X那一节看Effect、BootSE和置信区间。注意Process宏的默认输出是Bootstrap置信区间它不会单独打印Sobel的z值和p值。如果投稿期刊指定“需要汇报Sobel检验结果”你需要自己用系数和标准误手算或者改用R的mediation包。这是一个经常让人卡壳的细节。4. 中介效应分析避坑检验力不足、完全中介误读与因果冒进4.1 总效应不显著不等于没有中介遮蔽效应常常被漏掉现象三步回归跑完第一步c不显著很多人直接放弃分析在论文里写“中介效应不成立”。原因c不显著有两种可能。一种是X对Y确实没有影响另一种是间接效应和直接效应符号相反两个效应相互抵消。后面这种情况在文献里叫遮蔽效应a和b都显著但c和ab一正一负总效应被抵消到不显著。如果按“c显著才继续”的老规矩这种机制就被漏掉了。解决不要第一步不显著就停。先把三个回归全跑完再看a和b的显著性。如果a和b都显著就继续计算间接效应并做Sobel或Bootstrap检验。即使总效应不显著间接效应显著也得写进讨论解释抵消的来源。这个习惯能救回不少原本以为没结果的模型。4.2 Sobel检验默认抽样分布正态小样本第一轮就翻车现象同一个模型Sobel检验p值为0.04审稿人让补一个Bootstrap检验结果置信区间是[-0.01, 0.18]包含了0。一个显著一个不显著论文都不知道怎么改。原因这是Sobel检验方法本身的结构性缺陷。标准误公式来自一阶泰勒展开它假设ab的抽样分布近似正态。但两个回归系数的乘积其真实抽样分布通常是有偏的样本量越小偏度越明显。小样本下用正态临界值1.96去卡容易把本不稳健的结果判成显著这就是我常说的“统计量也能跑出玄学感”的时刻。解决把Sobel检验当成入门级验证最终结论以Bootstrap偏差校正置信区间为准。样本量低于200时尤其不要依赖Sobel的p值。R里把mediate函数的boot参数设为TRUESPSS里直接用Process宏的Bootstrap结果这两个路径都比单独报Sobel稳妥。如果期刊明确要求Sobel那就两个都报并在正文里说明Sobel只是方法之一。4.3 “完全中介”的说法正在被学术界弃用为什么现象论文写“M起完全中介作用”审稿人却要求改成“间接效应显著”。不少人改得一头雾水。原因完全中介的定义是c不显著但c不显著可能是检验力不足导致的假阴性。同一个模型样本量150时c不显著换到300人的样本可能就显著了。学界近年来认识到用一个“没有检验出显著性”的结果来定义中介方式逻辑上站不住脚。Hayes在2013年的著作里都建议不再区分完全和部分中介转而报告间接效应和直接效应的点估计与置信区间。解决论文里少用“完全中介”这个标签改成“间接效应成立直接效应在控制M后未达到显著”。这个表述既如实汇报了结果也不会因为术语争议被审稿人挑刺。中文期刊对这一点的接受速度有快有慢但写保守一点总没错。4.4 回归系数别混用非标准化B用于乘积标准化Beta用于报告现象有人跑完回归直接取标准化系数Beta算ab得到的结果和软件输出的间接效应差异很大。原因逐步检验公式里间接效应是原始量纲下的回归系数乘积。标准化系数已经把变量压到了均值为0、方差为1的尺度缩放到因子不同乘积也就变了。Sobel检验的标准误公式同样基于非标准化系数混用之后连标准误的数值都对应不上。解决计算ab和做显著性检验时一律用非标准化系数B。需要报告标准化结果时单独用标准化系数解释效应大小不要拿它代入Sobel公式。如果用的是lavaan跑结构方程模型可以在summary里加stdTRUE参数让软件额外输出标准化间接效应那是另一套计算逻辑不是手动相乘的结果。4.5 横断面数据做中介分析统计显著不等于因果成立现象三个变量都在同一次问卷里测的跑完中介效应显著论文结论里直接写“M是X影响Y的内在机制”。原因中介效应的路径是有方向性的X在前、M居中、Y在后。横断面数据在同一时间点采集所有变量统计上只能证明关联模式符合中介结构证明不了先后顺序。