中介效应检验先看什么:一段话讲清结论与全局流程
## 中介效应检验先看什么:一段话讲清结论与全局流程
一句话先给结论:中介效应检验回答的是“X 是否通过 M 影响 Y”这个问题——比如“工作压力(X)是否通过情绪耗竭(M)影响离职倾向(Y)”。核心判断口诀是四句话:X 对 Y 显著、X 对 M 显著、加入 M 后 M 显著、同时 X 对 Y 的效应明显减弱。四条都成立,才敢说存在(部分)中介。
在动手跑模型之前,先把全局流程装进脑子里,按顺序走完五步:
- 前提检查:变量性质匹配、样本量够用(回归经验法则是每个自变量 10~20 例)、量表信效度过关(Cronbach's α ≥ 0.7、KMO ≥ 0.6)。
- 模型设定:明确谁是 X、M、Y,画出演示路径图。
- 逐步回归:依次跑三个回归方程,对应口诀里的三条路径。
- Bootstrap 验证:用间接效应的置信区间确认结论稳健,区间不含 0 才算数。
- 论文报告:把关键回归系数、p 值和置信区间写成规范的结果表。
显著性水平默认取 α = 0.05,这是社会科学和毕业论文最常用的口径。后面几节会逐步带你过每一关:先把前提自查清楚,再手把手跑三个方程,最后教你看懂 SPSS 输出表里该抄哪几行数字。
检验前的四道前提关:变量、样本量与数据质量自查
## 检验前的四道前提关:变量、样本量与数据质量自查
先说结论:中介效应检验不是“数据收完直接跑三步回归”,跑之前必须先过四道关——变量类型、样本量、信效度、回归前提。任何一关没过,后面的结果都站不住,答辩时容易被老师一句话问倒。
| 检查项 | 检查方法 | 合格标准 |
|---|---|---|
| 因变量类型 | 看测量尺度 | 连续→线性回归;二分类→逻辑回归 |
| 样本量 | 自变量数 × 10~20 | 低于该值结果不稳定 |
| 残差正态 | 残差直方图 / P-P 图 | 残差近似正态 |
| 多重共线性 | VIF(方差膨胀因子) | VIF < 10(严格 < 5) |
| 异方差 | 残差散点图 | 散点无喇叭形扩散 |
| 异常值 | 标准化残差 / Cook 距离 | |标准化残差| < 3 |
数据来源:统计学教材通用标准(APA/心理测量学惯例)
第一关:变量类型与理论方向
中介变量 M 必须是连续或近连续变量(如量表总分、均分),这是逐步回归法的硬前提。X 可以是连续变量,也可以是二分类变量(如性别,需先虚拟编码)。更重要的是理论方向:X→M→Y 的因果链要有文献或理论支撑,不能靠数据“倒推”故事。Y 若是二分类变量,走的就是逻辑回归框架,套路不同,别混用。
第二关:样本量够不够
- 经验法则:多元回归每个自变量至少 10~20 例,中介检验要跑多个回归方程,按路径数和自变量数估算,再预留约两成余量应对无效问卷;
- 量表要做因子分析时,因子分析样本量经验值为 题项数 × 5~10(或总样本 ≥200 更稳妥),例如 20 题量表至少要有 100 份以上有效数据;
- 样本太少,路径系数估计不稳定,显著性结果时有时无,不建议硬跑。
第三关:信效度先过关
中介变量 M 通常由量表测出,量表不可靠,中介路径就无从谈起。自查三件事:
- 各量表 Cronbach's α ≥ 0.7 才可接受,≥0.8 良好,低于 0.5 应放弃该量表;
- KMO ≥ 0.6、Bartlett 球形检验 p < 0.05,才适合做因子分析;
- 同时用 Harman 单因子检验看共同方法偏差,首因子解释率过高时要警惕。
第四关:回归前提逐项查
重点盯三项:X 与 M、M 与 Y 应近似线性关系(画散点图确认);多重共线性看 VIF,VIF < 10 才合格(严格些看 < 5),X 与 M 高度相关时尤其要查;残差近似正态、散点图无喇叭形扩散。四关都过了,再进入下一步的三回归方程。
逐步回归法操作步骤:三个回归方程依次跑什么
## 逐步回归法操作步骤:三个回归方程依次跑什么
先说结论:Baron & Kenny 逐步法的核心就是依次跑三个回归方程,分别检验总效应 c、路径 a 和路径 b。如果前两条路径都显著,再看 X 和 M 同时进入模型时 X 是否仍然显著,就能判断中介是“部分中介”还是“完全中介”。显著性标准统一用 α = 0.05。
| 研究目的 | 数据/设计条件 | 推荐方法 | 前提不满足时 |
|---|---|---|---|
