企业官网建设流程全解析

简介：中介效应检验是社会科学、心理学与市场营销实证研究中的常用分析工具。这份Word文档系统整理了逐步检验法、Sobel检验与Bootstrap检验的操作流程，面向需要完成中介效应分析或论文实证的高校师生与科研人员。文档从原理说明、方程设定到判定标准均有清晰讲解，并给出STATA命令示例，包括变量中心化、sgmediation安装与Bootstrap置信区间计算，便于按步骤上手。资源共1个docx文件，压缩包总大小154KB，内容呈体系化排列，适合反复查阅。目前已有594人学习下载，对初学中介效应的研究者有较高参考价值。掌握三种主流检验方法的适用条件与结果解读技巧，尤其是Sobel和Bootstrap命令的实操细节，如间接效应置信区间是否包含0的判断方式；内容预览还展示了中介效应占总效应的比例计算。整体而言，这份文档兼顾原理与实操，是精简型方法整理资料。

1. 中介效应是研究里最常用的“黑匣子拆解法”：为什么你跑完回归还不够

两年前我帮一个做组织行为学的朋友看论文审稿意见，外审只回了一句话：“中介效应需要做逐步检验和Sobel检验，请补充。”他当时已经跑了回归，X对Y显著，然后直接写了“M可能在中间起作用”。我问他a路径和b路径的数据呢？他说没跑。这就是中介效应最常见的尴尬：很多人知道这个概念，但真正被审稿人追究起来，连三个回归方程都凑不齐。中介效应要回答的不是“X和Y有没有关系”，而是“X是通过哪条路径影响Y的”。当你需要向读者证明M确实是中间变量，而不是你脑补出来的故事时，逐步检验法和Sobel检验就是学术界最基础、也最常被要求的两道工序。这篇笔记把这两道工序的完整流程、参数判读和容易翻车的地方一次讲透，适合刚跑完相关分析、正准备做机制检验的硕士生和青年研究者。

2. 逐步检验法：三个回归方程、两类显著性判断和完整复现路径

2.1 Baron和Kenny的因果步骤：总效应、间接效应与直接效应的关系

逐步检验法源自Baron和Kenny在1986年提出的因果步骤框架，它把X对Y的影响拆成三段：X直接影响Y的路径叫直接效应，系数记为c'；X先影响M、M再影响Y的这条绕行的路叫间接效应，系数记为a和b的乘积a×b。把这两条路合在一起，就是总效应c。在普通最小二乘回归下，三者满足c = c' + ab这个等式。

这套逻辑落实到检验上，需要依次跑三个回归方程。方程一，Y对X回归，检验总效应c是否显著；方程二，M对X回归，检验a是否显著；方程三，Y对X和M同时回归，检验在控制M之后，X对Y的直接效应c'是否显著，以及M对Y的效应b是否显著。判定规则很直接：a和b都显著，说明间接效应存在；c'不显著，称为完全中介；c'显著但数值比c小，称为部分中介。

需要提醒的是，这套检验里第一步的c显著经常被当成硬性前提。很多教材和论文都写“先看总效应，不显著就停止”，但后面要讲到，这个前提恰恰是整套方法里最容易被误用的地方。实际做的时候，我一般会把三个回归一次性都跑完，不要第一步不显著就收手，否则会漏掉遮蔽效应，那是后话。

2.2 用R复现三步回归：最小代码与每个输出值的读法

假设你有三个变量：X是自变量，M是中介变量，Y是因变量，数据存在data这个数据框里。用R跑逐步检验，最小实现只需要三个lm函数。

# 方程一：总效应，Y对X回归 fit_total <- lm(Y ~ X, data = data) summary(fit_total) # 看X的系数，记为c # 方程二：X对M的效应 fit_mediator <- lm(M ~ X, data = data) summary(fit_mediator) # 看X的系数，记为a # 方程三：控制M后X对Y的直接效应 fit_direct <- lm(Y ~ X + M, data = data) summary(fit_direct) # X的系数记为c'，M的系数记为b

三个模型的summary输出里，你需要读的是Estimate列和Pr(>|t|)列。方程一里X的Estimate就是总效应c；方程二里X的Estimate是a；方程三里X的Estimate是c'，M的Estimate是b。标准的论文汇报格式是把a、b、c、c'以及它们各自的显著性p值做成一张表，后面第5.3节会给一个可以直接套用的模板。

跑完代码后，重要的是判读中间的逻辑关系。c不显著时不要急着下结论，先看a和b：如果a显著、b也显著，说明X对Y的效应确实通过M在传递，只是这条间接路径和X对Y的其他作用相互抵消，导致总效应看不出来。这种情况在心理学文献里叫遮蔽效应，在计量经济学场景里也不少见。

