中介效应分析原理程序Bootstrap方法及其应用
中介效应分析：原理、程序、Bootstrap方法及其应用
校正的非参数百分位法，在X编码框中选择“Indicator”，即将自变量 作为多组别分类变量进行编码。
.
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 结果汇报
.
1 经典的中介检验方法（即前一个ptt中讲的）
因果逐步回归方法 (Causal Step Regression) (Baron & Kenny1986) (1) (2) (3)
M
a=0.7*
b=0.58*
X
* p<0.05
c’=0.2
Y
c=0.6*
.
1 经典的中介检验方法
温忠麟等（2004）中介效应检验程序（知网上应该有）
资料来源：温忠麟,张雷,侯杰泰,刘红云. 中介效应检验程序及其应用. 心理学报, 2004, 36(5): 614-620. .
1. 经典的中介检验方法
存在的问题 > 主效应并非中介效应存在的前提 > 完全中介并非中介检验的完美准则 > 该方法并非直接检验中介路径a*b=0 > 未能明晰复杂中介的检验
中介效应分析：原理、程序、Bootstrap方法及其应用
清华大学经济管理学院 陈瑞 郑毓煌 刘文静
.
本文的写作目的
• 总结介绍前沿的中介检验程序和方法 • 结合研究实例，阐述Bootstrap中介检验的具体应用 • 结合研究实例，阐述复杂中介检验时Bootstrap的应用、
结果分析和汇报
.
目录
• 经典的中介效应检验方法 • 中介效应检验的原理和程序 • Bootstrap中介检验方法及其应用 • 结论和讨论
中介效应模型三步法与四步法
中介效应模型三步法与四步法全文共四篇示例，供读者参考第一篇示例：中介效应模型是心理学研究中常用的一种分析方法，主要用于探讨一个自变量对因变量的影响是否通过中介变量来实现。
中介效应模型在研究因果关系时具有重要的作用，能够帮助我们理解不同变量之间的关联关系。
中介效应模型的三步法和四步法是比较常用的分析方法之一。
我们来介绍一下中介效应模型的基本概念。
在研究中，我们通常会考察一个自变量对因变量的影响，同时中介变量是自变量和因变量之间的一个中间环节，起着传递和传导作用。
中介效应模型就是用来检验这种传导效应的存在和程度的统计方法。
中介效应模型的三步法是指，首先确定自变量和因变量之间的直接效应，然后确定自变量对中介变量的影响，最后通过中介变量对因变量的影响进行检验。
具体步骤如下：第一步，确定自变量对因变量的总效应。
这一步可以通过简单的回归分析来得到，即分析自变量对因变量的直接影响。
三步法的优点在于简单直观，易于操作和理解。
但是有时候，研究的问题可能比较复杂，需要考虑更多的因素。
这时候，就需要使用四步法来进行分析。
四步法相比于三步法，增加了一步额外的检验，即基于自变量和中介变量之间的关系，来确定中介效应的大小和显著性。
四步法的步骤如下：第二步，确定自变量对中介变量的影响。
第四步，检验中介效应的大小和显著性。
这一步通常通过间接效应的Bootstrap置信区间检验来完成，通过统计分析来证明中介变量在自变量和因变量之间的传导作用。
四步法相比于三步法在精细度上有所提高，可以更加全面地揭示自变量、中介变量和因变量之间的关系。
但是四步法也需要更多的样本和计算量来完成，因此在实际研究中需要根据具体情况来选择合适的分析方法。
中介效应模型的三步法和四步法是研究中常用的分析方法，能够帮助我们了解不同变量之间的关系，揭示其中的因果关系。
在进行研究时，可以根据问题的复杂程度和样本量的情况来选择合适的分析方法，以达到更准确的研究结论。
【字数不足，请再补充】第二篇示例：中介效应模型是心理学中常用的一种统计模型，用来解释变量之间的关系。
中介效应检验方法
中介效应检验方法
中介效应是指一个变量（中介变量）在自变量与因变量之间产生的间接作用。
常用的检验中介效应的方法有Sobel检验、Bootstrap法和路径分析等。
Sobel检验是一种常见的检验中介效应的方法。
它基于正态分
布的假设，通过计算一个统计量来检验中介效应的显著性。
具体步骤是首先计算出自变量对中介变量和因变量之间的间接效应，然后计算相应的标准误，最后将两者相除得到一个Z值。
