四種中介效應(yīng)分析_spss中介效應(yīng)結(jié)果分析

1.中介效應(yīng)分析概述

中介效應(yīng)分析廣泛用于社會科學(xué)研究(Wood, Goodman, Beckmann, & Cook, 2008)，如心理學(xué)(MacKinnon, Fairchild, &Fritz, 2007; Rucker, Preacher, Tormala, & Petty, 2011)，管理學(xué)(Mathieu, DeShon, & Bergh, 2008)和傳播學(xué)(Hayes, Preacher, &Myers,2011)等。Rucker等(2011)統(tǒng)計發(fā)現(xiàn)2005至2009年間發(fā)表在《人格與社會心理學(xué)雜志》(Journal of Personality and Social Psychology, JPSP) 和《人格與社會心理學(xué)公報》(Personality and Social Psychology Bulletin, PSPB)上59%和65%的文章使用了中介檢驗。

中介分析之所以如此流行，主要取決于如下幾點原因(MacKinnon, 2008; MacKinnon, Fairchild, & Fritz, 2007)：

第一，刺激—有機(jī)體—反應(yīng)模型在心理學(xué)中的主導(dǎo)地位。

其次，中介變量是社會科學(xué)諸多理論中不可缺少的內(nèi)容。

第三，方法學(xué)上的挑戰(zhàn)，中介效應(yīng)檢驗的精確性激起了方法學(xué)者的研究熱情，新的方法或檢驗程序不斷更新(Mathieu, DeShon, & Bergh, 2008)。

中介變量存在于多種模型，如路徑模型，SEM，縱向模型(MacKinnon, 2008; von Soest & Hagtvet, 2011)和多水平模型(Preacher, Zyphur, & Zhang, 2010; 溫忠麟等, 2012)等，下面介紹在路徑模型的框架內(nèi)結(jié)束中介效應(yīng)分析，這里介紹的方法也適用于其他情況，潛變量路徑分析(SEM)中的中介效應(yīng)分析放在第8章介紹，關(guān)于其他模型的中介效應(yīng)分析的內(nèi)容可參見MacKinnon(2008)和溫忠麟等(2012)的專著。

2.中介效應(yīng)分析的意義

中介變量是聯(lián)系兩個變量之間關(guān)系的紐帶，在理論上，中介變量意味著某種內(nèi)部機(jī)制(MacKinnon, 2008)。自變量X的變化引起中介變量M的變化，中介變量M的變化引起因變量Y的變化。例如，某種治療癌癥的藥物(X)需要通過特定的酶(M)才能有效殺死腫瘤細(xì)胞(Y)，如果體內(nèi)缺少這種酶，藥物的作用將失效?？梢娭薪樽兞渴菂⑴c整個因果過程中的重要一環(huán)，不可或缺，正因為如此，中介效應(yīng)分析的前提是變量間存在明確的(理論上或事實上的)因果關(guān)系(Baron & Kenny, 1986; Kenny et al., 1998;MacKinnon et al., 2002)，否則結(jié)果很難解釋。 

1. 中介效應(yīng)檢驗

文獻(xiàn)中存在多種中介效應(yīng)檢驗的程序(MacKinnon, 2008; MacKinnon et al.,2002; 溫忠麟等, 2012)，下面以最簡單的中介模型為例說明中介效應(yīng)分析的思路。如圖3-9，自變量X作用于因變量Y，路徑系數(shù)c。由于不涉及第三個變量，所以c代表自變量作用于因變量的總效應(yīng)。

一般情況下，只有當(dāng)c顯著或X與Y相關(guān)顯著時才會考慮中介變量(e.g., Baron & Kenny, 1986; Judd & Kenny, 1981; 溫忠麟等, 2012)，但不必然如此。下圖是個單中介模型，a代表自變量X作用于中介變量M的效應(yīng)，b表示中介變量M作用于因變量Y的效應(yīng)，c’代表考慮或控制中介變量M后，自變量X作用于因變量Y的效應(yīng)。

