本文将介绍三种常见中介效应检验方法，分别是因果逐步回归检验法、系数乘积法、改良后的因果逐步回归法，以及如果使用SPSSAU进行操作。什么是中介效应中介效应：如果自变量X通过影响变量M而对因变量Y产生影响，则称M为中介变量。例如，上司的归因研究：下属的表现→上司对下属表现的归因→上司对下属表现的反应， 其中的“上司对下属表现的归因”为中介变量。中介作用的检验模型可以用以下路径图来描述：图1 中介效应检验模型路径图方程(1)的系数c 为自变量X对因变量Y的总效应；方程(2)的系数a为自变量X对中介变量M的效应；方程(3)的系数b是在控制了自变量X的影响后，中介变量M对因变量Y的效应；方程(3)的系数c′是在控制了中介变量M 的影响后，自变量X对因变量Y的直接效应；系数乘积a*b即为中介效应等于间接效应1 因果逐步回归检验法因果逐步回归法由Baron和Kenny(1986)提出，其检验步骤分为三步：第一，分析X对Y的回归，检验回归系数c的显著性(即检验H0:c=0)；第二，分析X对M的回归，检验回归系数a的显著性(即检验H0:a=0)；第三，分析加入中介变量M后X对Y的回归，检验回归系数b和c'的显著性(即检验H0:b=0、H0:c’=0)。 根据检验结果按下图进行判断：流程图基于SPSSAU的操作（1）第一步，登录SPSSAU，上传数据；（2）第二步，选择【问卷研究】--【中介作用】；（3）第三步，选择变量拖拽到右侧对应分析框内，点击开始分析。结果分析SPSSAU的“中介作用”可直接将中介作用的检验过程自动化，一键提供出上述提及模型结果。本次结果中共包含三个模型：①模型1：X对Y的回归模型，结果显示x与y存在显著影响关系，回归系数c=0.130.②模型2：x对m的回归模型，结果显示x与y存在显著影响关系，回归系数a=0.175.③模型3：加入中介变量m后x对y的回归模型，结果显示回归系数b、c’均呈现显著性，系数a、b均显著，说明存在中介效应。2 乘积系数法第一种因果逐步回归检验法简单易懂、容易理解和解释，因而受到广泛的应用，但有学者认为其检验效能较低，有时候本身有中介作用但却显示没有中介作用。有学者提出乘积系数法的统计功效优于因果逐步回归法，因此，系数乘积法逐渐受到研究者的青睐。其原理是检验a*b是否呈现出显著性。系数乘积法分为两类，一类是基于中介效应的抽样分布为正态分布的Sobel 检验法，另一类是基于中介效应的抽样分布为非正态分布的Bootstrap抽样法。① Sobel中介效应检验法 Sobel检验的前提假设是中介效应^a^b是正态分布且需要大样本。使用Sobel系数乘积检验法存在的主要问题是，检验统计量依据的正态分布前提很难满足，特别是样本量较少时。因为即使a，b分别服从正态分布，ab的乘积也可能与正态分布存在较大差异。当前较为流行的检验方法为Bootstrap抽样法，SPSSAU系统里暂未提供Sobel检验，需要使用Sobel检验可参考此链接进行分析：http://quantpsy.org/sobel/sobel.htm② Bootstrap抽样法Bootstrap法能适用于中、小样本和各种中介效应模型，当前SPSSAU【问卷研究】--【中介作用】也使用Bootstrap抽样法进行检验。并且支持一次性放置多个自变量X、中介变量M及控制变量等。检验方法：Bootstrap抽样法检验是指回归系数a和回归系数b的乘积项（a*b）的95%置信区间是否包括数字0；如果95%置信区间不包括数字0，则说明具有中介作用；如果说95%置信区间包括数字0，即说明没有中介作用。基于SPSSAU的操作（1）第一步，登录SPSSAU，上传数据；（2）第二步，选择【问卷研究】--【中介作用】；（3）第三步，选择变量拖拽到右侧对应分析框内，点击开始分析。 使用SPSSAU【中介作用】Bootstrap抽样法检验与第一种因果逐步回归检验法在操作上没有任何区别，只是在解读结果时有区分。结果分析由上图两项结果指标可知，乘积项结果显著，95%区间并不包括数字0，说明中介变量在x影响y的关系中具有中介效应。