溫忠麟 方 杰 謝晉艷 歐陽勁櫻

國內(nèi)中介效應(yīng)的方法學(xué)研究*

溫忠麟1方 杰2謝晉艷1歐陽勁櫻1

(1華南師范大學(xué)心理學(xué)院/心理應(yīng)用研究中心, 廣州 510631) (2廣東財(cái)經(jīng)大學(xué)新發(fā)展研究院/應(yīng)用心理學(xué)系, 廣州 510320)

中介效應(yīng)可以分析自變量對(duì)因變量的影響過程和作用機(jī)制, 已成為分析多個(gè)變量之間關(guān)系的一種重要統(tǒng)計(jì)方法。最近20年, 中介效應(yīng)成了研究方法的一個(gè)熱點(diǎn)。從中介效應(yīng)的檢驗(yàn)方法、效應(yīng)量、類別變量的中介效應(yīng)檢驗(yàn)、縱向數(shù)據(jù)的中介效應(yīng)檢驗(yàn)和模型拓展(包括多重中介、多層中介、有調(diào)節(jié)的中介和有中介的調(diào)節(jié)模型)五個(gè)方面系統(tǒng)總結(jié)了國內(nèi)中介效應(yīng)的方法學(xué)研究的發(fā)展歷程。最后對(duì)中介效應(yīng)的國外方法學(xué)研究進(jìn)展和中介效應(yīng)的未來研究方向做了討論和拓展。

中介效應(yīng), 檢驗(yàn)方法, 效應(yīng)量, 模型拓展, 類別變量, 縱向數(shù)據(jù)

揭示變量間的關(guān)系是量化研究的一個(gè)重要目標(biāo)。中介(mediation)效應(yīng)分析能解釋自變量對(duì)因變量的影響是如何通過中介變量(mediator)實(shí)現(xiàn)的, 已成為多變量研究的重要統(tǒng)計(jì)方法(杜岸政等, 2014; 甘怡群, 2014; 溫忠麟, 葉寶娟, 2014a)。

中介變量在社會(huì)科學(xué)研究中已有近百年的歷史。例如, Woodworth (1928)在“刺激?反應(yīng)” (S-R)理論的基礎(chǔ)上提出了“刺激?機(jī)體?反應(yīng)” (S-O-R)模型, 說明了刺激對(duì)于反應(yīng)的作用是通過有機(jī)體內(nèi)部的轉(zhuǎn)化過程而發(fā)生的, “機(jī)體”就是一個(gè)中介變量。但是直到20世紀(jì)80年代, 中介變量才受到重視, 有了分析簡單中介效應(yīng)模型(即一個(gè)自變量、一個(gè)中介變量、一個(gè)因變量的簡單中介模型)的逐步法(Baron & Kenny, 1986; Judd & Kenny, 1981)。在國內(nèi), 溫忠麟等(2004)率先介紹中介效應(yīng)模型的分析方法, 提出了一個(gè)包含依次檢驗(yàn)和Sobel檢驗(yàn)的中介效應(yīng)檢驗(yàn)程序, 引領(lǐng)和推動(dòng)了國內(nèi)中介效應(yīng)的方法研究和應(yīng)用。此后, 中介效應(yīng)分析成了國內(nèi)心理統(tǒng)計(jì)的一個(gè)研究熱點(diǎn)(溫忠麟等, 2021)。

中介效應(yīng)的方法研究在國內(nèi)的發(fā)展歷程如表1所示, 包括中介效應(yīng)的檢驗(yàn)方法、中介效應(yīng)的效應(yīng)量、類別變量的中介效應(yīng)檢驗(yàn)、縱向數(shù)據(jù)的中介效應(yīng)檢驗(yàn)和中介效應(yīng)模型的拓展5個(gè)方面。中介效應(yīng)模型的拓展包括多重中介效應(yīng)模型、多層中介效應(yīng)模型、有調(diào)節(jié)的中介模型和有中介的調(diào)節(jié)模型。表1分類列出了中介效應(yīng)研究的由遠(yuǎn)及近的代表性文獻(xiàn), 其中第一篇文獻(xiàn)為相應(yīng)類別在國內(nèi)的首個(gè)研究。本文首先介紹簡單中介模型, 然后對(duì)與中介有關(guān)的概念進(jìn)行辨析, 接著系統(tǒng)地梳理國內(nèi)中介效應(yīng)的方法學(xué)研究的發(fā)展歷程, 最后對(duì)中介效應(yīng)的國外方法學(xué)研究成果和中介效應(yīng)的未來研究方向進(jìn)行討論。

1 簡單中介效應(yīng)模型

為了方便起見, 假設(shè)變量都是連續(xù)并且已經(jīng)標(biāo)準(zhǔn)化(回歸方程中沒有截距項(xiàng)), 則簡單中介效應(yīng)模型的分析就是執(zhí)行如下線性回歸方程

表1 國內(nèi)中介效應(yīng)的方法學(xué)研究文獻(xiàn)一覽

2 概念辨析

中介效應(yīng)也稱為間接效應(yīng)(indirect effect), 但兩者并不完全相同。一般地說, 中介效應(yīng)都是間接效應(yīng), 但間接效應(yīng)不一定是中介效應(yīng)。具體地, 在只有一個(gè)中介變量的模型中, 中介效應(yīng)和間接效應(yīng)是同義詞; 但當(dāng)中介效應(yīng)不止一個(gè)時(shí), 間接效應(yīng)既可以指經(jīng)過某個(gè)特定中介變量的間接效應(yīng)(即中介效應(yīng)), 也可以指部分或所有中介效應(yīng)的和(盧謝峰, 韓立敏, 2007; 溫忠麟等, 2004; 溫忠麟, 劉紅云, 2020)。

