中介变量
中介变量、调节变量与协变量概念、统计检验及其比较
中介变量、调节变量与协变量概念、统计检验及其比较一、本文概述在社会科学和自然科学的研究中，变量之间的关系是复杂且多样的。
中介变量、调节变量和协变量是理解和分析这些复杂关系的重要概念。
本文旨在深入探讨这三种变量的概念、统计检验方法及其在实证研究中的应用，并对它们进行比较，以帮助读者更好地理解并应用这些变量在各自的研究中。
我们将详细定义中介变量、调节变量和协变量的概念，解释它们在研究中的作用和重要性。
然后，我们将介绍如何通过统计方法检验这些变量，包括常用的回归分析、路径分析、协方差分析等技术。
我们将重点关注这些统计检验方法的原理、步骤和适用条件，以便读者能够在实际研究中正确应用。
我们还将对中介变量、调节变量和协变量进行比较，分析它们之间的异同点，以及在研究中的优势和局限性。
这将有助于读者更好地理解这三种变量在实证研究中的适用场景，以及如何在具体研究中选择合适的变量和方法。
我们将通过一些实证研究案例来演示中介变量、调节变量和协变量的应用，以便读者能够更直观地理解这些概念和方法在实际研究中的应用。
通过本文的阅读，读者将能够更深入地理解中介变量、调节变量和协变量的概念、统计检验方法及其在实证研究中的应用，为未来的研究提供有益的参考和指导。
二、中介变量概念及统计检验中介变量，又称为中介效应，是一个在自变量和因变量之间起桥梁作用的变量。
它的存在意味着自变量对因变量的影响并非直接，而是通过中介变量这一“中介”来实现的。
在理解这个概念时，我们可以将自变量视为“原因”，因变量视为“结果”，而中介变量则是这一因果关系链条中的“过程”或“机制”。
统计检验方面，常用的中介效应检验方法包括Baron和Kenny（1986）提出的逐步回归法，以及Sobel检验和Bootstrap方法等。
逐步回归法要求先检验自变量对中介变量的影响（第一步），再检验中介变量对因变量的影响（第二步），最后检验在控制中介变量后，自变量对因变量的直接影响是否显著减弱或消失（第三步）。
中介变量多维度模型
中介变量多维度模型一、什么是中介变量以下图的因果关系链作为例子， A 对 D 产生影响，但 A 要通过 B 这一变量对 D 产生影响，通常 B 可能是生物标记物， B 和 D 关系紧密，比如血糖和胰岛素的关系。
那么B便是中间变量或者中介变变量。
更多的中介变量介绍，诸位可以阅读本系列上一篇文章：有向无环图（DAG）：回归分析中自变量筛选的指导思想二、案例1：血糖的影响因素分析若研究者对一组研究对象开展队列研究，基线测量胰岛素、基线血糖水平、随访病人是否患有糖尿病，2年后监测其血糖水平。
研究问题：1）若分析基线胰岛素水平与2年后血糖的回归关系，应该可以纳入那几个因素作为自变量？2）若要分析基线血糖状况与2年后血糖的回归关系，可以纳入那几个因素作为自变量？3）若要研究糖尿病与血糖的关系，基线胰岛素、基线血糖是不是中介变量，要不要纳入？自变量筛选第一步：根据上一讲的方法，构建DAG模型本案例的DAG图形其实非常之简单，其主线是单线的因果关系。
首先，胰岛素将导致基线血糖的改变，而基线血糖的改变导致糖尿病发生，而后随访血糖也会可能发生改变，但同时也有可能存在着胰岛素、基线血糖会直接影响到随访血糖的情况。
理论的情况，实际可以通过简单的数据分析予以探明，同时可以分析混杂因素和中介变量的影响。
问题一、首先第一个问题：若分析胰岛素水平与2年后血糖的回归关系，应该可以纳入那几个因素作为自变量？本问题相对棘手，可以看出胰岛素和随访血糖之间可能存在着多线的关系。
不妨先利用SPSS分析做单因素线性回归结果：显然胰岛素与随访血糖存在着线性回归关系，回归系数为b=-0.114，P=0.008，两者是负向关系。
接下来，如果我们采用最常见的不考虑因果的自变量筛选方法（全部纳入、先单后多），把基线血糖和糖尿病放在一起分析。
多因素回归情况下，胰岛素与随访血糖的线性关系不存在着了（b=-0.008，P=0.872）。
多因素回归就是不懂其中各变量因果关系，一股脑放进去分析的结果。
调节变量与中介变量
调节变量与中介变量
调节变量(moderator)和中介变量(mediator)是两个重要的统计概念,它们都与回归分析有关。
一般人总是搞混两个之间的含义，因此造成统计数据的误差。
调节变量的定义
如果变量Y与变量X的关系是变量M 的函数,称M 为调节变量。
就是说, Y与X 的关系受到第三个变量M 的影响。
调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱.
