中介效应和调节效应分析方法论文献解读

中介效应和调节效应分析方法论文献

1. 温忠麟，张雷，侯杰泰，刘红云.(2004.中介效应检验程序及其应用. 心理学报，36(5，614-620.

2. 温忠麟，侯杰泰，张雷.(2005.调节效应与中介效应的比较和应用. 心理学报，37(2，268-274.

3. 温忠麟，张雷，侯杰泰.(2006.有中介的调节变量和有调节的中介变量. 心理学报，38(3，448-452.

4. 卢谢峰，韩立敏.(2007.中介变量、调节变量与协变量——概念、统计检验及其比较. 心理科学，30(4，934-936.

5. 柳士顺，凌文辁.(2009.多重中介模型及其应用. 心理科学，32(2，433-435.

6. 方杰，张敏强，邱皓政.(2010.基于阶层线性理论的多层级中介效应. 心理科学进展，18(8，1329-1338.

7. 刘红云，张月，骆方，李美娟，李小山.(2011.多水平随机中介效应估计及其比较. 心理学报，43(6，696-709.

8. 方杰，张敏强，李晓鹏.(2011.中介效应的三类区间估计方法. 心理科学进展，19(5，765-774.

9. 方杰，张敏强.(2012.中介效应的点估计和区间估计：乘积分布法、非参数 B ootstrap 和MCMC 法. 心理学报，44(10，1408-1420.

10. 方杰，张敏强.(2013.参数和非参数Bootstrap 方法的简单中介效应分析比较. 心理科学，36(3，722-727.

11. 叶宝娟，温忠麟.(2013.有中介的调节模型检验方法：甄别和整合. 心理学报，45(9，1050-1060.

12. 刘红云，骆方，张玉，张丹慧.(2013.因变量为等级变量的中介效应分析. 心理学报，45(12，1431-1442.

13. 方杰，温忠麟，张敏强，任皓.(2014.基于结构方程模型的多层中介效应分析. 心理科学进展，22(3，530-539.

14. 方杰，温忠麟，张敏强，孙配贞.(2014.基本结构方程模型的多重中介效应分析. 心理科学，37(3，735-741.

中介效应和调节效应分析方法论文献解读

中介效应和调节效应分析方法论文献 1. 温忠麟，张雷，侯杰泰，刘红云.(2004.中介效应检验程序及其应用. 心理学报，36(5，614-620. 2. 温忠麟，侯杰泰，张雷.(2005.调节效应与中介效应的比较和应用. 心理学报，37(2，268-274. 3. 温忠麟，张雷，侯杰泰.(2006.有中介的调节变量和有调节的中介变量. 心理学报，38(3，448-452. 4. 卢谢峰，韩立敏.(2007.中介变量、调节变量与协变量——概念、统计检验及其比较. 心理科学，30(4，934-936. 5. 柳士顺，凌文辁.(2009.多重中介模型及其应用. 心理科学，32(2，433-435. 6. 方杰，张敏强，邱皓政.(2010.基于阶层线性理论的多层级中介效应. 心理科学进展，18(8，1329-1338. 7. 刘红云，张月，骆方，李美娟，李小山.(2011.多水平随机中介效应估计及其比较. 心理学报，43(6，696-709. 8. 方杰，张敏强，李晓鹏.(2011.中介效应的三类区间估计方法. 心理科学进展，19(5，765-774. 9. 方杰，张敏强.(2012.中介效应的点估计和区间估计：乘积分布法、非参数 B ootstrap 和MCMC 法. 心理学报，44(10，1408-1420. 10. 方杰，张敏强.(2013.参数和非参数Bootstrap 方法的简单中介效应分析比较. 心理科学，36(3，722-727. 11. 叶宝娟，温忠麟.(2013.有中介的调节模型检验方法：甄别和整合. 心理学报，45(9，1050-1060.