使用流行的統(tǒng)計分析軟件或結(jié)構(gòu)方程軟件可以方便的獲取a，b，c和c’的估計值及對應(yīng)標(biāo)準(zhǔn)誤，進(jìn)行顯著性檢驗和構(gòu)建路徑系數(shù)的置信區(qū)間(MacKinnon, 2008; Preacher & Hayes, 2008)?？傂?yīng)等于所有中介效應(yīng)加上c = ab + c’。c為總效應(yīng)，c’為考慮中介效應(yīng)后的直接效應(yīng)，ab為中介效應(yīng)也稱間接效應(yīng)。在回歸模型中，ab = c-c’，但在其他模型（如logistic回歸和多水平分析）中兩者不一定完全相等(MacKinnon, 2008; 溫忠麟等, 2012)。

(1) 逐步檢驗法(Causal Steps Approach; Baron & Kenny, 1986)

Kenny及其同事描述的中介效應(yīng)檢驗程序是使用較多的檢驗程序，該方法易于理解和操作，具體步驟如下：

1. 檢驗總效應(yīng)系數(shù)是否c顯著，即自變量與因變量之間是否存在顯著關(guān)系。如果c顯著則繼續(xù)進(jìn)行隨后的分析，如果不顯著中介分析終止。

b.檢驗自變量作用于中介變量效應(yīng)a是否顯著；如果a顯著則繼續(xù)進(jìn)行隨后檢驗，否則終止分析，中介效應(yīng)不存在；

c.檢驗中介變量作用于因變量效應(yīng)是否b顯著；如果b顯著則繼續(xù)進(jìn)行隨后檢驗，否則終止分析，中介效應(yīng)不存在；

d.檢驗直接效應(yīng)c’是否顯著。在a和b都顯著的情況下，如果c’不顯著說明存在完全中介(Judd & Kenny, 1981)，否則存在部分中介效應(yīng)(Baron &Kenny, 1986)。

盡管逐步檢驗法易于理解和操作而且使用最頻繁，但其存在問題也很明顯。如前所述，c是否顯著并非中介檢驗的必要前提，因為在有些情況下盡管c不顯著仍然存在實質(zhì)的中介效應(yīng)即所謂的抑制模型(Suppression model; MacKinnon, Krull, &Lockwood, 2000)。如果按照逐步檢驗法的要求，c必須首先顯著否則中介變量無從談起，而實際中c不顯著而存在實質(zhì)性中介效應(yīng)的情況又非常普遍，所以逐步檢驗法將錯過很多實際存在的中介效應(yīng)。另外，模擬研究發(fā)現(xiàn)，與其他方法相比逐步檢驗法的統(tǒng)計功效最小(MacKinnon, Lockwood, Hoffman, West, & Sheets, 2002; MacKinnon, Lockwood, & Williams,2004)。

(2) 系數(shù)乘積檢驗法(Product of Coefficients Approach)

系數(shù)乘積檢驗就是檢驗ab乘積是否顯著即H0：ab = 0，此程序常使用Sobel(1982)提出的標(biāo)準(zhǔn)誤計算公式，因此也將此檢驗稱作Sobel檢驗。

ab乘積是中介效應(yīng)的大小，所以檢驗ab乘積是否顯著是對中介效應(yīng)的直接檢驗。ab乘積作為抽樣分布，文獻(xiàn)中存在多種計算其標(biāo)準(zhǔn)誤的方法，其中最常用的是Sobel(1982)給出的公式：

s2a和s2b分別為系數(shù)a，b標(biāo)準(zhǔn)誤的平方。系數(shù)乘積檢驗法的統(tǒng)計量是z=ab/sab，如果檢驗顯著說明中介效應(yīng)顯著。此公式被常用的SEM分析軟件采用，例如EQS，LISREL和Mplus。也有其他的分析程序(Preacher & Hayes, 2004)使用不同的標(biāo)準(zhǔn)誤公式如：

根據(jù)sab可以構(gòu)建中介效應(yīng)的置信區(qū)間：

系數(shù)乘積檢驗法存在的主要問題是，檢驗統(tǒng)計量依據(jù)的正態(tài)分布前提很難滿足，特別是樣本量較少時。因為即使a，b分別服從正態(tài)分布，ab的乘積也可能與正態(tài)分布存在較大差異。

