中介效應分析數據處理（一次學會中介效應分析）

2023-05-07 21:52:45 2

作者：緹娜

1.算三個回歸方程

1）自變量—因變量

2）自變量—中介變量

3）自變量—中介變量—因變量

示例：本研究以性格特徵為自變量，政治社會現狀評價為因變量，時政類信息興趣程度為中介變量進行中介效應檢驗。

2.數據分析

在結果分析前，先來了解一下回歸輸出結果中各個符號的含義:

（1）回歸的檢驗首先看anova那個表，也就是F檢驗，那個表代表的是對你進行回歸的所有自變量的回歸係數的一個總體檢驗，如果sig<0.05,說明至少有一個自變量能夠有效預測因變量，這個在寫數據分析結果時一般可以不報告。然後看係數表，看標準化的回歸係數是否顯著，每個自變量都有一個對應的回歸係數以及顯著性檢驗。

（2）B也就是beta，代表回歸係數，標準化的回歸係數代表自變量也就是預測變量和因變量的相關，為什麼要標準化，因為標準化的時候各個自變量以及因變量的單位才能統一，使結果更精確，減少因為單位不同而造成的誤差。T值就是對回歸係數的t檢驗的結果，絕對值越大，sig就越小，sig代表t檢驗的顯著性，在統計學上，sig<0.05一般被認為是係數檢驗顯著，顯著的意思就是你的回歸係數的絕對值顯著大於0，表明自變量可以有效預測因變量的變異，做出這個結論你有5%的可能會犯錯誤，即有95%的把握結論正確。

（3）最後看模型匯總那個表，R方叫做決定係數，他是自變量可以解釋的變異量佔因變量總變異量的比例，代表回歸方程對因變量的解釋程度，報告的時候報告調整後的R方，這個值是針對自變量的增多會不斷增強預測力的一個矯正（因為即使沒什麼用的自變量，只要多增幾個，R方也會變大，調整後的R方是對較多自變量的懲罰），R可以不用管，標準化的情況下R也是自變量和因變量的相關。

第一個回歸，分析的是自變量對因變量的總體效應。

從上圖結果可知，自變量對因變量具有顯著正向預測作用（β=0.131，p<0.001）。

第二個回歸，是自變量對中介變量的效應

從結果②可知，自變量能夠顯著正向預測中介變量（β=0.152，p<0.001）.

第三個回歸，是自變量、中介變量對因變量的效應

結果表明，加入中介變量後自變量對因變量的正向預測作用仍顯著（β=0.123，p<0.001）.同時中介變量也能夠顯著正向預測因變量（β=0.050，p<0.05）。

因此綜上，中介變量時政類信息興趣程度在自變量性格特徵和因變量政治社會現狀評價之間起著中介作用，中介作用模型圖如下：

3.畫圖注意事項

1）可以在ppt裡面畫，這樣圖會更好看也更好編輯~

2）一般都標註標準化係數，同時需要在圖中註明

3）一般來說，顯著的用實線，不顯著的用虛線

SPSS中Process插件的安裝說明在「有調節的中介」那一期已分享過（感興趣的小夥伴可以關注本號進行瀏覽哦~），這裡便不再贅述哈~安裝後，打開SPSS會出現以下界面。

再將自變量、中介變量及因變量放入對應位置中，並選擇模型4，操作如下圖所示：

輸出結果解析：

1.首先是對模型的一個介紹

① 使用的是model4

② 因變量Y、自變量X、中介變量M分別對應的是什麼。

③樣本量多少。

2.以中介變量為被預測變量，自變量為預測變量的回歸方程 ：

模型概要（model summary），看R、F、 df 、p值；模型（model），coeff是B，se是標準誤，p，LLCI和ULCI是置信區間（置信區間不含零為顯著）標準化係數（Standardized coefficients） 是β。

圖中結果表明，自變量Q19對中介變量Q9具有顯著預測作用（β=0.152，p<0.001）。

3.以因變量為被預測變量，自變量及中介變量為預測變量的回歸方程：模型概要解釋同2

圖中結果表明，加入中介變量後，自變量Q19對因變量Q8具有顯著正向預測作用（β=0.123，p<0.001），中介變量 Q9對因變量Q8具有顯著正向預測作用（β=0.05，p<0.05）。

4.總體效應

以因變量為被預測變量，自變量及中介一同為預測變量的回歸方程，模型概要（model summary），同2

圖中結果表明，自變量Q19對因變量Q8具有顯著正向預測作用（β=0.131，p<0.001）。

5.接下來是自變量對因變量的總體、直接和間接效應

① 自變量對因變量的總體效應=自變量為預測變量，因變量為被預測變量回歸方程的係數；

② 自變量對因變量的直接效應=自變量、中介變量為預測變量，因變量為被預測變量回歸方程的係數；

③ 自變量對因變量的間接效應=總體效應-直接效應；

部分標準化：效應量/Y的標準差

完全標準化：所有變量的標準化

結果表明，自變量 Q19對因變量Q8的直接效應為0.0135，佔總效應的 94.41％；自變量通過中介變量Q9對因變量Q8的間接效應為0.0008， 佔 總 效 應 的5.59％。 由於加入中介後， 自變量Q19對因變量Q8的直接效應的置信區間仍不包含零， 故中介變量Q9在自變量Q19與因變量Q8之間發揮了部分中介作用。