12. 刘红云，骆方，张玉，张丹慧.(2013.因变量为等级变量的中介效应分析. 心理学报，45(12，1431-1442. 13. 方杰，温忠麟，张敏强，任皓.(2014.基于结构方程模型的多层中介效应分析. 心理科学进展，22(3，530-539. 14. 方杰，温忠麟，张敏强，孙配贞.(2014.基本结构方程模型的多重中介效应分析. 心理科学，37(3，735-741.

如何做SPSS的调节效应

标签： 杂谈 1、调节变量的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按 M的取值分组,做 Y对 X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e 的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau提出的无约束的模型。 3．中介变量的定义

如何用SPSS做中介效应与调节效应

如何用SPSS做中介效应与调节效应 1、调节变量的定义 变量Y与变量X的关系受到第三个变量M的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e。Y与X的关系由回归系数a + cM来刻画,它是M的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e 的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau 提出的无约束的模型。 3．中介变量的定义 自变量X对因变量Y的影响,如果X通过影响变量M来影响Y,则称M为中介变量。Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c是X对Y的总效应,ab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 调节变量

如何用SPSS做中介效应与调节效应（转） 如何用SPSS做中介效应与调节效应 1、调节变量的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的

中介效应分析方法

中介效应分析方法 1 中介变量和相关概念 在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 中介变量的定义 考虑自变量X 对因变量Y 的影响,如果X通过影响变量M来影响Y,则称M 为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e 1 (1) M = aX + e 2 (2) Y = c’X + bM + e 3 (3) 1 Y=cX+e 1 M=aX+e 2 e 3 Y=c’X+bM+e 3 图1 中介变量示意图 假设Y与X的相关显着,意味着回归系数c显着(即H : c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,

或者说中介效应(mediator effect ) 显着呢目前有三种不同的做法。 传统的做法是依次检验回归系数。如果下面两个条件成立,则中介效应显着: (i) 自变量显着影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显着影响它的后继变量。这是Baron 和Kenny 定义的(部分) 中介过程。如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显着, 变成了Judd和Kenny 定义的完全中介过程。在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c显着(即H : c = 0 的假设被拒绝) ； (ii) 系数a 显着(即H 0: a = 0 被拒绝) ,且系数b显着(即H : b = 0 被拒绝) 。 完全中介过程还要加上: (iii) 系数c’不显着。 第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显着,即检验H : ab = 0 ,如果拒绝原假设,中介效应显着 ,这种做法其实是将ab作为中介效应。 第三种做法是检验c’与c的差异是否显着,即检验H : c - c’= 0 ,如果拒绝原假设,中介效应显着。 中介效应与间接效应 依据路径分析中的效应分解的术语 ,中介效应属于间接效应(indirect effect) 。在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。当只有一个自变量、一个中介变量时,效应之间有如下关系 c = c’+ ab (4) 当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。但公式(4) 对一般的回归系数也成立)。由公式(4) 得c-c’=ab,即c-c’等于中介效 应,因而检验H 0 : ab = 0 与H : c-c’= 0 是等价的。但由于各自的检验统计量 不同,检验结果可能不一样。 中介效应都是间接效应,但间接效应不一定是中介效应。实际上,这两个概念是有区别的。首先,当中介变量不止一个时,中介效应要明确是哪个中介变量的中介效应,而间接效应既可以指经过某个特定中介变量的间接效应(即中介效应) ,也可以指部分或所有中介效应的和。其次,在只有一个中介变量的情形,虽然中介效应等于间接效应,但两者还是不等同。中介效应的大前提是自变量与因变量相关显着,否则不会考虑中介变量。但即使自变量与因变量相关系数是零,仍然可能有间接效应。下面的人造例子可以很好地说明这一有趣的现象。设Y是装配线上工人的出错次数, X 是他的智力, M 是他的厌倦程度。又设智力(X) 对厌倦程度(M) 的效应是 ( =a) ,厌倦程度(M) 对出错次数( Y ) 的效应也是 ( = b) ,而