如果Z值的绝对值大于1.96，则中介效应是显著的。
Bootstrap法是一种非参数的统计方法，可以通过对样本进行
重新抽样来估计中介效应的分布。
它不依赖于正态分布的假设，具有较好的抗干扰性。
具体步骤是通过有放回地抽取样本观测值，然后计算出中介效应的估计值。
重复这个过程很多次，形成一个中介效应的分布。
通过分析分布的置信区间，可以检验中介效应的显著性。
路径分析是一种结构方程模型的方法，可以同时估计自变量、中介变量和因变量之间的关系，进而检验中介效应的显著性。
它可以直接计算出中介效应的估计值及其标准误，从而判断中介效应是否显著。
除了上述方法外，还可以使用其他的检验方法，如Sobel-Goodman方法、Baron和Kenny方法等。
这些方法在具体分析中可以根据研究问题的特点来选择适合的方法。
三种中介效应检验方法及操作步骤
三种中介效应检验⽅法及操作步骤本⽂将介绍三种常见中介效应检验⽅法，分别是因果逐步回归检验法、系数乘积法、改良后的因果逐步回归法，以及如果使⽤SPSSAU进⾏操作。
什么是中介效应中介效应：如果⾃变量X通过影响变量M⽽对因变量Y产⽣影响，则称M为中介变量。
例如，上司的归因研究：下属的表现→上司对下属表现的归因→上司对下属表现的反应，其中的“上司对下属表现的归因”为中介变量。
中介作⽤的检验模型可以⽤以下路径图来描述：图1 中介效应检验模型路径图⽅程(1)的系数c 为⾃变量X对因变量Y的总效应；⽅程(2)的系数a为⾃变量X对中介变量M的效应；⽅程(3)的系数b是在控制了⾃变量X的影响后，中介变量M对因变量Y的效应；⽅程(3)的系数c′是在控制了中介变量M 的影响后，⾃变量X对因变量Y的直接效应；系数乘积a*b即为中介效应等于间接效应1 因果逐步回归检验法因果逐步回归法由Baron和Kenny(1986)提出，其检验步骤分为三步：第⼀，分析X对Y的回归，检验回归系数c的显著性(即检验H0:c=0)；第⼆，分析X对M的回归，检验回归系数a的显著性(即检验H0:a=0)；第三，分析加⼊中介变量M后X对Y的回归，检验回归系数b和c'的显著性(即检验H0:b=0、H0:c’=0)。
根据检验结果按下图进⾏判断：流程图基于SPSSAU的操作（1）第⼀步，登录SPSSAU，上传数据；（2）第⼆步，选择【问卷研究】--【中介作⽤】；（3）第三步，选择变量拖拽到右侧对应分析框内，点击开始分析。
结果分析SPSSAU的“中介作⽤”可直接将中介作⽤的检验过程⾃动化，⼀键提供出上述提及模型结果。
本次结果中共包含三个模型：①模型1：X对Y的回归模型，结果显⽰x与y存在显著影响关系，回归系数c=0.130.②模型2：x对m的回归模型，结果显⽰x与y存在显著影响关系，回归系数a=0.175.③模型3：加⼊中介变量m后x对y的回归模型，结果显⽰回归系数b、c’均呈现显著性，系数a、b均显著，说明存在中介效应。
中介效应分析方法
中介效应分析方法中介效应是指在两个变量之间的关系中，一个中间变量（中介变量）可以解释这两个变量之间的关系。
通过中介效应分析可以帮助研究者理解为什么两个变量之间存在关系，以及这个关系是如何产生的。
本文将介绍几种中介效应分析的方法。
1. Sobel检验Sobel检验是最常用的中介效应分析方法之一、它基于一个简单的线性回归公式，通过计算中介变量对因变量的回归系数和因变量对自变量的回归系数的乘积与其标准差的比值，来检验中介效应是否显著。
如果计算得到的比值显著不等于零，则可以认为存在中介效应。
2. Bootstrap法Bootstrap法是一种基于重复抽样的统计方法，可以用来估计中介效应的置信区间。
该方法通过构建多个样本并分析每个样本中的中介效应，然后计算中介效应的分布，并从中计算出中介效应的置信区间。
Bootstrap法可以有效地降低因数据偏差和非正态分布而导致的误差。
Baron和Kenny的中介效应分析方法是一种最早的中介效应分析方法。
该方法包括四个步骤：首先，确定自变量对中介变量的回归系数是否显著；然后，确定自变量对因变量的回归系数是否显著；接下来，确定自变量和中介变量对因变量的回归系数是否显著；最后，通过比较两个回归系数的显著性来判断中介效应是否存在。
Preacher和Hayes的中介效应分析方法是一种较新的中介效应分析方法，也被认为是一种更精确的方法。
