中介效应分析指南：逐步检验法与Sobel检验全解

简介：这份Word文档系统讲解中介效应的三类检验方法，适合社会科学、心理学、管理学等领域需要借助Stata开展实证分析的研究生与科研人员。内容以温忠麟的经典框架为线索，先解释中介变量定义及中心化预处理，再详细介绍逐步检验法的三步回归：先看X对Y总效应c，再看X对M的系数a，最后在控制M后检验c'与b，并据此区分部分中介与完全中介；Sobel检验部分演示sgmediation命令的安装与结果解读；Bootstrap检验则说明如何设定抽样次数并用百分位置信区间判断显著性。资源为1个docx文档，压缩包大小154KB，已有594人学习浏览。文档将方法原理、公式、软件操作和判定依据串成完整流程，能帮助读者避开常见误用，独立完成中介效应检验与结果汇报。

1. 中介效应到底是什么：从“显著变小”到“机制证据”的一步之遥

把M放入回归后，X的系数从0.42掉到0.18，这是很多人第一次“感觉发现了中介”的瞬间。但系数变小只是线索，离机制证据还差两步：要确认间接路径a×b是否显著不等于零，还要给效应大小一个置信区间，而不是一句“显著变小”。中介效应分析解决的就是这件事，它用一套可操作的判定流程，把“X影响Y”拆成“X影响M、M再影响Y”的两段链条。逐步检验法和Sobel检验是这套链条上最经典的两件工具：前者把机制拆成三次回归，后者直接检验乘积项是否显著。这篇文章适合刚跑完回归却不知道如何交代因果链条的研究者，也适合准备用经典三回归范式但担心被审稿人问住的人。

2. 逐步检验法：从总效应到间接路径的三次回归判断

2.1 为什么起步仍然首选逐步检验法

逐步做法源自巴伦和肯尼（1986）提出的一套中介变量判定框架。它的核心很朴素：要证明M是中介，至少要回答三个问题——X是否影响Y，X是否影响M，控制X后M是否还对Y有效果。这三个问题都能放进普通最小二乘回归框架，跑三个模型就能得到答案，所以它成了社科论文里默认的第一套中介方案。哪怕今天已经有潜变量建模和Bootstrap，许多审稿人依然要求你把三组回归系数放在论文表格里，这是它到今天都没有退场的最直接原因。

门槛低不等于没有门槛。我检查来稿时会先确认：三次回归是否按Y~X、M~X、Y~X+M的顺序真实跑过，而不是从相关矩阵里手工拼β再拼p值。把X、M、Y放进同一批样本、同一套缺失值处理方案里一次跑完，这一点比选择哪种检验更关键，因为它决定a和b来自同一批人，后续的Sobel计算才有意义。

2.2 三个回归方程与四步判定顺序

假设自变量X、中介变量M、因变量Y，逐步检验法的完整操作包含三个回归方程。

方程1：Y = cX + ε₁，用于估计总效应c； 方程2：M = aX + ε₂，用于估计X对M的效应a； 方程3：Y = c′X + bM + ε₃，同时放入X和M，得到控制X后的M效应b，以及控制M后的X效应c′。

前三步是多数教材上的入门判定，第四步用来区分完全中介与部分中介：c′不显著时称完全中介，c′仍显著但绝对值比c小时称部分中介。这里有一条容易出错：比较c与c′应当用非标准化系数，因为标准化β基于各自方程的残差标准差，来自不同方程的两个β直接比大小会产生误导。我习惯把非标准化系数和标准误放进表格，文字里再说明方向。

还要提醒一点：三步回归若加入控制变量，控制变量集合必须保持一致。有的研究者在第一步控制年龄和性别，到第三步却漏掉性别，这样c与c′的可比性就被破坏了。这是评审时最容易抓到的一类低级损耗。