中介效应分析方法

中介效应分析方法 1 中介变量与相关概念 在本文中,假设我们感兴趣的就是因变量(Y) 与自变量(X)的关系。虽然它们之间不一定就是因果关系,而可能只就是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 1、1 中介变量的定义 考虑自变量X 对因变量Y的影响,如果X通过影响变量M来影响Y,则称M为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”与“工作感觉”就是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e1 (1) M = aX + e2(2) Y = c’X + bM + e3 (3) e1 Y=cX+e1 M=aX+e2 e3 Y=c’X+bM+e3 中介变量示意图 假设Y与X的相关显著,意味着回归系数c显著(即H0: c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显著呢? 目前有三种不同的做法。 传统的做法就是依次检验回归系数。如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量;(ii)在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显著影响它的后继变量。这就是Baron与Kenny定义的(部分) 中介过程。如果进一步要求: (iii)在控制了中介变量后,自变量对因变量

中介效应分析方法

中介效应分析方法 1 中介变量和相关概念 在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X 对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 1.1 中介变量的定义 考虑自变量X 对因变量Y 的影响,如果X 通过影响变量M 来影响Y ,则称M 为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e 1 (1) M = aX + e 2 (2) Y = c ’X + bM + e 3 (3) 1 Y=cX+e 1 e 2 M=aX+e 2 a b M

e3 Y=c’X+bM+e3 图1 中介变量示意图 假设Y与X的相关显著,意味着回归系数c显著(即H0 : c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显著呢? 目前有三种不同的做法。 传统的做法是依次检验回归系数。如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显著影响它的后继变量。这是Baron 和Kenny 定义的(部分) 中介过程。如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显著, 变成了Judd和Kenny 定义的完全中介过程。在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c显著(即H0 : c = 0 的假设被拒绝) ；(ii) 系数a 显著(即H0: a = 0 被拒绝) ,且系数b显著(即H0: b = 0 被拒绝) 。完全中介过程还要加上: (iii) 系数c’不显著。 第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显著,即检验H0 : ab = 0 ,如果拒绝原假设,中介效应显著 ,这种做法其实是将ab作为中介效应。 第三种做法是检验c’与c的差异是否显著,即检验H0 : c - c’= 0 ,如果拒绝原假设,中介效应显著。 1.2 中介效应与间接效应 依据路径分析中的效应分解的术语 ,中介效应属于间接效应(indirect effect) 。在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。当只有一个自变量、一个中介变量时,效应之间有如下关系 c = c’+ ab (4) 当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。但公式(4) 对一般的回归系数也成立)。由公式(4) 得c-c’=ab,即c-c’等于中介效应,因而检验H0 : ab = 0 与H0 : c-c’= 0 是等价的。但由于各自的检验统计量不同,检验结果可能不一样。 中介效应都是间接效应,但间接效应不一定是中介效应。实际上,这两个概念

实验三调节效应与中介效应的检验

实验三调节效应与中介效应的检验 一、实验性质 上机实验（计算机、spss软件） 二、实验目的与要求 1、理解调节效应和中介效应的理论涵义； 2、使学生熟练掌握应用SPSS针对调节效应和中介效应进行统计检验，熟悉操作步骤，并能够对统计分析的结果进行解释。 三、实验原理 （一）调节效应 1、调节变量（moderator）的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。这种有调节变量的模型一般地可以用图1 示意。调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱。 在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法，分为四种情况讨论： （1）当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应； （2）调节变量是连续变量时，自变量是连续变量时,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著； （3）当自变量是连续变量时，调节变量是类别变量，分组回归:按 M的取值分组,做 Y 对 X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。 （4）潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau提出的无约束的模型。 （二）中介效应 1、中介变量（mediator）的定义 自变量X对因变量Y的影响,如果X通过影响变量M来影响Y,则称M为中介变量。Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c是X对Y的总效应,ab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。 2、中介效应分析方法