该方法通过计算中介效应的点估计和置信区间，同时还可以进行多个中介变量的分析。
该方法可以帮助研究者更深入地理解中介效应并进行更准确的统计推断。
除了以上提到的几种中介效应分析方法外，还有许多其他方法，例如结构方程模型、路径分析等。
这些方法都有各自的优缺点，研究者可以根据自己研究的需求和数据特点选择合适的方法进行中介效应分析。
无论选择哪种方法，都需要保证数据的质量和有效性，并进行适当的假设检验和结果解释，以确保中介效应的可靠性和统计显著性。
中介效应分析-原理、程序、Bootstrap方法及其应用
陈瑞 1
郑毓煌 2 刘文静 3
摘要 以往研究中，中介效应分析普遍参照 Baron & Kenny（1986）的因果逐步回归分 析法进行中介检验。但是，近年来诸多学者对该方法的合理性和有效性提出质疑。 在此背景下，本研究对国际上近年来提出的最新中介效应检验程序和 Bootstrap 方 法进行提炼总结，详细阐述了中介效应分析的原理、程序、以及使用 Bootstrap 方 法的具体步骤。更为重要的是，本文不仅介绍了简单中介效应的检验，还对于研 究中经常遇到的复杂的有调节的中介、多个并列中介和多步中介等多种复杂中介 情况下如何进行中介效应分析进行了详细的介绍，具体涵盖 Bootstrap 方法进行中 介效应检验时的软件操作、数据分析和数据汇报，这对国内研究者进行中介效应 分析将提供有效、科学和便捷的指导。
a,b 至少有一个不显著
检验系数 c’ 显著 不显著
Sobel 检验 显著 不显著
Байду номын сангаас
部分中介
完全中介 中介显著
中介不显著
Y 与 X 相关不显著 停止中介效应分析
图 1 温忠麟等（2004）中介效应检验程序
资料来源：温忠麟,张雷,侯杰泰,刘红云. 中介效应检验程序及其应用. 心理学报, 2004, 36(5): 614-620.
有鉴于此，本文旨在通过对国际前沿的中介检验程序和方法的梳理和总结，以助于国内 研究者掌握更有效合理的中介效应分析方法。本文首先将指出 Baron & Kenny（1986）因果 逐步回归方法在中介效应检验程序和方法上存在的问题，进而讨论中介效应检验的原理和程 序，之后详细阐述 Bootstrap 中介效应检验方法及其应用，并结合具体的研究案例，阐述和 探讨研究中较为普遍的的几种中介效应的检验，包括简单中介（Simple Mediation）、多个中 介（Multiple Mediators）、多步中介（Serial Multiple Mediators）、以及有调节的中介（Moderated Mediation）等。
统计学中的Bootstrap方法
统计学中的Bootstrap方法引言统计学是一门研究如何收集、整理、分析和解释数据的学科。
在统计学中，Bootstrap方法是一种常用的统计推断方法，它可以通过重复抽样来评估统计量的抽样分布。
本文将介绍Bootstrap方法的原理、应用和优点。
一、Bootstrap方法的原理Bootstrap方法是由Bradley Efron于1979年提出的一种非参数统计推断方法。
它的基本思想是通过从原始样本中有放回地进行随机抽样，形成多个“伪样本”，然后利用这些“伪样本”来估计统计量的抽样分布。
具体步骤如下：1. 从原始样本中有放回地抽取n个样本观测值，形成一个“伪样本”；2. 重复步骤1，生成B个“伪样本”；3. 对每个“伪样本”，计算统计量的值；4. 利用这些统计量的值构建抽样分布。
二、Bootstrap方法的应用Bootstrap方法在统计学中有广泛的应用，以下是一些常见的应用领域：1. 参数估计：Bootstrap方法可以用于估计参数的抽样分布和置信区间。
通过从原始样本中重复抽样，可以得到参数的分布情况，从而估计参数的置信区间。
2. 假设检验：Bootstrap方法可以用于假设检验，特别是在小样本情况下。
通过生成多个“伪样本”，可以计算统计量的抽样分布，并进行假设检验。
3. 回归分析：Bootstrap方法可以用于回归分析中的参数估计和模型选择。
通过对原始样本进行重复抽样，可以得到回归参数的抽样分布，从而进行模型的评估和选择。
4. 非参数统计推断：Bootstrap方法是一种非参数统计推断方法，可以用于估计分布函数、密度函数等非参数统计量的抽样分布。
