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
中介效应分析原理程序Bootstrap方法及其应用
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.
中介效应的检验方法
中介效应的检验方法中介效应是指一个变量在自变量和因变量之间起到了解释机制的作用。
当自变量对因变量的影响是通过中介变量来进行传递的，就可以称之为中介效应。
中介效应的检验方法可以分为两类：统计方法和实验方法。
一、统计方法1. Sobel检验：Sobel检验是最常用的中介效应检验方法之一、该方法通过计算中介变量的影响效应和直接效应的置信区间来判断中介效应的显著性。
Sobel检验的基本原理是通过计算间接效应和直接效应的标准误差来计算Z值，然后通过与标准正态分布表进行比较，判断中介效应的显著性。
2. Bootstrap法：Bootstrap法是一种非参数估计方法，它通过基于样本的重抽样来计算中介效应的置信区间。
具体做法是从原始样本中有放回地抽取若干个子样本进行重抽样，然后分别计算每个子样本中的中介效应，最后得到中介效应的分布情况。
通过对这个分布进行分析，可以得到中介效应的置信区间和显著性。
3. Bootstrapped Sobel检验：这种方法是Sobel检验和Bootstrap法的综合应用。
具体做法是首先通过Bootstrap法计算中介效应的置信区间，然后将这个置信区间代入到Sobel检验中，得到中介效应的显著性。
这种方法在样本量较小或变量之间的关系较复杂时效果较好。
二、实验方法1.自变量操作法：在实验中，研究者可以通过操作自变量来检验中介效应。
首先，确定自变量、中介变量和因变量之间的关系，然后对自变量进行操作，观察中介变量和因变量的变化情况。
如果自变量对中介变量和因变量之间的关系有显著影响，那么就可以认为中介效应存在。
2.中介变量操作法：与自变量操作法类似，中介变量操作法是通过操作中介变量来检验中介效应。
研究者可以通过改变中介变量的取值或引入干预措施，来观察自变量和因变量之间的关系是否发生变化。
如果中介变量对自变量和因变量之间的关系有显著影响，那么就可以认为中介效应存在。
3.研究设计法：在一些实验设计中，研究者可以采用不同的处理组合或阶段性介入的方法来检验中介效应。
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。
bootstrap方法
bootstrap方法Bootstrap方法。
Bootstrap方法是一种统计学上的重要工具，它能够通过对样本数据的重抽样来估计统计量的分布，从而进行参数估计、假设检验和置信区间的计算。
Bootstrap 方法的提出为统计学的发展带来了重大影响，它在实际应用中具有广泛的适用性和灵活性。
本文将对Bootstrap方法的原理、应用和优缺点进行介绍，以期能够对读者有所帮助。
Bootstrap方法的原理非常简单，它基于的核心思想是通过对原始样本的重抽样来模拟总体的分布。
具体而言，假设我们有一个包含n个样本的数据集，我们可以通过有放回地抽取n个样本来构建一个新的样本集，然后利用这个新的样本集来进行统计分析。
通过重复这个过程大量次数，我们可以得到统计量的分布情况，从而进行参数估计和假设检验。
Bootstrap方法的优势在于它不需要对总体分布做出任何假设，因此在样本量较小或总体分布未知的情况下也能够进行可靠的统计推断。
在实际应用中，Bootstrap方法被广泛用于参数估计和置信区间的计算。
对于参数估计，我们可以通过Bootstrap方法来计算统计量的标准误差和置信区间，从而对参数的不确定性进行评估。
对于假设检验，我们可以利用Bootstrap方法来进行重抽样分布的模拟，从而进行显著性检验。
此外，Bootstrap方法还可以用于模型选择、预测误差的估计等方面。
总之，Bootstrap方法在统计学的各个领域都有着重要的应用。
当然，Bootstrap方法也并非没有缺点。
首先，它在计算上可能会比较耗时，特别是在样本量较大时。
其次，Bootstrap方法对于样本分布的偏斜性和尾重性比较敏感，这可能会影响到Bootstrap估计的准确性。
此外，Bootstrap方法也并非适用于所有的统计问题，特别是在样本量较小或总体分布明显偏离正态分布的情况下，Bootstrap方法的效果可能会受到限制。
综上所述，Bootstrap方法作为一种灵活、无假设的统计推断方法，在实际应用中具有广泛的适用性。
中介效应分析-原理、程序、Bootstrap方法及其应用
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
部分中介
完Байду номын сангаас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.