(3) 差異系數(shù)檢驗

差異系數(shù)檢驗即檢驗H0：c–c’=0。通常情況下ab = c–c’，因此差異系數(shù)同系數(shù)乘積法有很多相同之處。c–c’的標(biāo)準(zhǔn)誤估計通常使用如下公式(McGuigan & Langholz, 1988)：

Sc和Sc’分別為兩個直接效應(yīng)估計的標(biāo)準(zhǔn)誤，r為自變量與中介變量的相關(guān)系數(shù)。差異系數(shù)采用t檢驗，其統(tǒng)計量為t=c–c’/Sc-c’。

模擬研究發(fā)現(xiàn)(MacKinnon et al., 2002)，系數(shù)乘積法和差異系數(shù)法比逐步檢驗法精確且具有較高的統(tǒng)計效力。

(4) Bootstrapping

Bootstrapping的原理是當(dāng)正態(tài)分布假設(shè)不成立時，經(jīng)驗抽樣分布可以作為實際整體分布用于參數(shù)估計。Bootstrapping以研究樣本作為抽樣總體，采用放回取樣，從研究樣本中反復(fù)抽取一定數(shù)量的樣本（例如，抽取500次），通過平均每次抽樣得到的參數(shù)作為最后的估計結(jié)果(Efron & Tibshirani, 1993; Mooney & Duval, 1993)。

Bootstrapping不需要分布假設(shè)所以避免了系數(shù)乘積檢驗違反分布假設(shè)的問題，而且該方法不依賴標(biāo)準(zhǔn)誤所以避免了不同標(biāo)準(zhǔn)誤公式產(chǎn)生結(jié)果不一致的問題。模擬研究發(fā)現(xiàn)，與其他中介效應(yīng)檢驗方法相比Bootstrapping具有較高的統(tǒng)計效力(e.g., Briggs, 2006;Cheung, & Lau, 2008; MacKinnon et al., 2002,2004; Williams & MacKinnon, 2008;Taylor, MacKinnon, & Tein, 2008)。因此，Bootstrapping法是目前比較理想的中介效應(yīng)檢驗法(Preacher, & Hayes, 2008;Preacher, Rucker, & Hayes, 2007;Hayes, Preacher, & Myers, 2011)。

Mplus提供兩種Bootstrap[1]：標(biāo)準(zhǔn)的和殘差的(Bollen & Stine, 1992; Efron & Tibshirani, 1993; Enders, 2002)。標(biāo)準(zhǔn)的Bootstrap只適應(yīng)于ML，WLS，WLSM，WLSMV，ULS和GLS估計法，因為MLR，MLF，MLM和MLMV估計法的標(biāo)準(zhǔn)Bootstrap與ML結(jié)果相同。殘差的Bootstrap只適應(yīng)于連續(xù)變量的ML估計。通過使用Bootstrap語句以及MODEL INDIRECT和CINTERVAL，可以得到間接效應(yīng)的Bootstrap標(biāo)準(zhǔn)誤和偏差校正的Bootstrap置信區(qū)間[2]。

中介效應(yīng)分析小結(jié)

本小結(jié)以最簡單的中介模型為例，簡要介紹了四種常用的中介效應(yīng)檢驗方法。多中介等更復(fù)雜的效應(yīng)檢驗與此大同小異，對于這些問題的進(jìn)一步探討請參見MacKinnon的專著(2008)和相關(guān)研究論文(e.g., Cheung, & Lau, 2008; Shrout, & Bolger, 2002; Taylor, MacKinnon, & Tein, 2008; von Soest, & Hagtvet, 2011)。

[1]因為涉及到再抽樣，所以在估計時要求輸入數(shù)據(jù)類型為個體數(shù)據(jù)即原始數(shù)據(jù)。

[2]如果置信區(qū)間包括0則說明系數(shù)不顯著；如果不包括0說明系數(shù)顯著。