三、Bootstrap方法的优点Bootstrap方法相对于传统的统计推断方法有以下优点：1. 不依赖于分布假设：Bootstrap方法是一种非参数方法，不需要对数据的分布进行假设。
这使得它在实际应用中更加灵活和适用。
2. 考虑了样本的不确定性：Bootstrap方法通过重复抽样，考虑了样本的不确定性。
中介效应的点估计和区间估计乘积分布法、非参数Bootstrap和MCMC法
中介效应的点估计和区间估计乘积分布法、非参数Bootstrap和MCMC法一、本文概述本文旨在深入探讨中介效应的点估计和区间估计的三种主要方法：乘积分布法、非参数Bootstrap法以及Markov Chn Monte Carlo (MCMC)法。
中介效应分析在社会科学、心理学、经济学等领域中扮演着重要角色，它帮助我们理解一个变量如何通过中介变量影响另一个变量。
在复杂的数据关系中，明确中介效应的大小和置信区间对于揭示变量间的内在逻辑至关重要。
乘积分布法作为最早的中介效应估计方法之一，其理论基础坚实，操作简便，但在样本量较小或数据分布不满足正态假设时，其估计结果可能产生偏差。
非参数Bootstrap法则通过重复抽样生成大量样本，从而得到中介效应的估计值和置信区间，这种方法对数据分布的要求较低，具有较强的稳健性。
MCMC法是一种基于贝叶斯统计的复杂统计方法，它通过模拟样本的生成过程来估计中介效应，尤其适用于处理复杂的统计模型和数据结构。
本文将对这三种方法进行详细的介绍和比较，通过模拟数据和实证分析，探讨它们的适用场景和优缺点。
通过本文的阅读，读者可以对中介效应的点估计和区间估计有更深入的理解，并能够根据研究需求选择合适的方法进行分析。
二、中介效应的基本概念与模型中介效应，又称为间接效应或中介作用，是统计学中一个重要的概念，尤其在社会科学和心理学研究中广泛应用。
它描述了一个变量（称为中介变量）如何通过影响另一个变量（称为因变量）来间接影响一个初始变量（称为自变量）与因变量之间的关系。
换句话说，中介效应揭示了一个变量在自变量和因变量之间的“桥梁”作用。
在中介效应模型中，通常包含三个基本组成部分：自变量（）、中介变量（M）和因变量（Y）。
这种关系可以用以下三个回归方程来描述：第一个方程描述了自变量如何影响中介变量M，即M = a + e1，其中a是自变量对中介变量M的影响系数，e1是残差项。
第二个方程描述了中介变量M如何影响因变量Y，即Y = bM + e2，其中b是中介变量M对因变量Y的影响系数，e2是残差项。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3. Bootstrap中介效应检验方法及其应用
3.1 简单中介检验
> 具体操作步骤（以Tong, Zheng & Zhao (2013)为例介绍）
安装PROCESS插件（Hayes 2013） 打开SPSS，选择“Analyze”→“Regression”→“PROCESS”； 将自变量（时间概念）、中介变量（防御聚焦）和因变量（享乐实用
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
若两个控制组对因变量影响无显著差异，将控制组合并 (如Calogero & Jost 2010, Janssen et al. 2010)
将对实验操纵的操纵检验变量作为自变量 (如Forgas 2011)
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 具体操作步骤（以Legate et al. (2013)为例介绍）
选择）依次选入相应的选项框。 选择模型4，设定样本量为5000, Bootstrap取样方法选择偏差校正的
非参数百分位法，即勾选“Bias Corrected”；对置信区间的置信度，选 择95%
• Tong, L., Zheng, Y., & Zhao, P. 2013. Is money really the root of all evil? The impact of priming money on consumer choice[J]. Marketing Letters, 24(2): 119-129.
