在当前学术研究中，会经常遇到中介作用和调节作用，但很多小伙伴还搞不清楚什么是中介效应、什么是调节效应？以及如何区分两者？

那么闲话少叙下面就来为大家一一讲解。

1明确概念

中介效应或者调节效应并非分析方法，而是一种关系的描述，研究人员需要结合不同的数据分析方法对两种关系进行分析。

中介效应

中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（X）会影响到创新氛围（M）,再影响最终工作绩效（Y），此时创新氛围就成为了这一因果链当中的中介变量。

调节作用

调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰；比如开车速度（X）会对车祸可能性（Y）产生影响，这种影响关系受到是否喝酒（Z）的干扰，即喝酒时的影响幅度，与不喝酒时的影响幅度 是否有着明显的不一样。

2研究步骤

2.1中介效应

中介作用的分析较为复杂，共分为以下三个步骤：

第1步：确认数据，确保正确分析。

中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。

第2步：中介作用检验

检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。

中介作用共分为3个模型。针对上图，需要说明如下：

模型1：自变量X和因变量（Y）的回归分析

模型2：自变量X，中介变量(M)和因变量（Y）的回归分析

模型3：自变量X和中介变量（M）的回归分析

模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。

在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：

第1步是数据标准化处理（对X,M,Y需要分别进行标准化处理，有时也使用中心化处理）（SPSSAU用户使用“生成变量”功能）

第2步和第3步是进行分层回归完成（分层1放入X，分层2放入M）

第4步单独进行模型3，即X对M的影响（使用回归分析或分层回归均可，分层回归只有分层1时事实上就是回归分析）

最后第5步进行中介作用检验。

检验图如下：

a代表X对M的回归系数；

b代表M对Y的回归系数；

c代表X对Y的回归系数（模型1中）；

c’代表X对Y的回归系数（模型3中）。

第3步：SPSAU进行分析

用户可以直接按照上图流程在SPSSAU中进行分析，生成结果。具体分析步骤可参考链接页面：SPSS在线_SPSSAU_中介作用

2.2调节效应

第1步：识别X和M的数据类别，选择合适的研究方法。

调节作用在进行具体研究时需要对应使用研究方法去实现；调节作用分析时，Y一定是定量数据。通常情况下X均为定量数据（比如开车速度），调节变量Z可以为分类数据（比如是否喝酒），也可以是定量数据（比如喝酒多少）。

第2步：调节作用检验

调节作用通常是使用分层回归进行研究，如果X和Z均为分类数据，则使用多因素方差分析（通常是双因素方差分析）进行研究。针对上图，需要说明如下：

如果X或者Z也或者Y由多项表示，通常需要先计算对应项的平均值生成得到新列（SPSSAU生成变量功能）

如果X或者Z是分类数据，并且使用分层回归，则需要对X进行虚拟变量处理（哑变量处理）

对X或者Z进行标准化处理，也可以进行中心化处理均可

Y并不需要进行标准化或者中心化处理（处理也可以）

交互项是指两项相乘的意思，记住交互项不能再次进行标准化或中心化

R平方变化显著的判断，是看△F 值是否呈现出显著性，如果显著则说明R平方变化显著

R平方变化显著，正常情况下交互项也会出现显著。如果说R平方变化显著，但交互项并不显著，建议以没有调节作用作为最终结论；如果交互项显著，R平方变化显著，建议以有调节作用作为最终结论。

第3步：SPSAU进行分析

用户判断好数据类型后，直接按照上图流程，在SPSSAU中进行数据处理及分析即可。

之前整理过一篇中介分析 https://www.jianshu.com/p/a8912fcf5910

的笔记，那只是初步理论，等到真正做时会出现各种情况，这个不显著啦，那个显著，怎么直接和间接效应符号相反啊，等等，所以，有必要再整理一下。

茫茫网海中找到一篇特别好的，感谢原作者，粘贴过来可以帮助更多人。 https://www.shangyexinzhi.com/article/1603825.html

