调节中介效应

所属分类：中介与调节效应

这个方法是做什么的

调节中介把“机制”和“边界条件”放进同一个模型：X 经由 M 影响 Y（中介），而这条间接路径的强弱又随调节变量 W 改变。例如变革型领导通过提高工作投入改善绩效，但这一间接效应只在组织支持感高的员工身上明显。本模块实现 Hayes PROCESS 中最常用的三个模型：模型7（W 调节 X→M 路径）、模型8（W 同时调节 X→M 与 X→Y 路径）和模型14（W 调节 M→Y 路径）。

报告给出中介方程与因变量方程的系数表，W 取均值−1SD、均值、均值+1SD 时的条件间接效应及其 Bootstrap 置信区间，条件间接效应随 W 连续变化的曲线和置信带，以及判断调节中介是否成立的关键指标——调节中介指数及其 95% Bootstrap 置信区间。模型8 另给条件直接效应。Bootstrap 默认 5000 次，随机种子可设，结果可复现；构成乘积项的变量默认做均值中心化。

需要准备什么数据

• 自变量 (X)：1 个，定量变量（数值）
• 中介变量 (M)：1 个，定量变量（数值）
• 调节变量 (W)：1 个，定量变量（数值）
• 因变量 (Y)：1 个，定量变量（数值）
• 控制变量 (可选)（可选）：至少 0 个，定量变量（数值）

数据要求

• 数据表至少 30 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

• 理论假设一条中介路径只在某些条件下成立或更强
• 已经验证了中介，想进一步检验它的边界条件
• 审稿人要求报告调节中介指数，而不是分组比较间接效应

四个角色区各放 1 个定量变量，控制变量可选，控制变量会同时进入中介方程与因变量方程。样本建议不少于 100，Bootstrap 次数不少于 5000。

阅读顺序建议：先看第一张卡的残差诊断与中心化前后的方差膨胀因子，确认两个回归方程大体满足前提；再看第二张卡中乘积项的系数，它说明对应路径的斜率是否随 W 改变；然后看第四张卡的调节中介指数及其置信区间，这是结论的依据；最后用条件间接效应表和第三张卡的曲线，描述间接效应在 W 的哪段取值范围内不为 0、方向如何。

什么时候不要用它

• 只关心中介，不涉及调节：多条并列中介用「平行中介效应」，中介之间有先后顺序用「链式中介效应」。
• 只关心调节，没有中介变量：用「调节作用分析」，它还提供 Johnson-Neyman 分析，并支持分类的自变量或调节变量。
• 调节变量是分类变量（如性别、实验组）：本模块要求 W 为定量变量。先用「调节作用分析」检验分组对关键路径的调节，再在各组内分别做「平行中介效应」并比较间接效应的置信区间，作为描述性补充。
• 因变量是二分类或计数：本模块基于线性回归。二分类结局先用「逻辑回归」检验各路径，计数结局用「计数数据回归」。

容易误读的地方

• 以调节中介指数为准，不要比较“显著与不显著”。 常见错误是：W 低时间接效应不显著、W 高时显著，就宣称存在调节中介。两个条件效应一个跨 0、一个不跨 0，并不说明它们之间的差异显著。正确的依据是指数的置信区间是否包含 0（Hayes, 2015）。
• 选模型看理论，不看哪个显著。 模型7、8、14 对应不同的理论假设：W 改变的是 X 对 M 的作用、还是 M 对 Y 的作用。先根据理论确定模型，再报告结果；三个都跑、挑显著的那个写进论文，会让推断失去意义。
• 中心化只改变低阶系数的含义。 中心化后，X 与 W 的系数表示另一个变量取均值时的效应；条件间接效应与调节中介指数不受影响，报告的“乘积项中心化”选项可以验证这一点。
• 均值±1SD 只是惯例取点。 若 W 分布偏斜，均值−1SD 可能已经落到样本范围之外，报告会提示外推。看第三张卡的连续曲线，比只看三个点更全面。
• Bootstrap 区间会随种子轻微变化。 同一份数据换一个随机种子，置信区间的端点可能在小数点后第三位变动。论文中应报告抽样次数与种子；若指数区间的端点恰好贴近 0，增加抽样次数比反复换种子更合适。
• 横截面数据不能证明因果顺序。 模型假定 X 先于 M、M 先于 Y，且没有遗漏的混淆变量。统计显著只说明数据与这个路径模型相容，因果解释需要研究设计支撑。

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：回归方程系数
3. 输出结果三：条件间接效应图与简单斜率图
4. 输出结果四：条件间接效应与调节中介指数
5. 输出结果五：结论与学术表述