中介效应分析：原理、程序、Bootstrap 方法及其应用*
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。
regression in mediation tests. However, in recent years many researchers have questioned the rationality and reliability of Baron & Kenny’s procedures. Based on this background, this paper summarized the most recent mediation test procedure and Bootstrap method, and elaborated principle, procedure and offers a step-by-step instruction for data analysis using Bootstrap. We not only introduce the simple mediation test, but also elaborate the rationales and methods for several complex mediation models such as mediated moderation, moderated mediation, multiple mediators, and serial multiple mediators, including steps of performing the bootstrap analysis with SPSS software, data analysis and results reports. The paper will provide effective, scientific and convenient guidance for domestic scholar. Key words Mediation Effect; Causal Step Regression; Bootstrap Method
中介效应分析-原理、程序、Bootstrap方法及其应用
- 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
3.4 多个并列的中介变量
> 结果汇报（以Liu & Gal (2011)为例）
按照Zhao et al.（2010）提出的中介分析程序，参照Hayes, Preacher & Myers（2011）和Hayes（2013）提出的多步中介变量的检验方法，
方法选择偏差校正的非参数百分位法。
变量为多类别分类变量
> 结果汇报
按照Zhao et al.（2010）提出的中介分析程序，参照Preacher et al. （2007）和Hayes（2013）提出的有调节的中介分析模型（模型8）进 行Bootstrap 中介变量检验，样本量选择5000，在95%置信区间下，中 介变量自我效能的确中介了香烟渴望程度和忧虑状态对戒烟行为的交 互影响。进一步按照均值、均值加减一个标准差，区分了低、中、高 三种忧虑程度，分析了在不同忧虑程度状态下香烟渴望程度对戒烟行 为影响中自我效能的中介效应，数据结果表明对于低度忧虑和中等忧 虑的病人，自我效能的中介效应显著，Bootstrap检验的置信区间分别 为（-.69, -.04）和（-.41,-.03），均不包含0；而对于高度忧虑的病 人，自我效能并不发挥中介作用（-.31,.03），该区间包含 0。
>逻辑：X对Y的影响通过中介M发挥 作用，这种中介受到W的调节。
W
W
X
M
Y
X
M
Y
两者没有本质区别，只是强调的重点不同
Muller, Judd & Yzerbyt (2005), Edwards & Lambert (2007), Preacher, Rucker & Hayes (2007)
3. Bootstrap中介效应检验方法及其应用
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
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
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）
按照Zhao et al.（2010）提出的中介分析程序，参照Preacher & Hayes (2012)提出的多类别分类自变量模型进行Bootstrap中介效应 检验， 将自变量以无实验要求组为参照编码为两个哑变量，样本 量选择5000，在95%置信区间下，遵照实验要求排斥他人（vs. 无 实验要求）对情绪的负面影响受到心理需求的中介影响（LLCI=.25 ULCI=.63） ，该区间不包含0，中介效应大小为0.43；遵照实验要 求接纳他人（vs. 无实验要求）对情绪的负面影响也受到心理需求 的中介影响（LLCI=.01 ULCI=.28），该区间没有包含0，中介效应 大小为0.13。此外，两个哑变量（遵照实验要求排斥他人 vs. 无实 验要求；遵照实验要求接纳他人 vs. 无实验要求）对因变量（情绪） 的直接影响均不显著（p>0.05），表明心理需求是唯一的中介变量。
3. Bootstrap中介效应检验方法及其应用
3.3 有调节的中介（ Moderated Mediation ）
有中介的调节(Mediated Moderation) 有调节的中介(Moderated Mediation)
>逻辑：X和W交互影响Y, X和W 对Y的交互影响受到中介变量M 的作用。
3.3 有调节的中介（ Moderated Mediation ）
7种有调节的中介检验模型
W
M
X
Y
Edwards & Lambert (2007), Preacher, Rucker & Hayes (2007)
3. Bootstrap中介效应检验方法及其应用
3.3 有调节的中介（ Moderated Mediation ）
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）
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
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)
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
3.4 多个并列的中介变量
> 结果汇报
按照Zhao et al. （2010）提出的中介分析程序， 参照Preacher & Hayes（2008）提出的多个并列的中介变量检验方法，进行 Bootstrap中介变量检验，样本量选择5000，设置95%的置信区间。 数据结果表明四个中介变量共同发挥的中介作用显著（-.15, -.08）， 作用大小为-.11；在四个中介路径中生活目标感知（-.05, -.01）、 正确的价值观（-.04, -0.3）和自我价值感知（-.09, -.03）发挥了显 著的中介作用，中介作用大小依次为-.03，-.02，-.06；而自我效能 的中介作用并不显著（-.02, .00）。为了更好地区分各中介路径相 对大小，对四个中介路径作用的大小进行了对比，数据结果显示， 自我价值感知的中介作用显著高于自我效能（.01, .08）的中介作用， 其他的中介路径比较则没有显著差异18。
> 其他方法：乘积分布法和MCMC法
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
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
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.
2. 中介检验的检验程序和方法
显著
a×b
不显著
显著
不显著
c'
显著
c'
不显著
a× b× 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
中介成立
可能忽略其他中介，有待讨论 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.
面情绪）依次选入相应的选项框。 设定样本量为5000；置信区间选择95%，Bootstrap取样方法选择偏差
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
3. Bootstrap中介效应检验方法及其应用