中介效應(yīng)分析的目的是探究如何影響, 但如果自變量與因變量的關(guān)系受到第三個(gè)變量的作用, 此時(shí)是調(diào)節(jié)變量(moderator)。調(diào)節(jié)效應(yīng)(moderation effect)分析的目的是探究何時(shí)影響或何時(shí)影響較大。中介變量和調(diào)節(jié)變量的區(qū)別詳見溫忠麟等(2005)。

3 中介效應(yīng)的方法學(xué)研究進(jìn)展

3.1 中介效應(yīng)檢驗(yàn)方法

圖1 中介效應(yīng)檢驗(yàn)方法

直接檢驗(yàn)系數(shù)乘積的方法包括Sobel檢驗(yàn)、乘積分布法、Bootstrap法和貝葉斯法等。

Bootstrap法是應(yīng)用最為廣泛的直接檢驗(yàn)系數(shù)乘積的方法(陳瑞等, 2013; 江程銘, 李紓, 2015; 張涵, 康飛, 2016)。Bootstrap法是一種重復(fù)抽樣方法。根據(jù)重復(fù)抽樣的對(duì)象不同, 可分為參數(shù)Bootstrap法和非參數(shù)Bootstrap法。如果重復(fù)抽樣的對(duì)象是參數(shù)(如和), 則是參數(shù)Bootstrap法, Monte Carlo法(簡稱MC法)就是一種參數(shù)Bootstrap法, MC法不需要原始數(shù)據(jù), 只需要知道和的估計(jì)值及其標(biāo)準(zhǔn)誤即可。更多MC法的內(nèi)容詳見方杰和溫忠麟(2018a)。如果重復(fù)抽樣的對(duì)象是樣本數(shù)據(jù), 則是非參數(shù)Bootstrap法。非參數(shù)Bootstrap方法只依賴樣本數(shù)據(jù), 通過不斷抽取Bootstrap樣本并計(jì)算和的估計(jì)值, 得到的Bootstrap區(qū)間估計(jì), 如果區(qū)間估計(jì)不包含0, 則中介效應(yīng)顯著。如果要得到更高的檢驗(yàn)力, 可以使用偏差校正的Bootstrap法(方杰等, 2011)。但偏差校正的Bootstrap法在某些條件下的Ⅰ型錯(cuò)誤率可能會(huì)超過設(shè)定的顯著性水平(如0.05), 因此越來越多的研究者認(rèn)為, 如果不是為了追求最高的檢驗(yàn)力, 則更推薦使用未校正的Bootstrap法進(jìn)行中介分析(方杰, 溫忠麟, 2018a)。

貝葉斯法(Bayesian approach), 又稱為馬爾科夫鏈蒙特卡羅法(Markov Chain Monte Carlo, MCMC), 它將參數(shù)看成是隨機(jī)變量, 將參數(shù)的先驗(yàn)分布和觀測數(shù)據(jù)整合在一起, 通過馬爾科夫鏈蒙特卡羅法得到參數(shù)的后驗(yàn)分布, 根據(jù)參數(shù)的后驗(yàn)分布得到的區(qū)間估計(jì), 如果區(qū)間估計(jì)不包含0, 就表示中介效應(yīng)顯著。貝葉斯法的關(guān)鍵步驟就是為模型參數(shù)選擇合適的先驗(yàn)分布。當(dāng)樣本量小或抽樣方差大時(shí), 合適的先驗(yàn)信息能有效改善參數(shù)的估計(jì)。更多貝葉斯法的介紹詳見方杰等(2011)。

依次檢驗(yàn)法、乘積分布法、Bootstrap法和貝葉斯法在中介效應(yīng)檢驗(yàn)中各有所長(方杰, 溫忠麟, 2018a; 方杰, 張敏強(qiáng), 2012; 方杰, 張敏強(qiáng), 2013), 溫忠麟和葉寶娟(2014a)建議先使用依次檢驗(yàn), 如果系數(shù)和不是同時(shí)顯著, 則建議使用Bootstrap法進(jìn)行中介效應(yīng)檢驗(yàn)。如果要報(bào)告中介效應(yīng)的置信區(qū)間, 使用Bootstrap法較好, 但無論如何, 還是應(yīng)當(dāng)了解和是否顯著。如果有合適的先驗(yàn)信息, 亦可使用貝葉斯法(方杰等, 2011)。

3.2 中介效應(yīng)的效應(yīng)量

3.3 類別變量的中介效應(yīng)檢驗(yàn)

一般的中介效應(yīng)模型幾乎都假設(shè)、和是連續(xù)變量的情況, 對(duì)于被試間設(shè)計(jì)(即中介變量和因變量只測量一次)的中介分析, 如果自變量為二分類別變量, 中介變量和因變量為連續(xù)變量的中介效應(yīng)檢驗(yàn), 只需將類別自變量編碼為0和1, 可利用方程(1)～(3)進(jìn)行中介效應(yīng)分析。如果自變量為個(gè)類別(≥3), 中介變量和因變量為連續(xù)變量的中介效應(yīng)檢驗(yàn), 可使用相對(duì)中介效應(yīng)(即相對(duì)參照水平的中介效應(yīng))分析, 即將多類別自變量進(jìn)行虛擬編碼, 考察? 1個(gè)相對(duì)中介效應(yīng)是否顯著(方杰等, 2017)。

3.4 縱向數(shù)據(jù)的中介效應(yīng)檢驗(yàn)