运用SPSS和AMOS进行中介效应分析范文

中介效应重要理论及操作务实 一、中介效应概述 中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。在心理学研究当中，变量间的关系很少是直接的，更常见的是间接影响，许多心理自变量可能要通过中介变量产生对因变量的影响，而这常常被研究者所忽视。例如，大学生就业压力与择业行为之间的关系往往不是直接的，而更有可能存在如下关系： ○1就业压力→个体压力应对→择业行为反应。 此时个体认知评价就成为了这一因果链当中的中介变量。在实际研究当中，中介变量的提出需要理论依据或经验支持，以上述因果链为例，也完全有可能存在另外一些中介因果链如下： ○2就业压力→个体择业期望→择业行为反应； ○3就业压力→个体生涯规划→择业行为反应； 因此，研究者可以更具自己的研究需要研究不同的中介关系。当然在复杂中介模型中，中介变量往往不止一个，而且中介变量和调节变量也都有可能同时存在，导致同一个模型中即有中介效应又有调节效应，而此时对模型的检验也更复杂。 以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下： Y=cx+e 1 1) M=ax+e 2 2) Y=c’x+bM+e 3 3) 上述3个方程模型图及对应方程如下： 二、中介效应检验方法 中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法： 1.依次检验法（causual steps）。依次检验法分别检验上述1）2）3）三个方程中的回归系数，程序如下： 1.1首先检验方程1）y=cx+ e 1，如果c显著（H :c=0被拒绝），则继续检验方程2），如果c 不显著（说明X对Y无影响），则停止中介效应检验； 1.2在c显著性检验通过后，继续检验方程2）M=ax+e 2，如果a显著（H :a=0被拒绝），则 继续检验方程3）；如果a不显著，则停止检验； 1.3在方程1）和2）都通过显著性检验后，检验方程3）即y=c’x + bM + e 3 ,检验b的显著性，若b显著（H0:b=0被拒绝）,则说明中介效应显著。此时检验c’,若c’显著，则说明是不完全中介效应；若不显著，则说明是完全中介效应，x对y的作用完全通过M来实现。

中介效应分析方法

中介效应分析方法 1中介变量和相关概念 在本文中，假设我们感兴趣的是因变量（丫）和自变量（X ）的关系。虽然它们 之间不一定是因果关系，而可能只是相关关系，但按文献上的习惯而使用“ X 对 的影响”、“因果链”的说法。为了简单明确起见 ，本文在论述中介效应的检验 程序时，只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有 多个自变量、多个中介变量的模型。 1.1 中介变量的定义 考虑自变量X 对因变量丫的影响,如果X 通过影响变量M 来影响丫，则称 M 为中介变量。例如“，父亲的社会经济地位”影响“儿子的教育程度”，进而 影响“儿子的社会经济地位”。又如，“工作环境”（如技术条件）通过“工作感 觉”（如挑战性）影响“工作满意度”。在这两个例子中，“儿子的教育程度”和 “工作感觉”是中介变量。假设所有变量都已经中心化 （即均值为零），可用下列 方程来描述变量之间的关系： 丫 = =cX + e 1 (1) M : =aX + e 2 ⑵ 丫 = =c X + bM + e 3 ⑶ 图1 中介变量示意图 假设丫与X 的相关显著,意味着回归系数c 显著（即H o : c = 0 的假设被拒 绝），在这个前提下考虑中介变量M 。如何知道M 真正起到了中介变量的作用, 或者说中介效应 (mediator effect ) 显著呢 ? 目前有三种不同的做法。 传统的做法是依次检验回归系数 。如果下面两个条件成立 , 则中介效应显著 : (i) 自变量显著影响因变量； (ii) 在因果链中任一个变量 , 当控制了它前面的变量 (包括自变量)后,显e i Y=cX+e i M=aX+e 2 e 3 Y=c 'X+bM+e 3