2.3 部分中介还是完全中介：先看系数再看p值

拿到三个模型的系数后，先做数值比较，再做显著性判断。比较c和c'的大小：如果c'的绝对值比c小，说明M吸收了X的一部分效应，这是中介存在的正向证据。至于是否显著，看p值。c'不显著且a、b都显著，就是完全中介；c'显著但系数变小，就是部分中介。

用一组模拟数字示范一下：假设c=0.62，a=0.45，b=0.38，c'=0.18。总效应0.62减去直接效应0.18等于0.44，而a×b=0.45×0.38=0.171。注意c - c'和a×b在这个设定里不相等，这是正常的，因为样本估计存在误差，c = c' + ab的等式只在总体层面严格成立，实际拟合时两边会有偏差。汇报时以a×b作为间接效应的点估计，所以在这组数字里，间接效应是0.171，不是0.44。

提示：不要因为c - c'和a×b不相等就怀疑跑错了。误差项和样本波动会让这两个数值有差异，回归结果解释的是整体趋势，不是四则运算恒等式。

3. Sobel检验：把间接效应显著性问题变成一次z检验

3.1 Sobel检验公式拆开看：ab的标准误为什么有两个来源

逐步检验法有个短板：a显著、b显著，只能说明X对M有效、M对Y有效，但a×b这个乘积本身到底显不显著，它没有给出明确答案。审稿人要求补充Sobel检验，就是为了补上这最后一步——给间接效应的点估计算出标准误，然后做一次z检验。

Sobel检验的核心是间接效应ab的标准误公式，它来自delta方法的一阶近似：

se(ab) = sqrt(b² × sea² + a² × seb²)

其中sea是方程二中X系数的标准误，seb是方程三中M系数的标准误。公式的逻辑可以这样理解：ab这个乘积同时受a和b两个估计值波动的影响，b的波动乘以a自身的方差、a的波动乘以b自身的方差，两者相加再开根号。a和b的值越大，它们的不确定性对乘积的影响就越大。

得到标准误之后，构造z统计量：z = ab / se(ab)。在间接效应为零的原假设下，z近似服从标准正态分布。z的绝对值大于1.96，就意味着p小于0.05，间接效应显著。

3.2 手算Sobel检验：用Excel就能算，难点在标准误的收集

虽然统计软件能直接输出结果，但我强烈建议你至少手算一次。为什么？因为Sobel检验的z值对标准误很敏感，而标准误在回归输出里位置分散，复制粘贴时很容易张冠李戴。我在审稿时不止一次看到，有人把方程三里X的标准误当成M的标准误用，算出来的结果自然是错的。

手算的流程如下：先跑完2.2节中的三个回归，从方程二的summary中取出X系数的Estimate和Std. Error，记为a和sea；从方程三的summary中取出M系数的Estimate和Std. Error，记为b和seb。然后按下面的公式在Excel里建四个单元格就能算完：

se_ab = SQRT(b^2 * sea^2 + a^2 * seb^2) z = (a * b) / se_ab p = 2 * (1 - NORM.S.DIST(ABS(z), TRUE))

这里的NORM.S.DIST函数是Excel里标准正态分布的累积概率函数，乘以2是因为做的是双侧检验。用一组结果演示：假设a=0.42，sea=0.18，b=0.35，seb=0.12。代入公式，se_ab = sqrt(0.35²×0.18² + 0.42²×0.12²) = sqrt(0.00397 + 0.00254) = sqrt(0.00651) ≈ 0.0807。z = 0.42×0.35 / 0.0807 ≈ 1.82，p≈0.069。

这组数字很有教学意义：a和b单独看都显著，但乘积的检验p值却大于0.05。这正是逐步检验法和Sobel检验结论不一致的典型场景，也是下一章要专门讲的坑。

3.3 用R和SPSS快速跑Sobel：mediation包与Process宏的参数设置

手算适合理解原理，但正式分析时，我一般用R的mediation包或者SPSS里的Process宏。

# 安装和加载mediation包（如果还没安装过） # install.packages("mediation") library(mediation) # 先拟合两个回归模型 model.M <- lm(M ~ X, data = data) model.Y <- lm(Y ~ X + M, data = data) # 中介分析核心函数 med_out <- mediate(model.M, model.Y, treat = "X", mediator = "M", boot = FALSE, # 先用非Bootstrap的理论分布 sims = 1000) summary(med_out)

mediate函数的前两个参数直接接收之前拟合好的lm对象。treat参数填的是X在数据框里的列名，必须是字符型；mediator参数同理。boot=FALSE时，输出的ACME就是基于Sobel标准误算出的间接效应及其p值，这个值和你手算的结果应该一致。如果你在summary里看到ACME的p值和手算对不上，先检查treat和mediator的变量名有没有写反。