| 两组独立均值比较 | 正态 + 方差齐 | 独立样本 t 检验 | Mann-Whitney U 检验 |
| 同一组前后测比较 | 差值服从正态 | 配对样本 t 检验 | Wilcoxon 符号秩检验 |
| 三组及以上均值比较 | 正态 + 方差齐 | 单因素方差分析 | Kruskal-Wallis 检验 |
| 分类变量的关联/差异 | 期望频数 ≥ 5 | 卡方检验 | Fisher 精确检验 |
| 两连续变量相关 | 正态 + 线性 | Pearson 相关 | Spearman 秩相关 |
| 多自变量预测连续结局 | 残差正态、无多重共线 | 多元线性回归 | 逐步回归 / 岭回归 |
| 二分类结局预测 | — | 二元逻辑回归 | — |
| 问卷维度结构验证 | KMO ≥ 0.6 且 Bartlett 显著 | 探索性因子分析 | 主成分分析 |
数据来源:统计学教材通用标准(APA/心理测量学惯例)
三个方程依次是:
- 方程一:Y 对 X 回归,检验总效应 c,X 的回归系数显著才有继续做中介分析的必要;
- 方程二:M 对 X 回归,检验路径 a,即自变量对中介变量的影响是否显著;
- 方程三:X 与 M 同时作为自变量进入回归,Y 为因变量,看 M 的系数(路径 b)和 X 的直接效应 c′。
举例来说,研究“学习投入 X 是否通过自我效能感 M 影响学业成绩 Y”:方程一先跑成绩对学习投入的回归,方程二跑自我效能感对学习投入的回归,方程三把学习投入和自我效能感同时放进模型预测成绩。判读逻辑是:方程三中 M 显著且 X 变得不显著,为完全中介;M 显著且 X 仍显著但系数变小,为部分中介。
两个常见细节要交代位置:共同方法偏差一般在分析前用 Harman 单因子检验做程序性检查,参考线是首因子方差解释低于 40%;性别、年级等控制变量通常在三个方程中一并纳入作为协变量,而不是事后补跑。回归样本量按经验法则,每个自变量 10~20 例,含控制变量后同样计入。
SPSS结果怎么读:哪几行数字要写进论文
SPSS跑完三个回归后,重点看“系数”表和“模型摘要”表。系数表里,B列是非标准化系数,用于写出回归方程;标准化Beta列用来比较不同路径的相对强弱;Sig.列就是p值,按α=0.05判断是否显著。模型摘要表里的R²说明该方程解释了因变量多少方差,论文里通常要报。
总效应、直接效应、间接效应的关系可以这样记:X对Y的总效应 = 直接效应c′ + 间接效应a×b。也就是说,第一个方程里X的系数是a,第二个方程里中介变量M的系数是b,两者相乘就是间接效应。论文中规范的报告句式例如:
学习投入中介了学业压力对拖延行为的影响(间接效应 a×b = 0.18,95% CI [0.06, 0.32]),直接效应不显著(c′ = 0.05, p = 0.42),表明是完全中介。
以上为示例数值语境,实际以你的输出为准。注意最后一句关键提醒:只看p值还不够稳妥,应勾选Bootstrap置信区间,区间不含0才可下“中介成立”的结论;区间含0则即使p值显著也要谨慎表述。
结果不显著、数据不正态、样本太少怎么办
## 结果不显著、数据不正态、样本太少怎么办
三个卡点的总原则:先诊断,再补救,不硬凑显著。间接效应不显著时,先看路径 a 和路径 b 哪一条断了——a 不显著说明自变量对中介变量作用弱,b 不显著说明中介变量对因变量解释不足,应对策略完全不同。若两条路径都显著、只有间接效应置信区间跨过 0,可能是功效不足,先别急着改模型。
数据不正态时,Bootstrap 法是首选:它不依赖正态假设,通过重复抽样构造置信区间,SPSS 的 Process 插件可以直接勾选。逐步回归法对轻度偏态有一定耐受,但若 Shapiro-Wilk 检验(n ≤ 50 时首选)显示严重偏离正态,就应换用 Bootstrap 或报告非参数替代方案。
- 间接效应不显著:回到理论检查中介变量选得是否合理,必要时改用链式或调节模型重新论证,而不是删变量凑结果
- 样本太少:回归的经验法则是每个自变量 10~20 例,达不到就精简自变量个数,而不是继续往模型里加控制变量
补救也有边界:可以合并题项、精简模型、换用 Bootstrap,但不能事后剔除“不配合”的个案、反复换 α 水平凑显著。论文里如实报告“间接效应置信区间包含 0”同样是合格的结果。若样本量确实无法支撑回归,可改报 Spearman 秩相关等对分布要求更低的方法,并坦承局限。
