结构方程模型建模思路及Amos操作–中介变量效果确定

为什么要用中介

什么时候用中介变量？

1.自变量和因变量之间的关系不能够直接展示，X Y 的关系不明确的时候。（模型解释）

比如说一个结论“人是猴子变的”，“地球是圆的”，“恐龙是鸟变的”等，一开始的时候说这个结论的时候，大家都说不信的，直到找到中介变量，介于两者之间，间接的证明两者的关系，中介变量分别是“猿人化石”、“麦哲伦航海”、“始祖鸟化石”，经过这些中介变量，我们可以就可以说明X Y之间的关系。透过中介一定会产生信息的损失，但是不经过中介，就不会了解一个完整的讯息，所以两害相权取其轻

2.找到更多影响因变量的因素（自变量）。（模型设计）

如果Z作为X影响Y的中介变量，那么可以通过寻找其他更多影响Z的变量去增加自变量的个数。打个比方，我们发现只要川建国同志一发关于天朝的Twitter（X），黄金就涨价（Y），那我们可不可以认为建国同志的Twitter直接影响了国际黄金的走向。当然，我们认为建国的确有这样的实力。

可是，真是的原因是，中美两国这么大的经济体，如果发生贸易战，对世界来说都是极大的动荡，大家为了规避风险（Me），会倾向于选择黄金（Y）。同样的道理，还有多种情况大家会去规避风险（Me），譬如说货币政策，其他的国际局势紧张等等等，这样就可以为Y找到尽可能多的X。

3.寻找一个可以被控制的中介。

字面意思，不解释了。

基本概念

中介变量（mediator， intervening or intermediate， process，surrogate variable），解释两个变量之间“如何”及“为何”发生的过程。在理论上会影响所观察现象的因素，但是这些因素并不容易被察觉、测量或操弄。它的存在与效应可从自变量对观察的现象的影响推论而来。

如，现在我们逛B站的话，可以发现大会员占比非常高，评论一眼望去一片粉红。而我猜想，会不会是因为京电（京东电视台）、优酷土豆等搞的幺蛾子（X），导致B站采取了一定的会员优惠措施（Me，mediator），最终现在很多人成为了大会员（Y）。也就是我们不知道X的改变是不是会造成Y时候。见下图，就是一个中介模型。

京电要求它的番剧只能是会员播放（X），而我想看京电的齐木楠雄，我有很大的动机成为大会员（Y），这是京电（X）对我成为会员（Y）的直接效果（黑色的线），但这不足以影响我氪4年的大会员。因为京电的原因，影响了B站的会员政策（半价会员 Me），最终给了我更大的激励去氪金会员（Y），这就是京电带给我的间接效果（橙色的线）。直接效果加上间接效果，就是京电带给我的总效果（total effect）。

如果中介效果不存在

那意味着我的行为（Y）完全由京电（X）决定，B站对我的影响为0。那么X Y之间就是普通的回归关系。

如果中介效果存在

第一种情况，京电带给我的直接效果为0（c=0），也就是说我氪大会员的行为（Y）完全是因为B站，和京电无关，那么B站会员半价（Me）称为完全中介，Y完全由Me决定。

第二种情况，京电带给我仍有部分影响（c≠0），那么B站会员半价（Me）称为部分中介，也就是说我的行为（Y）一部分是X决定，一部分是Me决定。

综上，中介就是为了解释X到Y的过程。

中介的分类

（一）按照中介变量的性质分类

中介和调节作用分析的时候一样，可以分为中介是观察变量和潜在变量的情况。

1.所谓观察变量，用方框表示，就是可以直接观察到的。见上方小破站举例的图，X Y Me都是可以直接观察到的。就是一个观察变量的中介模型。

2.所谓潜在变量，用圆圈表示，就是不能直接观察到，而需要用几个可以直接看到的观察变量去测量这一潜在变量。见下图，我们不能直接观察到B站不忘初心、用户黏性高，所以我们要采用几个指标去测量X Y Me。

再譬如说，怎样测量B站不忘初心（X）呢，我们选择了几个指标（1.不向京电妥协、2.始终不加广告、3.营造国内最棒的ACG文化）。那凭什么说我选的这几个指标就可以很好的测量B站不忘初心（X）呢，这时候我们看loading值（因素负荷量，β值），如果loading值均大于0.7，表示模型具有较好的效度，各测量条目能较好的反应潜变量的真实情况。咳咳，扯远了，详情看之前的amos基础操作篇。见下图，就是一个完整的潜在变量的中介模型。

