stata之中介效应分析

本篇记录下用stata进行中介分析，其中，自变量，中介变量和因变量均为连续变量。

中介分析可以用命令 sem ，即进行结构方程模型也是用这个命令，只不过中介分析没有测量模型而已。

其中，自变量（X）为 EC ，中介变量（M）为 SDO ，因变量（Y）为 forei 。

结果如下，可以看到，报告的是标准化系数，X到M结果显著，M到Y显著，控制M之后，X到Y不显著了。

对直接效应，间接效应和总效应进行估计的结果如下，最后一列为标准化系数，但是，没有相应的z值，和95%CI

使用命令 estat stdize 可以得到不同路径相应的标准化统计量。

路径a，b和c’的结果如下：

路径ab和总效应结果如下：

此外，还有个命令可以直接报告中介效应结果，即 medsem

结果如下，报告了两种检验中介效应的方法，以及中介效应是否存在的结论。

通过命令 help medsem 后可以详细了解该命令。

除了上述提到的两种检验中介效应的方法外，还有bootstrap法。

具体介绍可参见文献：

Fritz, M. S., &MacKinnon, D. P. (2007). Required Sample Size to Detect the Mediated Effect. Psychological Science, 18 (3), 233-239.

stata的实现方式是：

抽取5000个样本，时间有些长，得等会儿……结果如下：

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。

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：

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

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：

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。

第一种因果逐步回归检验法简单易懂、容易理解和解释，因而受到广泛的应用，但有学者认为其检验效能较低，有时候本身有中介作用但却显示没有中介作用。有学者提出乘积系数法的统计功效优于因果逐步回归法，因此，系数乘积法逐渐受到研究者的青睐。

其原理是 检验a*b是否呈现出显著性。 系数乘积法分为两类，一类是基于中介效应的抽样分布为正态分布的 Sobel 检验法 ，另一类是基于中介效应的抽样分布为非正态分布的 Bootstrap抽样法 。

① Sobel中介效应检验法

Sobel检验的前提假设是中介效应^a^b是 正态分布且需要大样本。

使用Sobel系数乘积检验法存在的主要问题是，检验统计量依据的正态分布前提很难满足，特别是样本量较少时。因为即使a，b分别服从正态分布，ab的乘积也可能与正态分布存在较大差异。

当前较为流行的检验方法为Bootstrap抽样法，SPSSAU系统里暂未提供Sobel检验，需要使用Sobel检验可参考此链接进行分析：http://quantpsy.org/sobel/sobel.htm

② Bootstrap抽样法

Bootstrap法能适用于中、小样本和各种中介效应模型，当前SPSSAU【问卷研究】--【中介作用】也使用Bootstrap抽样法进行检验。并且支持一次性放置多个自变量X、中介变量M及控制变量等。

检验方法： Bootstrap抽样法检验是指回归系数a和回归系数b的乘积项（a*b）的95%置信区间是否包括数字0；如果95%置信区间不包括数字0，则说明具有中介作用；如果说95%置信区间包括数字0，即说明没有中介作用。

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。

使用SPSSAU【中介作用】Bootstrap抽样法检验与第一种因果逐步回归检验法在操作上没有任何区别，只是在解读结果时有区分。

结果分析

由上图两项结果指标可知，乘积项结果显著，95%区间并不包括数字0，说明中介变量在x影响y的关系中具有中介效应。

在a*b系数呈现出显著性时，可具体进一步得到中介作用的效应量。

由上图可知，直接效应为0.085，间接效应为0.045，总效应为0.130。间接效应在总效应中占比为34.403%。

因果逐步检验法便于理解和操作而受到欢迎，但也有人研究认为逐步检验会比较不容易得到中介效应显著的结论，检验功效较低。因此，有学者在逐步检验流程上进行相应的修改，得到如下检验步骤：

基于SPSSAU的操作

与上述bootstrap检验法操作方法一致，选择SPSSAU【问卷研究】--【中介作用】，放入对应变量，点击开始分析即可。

结果分析

第一步，检验方程(1)的系数c，如果显著，按中介效应立论，否则按遮掩效应立论。 但无论是否显著，都进行后续检验。

第二步，依次检验方程(2)的系数a和方程(3)的系数b，如果两个都显著，则间接效应显著，转到第四步；如果至少有一个不显著，进行第三步。

第三步，用Bootstrap法检验。如果显著，则间接效应显著，进行第四步；否则间接效应不显著，停止分析。

如果第二步中，系数a、b有一个不显著，则查看a*b中介效应是否显著（a*b95%BootCI是否包括数字0）

第三步：间接效应显著

第四步，检验方程(3)的系数c′，如果不显著，即直接效应不显著，说明只有中介效应。如果显著，即直接效应显著，进行第五步。

第五步，比较ab和c′的符号，如果同号，属于部分中介效应，报告中介效应占总效应的比例ab/c。如果异号，属于遮掩效应，报告间接效应与直接效应的比例的绝对值|ab/c|。

本次研究，自变量x对因变量y的总效应是0.130，影响显著；其中直接效应为0.085，间接效应0.045，具有显著性；最终以有部分中介作用作为结论，中介效应在总效应占比为34.403%。

（1） 中介作用前需要标准化处理吗？

一般情况下，在进行中介作用前需要标准化或中心化处理，可使用数据处理->生成变量功能批量完成标准化或中心化处理；SPSSAU提供的中介作用检验默认不会对数据进行处理。