例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。
又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该项自我概念的重视程度是调节变量。
中介变量的定义
考虑自变量X 对因变量Y的影响,如果X 通过影响变量M 来影响Y,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。
如果一个变量与自变量或因变量相关不大,它不可能成为中介变量,但有可能成为调节变量。
理想的调节变量是与自变量和因变量的相关都不大。
有的变量,如性别、年龄等,由于不受自变量的影响,自然不能成为中介变量,但许多时候都可以考虑为调节变量。
对于给定的自变量和因变量,有的变量做调节变量和中介变量都是合适的,从理论上都可以做出合理的解释。
中间变量
中间变量Intermediatevariable，中介变量Mediatingvariable，调节变量Moderatingvariables中介目标又称为中间目标、中间变量等，是介于货币政策工具和货币政策最终目标变量之间的变量指标。
根据Baron和Kenny的解释,中介变量(mediator)是自变量对因变量发生影响的中介,是自变量对因变量产生影响的实质性的、内在的原因,通俗地讲,就是自变量通过中介变量对因变量产生作用。
变量间的交换调节变量(Moderator) vs中介变量(Mediator)调节变量的定义如果变量Y与变量X的关系是变量M的函数,称M为调节变量[ 6 ]。
就是说, Y与X的关系受到第三个变量M的影响,这种有调节变量的模型一般地可。
调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱[ 7 ]。
例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。
又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该项自我概念的重视程度是调节变量。
中介变量的定义考虑自变量X对因变量Y的影响,如果X通过影响变量M来影响Y,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。
如果一个变量与自变量或因变量相关不大,它不可能成为中介变量,但有可能成为调节变量。
理想的调节变量是与自变量和因变量的相关都不大。
有的变量,如性别、年龄等,由于不受自变量的影响,自然不能成为中介变量,但许多时候都可以考虑为调节变量。
中介变量和调节变量
调整效应
调整变量和自变量都是类别变量时： 做方差分析当两者旳交互效应明显时,则阐明
调整变量产生了调整效应。之后,能够经过 简朴效应分析进一步了解调整变量旳详细 作用。
当调整变量是连续变量时,不论自变量是何种 变量,均可采用层次回归技术来进行检验。 即先分别考察自变量和调整变量对因变量 旳主效应大小,然后将“自变量×调整变量” 乘积项纳入回归方程,若该项系数明显,则表 白调整效应明显。
然后,以自尊、社会影响以及这两者旳交互作用
项一起作为预测变量,以自控为因变量采用逼迫进 入法进行回归分析。成果表白,整体模型具有统计 明显性,但是交互作用项对自控旳影响未到达明显 水平( p < 0. 05) ,这阐明社会影响在自尊与自控之 间未存在调整效应。
最终,以自尊、社会影响、自控、自尊与社会影响 旳交互作用项以及自控与社会影响旳交互作用项一
3当该回归系数降低到0时,称为完全中介作用
中介效应分析措施
• 假设Y与X 旳有关明显,意味着回归系数c 明显,在 这个前提下考虑中介变量M。对中介效应旳统计 检验主要有三种措施。
• 老式旳做法是依次检验回归系数a、b (完全中介 效应还要检验c′) 旳明显性。 第二种做法是检验经过中介变量旳途径上旳回归 系数旳乘积ab 是否明显。 第三种做法是检验c’与c 旳差别是否明显。三种 措施各有利弊。
第二步：
明显 X预测M检验系数明显
不明显 不明显
第三步：
明显