中介效应分析：原理、程序、Bootstrap方法及其应用
清华大学经济管理学院 陈瑞 郑毓煌 刘文静
本文的写作目的
• 总结介绍前沿的中介检验程序和方法 • 结合研究实例，阐述Bootstrap中介检验的具体应用 • 结合研究实例，阐述复杂中介检验时Bootstrap的应用、
结果分析和汇报
目录
• 经典的中介效应检验方法 • 中介效应检验的原理和程序 • Bootstrap中介检验方法及其应用 • 结论和讨论
安装MEDIATE插件（Hayes & Preacher 2012） 打开SPSS，选择“Analyze”→“Regression”→“MEDIATE”； 将自变量（遵照实验要求）、中介变量（自主性需求）和因变量（负
资料来源：温忠麟,张雷,侯杰泰,刘红云. 中介效应检验程序及其应用. 心理学报, 2004, 36(5): 614-620.
1. 经典的中介检验方法
存在的问题 > 主效应并非中介效应存在的前提 > 完全中介并非中介检验的完美准则 > 该方法并非直接检验中介路径a*b=0 > 未能明晰复杂中介的检验
1 经典的中介检验方法（即前一个ptt中讲的）
因果逐步回归方法 (Causal Step Regression) (Baron & Kenny1986) (1) (2) (3)
M
a=0.7*
b=0.58*
X
* p<0.05
c’=0.2
Y
c=0.6*
1 经典的中介检验方法
温忠麟等（2004）中介效应检验程序（知网上应该有）
3. Bootstrap中介效应检验方法及其应用
3.1 简单中介检验
> 结果汇报
按照 Zhao et al. （2010）提出的中介效应分析程序， 参照Preacher & Hayes(2004) 和Hayes (2013) 提出的Bootstrap方法进行中介效应 检验， 样本量选择5000，在95%置信区间下，中介检验的结果的确 没有包含0（LLCI=-1.7089, ULCI=-.1597），表明防御聚焦导向的中 介效应显著，且中介效应大小为-.8379。此外，控制了中介变量防御 聚焦导向之后，自变量金钱概念（金钱概念启动vs. 控制组）对因变 量消费者选择（享乐品 vs. 实用品）的影响不显著，区间（LLCI=.8907 ULCI=.5303）包含0。因此防御聚焦导向在金钱概念对消费者 享乐实用选择影响中发挥了中介作用，且是唯一的中介变量。
3. Bootstrap中介效应检验方法及其应用
3.2 自变量为多类别分类变量
> 以往检验方法
使用ANOVA进行因果逐步回归（如Pandelaere et al. 2010, Wirtz & McColl-Kennedy, 2009）
分别进行两组间比较的回归中介分析(如 Mehta et al. 2012, Pedersen et al. 2011)
2. 中介检验的检验程序和方法
显著
不显著
a ×b
显著
不显著
c'
显著
c'
不显著a× bLeabharlann c'正负
互补的 中介
竞争的 中介
唯一的 中介
仅有直 接作用
无任何 作用
中介成立
中介成立
可能忽略其他中介，有待讨论
中介成立 唯一的中介
中介不成立 忽略其他中介
中介不成立 错误的理论框架
资料来源：Zhao, Xinshu, Lynch, J. G., Chen, Q. Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis[J]. Journal of consumer research, 2010, 37(2): 197-206.
2. 中介检验的检验程序和方法
a × b 的检验
> Soble test
假设a × b 服从正态分布，但实际上a × b 不服从正态分布，导 致第一类错误的概率增加。
没有直接操作的软件
> Bootstrapping程序 (Preacher & Hayes 2004, 2008)
并不假设a × b 服从正态分布，而是依据实际的分布进行检验 可以通过spss插件直接操作 可以同时检验多个中介等较为复杂的中介