bootstrap方法检验中介效应（bootstrap方法检验中介效应stata）

中介效应之遮掩效应

在社会科学研究的广阔领域中，中介效应和遮掩效应作为间接效应的两种形式，犹如双生子般互相交织。它们的差异，就像两者的分水岭，由自变量X对因变量Y的影响程度来界定。当X对Y的回归系数c显著时，我们转而探索中介效应；反之，遮掩效应则揭示了X如何巧妙地绕过直接路径，影响Y的路径[2]。

不是。分析：遮掩效应是指中介效应的方向与直接效应的方向相反。当间接效应（中介效应）的正负号与直接效应相反时，一正一负相互抵消掉了一部分效应，计算出的总效应就会变小甚至不显著。 这样的话，如果只是计算自变量对因变量的总效应，那这个总效应就会遮蔽本来存在的中介效应。中介变量。

简单来说，就是当自变量与因变量无关时，探讨第三变量在其中的作用。遮掩效应与中介效应有相似之处，但他们回答的问题在本质上是不同的，他们在统计上的主要区别在于，遮掩效应的c是不显著的且ab与c异号，而中介效应的c是显著的。

模型3：自变量X和中介变量M的回归分析；目的是得到中间效应过程值a。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。上图中回归系数a和回归系数b的乘积项（a*b）称为间接效应，如果其呈现出显著性，那么就说明具有中介作用，反之不具有显著性，则说明不具有中介作用。

Bootstrap检验怎么使用?

1、使用Bootstrap检验多个并列中介变量的操作方法 具体操作如下 （1） 打开SPSS20中文版，选择“分析”→“回归”→“PROCESS”； （2） 将自变量、中介变量和因变量依次选入相应的选项框。

2、它使用起来很方便。非常便于阅读，使代码更容易理解。

3、SPSSAU默认提供bootstrap检验法，选择【问卷研究】【中介作用】，即可得到智能分析结果。

Mplus数据分析之潜变量中介效应分析

1、在Mplus的潜变量中介效应分析中，我们区分了简单中介（中介变量M部分影响/）和平行中介（M1和M2的共同作用/），并通过Bootstrap置信区间来验证这些效应的显著性。在平行中介模型中，如果发现模型拟合不佳，通常需要进行修正，比如优化因子负荷，以确保其准确反映理论模型。

2、依据路径分析中的效应分解的术语 ，中介效应属于间接效应（indirect effect） 。在图1 中， c 是X对Y 的总效应， ab 是经过中介变量M 的间接效应（也就是中介效应） ， c’是直接效应。

3、中介效应分析在MPLUS中的实现。中介作用有三种形式：简单中介、平行中介、链式中介。本文详细阐述这三种情况在MPLUS种的实现，每种情况均包括显变量和潜变量的实现方式。在我们写论文的时候，常常需要探讨各种变量之间的关系，尤其是自变量对因变量的预测作用。

4、本篇内容包括Mplus SEM基础模型， 含（连续及类别数据）EFA/CFA及不同CFA模型的比较，测验等值检验， 不同数据类型潜变量之中介（Bootstrap）， 调节， 调节的中介，及简单效应分析及做图。

中介效应分析中Bootstrap设定自抽样样本量N多少为好

为了保证研究结果的准确可靠，每个bootstrap样本的样本容量应当与原样本容量相等。而抽样的次数建议不少于1000次。

bootstrap重抽样对样本量没有要求。Bootstrap再抽样方法扩大样本量，即在传统的数理统计基础上进行统计模拟，随着计算机技术的迅猛发展，这一技术已经渗透到许多科学领域，解决了无法采集到大样本的难题。

置信区间及bootstrap抽样情况 结果：参照Preacher 和Hayes （2004）提出的Bootstrap 方法进行中介效应检验（模型4），样本量选择5000，在95%置信区间下，其余如上。

中介效应检验：参照Preacher 和Hayes （2004）提出的Bootstrap 方法进行中介效应检验（模型4），样本量选择5000，在95%置信区间下。 为了探讨MIL和FCI的关系中是否存在PA的中介作用，本研究以MIL得分为自变量，FCI得分为因变量，PA得分为中介变量进行中介效应检验。结果表明，PA在MIL和FCI之间起着中介作用。

模型中包含4个变量，均为显变量，分别为q1-q4。其中q2， q3是中介变量，q1经过q2再经过q3进而影响q4。因此，q2与q3在q1与q4的关系中扮演链式中介的作用。建立好模型后，进入view菜单设置分析属性。在output选项中将Indirect， direct & total effects打钩。

常使用的方法包括Bootstrap法、Sobel检验、偏差校正置信区间等。当中介效应的p值小于事先设定的显著性水平（常为0.05），则可以认为中介效应是显著的。中介效应的大小：中介效应的大小可以通过计算间接效应的点估计值来衡量。