链式中介效应

所属分类：中介与调节效应

这个方法是做什么的

链式（序列）中介和平行中介问的是同一类问题——机制——但多了一层：中介变量之间有先后。X 先影响 M₁，M₁ 再影响 M₂，M₂ 才影响 Y。这条顺序由你拖拽中介变量的先后决定，模块据此估计各段方程：a 是 X 对第一个中介的效应，d 是中介之间的传导，b 是最后一个中介对 Y 的效应，链式间接效应就是这几个系数的连乘。中介区至少要放 2 个变量，自变量与因变量各 1 个。

第四张卡是主结果：链式间接效应的点估计、2000 次 Bootstrap 的百分位 95% 置信区间（判定以区间是否含 0 为准）、Bootstrap 均值与标准误、Sobel 型 delta 法区间、中介比例 P_M 及其区间、完全标准化间接效应 ab_cs，另附一张“构成链式间接效应的各段路径”表用于定位薄弱环节。第二张卡给各分方程的完整回归结果、重组成路径的分解表，以及可直接排进正文的紧凑版系数表。第一张卡做最终方程的 VIF、残差正态性与 Breusch-Pagan 检验。

需要准备什么数据

• 因变量(单个)：定量变量（数值）
• 自变量(单个)：定量变量（数值）
• 串行中介(≥2列)：至少 2 个，定量变量（数值）
• 控制变量(可选)（可选）：定量变量（数值）

数据要求

• 数据表至少 50 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 理论上存在一条明确的传导链（领导风格 → 满意度 → 信任 → 承诺），而不是几条并列的机制
• 想验证“中间还有一环”：X 影响了 M₁ 之后，是 M₁ 带动 M₂，M₂ 才作用于 Y
• 链条顺序有时间先后或实验操纵支撑，不是事后从相关矩阵里凑出来的
• 需要报告这条链在总效应里占多少，以及可跨研究比较的效应量 ab_cs

四个拖拽区都只收定量变量，定类列会在入口被点名拒绝；同一个变量不能出现在两个区；不得含常数列。技术上有效行数不少于 50 就能跑，但数据要求里写明文献通常建议 N ≥ 100，且链条越长要求越高——间接效应是多个系数的乘积，链条每加一段，估计的抖动就放大一层。

什么时候不要用它

• 几个中介之间并没有先后，是并列的机制：本模块会把它们强行串成一条链。改用「平行中介效应」，它逐条给出每个中介的间接效应，还能做两两强度对比，这两样本模块都不提供。
• 只有一个中介变量：中介区要求至少 2 列。单中介模型用「平行中介效应」，放一个中介即可，它的第一张卡会判定“单一中介，无需做中介间对比”。
• 你要问的是“在什么条件下效应更强”，而不是“经由什么传导”：那是边界条件问题，不是机制问题。用「调节作用分析」。
• 因变量不是定量的：二分类结局用「逻辑回归」，等级结局用「有序逻辑回归」，计数结局用「计数数据回归」，不要把这类结局硬当连续变量跑中介。
• 链条顺序其实是从相关矩阵里挑出来的：模块自己写明，同一批横截面数据换一个链条顺序同样能跑出“显著”的间接效应。没有理论或时序支撑时，退回「线性回归 (最小二乘法)」如实报告各变量对 Y 的关联，或用「偏相关分析」在控制其余变量后看两两关系，不要用中介的口吻写结论。
• 观测之间不独立（同一批人多期测量、个体嵌套在组织里）：各段方程都是普通最小二乘，标准误会被低估。有个体与时间两维结构的用「面板模型」，重复测量或分层嵌套的用「混合模型」。

容易误读的地方

• 链条的顺序是你拖出来的，统计上不可检验。 第一张卡有一条“[说明]”，先把你这次的链条名字念一遍，接着逐字写道：“由拖拽顺序决定，统计上无法检验其正确性——中介的方向性完全依赖理论与研究设计（尤其是时间先后）。同一批横截面数据换一个链条顺序同样能跑出‘显著’的间接效应。”所以“我试了几种顺序，这种最显著”是最坏的做法——它把一个本就不可检验的假设，变成了数据挖掘的产物。
• c − c′ 不等于这里报告的链式间接效应，差额不是算错。 示例中 c = 0.6319、c′ = 0.1847，两者之差 0.4472，而链式间接效应只有 0.1358。原因是本模块只估计完整链条 X→M₁→…→Mₖ→Y 这一条，不分解经由单个中介的其它间接路径（X→M₁→Y、X→M₂→Y）。这件事写在两处：第五张卡的“解释边界”，以及第四张卡表8 里“总效应 c / 直接效应 c′”那一行的“解读”单元格——“c = c′ + 全部间接效应之和（含本链条以外的其它间接路径）”。想把其余路径也拆出来，需要用「平行中介效应」另跑一次。
• 中介比例 P_M 说的只是这一条链的份额。 示例 P_M = 0.2148，含义是总效应中约 21.48% 由这条链传导；剩下的 78% 既包含直接效应，也包含上一条讲的那些未被分解的路径。把它读成“中介总共解释了 21%”是把两件事混在一起。P_M 还继承了它的一般毛病：只有间接效应与总效应同号、且总效应不接近 0 时才能解释为比例，符号相反时是遮掩效应的信号。
• 链条上任何一段接近 0，整条链都会被压向 0；而分段显著与乘积显著是两回事。 第四张卡的分段表就是用来定位薄弱环节的：示例三段分别为 0.5860、0.5011、0.4623，全部显著，乘积才站得住。同时留意路径分解表里另有一行 a：变革型领导 → 组织信任 = 0.0743，p = 0.278 并不显著——它是“X 直接作用于第二个中介”的那条路，不属于本链条，却说明绕过第一个中介的替代通路很弱。反方向的错误同样常见：某一段显著不代表乘积显著，判定必须回到区间。
• 判定看 Bootstrap 百分位区间，不看 z 检验。 间接效应是乘积项，抽样分布偏态；模块同时给出的 Bootstrap z 与 Sobel 型 delta 法都是正态近似，表注写明它们在偏态时偏保守、仅供参考。示例里三者都指向显著（区间 [0.0806, 0.2054] 不含 0），一旦不一致，以百分位区间为准。样本量同理：能跑起来的技术下限是 50，够不够用要看那条 N ≥ 100 的经验建议。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：中介效应模型系数与路径分解
3. 输出结果三：中介效应模型图与效应分解
4. 输出结果四：间接效应、效应量与事后检验
5. 输出结果五：结论与学术表述