论文写作行动清单:从数据到成稿的收尾建议
论文写作行动清单:从数据到成稿的收尾建议
数据跑完只算完成一半,论文写得规范才算真正落地。收尾阶段最有效的做法是:先画图,再写字。把 X→M→Y 的中介路径画成一张简单的三角形示意图,把各条路径的回归系数标注在箭头上,显著的路径标星号。图立好之后,文字只是围绕它做解释,结构不会乱。
动笔时的报告顺序建议固定下来,读者和评审都习惯这个节奏:
| 效应量指标 | 小效应 | 中效应 | 大效应 | 典型使用场景 |
|---|---|---|---|---|
| Cohen's d | 0.2 | 0.5 | 0.8 | t 检验(两组均值差) |
| η²(eta 方) | 0.01 | 0.06 | 0.14 | 方差分析 |
| Cramér's V | 0.10 | 0.30 | 0.50 | 卡方检验关联强度 |
| 相关系数 r | 0.10 | 0.30 | 0.50 | 相关分析 |
数据来源:统计学教材通用标准(APA/心理测量学惯例)
- 先报告前提:量表信度(Cronbach's α 达到 0.7)、样本量是否满足每个自变量 10~20 例的经验标准;
- 再依次呈现三步回归的结果表,逐条说明系数、标准误与显著性;
- 接着报告 Bootstrap 置信区间是否包含 0,作为中介效应成立的稳健证据;
- 最后放路径图,并用一两句话给出结论。
写结论时要分清两个层次:统计结论只说“间接效应显著”,不要顺手写成“X 通过 M 导致 Y”这种因果链完整的理论断言。横截面问卷数据只能支持变量间的关联与中介模型拟合,因果解释需要理论依据甚至纵向设计来支撑。显著也不等于效应一定大,建议在结果部分顺带报告效应量,例如示例中 η²=0.06 可按方差分析的小/中/大分档描述为中等效应,让读者对实际意义有判断。
送审前的自查:所有统计量与正文数字能和输出表一一对应;显著性水平统一写 α = 0.05 且全文口径一致;路径图上的系数与回归表完全一致;讨论部分明确写了研究局限(横截面、自我报告、共同方法偏差)。逐项打勾后,这一章才算真正收尾。
常见问题
中介效应总效应不显著,还能继续做中介检验吗?
可以。现代Bootstrap检验框架下,总效应显著不再是前提,间接效应显著即可支持中介解释(可能出现遮掩效应)。建议:先检验间接效应ab是否显著、置信区间是否不含0,再在论文中说明总效应不显著的理由,不要因总效应不显著就放弃分析。
问卷数据不正态,SPSS做出来的中介结果还能用吗?
通常仍可参考,但更稳妥的做法是换Bootstrap法检验间接效应。偏态、有序量表数据下,建议先用Shapiro-Wilk(小样本时)判断正态性,再用Process的Bootstrap置信区间做中介检验;也可考虑Spearman秩相关做预检。建议论文中报告Bootstrap区间而非只看Sobel检验p值。
只有80多份问卷,跑中介效应检验会被老师说样本不够吗?
有可能。回归类分析的经验法则是每个自变量10~20例,因子分析样本量经验值为题项数×5~10(或总样本≥200更稳妥)。80份做简单单中介尚可,但若量表题项多、模型复杂就可能被质疑。建议:精简模型、补充报告效应量与置信区间,或在论文中说明样本量局限。
SPSS输出表那么长,中介检验到底哪几行数字要抄进论文?
重点抄三部分:路径系数(a路径、b路径、总效应c、直接效应c')及其显著性p值,间接效应的Bootstrap置信区间,以及模型R²。取α=0.05为判断标准,区间不含0即间接效应显著。建议整理成一张路径系数汇总表,其余输出截图放附录即可。
完全中介和部分中介在结果表里怎么区分?
看直接效应c'是否显著:间接效应显著且c'不显著,是完全中介;间接效应显著且c'仍显著(但绝对值变小),是部分中介。建议:在论文中同时报告总效应、直接效应和间接效应三行数字,并附置信区间,读者一眼即可看出属于哪种类型。
Bootstrap做5000次抽样是什么意思,论文里要写吗?
意思是把样本当作总体,反复有放回地重新抽样5000次,每次都算一遍间接效应,用这些估计值的分布构建置信区间,比传统Sobel检验更稳健。建议写:在方法部分注明Bootstrap抽样次数与偏差校正的95%置信区间设置,结果部分报告区间而非只报p值。
数据来源
- [1] 统计学教材通用标准(APA/心理测量学惯例)
- [2] 统计方法参考文档(帮助中心) 来源链接