以前的中介分析多采用截面數(shù)據(jù), 但有的情形不適合進(jìn)行因果推斷, 因而需要收集歷時(shí)性的縱向數(shù)據(jù), 進(jìn)行縱向數(shù)據(jù)的中介分析(溫忠麟, 2017)。劉國芳等(2018)介紹了基于交叉滯后面板模型(其實(shí)稱為自回歸滯后模型更容易理解)、潛變量增長模型和潛分?jǐn)?shù)變化模型的縱向數(shù)據(jù)的中介效應(yīng)檢驗(yàn)。方杰等(2021)進(jìn)一步梳理了基于交叉滯后面板模型、潛變量增長模型和多水平模型的縱向數(shù)據(jù)的中介分析的4個(gè)發(fā)展趨勢：(1)考察隨時(shí)間變化的中介效應(yīng), 如連續(xù)時(shí)間模型、多層時(shí)變系數(shù)模型。(2)考察隨個(gè)體變化的中介效應(yīng), 如隨機(jī)效應(yīng)的交叉滯后面板模型和多層自回歸中介模型。(3)中介模型的整合, 如交叉滯后面板模型與多水平模型整合為多層自回歸中介模型。(4)使用Bootstrap和貝葉斯法進(jìn)行縱向數(shù)據(jù)的中介分析。

方杰等(2021)明確指出, 多層線性模型和潛變量增長模型在建模過程中, 沒有考慮變量之間影響的先后順序, 基于縱向數(shù)據(jù)的中介分析本質(zhì)上還是截面的中介分析, 要得出因果推論還要有統(tǒng)計(jì)以外的理據(jù)(溫忠麟, 2017)。只有交叉滯后面板模型、多層自回歸中介模型和連續(xù)時(shí)間模型才能進(jìn)行歷時(shí)性因果推論, 因?yàn)檫@三個(gè)模型體現(xiàn)了歷時(shí)性因果推測所必須的測量時(shí)間點(diǎn)先后關(guān)系, 同時(shí)考慮了自回歸效應(yīng)。他們還提出一個(gè)縱向數(shù)據(jù)的中介分析流程：如果研究目的不是為了進(jìn)行歷時(shí)性因果推論, 可使用多層線性模型或者潛變量增長模型; 如果研究目的是為了進(jìn)行歷時(shí)性因果推論且需要考察時(shí)變效應(yīng), 則使用連續(xù)時(shí)間模型, 否則使用交叉滯后面板模型或多層自回歸中介模型。

3.5 中介效應(yīng)模型的發(fā)展

3.5.1 多重中介效應(yīng)模型

柳士順和凌文輇(2009)率先將多重中介效應(yīng)模型及其分析方法引入國內(nèi), 用Sobel法進(jìn)行顯變量的多重中介模型分析。方杰、溫忠麟、張敏強(qiáng)和孫配貞(2014)建議通過增加輔助變量, 利用Bootstrap法進(jìn)行潛變量的多重中介模型分析。各種中介效應(yīng)檢驗(yàn)方法在多重中介模型中的比較可見方杰等(2011)的綜述, 多類別自變量情形可見方杰等(2017)的文章, 兩水平重復(fù)測量的多重中介模型可見王陽和溫忠麟(2018)的文章。

圖2 一個(gè)多重中介模型

3.5.2 多層中介效應(yīng)模型

方杰等(2010)率先將多層中介效應(yīng)模型及其分析方法引入國內(nèi), 討論了如何進(jìn)行顯變量的多層中介效應(yīng)模型分析。在2-1-1和1-1-1中介效應(yīng)模型分析時(shí), 對(duì)層1自變量按組均值中心化, 同時(shí)將組均值置于層2截距方程式中, 以實(shí)現(xiàn)組間和組內(nèi)中介效應(yīng)的有效分離。具體地說, 2-1-1中介效應(yīng)模型的組內(nèi)中介效應(yīng)為0, 僅有組間中介效應(yīng)。1-1-1中介效應(yīng)模型則既有組間中介效應(yīng), 又有組內(nèi)中介效應(yīng)。劉紅云等(2011)注意到, 當(dāng)數(shù)據(jù)符合1-1-1隨機(jī)中介效應(yīng)模型時(shí), 使用1-1-1固定中介效應(yīng)模型將錯(cuò)誤估計(jì)中介效應(yīng)及其標(biāo)準(zhǔn)誤, 得到不正確的統(tǒng)計(jì)檢驗(yàn)結(jié)果。

在多層中介效應(yīng)分析中, 非參數(shù)Bootstrap法的實(shí)現(xiàn)是比較困難的, 用什么中介效應(yīng)分析方法比較好呢？方杰和溫忠麟(2018a)的研究建議, 在多層中介分析中, 當(dāng)有合適的先驗(yàn)信息時(shí), 推薦使用貝葉斯法; 當(dāng)先驗(yàn)信息不可得時(shí), 推薦使用MC法。因?yàn)镸C法在中介效應(yīng)分析中的表現(xiàn)不僅與其他方法相當(dāng), 還無需使用原始數(shù)據(jù)(這是非參數(shù)Bootstrap和貝葉斯法都無法做到的), 因此運(yùn)算速度更快。各種中介效應(yīng)檢驗(yàn)方法在多層中介效應(yīng)模型中的比較亦可見方杰等(2011)綜述。