（二）按照中介的数量进行分类

可以分为一因子中介、二因子中介和多因子中介。

一因子中介

上面的几个例图都是一因子中介，无论是潜变量还是观察变量，均只有一个中介。

二因子中介

有如下两种情况

多因子中介模型

下面是最简单的一种多因子模型的构造

AMOS实操

中介效果的检定不像前面的调节效果的检定那样，根据变量不同的类型选择不同的方法，无论是针对潜变量还是观察变量的中介效果的检定，方法都是一样的。

所以我们按照中介变量的数目进行分类，然后安装不同的学者提出的方法进行讨论。

一因子中介

以下内容参考Andrew F. Hayes. Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millennium[J]. Communication Monographs, 2009, 76(4):408-420.

（一）因果法（The Baron and Kenny’s Approach B-Kmethod）

sobel test 其实是B-K法的补充，所以放在一起说

这个是比较原始的方法了，现在有更新的，所以这里我只介绍一下

最早提出中介研究的是Baron and Kenny两位大佬，1986年他们提出什么是中介，我们为什么要研究中介，他们的检定方法也称为B-K method。方法比较原始和简单粗暴。

原理：依次检验回归系数，回归系数见下图。

第一步：c是否显著。

检验自变量（X）是否会影响因变量（Y），我们研究就是X是否影响Y，如果首先X都不影响Y的话，那研究没有意义，可以终止了。公式： Y=c*X + e1 （c≠0且显著）

第二步：a，b是否显著。

检验自变量（X）是否会影响中介变量（Me），中介变量（Me）是否会影响Y。公式 Me=a*X +e2 （a≠0且显著）Y=b*Me + e3 （b≠0且显著）。

第三步：根据a，b是否显著选择检验c’还是sobel test。

检验是完全中介还是部分中介。如果a，b均显著表示中介效果存在（其实这一点不正确，中介效果表示为a*b，a显著，b显著，并不代表a*b就显著）。公式Y=c’*X+ b*Me + e4，c’显著则为部份中介，不显著则为完全中介。a,b均显著表示中介效果存在，至少有一个不显著的话做sobel test继续检验。

soble test参考文献：Sobel M E. Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Models[J]. Sociological Methodology, 1982, 13(13):290-312.

检验流程图见下。

图来源：温忠麟, 张雷, 侯杰泰,等. 中介效应检验程序及其应用[J]. 心理学报, 2004, 36(5):614-620.

因为这个方法有比较大的缺陷，见下

关于B-K test的criticism

• power是其他中介检验中最低的（Fritz & MacKinnon, 2007; MacKinnon, Lockwood, Hoffman, et al., 2002）
• 如果检验X对Y的间接效果，B-K test所用的因果检验是所有中介检验方法中最不可行的方法（Andrew F. Hayes，2009）

关于sobel test的criticism：sobel test说a，b，c是否显著用的是z 检验，而z检验的前提是数据是要服从正态分布的，而中介效果通常不符合正态分布，sobel test算出来的Z值是有偏的（(Bollen & Stine,1990; Stone & Sobel, 1990)）。所以用±1.96判断结果是否显著是不可行的，中介效果服从什么分布，应该采取什么标准去判断结果是否显著，目前是没有相关研究结果的。

虽然我们现在写论文不会用到sobel test，但是写中介论文一定要提一下sobel，B-K test，说一下sobel test 和B-K test存在的问题，以及为什么现在要用mackinnon的方法。要不然可能很多reviewer会认为你不懂中介。

如果还是想看B-K test，sobel test的amos实操，请在此篇文章留言，超过10个人留言有这个要求的话，我就单独更新。UP更稿真的很累。并且最近新出的番没有特别喜欢的，更没有更新的动力了。