（2）SPSSAU分析结果中有对检验结果的自动化判断，用户可以直接使用。智能分析中也有相应解读，如果有不了解的地方，可以点击右侧的“灯泡”按钮查看帮助手册。

（3）spssau也支持链式中介检验，操作方法是点击【问卷研究】--【中介效应】，[中介类型]选择“链式中介”。提供中介效应分析方法为非参数百分位Bootstrap法。

（4）如果数据是显变量如何处理？

如果数据是显变量，此时可转换成潜变量再处理即可。使用【生成变量】--【平均值】功能。当然如果是使用结构方程模型进行研究分析中介作用时，建议使用因果逐步回归检验法进行中介效应验证。SPSSAU提供的结构方程模型暂不提供Bootstrap抽样法检验。

中介效应，它指的是X对Y的影响是通过M实现的，也就是说M是X的函数，Y是M的函数（Y-M-X）。考虑自变量X对因变量Y的影响，如果X通过M影响变量Y，则称M为中介变量。 下面我们主要从下面四个方面来解说：

[if !supportLineBreakNewLine]

[endif]

实际应用

理论思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析结果

[if !supportLineBreakNewLine]

[endif]

一、实际应用

在社会科学研究中，研究自变量（X）对应变量（Y）影响时，常会受到第三个变量（M）的影响。如果影响模式如图1所示，M仅对Y有影响，但M与X没有关系时，我们可以把M当做协变量来处理X与M均为分类变量时，采用方差分析；X为分类，M为连续变量，可以采用协方差；X为连续，M为连续，采用回归分析；X为连续，M为分类，可以采用分层回归分析进行解释。。

图1

然而很多时候，M对X会发生一定的作用，如X通过M影响Y的中介作用

部分中介作用 ，X对Y有直接作用，也可以通过M对Y起作用，犹如X和Y是同班同学，但是通过M正式介绍，成为男女朋友关系；

完全中介作用 ，X对Y的作用完全通过M传达。例如，某种治疗癌症的药物（X）需要通过特定的酶（M）才能有效杀死肿瘤细胞（Y），如果体内缺少这种酶，药物的作用将失效或作用大大降低。可见中介变量是参与整个因果过程中的重要一环，不可或缺，正因如此，中介效应分析的前提是变量间存在明确的（理论上或事实上的）因果关系。

[if !supportLineBreakNewLine]

[endif]

二、理论思想

在统计处理上，中介效应通过依次回归实现，下图为中介效应分析路径图，自变量X对因变量Y的影响，如果X变量通过影响M变量来影响Y变量，则M为中介变量。通常将变量经过中心化转化后，得方程1：Y=cX+e1；方程2：M=aX+e2；方程3：Y=

c′X+bM+e3。其中，c是X对Y的总效应，a-b是经过中介变量M的中介效应，c′是直接效应。当只有一个中介变量时，效应之间有c=c′+ab，中介效应的大小用c-c′=ab来衡量。

中介变量示意图

SPSS实现中介效应与调节效应其实就是利用回归来做。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

中介效应案例：

[if !supportLineBreakNewLine]

[endif]

题目：研究工作认同感与工作绩效之间心理因素（焦虑）的意义。原始数据包括：工作不被认同、焦虑、工作绩效3个变量，试分析焦虑是否为领导不认同导致工作效率下降的中介变量。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，按照中介变量示意图，分别做3次回归，先做第一条回归，Y=cX+e1。2、选择分析→回归→线性，将工作绩效放入“因变量”框，工作不被认同放入“块（B）”自变量中，方法选择“输入法”，点击“确定”。

3、做第二条回归，M=aX+e2。

选择分析→回归→线性，将焦虑放入“因变量”框，工作不被认同放入“块（B）”自变量中，方法选择“输入法”，点击“确定”。

4、做第三条回归，Y= c′X+bM+e3。

选择分析→回归→线性，将工作绩效放入“因变量”框，工作不被认同和焦虑放入“块（B）”自变量中，方法选择“输入法”，点击“确定”。

[if !supportLineBreakNewLine]

[endif]

四、结果分析

1、回归一表下图为工作绩效与工作不被认同线性回归结果，F=414.265，P=0.000，说明回归模型有意义，工作不被认同t检验t=20.354，P=0.000，回归系数有意义，标准化回归系数为0.678，即模型Y=cX+e1中，c=0.678。

2、回归二表下表为焦虑与工作不被认同回归结果，即方程M=aX+e2结果，F=193.247，P=0.000，说明建立的回归方程有意义；工作不被认同回归系数t检验，t=13.901，P=0.000，回归系数有意义，方程中的系数a=0.533。

3

、回归三表下表为工作绩效与焦虑、工作不认同回归结果，即方程Y=c′X+bM+e3分析结果，得到F=235.490，P=0.000，模型有意义；焦虑与工作不被认同回归系数t检验，P均小于0.05，说明回归系数有意义，本例c′=0.564，b=0.213。

分析结论：

[if !supportLineBreakNewLine]

[endif]

因此本例是部分中介效应。自变量“工作不被认同”对因变量“工作绩效”的中介效应不完全通过中介变量“焦虑”的中介来达到其影响，“工作不被认同”对“工作绩效”有部分直接效应，中介效应对总效应的贡献率为：

Effect M=ab/c=0.533×0.213/0.678=0.167（16.7%），中介效应解释了因变量的方差变异为sqrt（回归一调整R方0.490-回归三调整R方0.459）=0.176（17.6%）。

[if !supportLineBreakNewLine]

[endif]

参考案例数据：

[if !supportLineBreakNewLine]

[endif]

[if !supportLists]【1】    [endif]spss实战与统计思维 武松

（获取更多知识，前往gz号程式解说）

原文来自https://mp.weixin.qq.com/s/vn074kI3V3wezTXsrHWHBA

---