在a*b系数呈现出显著性时，可具体进一步得到中介作用的效应量。由上图可知，直接效应为0.085，间接效应为0.045，总效应为0.130。间接效应在总效应中占比为34.403%。3 因果逐步回归改良法因果逐步检验法便于理解和操作而受到欢迎，但也有人研究认为逐步检验会比较不容易得到中介效应显著的结论，检验功效较低。因此，有学者在逐步检验流程上进行相应的修改，得到如下检验步骤：温忠麟等(2014)因果逐步回归法(改良)基于SPSSAU的操作与上述bootstrap检验法操作方法一致，选择SPSSAU【问卷研究】--【中介作用】，放入对应变量，点击开始分析即可。结果分析第一步，检验方程(1)的系数c，如果显著，按中介效应立论，否则按遮掩效应立论。但无论是否显著，都进行后续检验。第一步：可能存在中介效应第二步，依次检验方程(2)的系数a和方程(3)的系数b，如果两个都显著，则间接效应显著，转到第四步；如果至少有一个不显著，进行第三步。第二步：间接效应显著第三步，用Bootstrap法检验。如果显著，则间接效应显著，进行第四步；否则间接效应不显著，停止分析。如果第二步中，系数a、b有一个不显著，则查看a*b中介效应是否显著（a*b95%BootCI是否包括数字0）第三步：间接效应显著第四步，检验方程(3)的系数c′，如果不显著，即直接效应不显著，说明只有中介效应。如果显著，即直接效应显著，进行第五步。第四步：直接效应显著第五步，比较ab和c′的符号，如果同号，属于部分中介效应，报告中介效应占总效应的比例ab/c。如果异号，属于遮掩效应，报告间接效应与直接效应的比例的绝对值|ab/c|。第五步：部分中介效应本次研究，自变量x对因变量y的总效应是0.130，影响显著；其中直接效应为0.085，间接效应0.045，具有显著性；最终以有部分中介作用作为结论，中介效应在总效应占比为34.403%。其他说明（1） 中介作用前需要标准化处理吗？一般情况下，在进行中介作用前需要标准化或中心化处理，可使用数据处理->生成变量功能批量完成标准化或中心化处理；SPSSAU提供的中介作用检验默认不会对数据进行处理。（2）SPSSAU分析结果中有对检验结果的自动化判断，用户可以直接使用。智能分析中也有相应解读，如果有不了解的地方，可以点击右侧的“灯泡”按钮查看帮助手册。（3）spssau也支持链式中介检验，操作方法是点击【问卷研究】--【中介效应】，[中介类型]选择“链式中介”。提供中介效应分析方法为非参数百分位Bootstrap法。（4）如果数据是显变量如何处理？如果数据是显变量，此时可转换成潜变量再处理即可。使用【生成变量】--【平均值】功能。当然如果是使用结构方程模型进行研究分析中介作用时，建议使用因果逐步回归检验法进行中介效应验证。SPSSAU提供的结构方程模型暂不提供Bootstrap抽样法检验。「更多内容请登录SPSSAU官网了解」}

一般因子分析共有五个步骤，数据准备、设置参数、结果调整、解释结果以及因子命名。具体如下图。举个例子说明：一、数据准备依据研究目的，收集相关数据。本例中就是我们收集得到的14个问题的有关数据。因子分析要求数据一定为定量数据，问卷数据一般为量表题。二、设置参数设置参数包括三步：选择因子个数，如果分析人员有预设个数则直接选择即可，如果没有预设个数系统会自动选择，以及是否勾选因子得分与综合得分。三、结果调整对数据初步结果进行判断，首先数据是否适合因子分析，其次判断数据的共同度是否都大于0.4，如果不满足，可能需要删除项进行分析，最后判断测量项与因子间是否有严重偏差情况，如果有则需要调整，否则不需要。1、KMO和Bartlett的检验从上表可知：使用因子分析对14个项进行分析，并且因子分析使用最大方差旋转法进行旋转。因子分析时，KMO值为0.876>0.6，通过巴特球形检验，说明本次数据非常适合进行因子分析。2、测量项与因子间对应关系一般出现“张冠李戴”以及“纠缠不清”的结果可能需要调整。从上图中可以看出：A1~A4这4项，它们全部对应着因子3时，因子载荷系数值均高于0.4，说明此4项应该同属于一个维度，即逻辑上A1~A4这4项，并没有出现‘张冠李戴’现象。