（二）信赖区间法（目前最准确的方法）

原理：H0假设中介效果不存在，如果信赖区间没有包含0，则拒绝原假设，证明中介效果是存在的，如果包含0，证明中介效果不存在。

先介绍一下这次跑的模型，环境因素是X，行为是Y，主体素养是中介Me。这个模型彩蛋部分我有介绍。

第一种信赖区间法：bootstrap method

使用bootstrap得出的结果是无偏的，使得资料可以服从正太。bootstrap的原理我过段时间再查资料。

AMOS实操

第一步：选择bootstrap计算

output选择如下

然后到隔壁的bootstrap来，选择前三项。修改一下默认值，跑200次修改为跑200次，置信水平均改成95（即95%的置信水平）。

估计方法不用选，系统内置的就是ML（最大似然法）

选择运算。

跑完之后，画面是没有改变，点击看输出结果。

第二步 计算中介效果

看output—matrices

matrices放大，见下图，依次是总效果（非标准化）、标准化的总效果、直接效果（非标准化）、标准化的直接效果、间接效果（非标准化）、标准化的间接效果。

首先，点击indirect effects

这里注意，我们点击indirect effects而不是standardized indirect effects，也就是说，我们报告的是非标准化的中介效果，而不是标准化后的值。

一般而言，我们都是报告非标准化值（非标准化的总效果、直接和间接效果），因为非标准化值代表的是斜率，是有实际意义的，也更容易解释。

图中框起来的0.044其实就是a*b，现在我们有这个中介效果的计算值了，下一步就是检验中介效果是否显著，如果显著证明中介存在，我们就可以继续检验是完全中介还是部分中介，如果直接不显著，那证明中介效果是不存在的，我们的计算也就到此为止了。

第三步 检验中介效果是否存在

下面开始计算置信区间（点题了哈，* (๑´∀`๑)ง*，我们的这个方法的名称就叫做信赖区间法）

点击最下面的estimates/bootstrap—bootstrap confidence

先看lower bounds

lower bounds点击后，结果见下图。confidence的下限是0.04

再点击upper bounds，confidence的上限是0.049

所以，bootstrap的confidence的范围就是0.04-0.049，这一区间没有包含0，所以证明中介效果存在。检验就结束了。判断中介效果是否存在还可以点最下面的two tailed significance，见下图，值为0.01，小于0.05，证明中介效果存在。

同理，获取percenttile的lower bounds和upper bounds

第四步 检验是完全中介还是部分中介

检验完全中介还是部分中介，也就是看直接效果是否存在，如果直接效果存在的话，证明就是部分中介，如果直接效果不存在（检验不显著）的话，证明就是完全中介。

按照这个思路，我们点击最上面的direct effect，见下图的第一步，再像刚才间接效果那样子，填写bias-corrected percentile的lower bounds和upper bounds以及 percentile的lower bounds和upper bounds。如果包含0，则证明直接效果不存在，是完全中介，如果不包含0，证明直接效果存在，是部分中介。

本次检验结果见下面两张图，bias-corrected percentile的置信区间为0.257-0.287，不包含0，证明直接效果存在，为部分中介。

是环境to行为，别看错了哈。

第五步 将刚才计算的值填入报表（表格形式仅供参考）

第六步 估计间接效果的标准误及非标准化系数，再计算间接效果的显著水平(z值)

（这部分结果待会也要报告的，和上一张表格里面的内容最终可以汇总成为最后一张表）

间接效果的非标准化系数值：见下图点击matrics—indirect effects，然后再点击最下面的bootstrap结果里面的estimates，下图方框里面的值便是间接效果的非标准化系数值，为0.44。

间接效果的标准误：见下图点击matrics—indirect effects，然后再点击最下面的bootstrap结果里面的bootstrap standard errors，下图方框里面的值便是间接效果的标准误啦，为0.002。

间接效果的显著水平(z值)：Z值等于刚才计算的间接效果的非标准化系数值/间接效果的标准误=0.44/0.002>1.96，证明存在间接效果。

（三）MacKinnon提供的PRODCLIN2法计算

文献来源：Mackinnon D P, Fritz M S, Williams J, et al. Distribution of the product confidence limits for the indirect effect: Program PRODCLIN[J]. Behavior Research Methods, 2007, 39(3):384.