导读

中介效应分析时有时会遇到三种不想遇到的统计结果：

(1)自变量X对因变量Y的总效应c不显著；

(2)中介效应ab与直接效应c’的符合相反；

(3)直接效应c’不显著。

前两种结果均属于遮掩效应范畴, 第三种属于完全中介范畴。如何区分和解释完全中介与遮掩效应, 请仔细阅读下文。

解析

知识回顾：

考虑自变量 X 对因变量 Y 的影响, 如果 X 通过影响变量 M 而对 Y 产生影响, 则称 M 为中介变量, 它可以分析变量之间影响的过程和机制。例如, 你通过室友认识你现在的女朋友, 那么你的室友就相当于中介变量。采用回归方程描述三个变量之间的关系(如下图所示)：

(1) Y=cX+e1：X对Y的回归；

(2) M=aX+e2：X对M的回归；

(3) Y=c'X+bM+e3：X、M对Y的回归。

解读：

c：总效应（total effect）：未加入中介变量前, 自变量对因变量的影响大小；

c’：直接效应（direct effect）：加入中介变量后, 自变量对因变量的影响大小；

a*b：间接效应（indirect effect）：a是自变量对中介变量的影响大小, b是中介变量对因变量的影响大小。

关系：c =c′+ab

中介效应占总效应的比例, 即ab/(c′+ab)。

中介效应占直接效应的比例, 即ab/c′。

传统中介效应检验流程：

以上三个回归方程也从数学的视角形象描述了中介效应检验流程：

第一步：检验c的显著性, 即自变量对因变量的影响；(注：c不显著无需进行后续分析, 中介不存在)

第二步：检验a 的显著性, 即自变量对中介变量的影响；

第三步：检验b和c’的显著性, 即中介变量对因变量的影响(b) , 自变量对因变量的直接影响(c’)；(a、b至少有一个不显著, 采用Sobel检验, 结果显著, 则是部分中介, 反之, 中介不存在)

判断依据：a和b均显著, 说明中介效应显著。c’不显著, 则是完全中介；c’显著, 部分中介。

上述检验步骤是Kenny (1986)提出依次检验法(causal steps approach), 也称因果逐步法, 但近年来这种方法一直备受争议。

争议点1：自变量X对因变量Y的总效应c是否作为中介效应检验的前提？

如果系数 c 不显著, 就直接判定为中介效应不显著是有些武断的。有学者认为这个前提条件是不必要的, 这个前提条件的存在使得许多本来有意义的中介研究停止在第一步, 抑制了中介研究的发展和应用, 因为在系数 c 不显著的情况下完全可能存在中介效应。例如, Shrout和Bolger(2002)指出当ab 和 c' 方向相反时, 就可能会导致系数 c 不显著。Preacher和Hayes(2008)指出在有两个中介变量的模型中, 如果两个中介效应方向相反, 也可能会导致系数c不显著。

另一方面, 如果系数 c 不显著, 就说明 X 对 Y 的影响不显著, 如果还进一步探索“X如何影响 Y”或者“X 对 Y 的作用机制是什么”, 有些不合常理。此时, 合理的问题应当是“X 为何不影响Y”, 建模的逻辑已经与前面说的中介模型的逻辑不同了。比方说, 如果一个人买了房子, 你可以问“他是通过中介买的, 还是自己直接买的？”但如果一个人没有房子, 此时的问题应当是“他为啥没有房子？”, 可能根本就没有买过, 也可能买了又卖掉了(类似于符号相反的抵消)。

争议点2：区分完全中介和部分中介是否合适？

完全中介与部分中介提出的初衷在于对中介效应量的描述和解释, 后来研究者质疑这种区分的合适性。主要原因包括：

(1) 完全中介还是部分中介取决于回归系数 c' 是否显著, 而 c' 的显著性会受到样本量的影响。样本量越大, 标准误越小, c' 越容易得到显著的结果。所以, 完全中介和部分中介可能没有实质性的区分, 当你收集足够大的样本时, 之前完全中介的结论可能变为部分中介。

(2) 完全中介并不意味着中介变量是唯一的, 实际上可能还存在其他中介变量。由此可见, 完全中介的结论容易阻碍研究者进一步探索其他中介变量, 从这个角度而言, 完全中介应该解释为“主要中介”可能更为合适。

因此, Preacher和Hayes (2008)呼吁放弃完全中介的概念, 将所有中介都看作是部分中介。也有研究者建议直接报告间接效应和直接效应的显著性, 是可取的做法。 那么如果直接效应c’不显著如何解释？可以表述为：自变量X主要通过中介变量M影响因变量Y。