SPSS用户更常用的是Hayes的Process宏。安装宏之后，菜单栏会出现Process的对话框，把X、M、Y分别拖入对应的变量框，Model Number选4，Bootstrap Samples填5000，置信区间95%。输出表里找到Indirect effect(s) of Y on X那一节，看Effect、BootSE和置信区间。

注意：Process宏的默认输出是Bootstrap置信区间，它不会单独打印Sobel的z值和p值。如果投稿期刊指定“需要汇报Sobel检验结果”，你需要自己用系数和标准误手算，或者改用R的mediation包。这是一个经常让人卡壳的细节。

4. 中介效应分析避坑：检验力不足、完全中介误读与因果冒进

4.1 总效应不显著不等于没有中介：遮蔽效应常常被漏掉

现象：三步回归跑完，第一步c不显著，很多人直接放弃分析，在论文里写“中介效应不成立”。

原因：c不显著有两种可能。一种是X对Y确实没有影响；另一种是间接效应和直接效应符号相反，两个效应相互抵消。后面这种情况在文献里叫遮蔽效应，a和b都显著，但c'和ab一正一负，总效应被抵消到不显著。如果按“c显著才继续”的老规矩，这种机制就被漏掉了。

解决：不要第一步不显著就停。先把三个回归全跑完，再看a和b的显著性。如果a和b都显著，就继续计算间接效应并做Sobel或Bootstrap检验。即使总效应不显著，间接效应显著也得写进讨论，解释抵消的来源。这个习惯能救回不少原本以为没结果的模型。

4.2 Sobel检验默认抽样分布正态，小样本第一轮就翻车

现象：同一个模型，Sobel检验p值为0.04，审稿人让补一个Bootstrap检验，结果置信区间是[-0.01, 0.18]，包含了0。一个显著一个不显著，论文都不知道怎么改。

原因：这是Sobel检验方法本身的结构性缺陷。标准误公式来自一阶泰勒展开，它假设ab的抽样分布近似正态。但两个回归系数的乘积，其真实抽样分布通常是有偏的，样本量越小偏度越明显。小样本下用正态临界值1.96去卡，容易把本不稳健的结果判成显著，这就是我常说的“统计量也能跑出玄学感”的时刻。

解决：把Sobel检验当成入门级验证，最终结论以Bootstrap偏差校正置信区间为准。样本量低于200时尤其不要依赖Sobel的p值。R里把mediate函数的boot参数设为TRUE，SPSS里直接用Process宏的Bootstrap结果，这两个路径都比单独报Sobel稳妥。如果期刊明确要求Sobel，那就两个都报，并在正文里说明Sobel只是方法之一。

4.3 “完全中介”的说法正在被学术界弃用：为什么

现象：论文写“M起完全中介作用”，审稿人却要求改成“间接效应显著”。不少人改得一头雾水。

原因：完全中介的定义是c'不显著，但c'不显著可能是检验力不足导致的假阴性。同一个模型，样本量150时c'不显著，换到300人的样本可能就显著了。学界近年来认识到，用一个“没有检验出显著性”的结果来定义中介方式，逻辑上站不住脚。Hayes在2013年的著作里都建议不再区分完全和部分中介，转而报告间接效应和直接效应的点估计与置信区间。

解决：论文里少用“完全中介”这个标签，改成“间接效应成立，直接效应在控制M后未达到显著”。这个表述既如实汇报了结果，也不会因为术语争议被审稿人挑刺。中文期刊对这一点的接受速度有快有慢，但写保守一点总没错。

4.4 回归系数别混用：非标准化B用于乘积，标准化Beta用于报告

现象：有人跑完回归，直接取标准化系数Beta算ab，得到的结果和软件输出的间接效应差异很大。

原因：逐步检验公式里，间接效应是原始量纲下的回归系数乘积。标准化系数已经把变量压到了均值为0、方差为1的尺度，缩放到因子不同，乘积也就变了。Sobel检验的标准误公式同样基于非标准化系数，混用之后连标准误的数值都对应不上。

解决：计算ab和做显著性检验时，一律用非标准化系数B。需要报告标准化结果时，单独用标准化系数解释效应大小，不要拿它代入Sobel公式。如果用的是lavaan跑结构方程模型，可以在summary里加std=TRUE参数，让软件额外输出标准化间接效应，那是另一套计算逻辑，不是手动相乘的结果。