3.5.3 有調(diào)節(jié)的中介模型

有調(diào)節(jié)的中介是指中介過程(→→)受到調(diào)節(jié)變量的影響, 即中介效應(yīng)大小會(huì)隨著調(diào)節(jié)變量的不同取值而變化。溫忠麟等(2006)討論了如何用依次檢驗(yàn)法進(jìn)行中介過程的后半路徑(→)被調(diào)節(jié)的中介模型檢驗(yàn)。溫忠麟和葉寶娟(2014b)系統(tǒng)總結(jié)了6種有調(diào)節(jié)的中介模型(只調(diào)節(jié)中介效應(yīng)的3種模型和同時(shí)調(diào)節(jié)中介效應(yīng)和直接效應(yīng)的3種模型), 并以同時(shí)調(diào)節(jié)中介效應(yīng)的前半路徑(→)、后半路徑(→)和直接效應(yīng)(→)的有調(diào)節(jié)的中介模型為例, 評(píng)述了三種有調(diào)節(jié)的中介模型的分析方法：依次檢驗(yàn)法、系數(shù)乘積的區(qū)間檢驗(yàn)法和中介效應(yīng)差異檢驗(yàn)法, 并給出了一個(gè)檢驗(yàn)流程。溫忠麟等人建議先使用依次檢驗(yàn)進(jìn)行有調(diào)節(jié)的中介模型檢驗(yàn); 如果有調(diào)節(jié)的中介效應(yīng)不顯著, 則換用系數(shù)乘積的區(qū)間檢驗(yàn)法(非參數(shù)Bootstrap法); 如果有調(diào)節(jié)的中介效應(yīng)仍不顯著, 則換用中介效應(yīng)的差異檢驗(yàn)(非參數(shù)Bootstrap法)。方杰、張敏強(qiáng)等(2014)闡述了如何用系數(shù)乘積的區(qū)間檢驗(yàn)法(貝葉斯法)進(jìn)行有調(diào)節(jié)的中介模型檢驗(yàn)。Liu等(2022)將有調(diào)節(jié)的中介模型與兩水平回歸的調(diào)節(jié)效應(yīng)模型(Yuan et al., 2014)相結(jié)合, 提出了基于兩水平回歸的有調(diào)節(jié)的中介效應(yīng)模型, 并給出了被調(diào)節(jié)的中介效應(yīng)的效應(yīng)量指標(biāo)。

方杰和溫忠麟(2018b)進(jìn)一步闡述了如何使用潛調(diào)節(jié)結(jié)構(gòu)方程方法進(jìn)行潛變量的有調(diào)節(jié)的中介模型檢驗(yàn)。潛調(diào)節(jié)結(jié)構(gòu)方程方法(Klein & Moosbrugger, 2000)的優(yōu)勢在于無需使用乘積指標(biāo), 且可用結(jié)構(gòu)方程軟件Mplus方便執(zhí)行, 有望推廣應(yīng)用。方杰等人建議, 如果基準(zhǔn)模型(不含潛調(diào)節(jié)項(xiàng)的有調(diào)節(jié)的中介模型)可接受, 則進(jìn)行潛變量的有調(diào)節(jié)的中介模型檢驗(yàn); 否則進(jìn)行顯變量的有調(diào)節(jié)的中介模型檢驗(yàn)。

方杰和溫忠麟(印刷中)將多層中介和多層調(diào)節(jié)整合在一起, 形成了2 (多層中介類型) × 2 (調(diào)節(jié)變量的層次) × 3 (調(diào)節(jié)的中介路徑)共12種有調(diào)節(jié)的多層中介模型。他們闡述了如何進(jìn)行顯變量的12種有調(diào)節(jié)的多層中介模型檢驗(yàn); 系統(tǒng)闡述了使用多層結(jié)構(gòu)方程模型進(jìn)行潛變量的有調(diào)節(jié)的多層中介模型檢驗(yàn)方法, 包括正交分割法, 隨機(jī)系數(shù)預(yù)測法, 潛調(diào)節(jié)結(jié)構(gòu)方程法和貝葉斯合理值法。這四類方法的核心議題在于如何處理潛調(diào)節(jié)項(xiàng)。當(dāng)樣本量足夠大時(shí), 建議選擇潛調(diào)節(jié)結(jié)構(gòu)方程法。

3.5.4 有中介的調(diào)節(jié)模型

有中介的調(diào)節(jié)模型意味著自變量對(duì)因變量的效應(yīng)受到調(diào)節(jié)變量的影響, 而調(diào)節(jié)效應(yīng)(至少部分地)通過中介變量對(duì)因變量起作用(圖3(a)), 這是有中介的調(diào)節(jié)模型Ι (劉東等, 2012; 溫忠麟等, 2006)。溫忠麟等(2006)討論了如何用依次檢驗(yàn)法進(jìn)行有中介的調(diào)節(jié)模型I的檢驗(yàn)。此時(shí), 有中介的調(diào)節(jié)模型的檢驗(yàn)步驟和中介過程的前半路徑(→)受到調(diào)節(jié)的中介模型的檢驗(yàn)步驟一致, 兩種模型的區(qū)別在于立論和解釋不同(溫忠麟, 葉寶娟, 2014a)。對(duì)于有中介的調(diào)節(jié)模型, 重點(diǎn)在調(diào)節(jié)效應(yīng), 其次考慮調(diào)節(jié)效應(yīng)是否通過中介變量起作用; 對(duì)于有調(diào)節(jié)的中介模型, 重點(diǎn)在中介效應(yīng), 其次考慮中介過程是否受到調(diào)節(jié)。

葉寶娟和溫忠麟(2013)系統(tǒng)地評(píng)述了5種檢驗(yàn)有中介的調(diào)節(jié)模型的方法, 并給出了一個(gè)檢驗(yàn)流程。先檢驗(yàn)自變量對(duì)因變量的效應(yīng)是否受到調(diào)節(jié)變量的調(diào)節(jié); 如果調(diào)節(jié)效應(yīng)顯著(且效應(yīng)量Δ2不小于2%), 則先使用依次檢驗(yàn)進(jìn)行有中介的調(diào)節(jié)模型檢驗(yàn); 如果有中介的調(diào)節(jié)效應(yīng)不顯著, 則換用系數(shù)乘積的區(qū)間檢驗(yàn)法(非參數(shù)Bootstrap法或貝葉斯法)。