新中介效应检验流程：

除了依次检验法外, 也发展了多种替代的检验方法, 例如, 乘积系数Sobel检验、差异系数检验法和Bootstrap法。其中, Bootstrap法的统计检验力最高, 已被广泛应用于中介效应检验, 但每种检验方法都有利弊, 因此, 温忠麟等人(2014)综合了依次检验法和 Bootstrap 法的优点, 推荐先尝试简单的依次检验 a 和 b, 如果不显著则用 Bootstrap 法直接检验系数乘积 ab 以提高检验力。采用这一流程, 无论是考虑第一类错误率、检验力还是结果的解释性, 与单纯的 Bootstrap 法检验系数乘积相比, 只会更好不会更差。

注：图中箭头的增减纯属个人意见。

第一步：对总效应 c 进行检验。如果总效应显著, 则按中介效应立论。否则, 按照遮掩效应立论。总效应 c 是否显著都不影响之后的检验, 只是最后的结果解释有所不同。

第二步：对中介效应涉及的两个路径系数 a 和 b 进行依次检验。如果二者都显著, 则说明中介效应存在, 报告 ab 的置信区间, 转到第四步检验直接效应。这里计算置信区间也应该用 Bootstrap 方法而非 Sobel 方法。如果系数 a 和 b 中至少有一个不显著, 进行第三步。

第三步：使用 Bootstrap 方法检验假设 H0: ab=0。如果结果显著, 则中介效应存在, 进入第四步直接效应的检验。如果结果不显著, 则就可以判定中介效应不存在, 分析停止。

第四步, 确定中介效应存在后, 检验直接效应 c'。若不显著, 则说明是完全中介效应。按照中介效应解释结果即可。否则, 系数显著, 说明存在中介效应, 进行下一步。

第五步, 中介效应和直接效应都存在时, 比较 ab 和 c'的符号。若二者同号, 则说明是部分中介效应, 报告效应量 ab/c。如果二者符号相反, 则说明是遮掩效应, 报告效应量|ab/c'|。除了 ab/c 或|ab/c'|, 也可以酌情报告其他的效应量。

遮掩效应：

在传统的中介效应检验中, 要求系数c必须显著, 方可继续后续分析。在这一前提下, 中介效应用来说明“X如何影响Y”, 或“X 对 Y 的影响机制”。然而, 温忠麟等(2014)指出, 即使系数 c 不显著, 间接效应还是可能存在, 因为可能存在间接效应(ab) 符号与直接效应( c’) 的符号相反, 出现效应被遮掩的情况, 不少文献称之为“遮掩效应”(温忠麟, 叶宝娟, 2014), 属于广义上的中介效应。这个时候, 中介模型的逻辑已从传统中介模型“X 对 Y 的影响机制”转变为“X 是如何不影响 Y 的机制”。

如何解释：

(1) 如果ab与c’的符号相同, 则按中介效应解释, 结果报告中应报告 ab /c；

(2) 如果ab与c’的符号相反, 则按遮掩效应解释, 结果报告中应报告 | ab /c'|；

按照总效应c是否显著又可以分为两种情况：

① ab与c’符号相反, c也显著, 可以直接解释为X通过提高或降低M, 进而降低或提高Y；

样例参考：

② ab与 c’符号相反, c不显著, 应该解释为X如何不影响Y。

样例参考：

参考文献：

苏斌原, 张卫, 苏勤, 喻承甫. (2016). 父母网络监管对青少年网络游戏成瘾为何事与愿违？——一个有调节的中介效应模型. 心理发展与教育, 5, 604–613.

温忠麟, 叶宝娟. (2014). 中介效应分析: 方法和模型发展．心理科学进展, 5, 731–745.

罗一君, 孔繁昌, 牛更枫, 周宗奎. (2017). 压力事件对初中生抑郁的影响:网络使用动机与网络使用强度的作用. 心理发展与教育, 3, 337–344.

Shrout, P. E., &Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7, 422–445.

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, 879–891.

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.

————————————————————————————————————————

还有一个视频也超级不错 https://www.bilibili.com/video/BV1m4411D7YJ?from=search&seid=6539399468085227875

---