中介效应检验结果怎么看.docx

中介效应检验是统计学中用来探究一个变量（X）如何通过第三个变量（M，即中介变量）对另一个变量（Y，即因变量）产生影响的一种分析方法。在社会科学研究、心理学、市场营销等领域广泛应用。本文将详细讲解如何解读中介效应检验结果，特别是基于Bootstrap方法的中介效应检验。 Bootstrap是一种统计抽样方法，它通过从原始样本中多次重复抽取具有替换的子样本来估计统计量的分布，特别适用于处理小样本和非正态分布的数据。在中介效应检验中，Bootstrap提供了一种评估间接效应（X通过M对Y的影响）显著性的方法，不依赖于传统的p值。 具体来说，Bootstrap检验中介效应时，我们关注的是BootLLCI（Bootstrap Lower Limit of the Confidence Interval）和BootULCI（Bootstrap Upper Limit of the Confidence Interval）这两个值。如果BootLLCI和BootULCI之间的区间不包含0，则表示中介效应显著，因为这意味着间接效应在统计学上有意义，即X通过M对Y的影响不为零。反之，如果该区间包含0，则表示中介效应不显著，意味着M对X到Y的影响可能是零或者微不足道。 在实际应用中，例如使用SPSS的Process插件进行Bootstrap中介效应分析，首先需要设定好因变量、自变量和可能的控制变量，选择适合的模型编号（如模型4对应中介分析）。然后设置Bootstrap样本量，通常选择1000至5000次重抽样，确保结果的稳定性。勾选保存Bootstrap估计值和模型系数的Bootstrap推断选项，以及显示总效应模型，这样可以全面了解中介效应的各个组成部分。 除了Bootstrap方法，还有其他中介效应检验方法，如逐步法（Stepwise Approach）和Sobel检验。逐步法按照Baron & Kenny(1986)提出的步骤进行，包括三个阶段：检查X对Y的直接影响(c)、X对M的影响及M对Y的影响，以及在控制M后X对Y的直接影响(c')。如果所有步骤都达到显著性，可以认为存在中介效应。然而，这种方法对假设的检验力较低，可能忽视某些中介效应。 Sobel检验则是另一种常用的中介效应检验，它基于a*b的z分数来判断间接效应是否显著。这种方法对数据正态性的要求较高，但实践中往往难以满足。相比之下，Bootstrap方法不依赖正态性假设，因此在处理非正态数据时更为灵活和稳健。 中介效应检验对于理解变量间的复杂关系至关重要。通过Bootstrap等方法，我们可以更准确地评估中介变量在因果关系链中的作用，从而揭示隐藏的机制和影响路径。在解读结果时，除了关注BootLLCI和BootULCI，还需要结合其他统计指标和理论背景进行综合分析。