圖3 有中介的調(diào)節(jié)模型

溫忠麟和劉紅云(2020)進(jìn)一步將有調(diào)節(jié)的中介模型檢驗(yàn)和有中介的調(diào)節(jié)模型檢驗(yàn)流程整合起來, 總結(jié)出一個(gè)綜合檢驗(yàn)流程。如果自變量對(duì)因變量的效應(yīng)沒有受到調(diào)節(jié)變量的調(diào)節(jié), 則只考慮建立有調(diào)節(jié)的中介模型。如果自變量對(duì)因變量的效應(yīng)受到調(diào)節(jié)變量的調(diào)節(jié), 則既可以考慮建立有中介的調(diào)節(jié)模型, 也可以考慮建立有調(diào)節(jié)的中介模型, 到底建立哪種模型取決于研究者的立論。

劉東等(2012)指出, 當(dāng)調(diào)節(jié)變量的調(diào)節(jié)作用可以通過中介變量傳遞時(shí), 這就是有中介的調(diào)節(jié)模型Ⅱ (圖3(b))。Kwan和Chan (2018)指出, 有中介的調(diào)節(jié)模型Ⅱ與將當(dāng)成自變量、當(dāng)成調(diào)節(jié)變量的后半路徑受到調(diào)節(jié)的中介模型等價(jià)。王陽等(2022)給出了一個(gè)有中介的調(diào)節(jié)模型Ⅱ的分析流程。劉紅云等(2021)進(jìn)一步將有中介的調(diào)節(jié)模型Ⅱ與兩水平回歸的調(diào)節(jié)效應(yīng)模型(Yuan et al., 2014)相結(jié)合, 提出了基于兩水平回歸的有中介的調(diào)節(jié)效應(yīng)模型, 并給出了經(jīng)過中介變量的間接調(diào)節(jié)效應(yīng)量的新指標(biāo)。

劉東等(2012)將多層中介和多層調(diào)節(jié)整合在一起, 提出了三種有中介的多層調(diào)節(jié)模型Ι和兩種有中介的多層調(diào)節(jié)模型Ⅱ。三種有中介的多層調(diào)節(jié)模型Ι為：層2變量和層2變量的調(diào)節(jié)作用通過層1變量對(duì)層1變量產(chǎn)生作用或通過層2變量對(duì)層1變量產(chǎn)生作用、層1變量和層1變量的調(diào)節(jié)作用通過層1變量對(duì)層1變量產(chǎn)生作用。兩種有中介的多層調(diào)節(jié)模型Ⅱ?yàn)椋簩?變量對(duì)層1變量和層1變量的調(diào)節(jié)作用通過層2中介變量傳遞或通過層1中介變量傳遞。

4 討論與拓展

本文從中介效應(yīng)的檢驗(yàn)方法、中介效應(yīng)效應(yīng)量、類別變量的中介效應(yīng)檢驗(yàn)、縱向數(shù)據(jù)的中介效應(yīng)檢驗(yàn)、中介效應(yīng)模型拓展5個(gè)方面系統(tǒng)總結(jié)了國內(nèi)中介效應(yīng)的方法學(xué)研究的進(jìn)程, 可作為讀者了解中介效應(yīng)分析的文獻(xiàn)導(dǎo)讀。結(jié)合國外新近的中介效應(yīng)的方法學(xué)研究, 還有一些值得深入探討和拓展的地方。

4.1 基于實(shí)驗(yàn)設(shè)計(jì)的中介效應(yīng)

實(shí)驗(yàn)設(shè)計(jì)的中介效應(yīng)在國內(nèi)的研究僅有兩項(xiàng)。一是劉國芳等(2018)介紹了三種基于實(shí)驗(yàn)的中介效應(yīng)的設(shè)計(jì), 包括雙隨機(jī)設(shè)計(jì)、并發(fā)雙隨機(jī)設(shè)計(jì)和平行設(shè)計(jì)。二是王陽和溫忠麟(2018)闡述了兩水平被試內(nèi)設(shè)計(jì)的中介效應(yīng)檢驗(yàn)方法(詳見3.3節(jié))。Mio?evi?等(2018)指出, 對(duì)于操縱自變量(如實(shí)驗(yàn)組和控制組), 然后再測量中介變量和因變量(中介變量和因變量各測量一次)的實(shí)驗(yàn)設(shè)計(jì), 可在潛在結(jié)果和反事實(shí)框架基礎(chǔ)上, 進(jìn)行潛在結(jié)果中介分析。例如, 利用詞匯記憶實(shí)驗(yàn)設(shè)計(jì)研究記憶策略(實(shí)驗(yàn)組是聯(lián)想記憶、控制組是重復(fù)記憶)→學(xué)生對(duì)詞語的聯(lián)想程度→記憶單詞數(shù)目的中介效應(yīng)。當(dāng)學(xué)生沒有被隨機(jī)分配到實(shí)驗(yàn)組或控制組之前, 每個(gè)學(xué)生都會(huì)有兩個(gè)可能的因變量, 即使用聯(lián)想記憶(= 1)而默寫出的單詞數(shù)據(jù)1)和使用重復(fù)記憶(= 0)而默寫出的單詞數(shù)據(jù)(0), 我們稱(1)和(0)為潛在結(jié)果(potential outcome)。如果學(xué)生被分配進(jìn)入實(shí)驗(yàn)組(聯(lián)想記憶), 則(1)就是觀測到的因變量; 此時(shí)(0)這個(gè)潛在結(jié)果就是不可能出現(xiàn)的, 稱為反事實(shí)結(jié)果(counterfactual outcome)。