如果理论模型本身就站不住回归跑得再漂亮也只是在数据里画出预设的图形。解决两条路选一条。要么收集纵向数据至少让X的测量时间早于M和Y要么在论文的局限部分明确承认数据是横断面的中介路径是理论驱动的统计示意不等同于因果证据。我个人的习惯是横断面数据的中介分析在投稿时主动降级表述写“与中介模型一致”而不是“中介效应成立”很少因为这个被拒稿。5. 用Bootstrap替代Sobel间接效应置信区间的进阶验证5.1 Bootstrap为什么能绕开正态假设重抽样思想的工程价值Sobel检验栽在正态假设上Bootstrap的思路则完全绕开这个问题。它不对抽样分布做任何形状假定而是从你现有的样本中有放回地反复抽取大量子样本每次重抽样都跑一遍a、b的计算得到上千个ab的估计值。这上千个值构成的经验分布直接用来取2.5%和97.5%分位数作为置信区间。样本量再小、分布再偏只要原始样本有代表性这个置信区间就比正态近似可靠。更值得注意的是偏差校正版本。如果你在Process里勾选了Bootstrap并采用95%置信区间它默认输出的是偏差校正区间修正了重抽样分布中位数与原始估计之间的偏移检验力比未校正版本更好。这已经不只是Sobel的替代方案而是近几年多数方法学论文推荐的默认选项。5.2 用R一次跑完Bootstrap中介检验5000次重抽样set.seed(1234) # 固定随机种子保证结果可以复现 med_boot - mediate(model.M, model.Y, treat X, mediator M, boot TRUE, # 打开Bootstrap sims 5000) # 重抽样次数 summary(med_boot) # 直接查看Bootstrap置信区间 ci - confint(med_boot) ci # ACME那一行就是间接效应的95%Bootstrap区间这里的set.seed不是可有可无的仪式感它直接决定审稿人能否复现你的结果。不设种子每次跑的置信区间会有小幅波动设了种子别人在相同数据上执行相同代码得到完全一样的数字。sims设成5000是比较平衡的选择学术论文里5000次重抽样是常见标准次数太少区间不稳定太多则纯属浪费时间。执行之后看summary输出的ACME一行Estimate是间接效应点估计p值来自Bootstrap经验分布而不是正态近似confint输出结果里同样看ACME的置信区间不包含0就是显著。第4.2节里那个Sobel显著但Bootstrap不显著的案例用这套代码跑完就一目了然。5.3 汇报模板一篇论文里中介效应结果该怎么写最后给一个可以直接套进论文的汇报模板包含三步回归系数表和Bootstrap间接效应结论是我自己投稿时一直在用的结构。第一步采用逐步检验法考察M在X与Y之间的中介作用。结果显示X对Y的总效应显著c0.62, p0.001X对M的效应显著a0.42, p0.001控制M后M对Y的效应显著b0.35, p0.001X对Y的直接效应不再显著c0.18, p0.05。第二步对间接效应ab进行Bootstrap检验5000次重抽样偏差校正间接效应估计值为0.14795%置信区间为[0.062, 0.248]区间不包含0间接效应显著。综合结果M在X与Y之间起中介作用。对应的系数表可以是三行格式第一行Y对X回归列出c的系数、标准误、t值和p值第二行M对X回归列出a第三行Y对XM回归同时列出c和b的两个子行。不要忘了在表下方注明“回归系数均为非标准化系数Bootstrap重抽样次数为5000”。我的习惯是不管期刊要不要只要做了中介分析就同时跑Sobel和Bootstrap用Sobel的结果做稳健性交叉验证用Bootstrap的结果下最终结论。遇到两者冲突就回到数据里查量纲、查样本量、查变量方向把原因写进讨论而不是糊弄过去。统计软件是个黑匣子但你的论文不能是个黑匣子每个数字都得经得起拆开重算。希望这套从原理到汇报的路径能帮你的中介效应分析少走几步弯路。本文还有配套的精品资源点击获取