采用的是mackinnon自己设计的小软件prodclin2，现在大家几乎都是用mackinnon的方法证明中介。Mackinnon一生的研究几乎只有做中介，国外的论文凡是涉及中介变量的，几乎都要引用Mackinnon5-10篇文章。如果你投稿中介的论文，却没有引用mackinnon的paper，表示你对中介的了解还停留在25年前。

下载链接：pan.baidu.com/s/1iKnUSOBSbTGsB0sAW-ZZvQ

自己安装一下，点击运行就行，非常之方便。安装之后长这样。

双击点击，就可以直接打开了，见下图。

最上面有一行字

即在prodclin2中填入X→Me的系数（a）和a的标准误

见下图，点击amos的estimates—scalars—regression weight（这里也是要非标准化的a值，不要标准化的哦），可以看见a=0.96，se=0.03，填入prodclin2

填入以后，见下图，点击enter，然后会要求填入Me→Y的系数（b）和b的标准误，也就是主体–行为，下图中的0.046和0.002，继续填入，见下面第二张图。

接下来键入correlation（总效果的标准化值便是pearson相关系数）

点击matrics—standardized total effects，找到X→Y的系数估计，下图为0.318，键入prodclin2，按enter之后，会再要求填入alpha level，也就是α值，一般都是0.05，enter之后，结果见下面第二张图。

见上图，结果显示CI（置信区间）范围为0.039-0.04957，范围没有包括0，拒绝H0，认为中介效果存在。

mackinnon方法的直接效果计算

也就是c值（X→Y）的区间估计

点击amos的estimates—scalars—regression weight（这里也是要非标准化的c值，不要标准化的哦），可以看见c=0.271，se=0.08

那么c的区间估计就为（0.271-0.08*1.96，0.0271+0.08*1.96）

mackinnon方法的总效果计算

也就是c’值（X→Y）的区间估计

回到amos操作界面，将a，b值的回归权重设为0，设0的意思是代表Me和X Y 没有相关，那么运行出来的结果就直接是X对Y的总效果。

取消掉bootstrap会快一些，设定完以后，点击运行，这时候看output的estimate，这时候见下图，X对Y的影响就是总效果，见下图为0.262，se=0.008

那么c’的区间估计就为（0.262-0.008*1.96，0.0262+0.008*1.96）

（这是操作的过程哈，因为我写这个操作写了两天，数据可能稍稍有点变动）

将上述计算的过程最终带入下表。

就是我们最终需要在paper里面城乡的表格啦。

中介和干扰存在的时机

先玩一个小游戏，X 和 Y两个变量可以有多少种关系呢？

4种。

X Y 没有关系。

X决定Y，X 是自变量， Y是因变量。

Y决定X， Y 是自变量， X是因变量。

X Y 相互决定对方。

现在我们引入一个变量Z，X Y Z 三个变量可以有多少种关系呢？

那关系可就变得复杂得多得多得多了。（我数学不好，mackinnon在书里面没有讲公式，我瞎jb算一下，错了别怪我，都是时臣的错！！！( 。ớ ₃ờ) ，我是公共管理专业的文科生，有错误还请大神指出哦）

①X Y Z 没有关系，1种情况。

②X Y Z中只有两个变量有关系

类似于X→Y→Z这种，箭头是有方向的（向左或向右两种），并且是有数量（单方决定或双方互相决定两种）。排列组合运算一下，第一个位置是从三个字母里面选一个，第二个位置是两个字母里面选一个，第三个位置就是1。第一个箭头有向左、向右或双数三种选择，第二个箭头有也有三个相同选择。所以有下图这么多种选择。

③三个都有关系

X Y之间的箭头有三种关系，X Z和 Y Z之间的箭头也有三种关系，所以就有3的三次方种关系。

扯远了，我是有多蛋疼才去算这个。

在讨论三方关系，箭头为单（不存在双方相互影响）的情况下，这样子的关系在真实环境中存在的可能性才大，不会说是像排列组合那样，一下是单箭头，一下是双箭头。

我们分分类，三者之间的关系分析中，有如下几种类型的变量。

1.Confounder Z决定X，Z也决定Y，那么称Z为X Y的Confounder.

表示为 X←Z→Y

2.Covariate X Z 共同决定Y，那么称X Z 是Y 的Covariate，这就是常见的简单回归分析了。

表示为 X→Y←Z

3.Mediator（中介） X决定 Y Z，但同时Z对Y也有影响，X对Y的影响则分为两部分。

表示为 见下图

4.Moderator（调节）X决定 Y，但同时Z对X Y也有影响，X对Y的影响只有1部分。

表示为 见下图

在一个模型中，任意一个变量，本身既有自变量（X）的特性，又有因变量（Y）的特性，那么就必然有“干扰”或“中介”的现象存在。什么时候计算的是中介变量，什么时候计算的是调节变量呢？你不能快要运算完以后忽然加一个调节或干扰分析。中介和干扰这两个变量一定是要在文献回顾的时候，就决定谁是自变量，谁是因变量，因此引入的第三个变量根据X Y决定是干扰还是中介。如果你决定换分析角度，那意味着你的文献回顾也要重新修改。

当X Y Z同时存在三方双向箭头的时候，有个著名的理论—社会认知理论，由Bandura提出，研究的是环境、行为、个体三方互惠之间的关系，就如为下图所示。因为简单，还挺好用，应用范围挺广。

研究中介参考图书：

经典文献

Baron R M, Kenny D A. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations.[J]. Journal of Personality & Social Psychology, 1986, 51(6):1173.

