笔记丨调节效应与中介效应（二）
啦啦啦，接着上周的调节效应，我们继续往下介绍啦。这周的内容是中介效应的基本介绍呀~
注：以下内容属于我个人笔记，已加入主观理解，如在阅读中存在疑问，可后台回复“2017重庆”获得原始资料。
第 三 天
中 介 效 应
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（mediator，Baron & Kenny, 1986）。
分析方法
其实整个讲座过程中有介绍了很多种方法，但是随着研究的深入，有些方法已经被证明是存在瑕疵，比如sobel法，所以呢，我们就只介绍现在还在使用的方法啦~
检验间接效应的方法主要有如下两种：第一种是依次检验，即依次检验系数a和b，如果都显著，则间接效应显著；第二种是是以Bootstrap法为代表的直接检验法。
注：之前的直接检验多采用Sobel法，但是中介效应ab的估计是偏态分布，Sobel法用标准误构造置信区间和检验统计量可能有偏差，因此这个方法被淘汰。
而Bootstrap法经常用于参数估计的标准误难以用公式简单计算的场合。
每个Bootstrap样本有一个中介效应估计值；
将全部Bootstrap样本的中介效应估计值从小到大排序，其中第2.5百分位点和第97.5百分位点就构成一个置信度为95%的中介效应置信区间；
（置信区间需不包含0，证明效应显著。）
较好的是用偏差校正的非参数百分位Bootstrap法。
温忠麟和叶宝娟（2014）提出了检验中介效应的层次流程图，这个流程图萜妹认为是结合了依次检验与Bootstrap法，算是非常详尽的操作指南了。
具体的操作方法，萜妹之前的推送《干货丨SPSS数据分析之操作篇》有详细说明，这里就不再复述啦。
注：如果c显著而c'不显著，则是完全中介作用哟~
中介效应量
通常情况下，我们做数据分析，最先关注的就是显著与否，但是实际上，除了显著这个指标外，效应量也非常重要，毕竟提高样本量总能达到显著，但是效应量如果太小，就没有实际意义。
至于具体的效应量，讲座里介绍了几种方式，但是都比较高大上，不是直接测量出来的，所以萜妹的建议还是看R²好了，3%-8%比较好，2%也勉强接受。
多重中介模型
多重中介模型主要有两种类型，分别如下图所示：
并行多重中介模型
链式多重中介模型
关于多重中介模型的分析角度分为以下三种：
总的中介效应(total mediation effect) ，即估计和检验所有间接效应的总和；
特定路径的中介效应(specific mediation effect) ，即估计和检验某个感兴趣的特定路径的间接效应；
对比中介效应，即估计和检验某两个路径的间接效应的差异。
由于多重中介模型因为涉及的变量较多、路径比较复杂，即使只涉及显变量 ，一般也要使用结构方程模型进行分析。
并且，检验多重中介效应比较好的方法是Bootstrap法。
潜变量中介效应
潜变量中介效应的检验包括：①建立包含因变量和自变量的结构方程，检验回归系数的显著性，剔除不显著的自变量（如有），重新建模；②建立包含中介变量在内的结构方程，检验回归系数的显著性。
潜变量的检验方法与显变量情形相同 ， 不同之处 ：
直接效应加上间接效应不一定等于总效应
中介效应估计精度 ： 潜变量的较高
中介效应检验力 ：显变量往往较高
类别变量的中介效应模型
首先，如果因变量是分类或等级变量，自变量是连续变量，应当用Logistic回归取代通常的线性回归，回归系数的尺度转换为Logit量尺。（Pregibon ，1981）
所以，对于因变量Y是分类或等级变量，中介变量M、自变量X是连续变量的中介效应模型，M对X的回归系数（连续变量的量尺）与Y对M的回归系数（Logit 量尺）和Y对X 的回归系数（Logit 量尺）均不在相同的尺度上。
因此不能简单采用处理连续变量中介效应的方式，直接将回归系数a和b相乘得到中介效应大小，这样的模型需要通过标准化转换实现回归系数的等量尺化。
Mplus操作程序
Bootstrap 法检验显变量中介效应的Mplus程序