提示：从输出里读数时，c取自方程1，a取自方程2，b和c′都取自方程3的同一模型。不要用方程1里的X系数替代c′，也不要用方程2里的X系数替代a以外的任何数。

2.3 判据数值边界与常见软件操作

许多教材把“第一步c显著”写成硬性前提，但更准确的说法是：c不显著时，仍然可能出现中介。当间接路径ab与直接路径c′方向相反时，两部分相加会让总效应靠近零，于是c不显著，而a、b仍可能分别显著。近年这种方法学讨论中常把这种情形叫遮掩效应。所以稳妥的做法是：即使c不显著，也要跑完第二步和第三步，用完整输出做判断。

软件层面，SPSS的“回归→线性”对话框能直接跑三次模型；第三步要把X和M同时放入自变量框，只取同一个模型中的两个系数。Mplus里可以写成“Y ON M X; M ON X;”再加一句“MODEL INDIRECT: Y IND M X;”。要注意Mplus默认输出的Indirect effect就是ab点估计，它是否显著看标准误与置信区间，而不是只看那个数字本身。我拿到结果后还会把ab点估计与SPSS手工计算的ab对比一次，差超过0.01就要回查是不是标准化系数与非标准化系数混用了。

中心化也是一个高频话题。如果X和M都是连续变量，回归前中心化不会改变a、b和它们的显著性，只改变截距与交互项的解释方式。不要把它当成处理X-M共线性的玄学工具，它的实际作用有限。

2.4 逐步检验法的检验力软肋

逐步检验法最常被批评的是检验力不足。从统计机制看，它本质是一种联合显著性检验：分别对a和b做t检验，任何一侧不显著都宣告整个中介假设不成立。如果a和b的真实效应都不算强，比如每一侧检验的把握度只有70%，那么两侧同时达标的联合概率会低于70%。这就是为什么中等样本量下，逐步法给出的结论经常和更精确的乘积检验结果不一致。

另一个操作层面的隐患在第三步：当X与M相关偏高，b的标准误会被膨胀，显著性容易被吃掉。这不是模型错了，而是回归设计本身的信息不足。出现这种情况时，先看VIF是否超过5，再考虑增加样本量或换更合适的操作化定义，而不是对数据做中心化后宣称问题解决。中心化不能降低X与M两个变量之间的相关，却能让人误以为已经修好了。

3. Sobel检验：把“ab≠0”变成可计算的Z值

3.1 Sobel检验的数学逻辑

逐步检验法把中介判断拆成a、b两次独立检验，但它没有回答一个更直接的问题：间接效应ab本身是否等于零。a显著且b显著，不代表乘积ab的抽样分布不含零。Sobel检验就是把这个乘积当作目标参数，用一个近似标准误构造Z统计量，再在正态近似下给出p值。

推导直觉可以这样理解：a来自M对X的回归，b来自Y对X和M的回归。在标准线性模型假设下，两次回归的误差相对独立，因此a与b的抽样误差也被视为近似独立。乘积ab的方差近似为V(ab)≈b²V(a)+a²V(b)，开平方就得到近似标准误：

SE(ab) = sqrt(b²·SEa² + a²·SEb²)

检验统计量为Z = ab / SE(ab)，零假设ab=0下近似服从标准正态分布。双侧α=0.05时，|Z|≥1.96可拒绝零假设。这套逻辑比逐步法更贴近中介定义，因为它直接检验了“间接路径是否存在”，而不是分段拼两个显著性。

3.2 公式中的每项从哪来，以及两个变体

公式里的a与b分别是X→M和M→Y的点估计，SEa来自方程2中系数a的标准误，SEb来自方程3中系数b的标准误。关键前提是a和b都必须使用非标准化系数，单位不一致时ab没有可比性。同时，三次回归最好使用同一样本与同一套缺失值处理方式，否则标准误来源不同，乘积检验就成了拼接结果。

