Stata+R：一文读懂中介效应

原文链接：https://www.lianxh.cn/news/fc35ac55f5085.html

背景介绍
1. 中介效应简介
2. 中介效应分析
- 2.1 逐步检验回归系数
- 2.2 系数乘积检验法
- 2.3 系数差异检验法
3. 中介效应分析示例
3.1 调用数据并定义变量
- 3.2 多方法进行中介效应分析
- 3.3 类别变量的中介效应检验
4. 总结

背景介绍

在研究中，我们探索自变量 X 对因变量 Y 产生的影响，得到 X 和 Y 在实际或理论上的关系，进而我们试图探索两者之间关系的内部机制或原理，中介效应分析为回答这一问题提供了可能性。

在本篇推文中，我们为大家梳理出几个广泛使用的中介效应分析方法和实现程序，供大家参考。

1. 中介效应简介

中介效应：通俗来说，我们分析自变量 X 对因变量 Y 产生的影响，如果变量 X 通过影响变量 M 来影响变量 Y ，那么这个变量 M 就是中介变量。例如租客 (X) 通过中介公司 (M) 找到合适的房子 (Y)，中介公司就在其中扮演了中介变量的角色，中介变量发挥的作用就称为中介效应。

2. 中介效应分析

中介效应分析是检验某一变量是否成为中介变量，发挥何种程度中介作用的重要步骤。我们先以最简单的单中介模型为例来说明中介效应分析的思路，再具体介绍三种中介效应分析方法。

假设所有变量都已经中心化 (即均值为零)，可用下图来描述变量之间的关系。图中分为两个部分，图 1(a) 是自变量 X 作用于因变量 Y ，路径系数为 c 。由于不涉及第三个变量，所以系数 c 代表了自变量作用于因变量的总效应。图 1(b) 是在控制中介变量 M 以后，自变量 x 和因变量 Y 之间的关系，其中系数 a 代表自变量作用于中介变量的效应，系数 b 表示中介变量作用于因变量的效应，两者构成图中变量间关系的间接效应，系数 c’ 代表考虑在控制中介变量后，自变量作用于因变量的效应，也就是自变量和因变量之间的直接效应。那么，图 1(b) 中的变量间总效应就应该等于直接效应加上间接效应，即总效应 = ab + c’。将图1 (a) 和 (b) 结合起来，我们就得到了 c= ab + c’，c 为总效应，c’ 为直接效应， ab 为中介效应也称间接效应。我们做中介效应分析就是要检验 ab 效应是否存在，以及它在总效应中的占比，体现中介效应的作用程度。

参考文献：

方杰，张敏强．中介效应的点估计和区间估计：乘积分布法、非参数 Bootstrap 和 MCMC 法 [J]．心理学报，2012，44(10)：1408-1420．[PDF]
温忠麟，刘红云，侯杰泰．(2012)．调节效应和中介效应分析 [M]．北京：教育科学出版社．
温忠麟，叶宝娟．中介效应分析：方法和模型发展 [J]．心理科学进展，2014，22(05)：731-745．[PDF]
温忠麟，张雷，侯杰泰，刘红云．(2004)．中介效应检验程序及其应用 [J]．心理学报，36，614–620．[PDF]
Baron, R. M., & Kenny, D. A. (1986) . The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51, 1173-1182. [PDF])
Judd, C. M., & Kenny, D. A. (1981) . Process analysis: Estimating mediation in treatment evaluations . Evaluation Review, 5, 602-619. [PDF]
Hayes, A. F. (2009) . Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76, 408-420. [PDF]
MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G., & Sheets, V. (2002) . A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7, 83-104. [PDF]
MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004) . Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39, 99-128. [PDF]
Mackinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation analysis. Annual Review of Psychology, 58, 593-614. [PDF]
MacKinnon, D. P., Krull, J. L., & Lockwood, C. M. (2000) . Equivalence of the mediation, confounding, and suppression effect. Prevention Science, 1, 173–181. [PDF]
Preacher, K. J., & Hayes, A. F. (2008) . Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. [PDF]
Preacher, K. J., Rucker, D. D., & Hayes, A. F. (2007) . Addressing moderated mediation hypotheses: Theory, methods, and prescriptions. Multivariate Behavioral Research, 42, 185–227. [PDF]
Sobel, M. E. (1982) . Asymptotic confidence intervals for indirect effects in structural equation models. In S. Leinhardt (Ed.), Sociological methodology (pp. 290–312). Washington, DC: American Sociological Association.
Sobel, M. E. (1988) . Direct and indirect effects on linear structural equation models. In J.S. Long (Ed.), Common problem/ proper solution (pp. 44-64).Beverly Hills, CA: Sage.
Tofighi, D., MacKinnon, D. P. (2011) . RMediation: An R package for mediation analysis confidence intervals. Behavior Research Methods, 43, 692-700. [PDF]
Zhao, X., et al. (2010) . Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research, 37, 197-206. [PDF]

原文链接：https://www.lianxh.cn/news/fc35ac55f5085.html