DATA: FILE IS p1.dat;
VARIABLE: NAMES ARE X M Y;
Analysis: bootstrap=1000;
MODEL:
Y on X; !做Y对X的回归
M on X(a); !做M对X的回归，X的回归系数命名为a
Y on X
M(b); !做Y对X和M的回归，M的回归系数命名为b，需要单独一行
MODEL CONSTRAINT:
new (ind); !定义辅助变量
ind =a*b; !系数乘积ab的估计
OUTPUT:
cinterval (bcbootstrap);
Bootstrap 法检验多重中介效应的Mplus程序
DATA: FILE IS p1.dat;
VARIABLE: NAMES ARE y1-y4 x1-x6;
USEVARIABLES ARE y1-y3 x1
-x3;
Analysis: bootstrap=1000;
MODEL:
y1 y2 ON x1 x2 x3;
y3 ON y1 y2 x2;
MODEL INDIRECT
y3 IND y1 x1;
y3 IND y2 x1;
OUTPUT: cinterval;
Bootstrap 法检验显变量中介效应的Mplus程序
DATA: FILE IS p2.dat;
VARIABLE: NAMES ARE abi1-abi4 mot1-mot3 per1-per3 sat1-sat2;
Analysis: bootstrap=1000;
MODEL:
ABI by abi1-abi4; ! abi1-abi4是潜变量ABI的指标
MOT by mot1-mot3;
PER by per1-per3;
SAT by sat1 sat2；
SAT on ABI MOT; !做SAT对ABI、MOT的回归
PER on ABI(a1)
MOT(a2); !做PER对ABI、MOT的回归，回归系数分别命名为a1和a2
SAT on ABI MOT
PER(b); !做SAT对对ABI、MOT、PER的回归，PER的回归系数命名为b
MODEL CONSTRAINT:
new (ind1 ind2); !定义辅助变量
ind1=a1*b; ! 系数乘积a1b的估计
ind2=a2*b; ! 系数乘积a2b的估计
OUTPUT: cinterval (bcbootstrap);
中介效应与调节效应比较
调节变量M
中介变量M
研究目的
X何时影响Y
X如何影响Y
关联概念
交互效应
间接效应
考虑情况
X对Y的影响时强时弱
X对Y的影响强且稳定
典型模型
Y=aX+bM+cXM+e
M=aX+e2
Y=c'X+bM+e3
M的位置
X、M在Y之前，M可在X之前
M在X、Y之间
M的功能
影响Y和X之间关系的方向和强弱
代表一种机制，X通过它影响Y
M与X、Y
的关系
可以不显著
都显著
效应检验
c是否等于0
ab是否等于0
检验策略
做偏F检验（等价于t检验），或者做层次回归检验测定系数的变化。
先做部分中介的依次检验，必要时做Bootstrap法检验。
啦啦啦，中介效应的基础介绍终于也弄完啦。之后的专题本来应该是有调节的中介和有中介的调节的，但是萜妹找PPT的时候，竟然发现这个部分的PPT我没有！啊，可以说是非常崩溃了，所以萜妹估计先想办法能不能再找到当时的PPT吧，如果不行，估计我可能就要对着论文给小可爱们讲了！这就很尴尬了啊，（暴风哭泣）。
还有就是上周说的中秋日记，这个中秋呢，萜妹无比开心的去找了陈先生，本来确实想好好的写个游记的，但是，后来萜妹逐渐意识到，因为不可抗力，我们的这段旅程是没办法复制的啊~所以呢，游记就这么的泡汤了。
不过呢，国庆期间陈先生会来找我呀~所以萜妹现在的打算呢，是结合中秋和国庆写一篇日常好了。嗯，小可爱们很久不见的小学生作文非常有可能要在下周重出江湖了，哈哈哈~
祝小可爱们国庆快乐，那我们下周见咯~
【萜心话】
研一新生丨健身少女丨电竞迷妹
交流平台丨回忆手册丨神秘树洞
国庆快乐，晚上好~
✬如果你喜欢这篇文章，欢迎分享到朋友圈✬