这个公式还有两个变体。Aroian版在分母根号里额外加上“SEa²×SEb²”一项，结果更保守，适合担心a与b之间的抽样相关时使用；Goodman版反过来减去这一项，可能得到更小的标准误，个别样本里甚至出现负的根号内数字。实际操作中，样本量在200左右时三个版本差异很小，但样本量只有60到80时，差异足以让Z从1.95涨到2.10。因此论文里说明采用的是哪个Sobel版本会比较规范，我一般会写明标准版。

3.3 一个可手算复现的完整数值实例

用一个数值例子把公式走一遍。假定从两次独立回归中读到以下输出：

第一步，算间接效应点估计：ab = 0.50 × 0.40 = 0.20。

第二步，分别计算四个中间量：b² = 0.16，SEa² = 0.0225，两者相乘得0.0036；a² = 0.25，SEb² = 0.0144，两者相乘得0.0036。

第三步，代入分母：SE(ab) = sqrt(0.0036 + 0.0036) = sqrt(0.0072) ≈ 0.0849。

第四步，算Z值：Z = 0.20 / 0.0849 ≈ 2.36，对应双侧p≈0.018。结论是间接效应显著。

这个例子中a和b恰好贡献了完全相等的方差部分，方便你逐项核对乘积与开方过程。换一个不对称的组合：若a=0.5、b=0.3，则ab=0.15，SE = sqrt(0.09×0.0225 + 0.25×0.0144) = sqrt(0.002025 + 0.0036) = 0.075，Z=2.0。可以看到，标准误较大的一侧对结果影响更明显，这是Sobel检验的内在特点：只要a或b有一侧估计不稳定，乘积检验的把握度就整体下降。

3.4 差分法c−c′为什么不建议直接当作间接效应

另一个常见替代做法是用c−c′作为间接效应的点估计。在普通最小二乘回归且无测量误差的严格条件下，c−c′与ab在数值上很接近，所以很多旧教材会把它当捷径。但当中介变量M存在测量误差，或者M与Y的残差存在关联时，c−c′往往高估真实的间接效应。因为c−c′等于ab加上一个与测量误差相关的偏差项，数据质量越差，偏差越大。

ab的乘积法直接把两条路径的估计乘在一起，虽然也会受测量误差影响，但至少不会叠加一个额外且方向不可控的偏误项。因此报告间接效应点时，优先用ab而不是c−c′。这个选择也会影响后续Sobel标准误的计算，因为分子和分母必须来自同一套估计逻辑。

3.5 软件输出与手动计算对照

实际工作中很少有人手算Sobel，但做一次手算能有效防止软件被误读。SPSS里常见做法是装PROCESS宏，它会直接输出Sobel test的z值与p值；Mplus的MODEL INDIRECT会给出间接效应估计、标准误和置信区间。一致性检查很简单：把软件输出的ab点估计乘以其提供的标准误，看能否复现输出中的z值。若复现不了，优先检查变量是否放反、是否用了标准化系数代替原系数，再检查控制变量清单是否一致。

还有一类错误发生在变量顺序上。软件不会告诉你“M和X放反了”，它只会按你指定的模型输出结果。结构方程靠研究者自己搭，搭错方向算出来的ab符号和标准误都会变化，数值再漂亮也不能说明中介成立。

4. 中介效应分析常见问题与避坑：从显著到貌似显著的几种翻车

4.1 现象：X→Y总效应不显著，但a、b都显著

这是总效应不显著时最常见的误删场景。原因在于当ab与c′方向相反，总效应会被抵消。举例：工作压力X对绩效Y的总效应接近零，但它经由“提高唤醒度”正向提升绩效，同时经由“降低满意度”负向拖累绩效，两条路径在总效应中互相抵消，c就不显著，而a和b仍有真实效应。解决办法是不要在第一道门槛停住，继续跑第二、三步；若a显著、b显著且ab与c′符号相反，就报告存在遮掩效应，并解释方向后给出间接效应与直接效应的分解。