4.5 横断面数据做中介分析：统计显著不等于因果成立

现象：三个变量都在同一次问卷里测的，跑完中介效应显著，论文结论里直接写“M是X影响Y的内在机制”。

原因：中介效应的路径是有方向性的，X在前、M居中、Y在后。横断面数据在同一时间点采集所有变量，统计上只能证明关联模式符合中介结构，证明不了先后顺序。如果理论模型本身就站不住，回归跑得再漂亮也只是在数据里画出预设的图形。

解决：两条路选一条。要么收集纵向数据，至少让X的测量时间早于M和Y；要么在论文的局限部分明确承认数据是横断面的，中介路径是理论驱动的统计示意，不等同于因果证据。我个人的习惯是，横断面数据的中介分析在投稿时主动降级表述，写“与中介模型一致”而不是“中介效应成立”，很少因为这个被拒稿。

5. 用Bootstrap替代Sobel：间接效应置信区间的进阶验证

5.1 Bootstrap为什么能绕开正态假设：重抽样思想的工程价值

Sobel检验栽在正态假设上，Bootstrap的思路则完全绕开这个问题。它不对抽样分布做任何形状假定，而是从你现有的样本中有放回地反复抽取大量子样本，每次重抽样都跑一遍a、b的计算，得到上千个ab的估计值。这上千个值构成的经验分布，直接用来取2.5%和97.5%分位数作为置信区间。样本量再小、分布再偏，只要原始样本有代表性，这个置信区间就比正态近似可靠。

更值得注意的是偏差校正版本。如果你在Process里勾选了Bootstrap并采用95%置信区间，它默认输出的是偏差校正区间，修正了重抽样分布中位数与原始估计之间的偏移，检验力比未校正版本更好。这已经不只是Sobel的替代方案，而是近几年多数方法学论文推荐的默认选项。

5.2 用R一次跑完Bootstrap中介检验（5000次重抽样）

set.seed(1234) # 固定随机种子，保证结果可以复现 med_boot <- mediate(model.M, model.Y, treat = "X", mediator = "M", boot = TRUE, # 打开Bootstrap sims = 5000) # 重抽样次数 summary(med_boot) # 直接查看Bootstrap置信区间 ci <- confint(med_boot) ci # ACME那一行就是间接效应的95%Bootstrap区间

这里的set.seed不是可有可无的仪式感，它直接决定审稿人能否复现你的结果。不设种子，每次跑的置信区间会有小幅波动；设了种子，别人在相同数据上执行相同代码，得到完全一样的数字。sims设成5000是比较平衡的选择，学术论文里5000次重抽样是常见标准，次数太少区间不稳定，太多则纯属浪费时间。

执行之后看summary输出的ACME一行：Estimate是间接效应点估计，p值来自Bootstrap经验分布而不是正态近似；confint输出结果里同样看ACME的置信区间，不包含0就是显著。第4.2节里那个Sobel显著但Bootstrap不显著的案例，用这套代码跑完就一目了然。

5.3 汇报模板：一篇论文里中介效应结果该怎么写

最后给一个可以直接套进论文的汇报模板，包含三步回归系数表和Bootstrap间接效应结论，是我自己投稿时一直在用的结构。

第一步，采用逐步检验法考察M在X与Y之间的中介作用。结果显示，X对Y的总效应显著（c=0.62, p<0.001）；X对M的效应显著（a=0.42, p<0.001）；控制M后，M对Y的效应显著（b=0.35, p<0.001），X对Y的直接效应不再显著（c'=0.18, p>0.05）。第二步，对间接效应ab进行Bootstrap检验（5000次重抽样，偏差校正），间接效应估计值为0.147，95%置信区间为[0.062, 0.248]，区间不包含0，间接效应显著。综合结果，M在X与Y之间起中介作用。

对应的系数表可以是三行格式：第一行Y对X回归，列出c的系数、标准误、t值和p值；第二行M对X回归，列出a；第三行Y对X+M回归，同时列出c'和b的两个子行。不要忘了在表下方注明“回归系数均为非标准化系数，Bootstrap重抽样次数为5000”。

我的习惯是，不管期刊要不要，只要做了中介分析就同时跑Sobel和Bootstrap，用Sobel的结果做稳健性交叉验证，用Bootstrap的结果下最终结论。遇到两者冲突就回到数据里查量纲、查样本量、查变量方向，把原因写进讨论而不是糊弄过去。统计软件是个黑匣子，但你的论文不能是个黑匣子，每个数字都得经得起拆开重算。希望这套从原理到汇报的路径能帮你的中介效应分析少走几步弯路。

本文还有配套的精品资源，点击获取