4.2 混淆變量在中介效應(yīng)檢驗(yàn)中的控制

在簡單中介模型中, 如果變量既是中介變量的原因(即→), 又是因變量的原因(即→), 則稱變量為→關(guān)系的混淆變量(confounder)?！P(guān)系的混淆變量又分為兩種, 即前處理混淆變量(pretreatment confounder)和后處理混淆變量(posttreatment confounder)。前處理混淆變量是指混淆變量發(fā)生在實(shí)驗(yàn)處理之前, 因此可以假設(shè)前處理混淆變量不受的影響(圖4)。后處理混淆變量是指混淆變量發(fā)生在實(shí)驗(yàn)處理之后, 因此后處理混淆變量可能會(huì)受到的影響(在圖4中增加→的箭頭)。例如, 受教育程度()通過不良的飲食習(xí)慣()影響血壓()的簡單中介模型中, 社會(huì)經(jīng)濟(jì)地位()就是一個(gè)后處理混淆變量, 因?yàn)槭芙逃潭?)會(huì)影響社會(huì)經(jīng)濟(jì)地位()。

圖4 包含混淆變量T的簡單中介模型

(改編自Fritz等, 2016)

4.3 穩(wěn)健中介分析

利用線性回歸進(jìn)行中介效應(yīng)檢驗(yàn)時(shí), 線性回歸需要滿足殘差同質(zhì)(homoscedastic)且正態(tài)的假設(shè), 但實(shí)際上往往難以滿足。穩(wěn)健方法(robust method)可以緩解線性回歸的中介分析中由于假設(shè)違背而造成的中介估計(jì)偏差。穩(wěn)健方法的優(yōu)點(diǎn)就是對(duì)理想的統(tǒng)計(jì)假設(shè)存在一定的偏差不敏感性(Zu & Yuan, 2010)。因此, 基于穩(wěn)健方法的中介分析又稱為穩(wěn)健中介分析(robust mediation analysis)。穩(wěn)健中介效應(yīng)的分析方法包括Robust M估計(jì)法(Zu & Yuan, 2010)、中數(shù)回歸法(Yuan & MacKinnon, 2014)和Robust Bootstrap法(Alfons et al., in press)三種。

Robust M的字母“M”表示極大似然估計(jì)(maximum likelihood)。Robust M估計(jì)法是對(duì)基于正態(tài)分布假設(shè)的極大似然估計(jì)的近似。Robust M估計(jì)法的基本思想是, 根據(jù)每個(gè)數(shù)據(jù)距離數(shù)據(jù)中心(如均值)的距離, 為每個(gè)數(shù)據(jù)分配適當(dāng)?shù)臋?quán)重。距離數(shù)據(jù)中心的距離越遠(yuǎn)的數(shù)據(jù)(如極端值), 會(huì)給予越小的權(quán)重, 因此極端值對(duì)(中介)估計(jì)的影響就更小(Zu & Yuan, 2010)。

傳統(tǒng)線性回歸可以稱為均值回歸, 但是均值容易受極端值影響, 在數(shù)據(jù)的分布存在偏度和厚尾(方差大)時(shí)表現(xiàn)較差(Yuan & MacKinnon, 2014)。中數(shù)不容易受極端值影響, 因此Yuan和MacKinnon提出了中數(shù)回歸法(median regression)。對(duì)于中數(shù)回歸法而言, 除了殘差獨(dú)立性假設(shè)必須滿足外, 殘差同質(zhì)性和正態(tài)分布假設(shè)都不再需要。中數(shù)回歸法采用最小絕對(duì)值殘差(the least absolute deviations, LAD)法進(jìn)行估計(jì)。

4.4 中介效應(yīng)的檢驗(yàn)力分析

當(dāng)前, 與新的統(tǒng)計(jì)技術(shù)相結(jié)合成為中介效應(yīng)的方法學(xué)研究的新特點(diǎn)。例如, Serang等(2017)利用Lasso估計(jì)提出了正則化的探索性中介分析(exploratory mediation analysis via regularization), 只有中介效應(yīng)不為0的特定中介路徑會(huì)保留在并行多重中介模型中。Serang和Jacobucci (2020)將探索性中介分析拓展到適用于結(jié)果變量是類別變量的情景中, 包括中介變量是類別變量以及因變量是二分變量的情況。又如, Gonzalez和MacKinnon (2018)將雙因子分析和中介分析相結(jié)合, 提出了雙因子中介分析方法。Gonzalez和MacKinnon (2021)將中介變量設(shè)為雙因子模型, 考察了中介變量的測量(包括信度和測量誤差)對(duì)中介分析的影響。再如, Hsiao等(2021)將潛類別分析和中介分析相結(jié)合, 提出了潛類別中介分析方法。還有研究者將社會(huì)網(wǎng)絡(luò)分析和中介分析相結(jié)合, 提出了社會(huì)網(wǎng)絡(luò)中介分析方法(Che et al., 2021; Liu et al., 2021)。方法的進(jìn)步為研究者提供了深入理解和應(yīng)用中介效應(yīng)的可能, 相信隨著中介效應(yīng)的方法學(xué)研究的深入, 會(huì)不斷增加對(duì)中介效應(yīng)相關(guān)問題的理解。

陳瑞, 鄭毓煌, 劉文靜. (2013). 中介效應(yīng)分析: 原理、程序、Bootstrap方法及其應(yīng)用.,(4)120– 135.

杜岸政, 古純文, 丁桂鳳. (2014). 心理學(xué)研究中的中介效應(yīng)分析意義及方法評(píng)述.,(8), 578–583.

方杰, 溫忠麟. (2018a). 三類多層中介效應(yīng)分析方法比較.,(4), 962–967.