但是A1和A2这两项出现‘纠缠不清’现象，A1和A2除了可以对应因子3，也可以放在因子1下面。一般出现‘纠缠不清’现象时，暂时保留，先处理清楚‘张冠李戴’问题更好。B1~B4共4项，B2,B3,B4这3项对应着因子1下面，但是B1却对应着因子2，因此B1这项属于‘张冠李戴’，应该将B1删除。B2同时对应因子1和因子2均可，属于‘纠缠不清’，暂不处理B2。C1~C3共3项，此3项均对应着因子2，此3项并没有出现‘纠缠不清’或者‘张冠李戴’问题。D1~D3共3项，D3出现了‘张冠李戴’问题，应该进行删除处理。D2出现了‘纠缠不清问题’（可对应因子1和因子4），应该给予关注总结上述分析可知：B1和D3这两项出现‘张冠李戴’，应该首先将此两项删除；而A1，A2，B2，D2共四项有出现‘纠缠不清现象’，暂时不处理（进行关注即可）。将B1和D3这两项删除后，进行第二次分析。第二次分析：从上图可知：A1出现‘张冠李戴’现象，应该删除，A2出现‘纠缠不清’现象，暂不处理，但应该给予关注，B2~B4共3项没有问题C1~C3共3项没有问题。D2出现‘纠缠不清现象’。总结可知：应该将A1先删除后再次进行第3次分析，另对A2和D2这两项给予关注。第三次分析：从上图可知：D2可同时出现在因子2和因子4下面，但考虑到D维度当前仅余下2项，因而表示可以接受，最终是将D2归纳到因子4即D维度下面。最终找出A，B，C和D共4个维度，它们分别与项之间的对应关系良好。因子分析结束。四、解释结果使用因子分析进行信息浓缩研究，首先分析研究数据是否适合进行因子分析，从上表可以看出：KMO为0.876，大于0.6，满足因子分析的前提要求，意味着数据可用于因子分析研究。以及数据通过Bartlett 球形度检验(p<0.05)，说明研究数据适合进行因子分析。接下来对因子提取、信息浓缩进行说明。1、因子提取多数情况下，我们在分析时已经带着主观预期，希望题项如何归类，此时可以直接设置对应的因子个数。本例中，工作满意度预期分为4个维度，因此将因子个数设为4。再进行分析。方差解释率表格，主要用于判断提取多少个因子合适。以及每个因子的方差解释率和累计方差解释率情况。方差解释率越大说明因子包含原数据信息的越多。因子分析中，主要关注旋转后的数据部分。从上表可知：累积方差解释率值为78.213%，说明提取出来的4个因子可以提取出总共11项中78.213%的信息量，而且四个因子的方差解释率（信息提取量）分别为：21.407%，21.277%，20.807%和14.723%。信息提取量分布较为均匀，综合说明本次因子分析结果良好。如果研究人员并没有预设维度。而选择默认选项，SPSSAU默认以特征根大于1作为标准。特征根：指标旋转前每个因子的贡献程度。此值的总和与项目数匹配，此值越大，代表因子贡献越大。当然因子分析通常需要综合自己的专业知识综合判断，即使是特征根值小于1，也一样可以提取因子。同时可结合碎石图辅助判断因子提取个数。当折线由陡峭突然变得平稳时，陡峭到平稳对应的因子个数即为参考提取因子个数。实际研究中更多以专业知识，结合因子与研究项对应关系情况，综合权衡判断得出因子个数。2、信息浓缩从上表可知：使用因子分析对14个项进行浓缩处理。最终浓缩为四个因子，在进行第一次分析时发现B1和D3这两项，它们与预期对应关系情况，和专业情况不符合（另外一种写法是因子载荷系数值小于0.4，本应该对应该维度时因子载荷系数大于0.4，但是却低于0.4了），因而删除此两项后进行第二次分析，第二次分析时删除掉A1这个题项。最终余下11个题项，此11项与预期对应关系情况良好，与专业预期相符。结合因子与分析项的对应关系情况，最终对浓缩出来的四个因子进行分别命名为：A，B，C和D维度。此外还有一些结果比如“成分得分矩阵”，如果涉及到权重计算，此会使用此表格，其它不用过度关注。五、因子命名最终余下11个题项，此11项与预期对应关系情况良好，与专业预期相符。结合因子与分析项的对应关系情况，利用标题处理，最终对浓缩出来的四个因子进行分别命名为：A，B，C和D维度。}