6.最後是模型及誤差的簡介

——置信區間及bootstrap抽樣情況

結果：參照Preacher 和Hayes (2004)提出的Bootstrap 方法進行中介效應檢驗(模型4)，樣本量選擇5000，在95%置信區間下，其餘如上。

多重中介的圖大概如下：

輸出結果解讀：解讀與上述簡單中介一致。

1.首先是對模型的一個介紹

2.以中介變量1（實例中為：Q9）為被預測變量，自變量(Q19)為預測變量的回歸方程 ：同簡單中介結果2

圖中結果表明，自變量Q19對中介變量1（Q9）具有顯著預測作用（β=0.152，p0.05）。

4.以因變量為被預測變量，自變量及2個中介變量（Q9、Q6_A1_op）為預測變量的回歸方程:

結果表明，加入兩個中介變量後，自變量Q19對因變量Q8存在顯著正向預測作用（β=0.123，p<0.001)；中介變量（Q9）對因變量Q8存在顯著的正向預測作用（β=0.052，p0.05）。

5.總體效應

以因變量為被預測變量，自變量為預測變量的回歸方程：

結果表明，自變量Q19對因變量Q8的預測作用顯著（總效應β值為0.131，p<0.001）

6.接下來是自變量對因變量的總體、直接和間接效應

① 自變量對因變量的總體效應=自變量為預測變量，因變量為被預測變量回歸方程的係數；

② 自變量對因變量的直接效應=自變量、中介變量為預測變量，因變量為被預測變量回歸方程的係數；

③ 自變量對因變量的間接效應=總體效應-直接效應；

部分標準化：效應量/Y的標準差

完全標準化：所有變量的標準化

結果表明，自變量 Q19對因變量Q8的直接效應為0.0135，佔總效應的 94.41％；自變量通過中介變量1（Q9）對因變量Q8的間接效應為0.0009， 佔 總 效 應 的5.59％。而通過中介變量2（Q6_A1_op）對因變量Q8的間接效應為0.0000，置信區間包含0，即中介變量2的中介效應不顯著。

另外 由於加入中介後， 自變量Q19對因變量Q8的直接效應的置信區間仍不包含零， 故中介變量Q9在自變量Q19與因變量Q8之間發揮了部分中介作用。

7.最後是模型及誤差的簡介——置信區間及bootstrap抽樣情況：同簡單中介結果6.

鏈式中介模型圖如下：

具體操作如下：

輸出結果解讀：解讀與上述簡單中介一致。

1.首先是對模型的一個介紹

2.以中介變量1（實例中為：Q9）為被預測變量，自變量(Q19)為預測變量的回歸方程 ：

結果表明，自變量Q19對中介變量1（Q9）具有顯著預測作用（β=0.152，p0.05)；中介變量（Q9）對中介變量2（Q6_A1_op）存在顯著的正向預測作用（β=0.074，p<0.001)。

4.以因變量（Q8）為被預測變量，自變量(Q19)、中介變量1（Q9）及中介變量2（Q6_A1_op）為預測變量的回歸方程 ：

結果表明，自變量Q19對因變量Q8存在顯著正向預測作用（β=0.0123，p<0.001)；中介變量1（Q9）對因變量Q8存在顯著正向預測作用（β=0.0518，p0.05)。

5.總體效應：以因變量 Q8為被預測變量，自變量 Q19及中介變量1、2為預測變量的總體效應：

結果表明，自變量Q19對因變量Q8的預測作用顯著（總效應β值為0.131，p<0.001）。

6.接下來是自變量對因變量的總體、直接和間接效應

結果表明，自變量 Q19對因變量Q8的直接效應為0.0135，佔總效應的 94.41％；自變量通過中介變量1（Q9）對因變量Q8的間接效應為0.0009， 佔 總 效 應 的5.59％。而通過中介變量2（Q6_A1_op）對因變量Q8的間接效應為0.0000，置信區間包含0，即中介變量2在自變量與因變量間的中介作用不顯著；中介變量1和中介變量2的鏈式中介效應為0.000，,95%的置信區間包含了0，即中介變量1和中介變量2在自變量與因變量之間的鏈式中介效應也不顯著。

另外 由於加入中介後， 自變量Q19對因變量Q8的直接效應的置信區間仍不包含零， 故中介變量Q9在自變量Q19與因變量Q8之間發揮了部分中介作用。

7.最後是模型及誤差的簡介——置信區間及bootstrap抽樣情況

參考文獻：

[1]溫忠麟, & 葉寶娟. (2014). 中介效應分析:方法和模型發展. 心理科學進展,022(005), 731-745.

[2]Preacher, K. J. ,& Hayes, A. F. . (2004). Spss and sas procedures for estimating indirecteffects in simple mediation models. Behavior Research Methods, Instruments & Computers,36(4), p.717-731.