高级心理统计11-中介分析ppt课件

1、中介分析Mediator Analysis,核心要点,了解中介效应和中介变量的定义。 了解中介效应涉及到的效应分解，区分完全中介和部分中介。 掌握中介效应的常用检验方法及各方法的特点。 熟悉建构中介模型时需要满足的假设及注意事项。 了解中介效应现有的效应量指标及其特点,提纲,1 中介分析的一般目的和描述 2 中介模型和中介效应 3 中介效应的检验 4 潜变量中介模型 5 中介分析中一些值得注意的问题 6 中介分析应用案例及Mplus操作,1.中介分析的一般目的和描述,当考虑自变量X对因变量Y的影响时，如果X通过影响变量M来影响Y，则称M为中介变量。（Judd & Kenny，1981；Baro

2、n & Kenny, 1986) 父亲的社会经济地位儿子的教育程度儿子的社会经济地位（Duncan, Featherman, & Duncan, 1972） 中介变量：儿子的教育程度 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（James & Brett，1984） 中介变量：上司对下属表现的归因,2. 中介模型和中介效应,中介模型 中介效应,2.1 中介模型,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=c+ab (一个中介变量的情况,2.2 中介效应,c=ab+c，中介效应大小即ab 检验ab/(c+ab)或者ab/c是否显著（中介效应相对大小），若显著，则表示中介效应

3、显著 关键词解释 完全中介效应：c=0 部分中介效应：c显著,2.2 中介效应,在因果模型中，一般至少存在着一个中介变量，形成一个XMY 的中介效应（mediation effect）。 因果模型就是一连串中介效应的组合所形成的复杂模型，关键就是中介变量以及中介变量之间的复杂关系（MacKinnon, 2008,3 中介效应的检验,中介效应检验方法 中介效应检验流程,3.1 中介效应检验方法,1、四步法 依次检验回归系数，c、a、b系数分别显著 2、联合显著性检验 使用 t 检验来验证组成中介路径的 a 和 b 是否都显著 3、Sobel检验 路径分析，经过中介变量路径上回归系数的乘积ab是否

4、显著，即H0：ab=0 检验c和c的差异是否显著,3.1 中介效应检验方法,5、Bootstrap置信区间法 根据 N 个抽取的样本，就能得到 ab 的分布情况，进而获得 ab 的置信区间（一般是使用 95%置信区间） 6、基于临界值的置信区间法 置信区间下限(LCL) = 中介效应 + ProdLower类错误率 置信区间上限(UCL) = 中介效应 + ProdUpper类错误率 7、有先验信息的MCMC方法 将马尔科夫链的过程引入蒙特卡洛模拟中，从而实现模拟过程中抽样分布随之改变的动态模拟,3.2 中介效应检验流程,第一步，对总效应 c 进行检验。如果总效应显著，则按中介效应立论。否则，

5、按照遮掩效应立论。总效应 c 是否显著都不影响之后的检验，只是最后的结果解释有所不同。 第二步，对中介效应涉及的两个路径系数 a 和 b 进行依次检验。如果二者都显著，则说明中介效应存在，报告 ab 的置信区间，转到第四步检验直接效应。这里计算置信区间也应该用 Bootstrap 方法而非 Sobel 方法。如果系数 a 和 b 中至少有一个不显著，进行第三步。 第三步，使用 Boostrap 方法检验假设 H0: ab=0。如果结果显著，则中介效应存在，进入第四步直接效应的检验。如果结果不显著，则就可以判定中介效应不存在，分析停止,3.2 中介效应检验流程,第四步，确定中介效应存在后，检验直

6、接效应 c。若不显著，则说明是完全中介效应。按照中介效应解释结果即可。否则，系数显著，说明存在中介效应，进行下一步。 第五步，中介效应和直接效应都存在时，比较 ab 和 c的符号。若二者同号，则说明是部分中介效应，报告效应量 ab/c。如果二者符号相反，则说明是遮掩效应，报告效应量|ab/c|。除了 ab/c 或|ab/c|，也可以酌情报告其他的效应量,3.2 中介效应检验流程,4. 潜变量中介模型,测量误差 使用潜变量中介模型,4.1测量误差,观测变量的观测值可分解为三部分 一是随机误差，这一误差是随机产生的，其大小不具有任何规律性，独立于观测变量，对一次测量而言，随机误差的期望值为 0；

7、二是系统误差，它不是随机的，而是由系统因素（例如测量工具）引进的，取值有一定的规律性，其期望值为一固定的常数； 三是研究者所要测量的潜变量，即所感兴趣的理论结构。相应地，观测变量的变异也就可以分解为三部分，一是潜变量的变异，二是系统误差的变异，三是随机误差的变异。 对于中介效应的估计，当测量误差存在时，路径系数 a 和 b 的估计值会随着测量信度的降低而减小，从而导致中介效应的低估(Hoyle & Kenny, 1999,4.2 使用潜变量中介模型,潜变量中介模型就是结构方程模型的一个特例，具体来说，如果中介效应涉及到的 3 个变量（自变量 X，中介变量 M，结果变量 Y）中，至少有一个是潜变