SPSS及AMOS进行中介效应分析

中介效应重要理论及操作务实 SPSS和AMOS调节效应 wenku.baidu./link?url=w6tEove-a2r6vIzSwqZTcV58nKH3DPDFCwtuS xk6743E9U1W1wnfPhp76qgDEYFDCHOp-feDNpi4djQuU9FFuxdbpl9 OoN5gkPa5yCn7wlK 一、中介效应概述 中介效应是指变量间的影响关系（X→Y）不是直接的因果链关系而是通过一个或一个以上变量(M)的间接影响产生的，此时我们称M为中介变量，而X通过M对Y产生的的间接影响称为中介效应。中介效应是间接效应的一种，模型中在只有一个中介变量的情况下，中介效应等于间接效应；当中介变量不止一个的情况下，中介效应的不等于间接效应，此时间接效应可以是部分中介效应的和或所有中介效应的总和。在心理学研究当中，变量间的关系很少是直接的，更常见的是间接影响，许多心理自变量可能要通过中介变量产生对因变量的影响，而这常常被研究者所忽视。例如，大学生就业压力与择业行为之间的关系往往不是直接的，而更有可能存在如下关系： ○1就业压力→个体压力应对→择业行为反应。 此时个体认知评价就成为了这一因果链当中的中介变量。在实际研究当中，中介变量的提出需要理论依据或经验支持，以上述因果链为例，也完全有可能存在另外一些中介因果链如下： ○2就业压力→个体择业期望→择业行为反应； ○3就业压力→个体生涯规划→择业行为反应；

因此，研究者可以更具自己的研究需要研究不同的中介关系。当然在复杂中介模型中，中介变量往往不止一个，而且中介变量和调节变量也都有可能同时存在，导致同一个模型中即有中介效应又有调节效应，而此时对模型的检验也更复杂。 以最简单的三变量为例，假设所有的变量都已经中心化，则中介关系可以用回归方程表示如下： Y=cx+e11) M=ax+e2 2) Y=c’x+bM+e33) 上述3个方程模型图及对应方程如下： 二、中介效应检验方法 中介效应的检验传统上有三种方法，分别是依次检验法、系数乘积项检验法和差异检验法，下面简要介绍下这三种方法： 1.依次检验法（causual steps）。依次检验法分别检验上述1）2）3）三个方程中的回归系数，程序如下： 1.1首先检验方程1）y=cx+ e1，如果c显著（H0:c=0被拒绝），则继续检验方程2），如果c不显著（说明X对Y无影响），则停止中介效应检验；

调节效应和中介效应

调节变量(Moderator) vs 中介变量(Mediator) 1、调节变量的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau 提出的无约束的模型。 3．中介变量的定义

中介效应分析方法

中介效应分析方法 This model paper was revised by the Standardization Office on December 10, 2020

中介效应分析方法 1 中介变量和相关概念 在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 中介变量的定义 考虑自变量X 对因变量Y 的影响,如果X通过影响变量M来影响Y,则称M 为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e 1 (1) M = aX + e 2 (2) Y = c’X + bM + e 3 (3) 1 Y=cX+e 1 e 2 M=aX+e 2 a b e 3 Y=c’X+bM+e 3 M