停止中介效果分析
X和M同步预测Y检验X Y系数是否明显
不明显且
明显且≤第 一步X Y
X Y系数接 近0
部分中介效果明显
完全中介效果明显
操作环节
（一）国内部分： 1.将变量中心化 变量值-均值 2、检验回归系数c,即主观幸 福感对社会支持旳回归 Y=0.30X（要看原则系数） 3、检验回归系数a，即自尊 对社会支持旳回归M=0.26X 4、检验回归系数b，即主观 幸福感对自尊旳回归 5、检验系数c’ ， Y=0.17X+0.49M
调节变量和中介变量精选全文
变革型领导
员工工作绩效和组织公民行为
中介变量解释关系后的作用机制
中介变量可以解释变量之间为什么会存在关系以及这个关系如 何发生的。
二、调节变量的原理和检验方法
调节变量定义：
如果变量X与变量Y有关系，但是X与Y的关系受第三个变 量Z的影响，那么变量Z就是调节变量。
变量Y与变量X的关系是变量Z的函数，Z便称为X与Y关系 的调节变量。
因变量有几种测量方法，尽量选择测量信度高的 方法和测量敏感度较高的方法。
2.5 检验调节变量的其他方法
多层线性模型：HLM 结构方程模型：SEM
三、中介变量的原理和检验方法
3.1 中介作用的原理
凡是X影响Y，并且X是通过一个中间的变量M对Y产生影 响的，M就是中介变量。
完全中介：c=0 部分中介：c>0
“视情况而定”“因人而异” “在什么样的情况下”“对于哪些人”
Z
X
Y
2.1 调节作用的原理
调节变量影响自变量和因变量之间的关系，即可以是对关 系方向的影响，又可以是对关系强度的影响。
2.2 调节作用与交互作用
交互作用：两个变量(X1和X2)共同作用时对Y的 影响不等于两者分别影响Y的简单数学和。两个 自变量可以是对称也可以是不对称的。
交互作用分类
增强型交互作用：随着X2变大，X1对Y的正面影 响越来越强
干扰型交互作用：随着X2变大，X1对Y的正面影 响逐渐减弱
2.3 检验调节作用的方法
检验调节作用最普遍的方法是多元调节回归分析： MMR
MMR具体步骤
1.用虚拟变量代表类别变量
所需的虚拟变量的数目等于类别变量水平个数减一。 如2个类别变量的时候，D1=1；D1=0
stata中带中介变量的多元回归命令
1.1 什么是StataStata是一款专业的统计分析软件，被广泛应用于各个领域的数据分析和研究中。
它提供了丰富的数据分析工具和命令，能够满足用户对于数据处理、统计分析和建模的需求。
1.2 多元回归分析多元回归分析是一种经典的统计建模方法，用于研究独立变量对因变量的影响，并控制其他变量的影响。
在多元回归分析中，可以引入中介变量来探究因变量与自变量之间的关系。
1.3 中介变量中介变量是指一个或多个变量，在自变量与因变量之间起到中介作用。
通过引入中介变量，可以深入分析自变量对因变量的影响机制。
二、Stata中带中介变量的多元回归命令2.1 准备工作在进行带中介变量的多元回归分析之前，首先需要加载Stata软件，并导入所需的数据集。
确保数据集中包含了自变量、中介变量和因变量等必要变量。
2.2 运行命令Stata中常用的带中介变量的多元回归命令为“regress”，其语法格regress 因变量自变量1 中介变量自变量2 ... 自变量n2.3 分析结果在运行多元回归命令后，Stata将输出回归分析的结果，包括模型拟合优度、自变量、中介变量和因变量之间的系数估计、显著性检验、决定系数等统计信息。
通过这些信息，可以对自变量与因变量之间的直接和间接影响进行深入分析。
2.4 模型解释通过带中介变量的多元回归分析，可以得到关于自变量对因变量的直接影响、中介变量对自变量和因变量之间的影响，以及自变量对因变量的间接影响。
这些信息有助于进一步理解自变量与因变量之间的复杂关系。
三、示例为了更好地理解Stata中带中介变量的多元回归命令的使用方法，下面我们通过一个简单的示例来演示该过程。
3.1 数据准备假设我们有一份包含了自变量X、中介变量M和因变量Y的数据集。
我们的目标是研究自变量X对因变量Y的影响，并探究中介变量M在其中的作用。