8、量时，就需要使用结构方程模型来分析三者间的中介效应。 下面依然以三个变量之间的中介模型为例，但在这里，中介涉及的三个变量都是潜变量，每个潜变量都由 3 个指标变量测量。该模型如图所示，图中各路径旁标注的符号表示相应的路径系数,4.2 使用潜变量中介模型,5. 中介分析中一些值得注意的问题,中介回归方程的假设 中介模型的推理假设 样本量的要求 总效应是否显著的问题 中介效应量,5.1 中介回归方程的假设,正确的函数形式。 每个中介回归方程都假设变量之间是线性的关系，即自变量改变一个单位会导致因变量产生一个固定的改变量。 没有遗漏的影响。 指的是中介回归方程反映了正确的潜在模型。回归方程中没有遗漏

9、重要的变量或影响。 准确的测量。 指的是变量X、M和Y的测量都是可信且有效的。测量误差会导致M与Y的关系被低估，从而影响中介效应的估计。 表现良好的残差。 在各个回归方程中，残差与自变量不相关，残差之间相互独立，并且残差是方差齐性的,5.2 中介模型的推理假设,时间顺序。 中介模型中假定了变量的先后顺序，即X出现在M之前，M出现在Y之前。 中介链的选择。 一条中介链可能包含很多个路径。研究者必须决定测量哪些路径，以及确定最终的因变量。 测量的时机。 中介变量和因变量的测量时机必须与自变量的变化、中介变量的变化以及因变量的变化三者之间关系的真实时间相匹配。 X，M和Y分布的正态性。 通常中介模型

10、中假设X，M，Y都服从正态分布。如果X是二分变量，本章列出的统计方法依然有效,5.2 中介模型的推理假设,正态分布的系数乘积项。 两个随机变量乘积项的分布或是Bootstrap方法来建构置信区间。 遗漏的影响。 以单个中介变量的模型为例，模型假设没有其他变量与这三个变量相关。遗漏的变量可能会包括未测量但是重要的变量，或是没有加入统计分析的交互作用。 因果推断。 另一个假设是变量之间的关系a、b、c和c能够反映正确函数形式下正确的因果关系。 理论的中介变量与实际的中介变量。 即使有证据表明一个变量是中介变量，例如一个统计上显著的中介效应，这个中介变量可能也不能反映效应发生的真实机制,5.3 样本

11、量的要求,对于大多数检验中介模型的研究来说，最小的样本量为150到200。 但这也不是绝对的，样本量的要求会受到诸多因素的影响，例如中介效应的大小、检验力、显著性水平以及所用的检验方法等,5.4 总效应是否显著的问题,关于中介效应，有一个误区在于有些中介检验方法要求，只有当自变量和因变量之间存在显著的关联时，中介效应才会存在。 但是事实上，即使自变量和因变量之间的总效应不显著，依然可能存在显著的中介过程遮掩效应,5.5 中介效应量,关于中介效应，有一个误区在于有些中介检验方法要求，只有当自变量和因变量之间存在显著的关联时，中介效应才会存在。 但是，显著性检验的结果会依赖于样本量，即，如果样本量

12、足够大，很小的效应也会很显著，但是如果样本量很小，即使很大的效应也可能不显著。 效应量则提供了一种关于效应的大小及意义的度量，并且该指标不依赖于样本量。 效应量指标应该具备如下一些特性：与测量单位无关；相对于效应本身的大小具备单调性；不受样本量的影响； 其他一些特性，例如，非负性，有界性，正规性（即取值范围在0,1上,5.5 中介效应量,中介效应中单个路径的效应量指标：相关系数或偏相关系数 中介效应中单个路径的效应量指标：标准化回归系数 整个中介效应的效应量指标：中介比例和中介比值 中介比例：P=ab/c 中介比值：P=ab/c 整个中介效应的效应量指标：R2 整个中介效应的效应量指标：部分标

13、准化的中介效应 整个中介效应的效应量指标：2,中介效应量的度量指标,7 应用案例及Mplus操作,对劳资关系压力、情绪以及工作满意度的研究： Kelloway,Barling和Shah (1993) 研究假设及分析目的 Sobel 检验 Bootstrap 检验 MCMC 方法 潜变量的中介分析,操作步骤详见高级心理统计P290P299,关键术语,中介变量 中介效应 完全中介 部分中介 潜变量中介模型 Sobel 检验 Bootstrap 置信区间法 MCMC 方法,内容要点,当考虑自变量 X 对因变量 Y 的影响时，如果 X 通过影响变量 M 来影响 Y，则称 M为中介变量。X 通过中介变量 M 对 Y 产生的影响就是中介效应。 对中介效应的估计是一个效应分解的过程，即将总效应分解为直接效应和中介效应。根据直接效应的大小，可以将中介效应分为完全中介和部分中介。 对中介效应的检验有多种方法，例如，四步法，联合显著性检验，Sobel 检验，Boostrap置信区间法，有先验信息的 MCMC 方法等等。根据各方法的优缺点，温忠麟和叶宝娟(2014)提出了一个新的中介效