图1 中介变量示意图 假设Y与X的相关显着,意味着回归系数c显着(即H : c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显着呢目前有三种不同的做法。 传统的做法是依次检验回归系数。如果下面两个条件成立,则中介效应显着: (i) 自变量显着影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显着影响它的后继变量。这是Baron 和Kenny 定义的(部分) 中介过程。如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显着, 变成了Judd和Kenny 定义的完全中介过程。在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c 显着(即H 0 : c = 0 的假设被拒绝) ； (ii) 系数a 显着(即H : a = 0 被拒绝) ,且系数 b显着(即H : b = 0 被拒绝) 。完全中介过程还要加上: (iii) 系数c’不显着。 第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显着,即检验H : ab = 0 ,如果拒绝原假设,中介效应显着 ,这种做法其实是将ab作为中介效应。 第三种做法是检验c’与c的差异是否显着,即检验H : c - c’= 0 ,如果拒绝原假设,中介效应显着。 中介效应与间接效应 依据路径分析中的效应分解的术语 ,中介效应属于间接效应(indirect effect) 。在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。当只有一个自变量、一个中介变量时,效应之间有如下关系 c = c’+ ab (4) 当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。但公式(4) 对 一般的回归系数也成立)。由公式(4) 得c-c’=ab,即c-c’等于中介效应,因而检验H : ab = 0 与H : c-c’= 0 是等价的。但由于各自的检验统计量不同,检验结果可能不一样。

中介效应和调节效应的SPSS检验

中介效应和调节效应的SPSS检验 为将不同的变量的数据的尺度统一化，将所有数据进行中心化处理，即将原始数据减去平均数。 SPPS步骤：打开数据，在菜单中执行： analyse--descriptive statistics--descriptives。 一．SPSS回归分析中介效应检验步骤： 第一步：检验自变量X（EP1）与因变量Y（SI1）的关系，即方程y=cx+e1中的c是否显著，检验结果如下表： 模型汇总 模型R R 方调整 R 方 标准估计 的误差 1 .342a.117 .114 .820 a. 预测变量: (常量), Zscore: EP1 - I am very comfortable with my physical work environment at HBAT.。 系数a 模型非标准化系数 标准系 数 t Sig. B 标准误 差试用版 1 (常量) 4.203 .041 102.559 .000 Zscore: EP1 - I am very comfortable with my physical work environment at HBAT. .297 .041 .342 7.249 .000 a. 因变量: SI1 - I am not actively searching for another job. 由上表可知，方程y=cx+e的回归效应显著，系数c值.342显著性为 p<.000,可以进行方程m=ax+e和方程y=c’x+bm+e的显著性检验； 第二步：分别检验a和b的显著性，如果都显著，则急需检验部分中介效应和完全中介效应；如果都不显著，则停止检验；如果a或b其中只

中介效应分析报告方法

中介效应分析方法 1 中介变量和相关概念 在本文中,假设我们感兴趣的是因变量(Y) 和自变量(X) 的关系。虽然它们之间不一定是因果关系,而可能只是相关关系,但按文献上的习惯而使用“X 对的影响”、“因果链”的说法。为了简单明确起见,本文在论述中介效应的检验程序时,只考虑一个自变量、一个中介变量的情形。但提出的检验程序也适合有多个自变量、多个中介变量的模型。 1.1 中介变量的定义 考虑自变量X 对因变量Y 的影响,如果X 通过影响变量M 来影响Y ,则称M 为中介变量。例如“, 父亲的社会经济地位”影响“儿子的教育程度”,进而影响“儿子的社会经济地位”。又如,“工作环境”(如技术条件) 通过“工作感觉”(如挑战性) 影响“工作满意度”。在这两个例子中,“儿子的教育程度”和“工作感觉”是中介变量。假设所有变量都已经中心化(即均值为零) ,可用下列方程来描述变量之间的关系: Y = cX + e 1 (1) M = aX + e 2 (2) Y = c ’X + bM + e 3 (3) e 1 Y=cX+e 1 e 2 M=aX+e 2 a b M