3.2 运行命令在Stata中，我们可以使用如下命令进行带中介变量的多元回归分析：regress Y X M3.3 分析结果运行命令后，Stata将输出回归分析的结果，包括X、M对Y的系数估计、显著性检验结果以及模型拟合优度等信息。
如何确定中介变量
如何确定中介变量如何确定中介变量SQ10092024002 魏亚丹在了解如何确定中介变量之前，我们首先要了解什么是中介变量，它有何作用？一、关于中介变量(mediator)当一个变量能够解释自变量和因变量之间的关系时，就认为它起到了中介作用。
研究中介作用的目的是在我们已知某些关系的基础上，探索产生这个关系的内部作用机制。
中介变量是在原有的两个变量关系基础上的进一步研究。
只有这两个变量间的关系已经存在时，才需要用中介变量讨论这个关系中间的机制。
(一) 中介变量的定义考虑自变量X对因变量Y的影响，如果X 通过影响变量M来影响Y，M既是一个变量Y 的原因，又是另一个变量X的结果，在X与Y 之间起连接作用，则称M为中介变量，解释了X与Y之间为什么会存在关系以及这些关系是如何发生的（关系内部的作用机制）。
例如，上司的归因研究：下属的表现——上次对下属表现的归因——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[1]。
假设变量已经中心化或标准化，可用图1所示的路径图和相应的方程来说明变量之间的关系。
其中，c是X对Y的总效应，ab是经过中介变量M的中介效应（mediating effect），c′是直接效应。
当只有一个中介变量时，效应之间有如下关系c=c′+ab中介效应的大小用c−c′=ab来衡量[3]。
(二) 中介变量的分类完全中介（full mediation）：X对Y的影响完全通过M，没有M的作用X不会影响Y，即c′=0。
部分中介(partial mediation)：X对Y的影响部分是直接的，部分是通过M的,即c′>0。
二、中介效应分析方法如果一个变量满足以下条件，就说它起到中介变量的作用：图 2 中介效应分析方法(一) 自变量的变化能显著地解释中介变量的变化（路径A ）(二) 中介变量的变化能显著地解释因变量的变化（路径B ）(三) 当控制路径A 和路径B 时，自变量和因变量之间在之前所表现出的显著作用（路径C ）不再存在或显著减小了三、 中介变量规范的检验步骤(一) 建立因果关系两个变量X 与Y 之间必须存在因果关系，这种关系不是虚假的相关。
- 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)。
SPSS实例：[16]中介效应的检验过程
•
•|
•浏览：3442
•|
•更新：2013-11-13 14:51
spss做中介效应现在用的越来越普遍，虽然说用amos是最佳的工具，但是很多人还是喜欢spss，更容易理解，操作起来也比amos简单。
下面我们就来分享一下如何使用spss进行中介效应的检验，这个教程是理论上的讲解，目的是让你理解这个过程。
后面我们会具体的来操作一下，让你知道如何具体的去做，先来看看理论上的过程：
1.先要明确你的自变量和因变量，假如我们有三个变量分别是：自变量（x），
因变量（y），中介变量（M）。
2.第一个要检验的是自变量对因变量的作用，我们用下面的方程表示：我们
首先要做的是对系数c的检验，你应该知道，用回归做检验，假如c不显著，说明不存在中介效应，停止检验；假如c显著，还不能说明存在中介
效应，接着进行下面的步骤：
3.接着我们做自变量和中介变量之间的回归方程的检验，也就是用下面的方
程来表示，假如系数a显著，说明X确实可以预测M，但仍然没有说明中介效应的存在。
假如a不显著，那就需要进行sobel检验。
我们暂时不去
做sobel，因为还有一个步骤
4.现在我们要检验M和Y之间的关系，也就是下面的方程的系数是否显著。
假如a显著、b也显著，那么就可以证明中介效应存在；假如a和b中有一个不显著，另一个先不显著我们不知道，我们需要进行sobel检验，so
bel检验显著，那么中介效应存在。
5.到此为止，我们就完成了中介效应的检验，下面来总结一下整个流程，看
下面的流程图：。