4.2 现象：a、b各自显著，Sobel却不显著

a的p=0.043，b的p=0.038，乘积却p=0.10，这类情况在投稿里出现频率很高。原因是ab的抽样误差大于单条路径，样本量不足时Z到不了1.96。这时不建议草率写“中介不成立”。更合理的做法是改用Bootstrap，它经验检验效力更高，并给出置信区间。报告可以写：“逐步检验法显示路径系数均显著，Sobel检验接近临界，5000次Bootstrap的95%CI不包含0，支持存在间接效应。”只要区间不含零，结论就能站住。

4.3 现象：第三步里b不显著，但a显著且总效应显著

这种情况大概率出在共线上。当X与M相关过高，第三步的回归无法很好地分离两个变量的贡献，b的标准误被放大，显著性被吃掉。看输出时不能只盯着p值，要先看b的SE是否比第二步中相应系数的SE大出许多，再看VIF是否超过5。解决办法有两条：换用信息量更高的测量工具，拉开X与M的概念边界；或增加样本量，降低估计方差。中心化在这里基本帮不上忙。

4.4 现象：Sobel不显著，而Bootstrap置信区间显著

两个检验出现分歧时，以Bootstrap区间为主要依据。Sobel依赖乘积抽样分布近似正态，小样本或回归残差偏态时近似并不可靠；Bootstrap通过反复重采样构造ab的经验分布，不依赖正态假设。处理方式是两套结果都放进论文表格或注释，结论用Bootstrap区间判断。若审稿人坚持看Sobel，不用隐藏差异，如实报告两者的分歧，并说明为什么采用重抽样法作为最终依据。

注意：Sobel与Bootstrap冲突，常见根因是样本量偏小或ab分布右偏。补样本后通常不会再出现这种对立。

4.5 现象：对“完全中介”这个标签的执着

完全中介的c′不显著，听起来比部分中介更有价值，但它也可能只是样本量不足或测量误差较高时，没有足够把握度发现真实存在的直接路径。近几年方法学文献普遍建议放弃完全中介与部分中介的二分命名，改为报告间接效应、直接效应以及各自置信区间。写作时可以用“M解释了X对Y总效应的32%”这类量化表述，再给出ab的区间，比四个字的标签更有说服力。

4.6 现象：同一时点横截面数据，给出了因果中介结论

如果X、M、Y都来自同一份问卷的同一时间点，那这个分析只能称作统计层面的中介关联，不能直接解释为因果机制。因为数学模型无法排除反向因果或第三变量混淆。这一条不是统计检验能修正的问题，它是研究设计问题。至少要在测量设计上拉开时间顺序，比如第一时点测X，第二时点测M，两周后测Y。当真做不到时，就在论文局限性里明确承认，而不是在摘要中把中介写成实际机制。

5. 进阶验证与报告范式：让中介效应结论经得起二轮检验

一份经得起推敲的中介分析，不该只有一组p值。我现在习惯同时保留三类证据：逐步法三组回归系数、Sobel的Z值与p值、Bootstrap的偏差校正区间。Bootstrap一般设5000次重采样，1000次可以用于初步筛选，但要给审稿人看的最终结果，用5000次更稳妥。

结果表格建议这样组织：

写结果部分时，先交代三组回归系数和显著性，再用一句话给出间接效应及其Bootstrap区间，最后解释中介比例与实际意义。这里最容易被审稿人挑剔的是两处：一是标准化系数与非标准化系数混用，必须统一，我建议全表用非标准化系数，正文另给标准化估计；二是样本量交代不清，中介效应需要a和b同时有稳定估计，样本量不足100时应直接承认把握度受限。

在我处理过的项目里，有一次Sobel的p值落在0.051，写作组差点把这条路径删掉。后来补了5000次Bootstrap，区间是[0.004,0.102]，结论才立住。从那以后，我凡是遇到中介效应都会把区间与点估计一起报告，不再单看某一个p值。这一步不花太多时间，却常常是论文被接收与被退改的分水岭。希望这份路径能帮你在下次做中介分析时少踩几个坑，把结论写得更稳。

本文还有配套的精品资源，点击获取