e3 Y=c’X+bM+e3 图1 中介变量示意图 假设Y与X的相关显著,意味着回归系数c显著(即H0: c = 0 的假设被拒绝) ,在这个前提下考虑中介变量M。如何知道M真正起到了中介变量的作用,或者说中介效应(mediator effect ) 显著呢? 目前有三种不同的做法。 传统的做法是依次检验回归系数。如果下面两个条件成立,则中介效应显著: (i) 自变量显著影响因变量；(ii) 在因果链中任一个变量,当控制了它前面的变量(包括自变量) 后,显著影响它的后继变量。这是Baron 和Kenny 定义的(部分) 中介过程。如果进一步要求: (iii) 在控制了中介变量后,自变量对因变量的影响不显著, 变成了Judd和Kenny 定义的完全中介过程。在只有一个中介变量的情形,上述条件相当于(见图1) : (i) 系数c显著(即H0 : c = 0 的假设被拒绝) ；(ii) 系数a 显著(即H0 : a = 0 被拒绝) ,且系数b显著(即H0 : b = 0 被拒绝) 。完全中介过程还要加上: (iii) 系数c’不显著。 第二种做法是检验经过中介变量的路径上的回归系数的乘积ab是否显著,即检验H0 : ab = 0 ,如果拒绝原假设,中介效应显著,这种做法其实是将ab作为中介效应。 第三种做法是检验c’与c的差异是否显著,即检验H0 : c - c’= 0 ,如果拒绝原假设,中介效应显著。 1.2 中介效应与间接效应 依据路径分析中的效应分解的术语,中介效应属于间接效应(indirect effect) 。在图1 中, c是X对Y的总效应, ab是经过中介变量M 的间接效应(也就是中介效应) , c’是直接效应。当只有一个自变量、一个中介变量时,效应之间有如下关系 c = c’+ ab (4) 当所有的变量都是标准化变量时,公式(4) 就是相关系数的分解公式。但公式(4) 对一般的回归系数也成立)。由公式(4) 得c-c’=ab,即c-c’等于中介效应,因而检验H0 : ab = 0 与H0 : c-c’= 0 是等价的。但由于各自的检验统计量不同,检验结果可能不一样。 中介效应都是间接效应,但间接效应不一定是中介效应。实际上,这两个概念

中介效应和调节效应

一、概念 中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。 中介效应 中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y 这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。 调节作用 调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度是否有着明显的不一样。 二、研究步骤 （1）中介效应 中介作用的分析较为复杂，共分为以下三个步骤：

第1步：确认数据，确保正确分析。 中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。 第2步：中介作用检验 检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。 中介作用共分为3个模型。针对上图，需要说明如下： ●模型1：自变量X和因变量（Y）的回归分析 ●模型2：自变量X，中介变量(M)和因变量（Y）的回归分析 ●模型3：自变量X和中介变量（M）的回归分析 ●模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型 1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。 在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：

多重中介效应检验分解

二．多重中介 多重中介是指存在多个中介变量的情况。目前针对传统多重中介分析存在 （1）分析不完整 ?LISREL--只能得到总的中介效应估计值及其标准误和t值。 ?AMOS --也只能得到总的中介效应估计值。 ?MPLUS--可以得到特定路径的中介效应和总的中介效应估计值，但还是得不到对比中介效应的分析结果。 （2）使用sobel检验的局限 首先，sobel检验统计量的推导基于正态假设，而特定中介效应、总的中介效应和对比中介效应估计值都涉及参数的乘积，因而通常都不满足正态假设。 其次，sobel检验需要大样本，检验在小样本的表现并不好。 第三，sobel检验统计量计算复杂，且需要手工计算 所以采用以下两种方法来改善。 1.增加辅助变量的方法 针对当前多重中介效应分析不完整的问题，在结构方程模型中加入辅助变量，可以进行完整的多重中介效应分析。 操作