方杰, 溫忠麟. (2018b). 基于結(jié)構(gòu)方程模型的有調(diào)節(jié)的中介效應(yīng)分析.,(2), 453–458.

方杰, 溫忠麟. (印刷中). 有調(diào)節(jié)的多層中介效應(yīng)效應(yīng)分析.

方杰, 溫忠麟, 邱皓政. (2021). 縱向數(shù)據(jù)的中介效應(yīng)分析.,(4), 989–996.

方杰, 溫忠麟, 張敏強(qiáng). (2017). 類別變量的中介效應(yīng)分析.,(2), 471–477.

方杰, 溫忠麟, 張敏強(qiáng), 任皓. (2014). 基于結(jié)構(gòu)方程模型的多層中介效應(yīng)分析.,(3), 530–539.

方杰, 溫忠麟, 張敏強(qiáng), 孫配貞. (2014). 基于結(jié)構(gòu)方程模型的多重中介效應(yīng)分析.,(3), 735–741.

方杰, 張敏強(qiáng). (2012). 中介效應(yīng)的點(diǎn)估計(jì)和區(qū)間估計(jì)：乘積分布法、非參數(shù)Bootstrap和MCMC法.,(10), 1408–1420.

方杰, 張敏強(qiáng). (2013). 參數(shù)和非參數(shù)Bootstrap方法的簡單中介效應(yīng)分析比較.,(3), 722–727.

方杰, 張敏強(qiáng), 顧紅磊, 梁東梅. (2014). 基于不對(duì)稱區(qū)間估計(jì)的有調(diào)節(jié)的中介模型檢驗(yàn).,(10), 1660–1668.

方杰, 張敏強(qiáng), 李曉鵬. (2011). 中介效應(yīng)的三類區(qū)間估計(jì)方法.,(5), 765–774.

方杰, 張敏強(qiáng), 邱皓政. (2010). 基于階層線性理論的多層級(jí)中介效應(yīng).,(8), 1329–1338.

方杰, 張敏強(qiáng), 邱皓政. (2012). 中介效應(yīng)的檢驗(yàn)方法和效果量測量: 回顧與展望.,(1), 105–111.

甘怡群. (2014). 中介效應(yīng)研究的新趨勢——研究設(shè)計(jì)和數(shù)據(jù)統(tǒng)計(jì)方法.,(8), 584–585.

江程銘, 李紓. (2015). 中介分析和自舉(Bootstrap)程序應(yīng)用.,(5), 458–463.

劉東, 張震, 汪默. (2012). 被調(diào)節(jié)的中介和被中介的調(diào)節(jié): 理論構(gòu)建與模型檢驗(yàn)(高中華譯). 見陳曉萍, 徐淑英, 樊景立 (編).(第二版, pp. 553–587). 北京: 北京大學(xué)出版社.

劉國芳, 程亞華, 辛自強(qiáng). (2018). 作為因果關(guān)系的中介效應(yīng)及其檢驗(yàn).,(11), 665–676.

劉紅云, 駱方, 張玉, 張丹慧. (2013). 因變量為等級(jí)變量的中介效應(yīng)分析.,(12), 1431–1442.

劉紅云, 袁克海, 甘凱宇. (2021). 有中介的調(diào)節(jié)模型的拓展及其效應(yīng)量.,(3), 322–338.

劉紅云, 張?jiān)? 駱方, 李美娟, 李小山. (2011). 多水平隨機(jī)中介效應(yīng)估計(jì)及其比較.,(6), 696–709.

柳士順, 凌文輇. (2009). 多重中介模型及其應(yīng)用.,(2), 433–435.

盧謝峰, 韓立敏. (2007). 中介變量、調(diào)節(jié)變量與協(xié)變量——概念、統(tǒng)計(jì)檢驗(yàn)及其比較.,(4), 934– 936.

王陽, 溫忠麟. (2018). 基于兩水平被試內(nèi)設(shè)計(jì)的中介效應(yīng)分析方法.,(5), 1233–1239.

王陽, 溫忠麟, 王惠惠, 管芳. (2022). 第二類有中介的調(diào)節(jié)模型.(9), 2131?2142.

溫忠麟. (2017). 實(shí)證研究中的因果推理與分析.(1)200–208.

溫忠麟, 范息濤, 葉寶娟, 陳宇帥. (2016). 從效應(yīng)量應(yīng)有的性質(zhì)看中介效應(yīng)量的合理性.,(4), 435–443.

溫忠麟, 方杰, 沈嘉琦, 譚倚天, 李定欣, 馬益銘. (2021). 新世紀(jì)20年國內(nèi)心理統(tǒng)計(jì)方法研究回顧.(8), 1331–1344.

溫忠麟, 侯杰泰, 張雷. (2005). 調(diào)節(jié)效應(yīng)與中介效應(yīng)的比較和應(yīng)用.,(2), 268–274.

溫忠麟, 劉紅云. (2020).. 北京: 教育科學(xué)出版社.

溫忠麟, 葉寶娟. (2014a). 中介效應(yīng)分析: 方法和模型發(fā)展.,(5), 731–745.

溫忠麟, 葉寶娟. (2014b). 有調(diào)節(jié)的中介模型檢驗(yàn)方法: 競爭還是替補(bǔ)?,(5), 714–726.

溫忠麟, 張雷, 侯杰泰. (2006). 有中介的調(diào)節(jié)變量和有調(diào)節(jié)的中介變量.,(3), 448–452.

溫忠麟, 張雷, 侯杰泰, 劉紅云. (2004). 中介效應(yīng)檢驗(yàn)程序及其應(yīng)用.,(5), 614–620.

楊春艷, 侯艷, 李康. (2017). 中介分析方法及在其醫(yī)學(xué)研究中的應(yīng)用.,(1), 159–162.

葉寶娟, 溫忠麟. (2013). 有中介的調(diào)節(jié)模型檢驗(yàn)方法: 甄別和整合.,(9), 1050–1060.

張涵, 康飛. (2016). 基于bootstrap 的多重中介效應(yīng)分析方法., (5), 75–78.

Alfons, A., Ates, N. Y., & Groenen, P. J. F. (in press). A robust bootstrap test for mediation analysis..

Baron, R. M., & Kenny, D. A. (1986). The moderator- mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations.,(6), 1173–1182.

Che, C., Jin, I. H., & Zhang, Z. (2021). Network mediation analysis using model-based eigenvalue decomposition.,(1), 148–161.

Fritz, M. S., Kenny, D. A., & MacKinnon, D. P. (2016). The combined effects of measurement error and omitting confounders in the single mediator model.,(5), 681–697.

Gonzalez, O., & MacKinnon, D. P. (2018). A bifactor approach to model multifaceted constructs in statistical mediation analysis.,(1), 5–31.

Gonzalez, O., & MacKinnon, D. P. (2021). The measurement of the mediator and its influence on statistical mediation conclusions.,(1), 1–17.

Hsiao, Y.-Y., Kruger, E. S., van Horn, M. L., Tofighi, D., MacKinnon, D. P., & Witkiewitz, K. (2021). Latent class mediation: A comparison of six approaches.(4), 543–557.

Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating mediation in treatment evaluations.,(5), 602–619.

Klein, A. G., & Moosbrugger, H. (2000). Maximum likelihood estimation of latent interaction effects with the LMS method.,(4), 457–474.

Kwan, J. L. Y., & Chan, W. (2018). Variable system: An alternative approach for the analysis of mediated moderation.(2), 262–277.

Lachowicz, M. J., Preacher, K. J., & Kelley, K. (2018). A novel measure of effect size for mediation analysis.,(2), 244–261.

Liu, H., Jin, I. H., Zhang, Z., & Yuan, Y. (2021). Social network mediation analysis: A latent space approach., 272–298.

Liu, H., Yuan, K.-H., & Wen, Z. (2022). Two-level moderated mediation models with single level data and new measures of effect sizes.(2), 574–596.

Liu, X., & Wang, L. (2019). Sample size planning for detecting mediation effects: A power analysis procedure considering uncertainty in effect size estimates.,(6), 822–839.

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.(1), 83–104.

Mio?evi?, M., Gonzalez, O., Valente, M. J., & MacKinnon, D. P. (2018). A tutorial in Bayesian potential outcomes mediation analysis.,(1), 121–136.

Schoemann, A. M., Boulton, A. J., & Short, S. D. (2017). Determining power and sample size for simple and complex mediation models.,(4), 379–386.

Serang, S., & Jacobucci, R. (2020). Exploratory mediation analysis of dichotomous outcomes via regularization.,(1), 69–86.

Serang, S., Jacobucci, R., Brimhall, K. C., & Grimm, K. J. (2017). Exploratory mediation analysis via regularization.,(5), 733–744.

Talloen, W., Moerkerke, B., Loeys, T., de Naeghel, J., van Keer, H., & Vansteelandt, S. (2016). Estimation of indirect effects in the presence of unmeasured confounding for the mediator-outcome relationship in a multilevel 2-1-1 mediation model.(4), 359–391.

Tofighi, D., & Kelley, K. (2016). Assessing omitted confounder bias in multilevel mediation models.,(1), 86–105.

Tofighi, D., West, S. G., & MacKinnon, D. P. (2013). Multilevel mediation analysis: The effects of omitted variables in the 1–1–1 model.,(2), 290–307.

Wen, Z., & Fan, X. (2015). Monotonicity of effect sizes: Questioning kappa-squared as mediation effect size measure.(2), 193–203.

Woodworth, R. S. (1928). Dynamic psychology. In C. Murchison (Ed.),. Worcester, MA: Clark University Press.

Yuan, K.-H., Cheng, Y., & Maxwell, S. (2014). Moderation analysis using a two-level regression model.(4), 701–732

Yuan, Y., & MacKinnon, D. P. (2014). Robust mediation analysis based on median regression.,(1), 1–20.

Zu, J., & Yuan, K.-H. (2010). Local influence and robust procedures for mediation analysis.,(1), 1–44.

Methodological research on mediation effects in China’s mainland

WEN Zhonglin1, FANG Jie2, XIE Jinyan1, OUYANG Jinying1

(1Center for Studies of Psychological Application & School of Psychology, South China Normal University, Guangzhou 510631, China) (2Institute of New Development & Department of Applied Psychology, Guangdong University of Finance & Economics, Guangzhou 510320, China)

Mediation effect analysis is able to reveal the process and mechanism of the impact of independent variables on a dependent variable. As an important statistical method, mediation effect analysis has become a hot topic in methodological research in the last twenty years. The development of methodological research on mediation effects in China’s mainland is systematically reviewed from the five aspects, including testing method, effect size, the mediation effect test of categorical variables and longitudinal data, and model expansions. Specifically, model expansions include multiple mediation model, multilevel mediation model, moderated mediation model and mediated moderation models. Finally, recent progresses of foreign methodological studies on mediation effects and the future research directions are discussed.

mediation effect, test method, effect size, model expansion, categorical variable, longitudinal data

2021-07-26

* 國家自然科學(xué)基金項(xiàng)目(32171091, 31771245)、國家社會(huì)科學(xué)基金項(xiàng)目(17BTJ035)資助。

溫忠麟, E-mail: wenzl@scnu.edu.cn

B841