我们还是以上图的模型为例子 首先打开spss数据库，在SPSS中FILE下选择Save as，依次保存上述指标变量A1,A2,B1,B2,B3,E1-E7,E9,E10,文件格式为Fixed ASCⅡ（.dat），文件名为“dc.dat” Lisrel操作 单击FILE，新建syntax窗口，输入： TI DA NI=14 NO=706 MA=CM AP=1 !表示增加一个辅助变量 RA FI=dc.dat la E1 E2 E3 E4 E5 E6 E7 E9 E10 B1 B2 B3 A1 A2 MO NY=12 NX=2 NK=1 NE=3 LX=FI L Y=FI GA=FU,FI BE=FU,FI LK X LE M1 M2 Y PA L Y 2(1 0 0) 0 1 0 1 0 0 0 1 0 1 0 0 1 0 0 0 1 0 0 1 0 3(0 0 1) PA LX 1 1 FR ga 3 1 ga 2 1 ga 1 1 FR be 3 1 be 3 2 CO PAR(1)=GA(1,1)*BE(3,1)-GA(2,1)*BE(3,2) !辅助变量,用来建立一新的待检验参数 PD OU AD=OFF ND=4 点击保存，将文件命名为fz.pr2，点击运行按钮 结果输出部分BETA可以找到b1，b2两条路径的参数估计值及显著性 M1 M2 Y -------- -------- -------- M1 - - - - - - M2 - - - - - -

中介作用于调节作用：原理与应用

中介效应与调节效应：原理与应用 姜永志整理编辑 1中介效应和调节效应概念原理 1.1中介效应 考虑自变量X对因变量Y的影响，如果X 通过影响变量M而对Y产生影响，则称M 为中介变量，中介变量阐明了一个关系或过程“如何”及“为何”产生。 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。 假设所有变量都已经中心化(即将数据减去样本均值，中心化数据的均值为0)或者标准化(均值为0，标准差为1)，可用下列回归方程来描述变量之间的关系(图1 是相应的路径图)：其中方程(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；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；e1-e3 是回归残差。中介效应等于间接效应(indirect effect)，即等于系数乘积ab，它与总效应和直接效应有下面关系： Y =cX +e1(1) M =aX +e2 (2) Y =c' X +bM +e3(3) c = c′+ab (4) 简单中介效应中成立，多重中介效应不成立。 中介效应的因果逐步回归法模型

1.2调节效应 如果变量Y与变量X的关系是变量M的函数，称M为调节变量。就是说，Y 与X 的关系受到第三个变量M的影响。调节变量(moderator)所要解释的是自变量在何种条件下会影响因变量，也就是说，当自变量与因变量的相关大小或正负方向受到其它因素的影响时，这个其它因素就是该自变量与因变量之间的调节变量。调节变量可以是定性的(如性别、种族、学校类型等)，也可以是定量的(如年龄、受教育年限、刺激次数等)，它影响因变量和自变量之间关系方向(正或负)和强弱，调节变量展示了一个关系“何时”和“为谁”而增强或减弱。 如，学生一般自我概念与某项自我概念(如外貌、体能等)的关系，受到学生对该项自我概念重视程度的影响：很重视外貌的人，长相不好会大大降低其一般自我概念；不重视外貌的人，长相不好对其一般自我概念影响不大，从而对该项自我概念的重视程度是调节变量。 在做调节效应分析时，通常要将自变量和调节变量做中心化变换(即变量减去其均值，但现有文献发现中心化并不能改变调节的效应量。 Y =aX +bM +cXM +e (1) 调节效应的基本模型 1.3中介效应与间接效应的联系区别 中介效应都是间接效应，但间接效应不一定是中介效应。实际上，这两个概念是有区别的。首先，当中介变量不止一个时，中介效应要明确是哪个中介变量的中介效应，而间接效应既可以指经过某个特定中介变量的间接效应(即中介效应)，也可以指部分或所有中介效应的和。其次，在只有一个中介变量的情形，虽然中介效应等于间接效应，但两者还是不等同。中介效应的大前提是自变量与因变量相关显著，否则不会考虑中介变量。但即使自变量与因变量相关系数是零，仍然可能有间接效应，这种观点目前正在激烈的讨论中。 多重中介效应基本模型 1.4调节效应与交互效应的联系区别 调节效应和交互效应这两个概念不完全一样。在交互效应分析中，两个自变量的地位可