Mackinnon D P, Lockwood C M, Hoffman J M, et al. A comparison of methods to test mediation and other intervening variable effects[J]. Psychological Methods, 2002, 7(1):83-104.

图书

Introduction to Statistical Mediation Analysis David P. Mackinnon

Mackinnon 的这本书将近500页，只讲中介，可以说是非常之深入的。

附链接：pan.baidu.com/s/1ROF05rYOW617tWZJDTsTKA

按照中介的类型采用不同的分析方法。

在平时的研究中，如果存在两个或多个中介时，我们的研究重点常常聚焦于在这些中介中，哪一个中介才是最重要的，比如说当我们选两个中介以后，我们常需要讨论这两个中介哪一个比较重要。

研究思路：

①探讨的这些因素中哪一个或哪几个才是中介

②这些中介中哪一个才是最重要的中介

③该中介的效果是多少，即该中介效果在总中介效果中的占比是多少。

各变量之间的关系：见下

总效果=直接效果+总中介效果

总中介效果=Me1+Me2+……+Men（就是所有单个中介效果之和）

Me1的中介效果=a1*b1（这个是Baron and Kenny 的提法，大家也都这样认为，唯一不能确定的就是a*b是可以计算出来，但是其是否显著是需要我们进行检验的）

Me2的中介效果=a2*b2

Me3或更多中介效果同理

检验计算思路：

在匹适度、loading值等等等都没有问题的基础上，计算中介效果也好、调节作用也好，前提一定是模型是成立的。所以模型检验、模型矫正工作这些都是已经做完并且模型通过检验了才可以进一步进行计算。

第一步检验总中介效果是否存在：这个就和我们进行anova分析一样，第一步先检验总的组间差异是否存在，如果总的中介效果存在的话，证明多个中介中，至少有一个中介是具有显著性的，如果总的中介效果都不存在的话，就意味着你所选的多个中介效果都不存在，那么分析到这里就可以结束了。

第二步检验直接效果是否存在，这样就可以判断是完全中介还是部分中介。

第三步，如果总中介效果存在的话，单独检验每一个中介效果是否显著。这里就存在一个问题了，当前的统计软件，包括eqs，amos，liseral这些，虽然可以计算出总的中介效果，但是是不能单独计算出每一条特定中介的间接效果及其标准误的，也就是说不能检验该条中介是否显著。所以为了克服这个问题，我们还是采用上一篇所介绍的MacKinnon提供的PRODCLIN2去检验每一条单独的中介效果是否显著。

还可以把计算的中介效果最大的值除以总间接效果，这样就可以得出我们感兴趣的影响最大的中介效果在总中介效果中的占比。

总中介效果（amos）=特定的中介效果（我们感兴趣的那条，mackinnon的方法）+其他中介效果。当前所有统计软件mackinnon在计算二因子中介是用了SAS、eqs、liseral、手算，但是没有写amos的教程，这个我学不来学不来，忧桑。

AMOS实操

二因子无因果中介

即两个因子之间是没有因果关系的。Holbert R 将二因子无因果中介模型分为直接效果、间接效果，特定的间接效果及总效果。研究这一特定的间接效果在总间接效果中的占比。

第一种：自变量只有一个（只有一个X）

这个是模型图

在analysis prosperities中选上indirect, direct& total effects

和上一篇一样选上bootstrap，跑2000次

点击运行，和上一篇的步骤一样，打开output

点击estimates—matrics–indirect effects–点击下方的bootstrap的估计

分别点一下的estimates和bootstrap standard error，这样就可以计算出总间接效果的点估计值和标准误。

见下图0.564就是总间接效果的点估计值，标准误为0.171。

图2

同理，和上一篇一样，看总间接效果的显著性，也是区间法，看bias-corrected percentile method 和 percentile method的信赖区间。

快速判断的方法就是看双尾显著性（two tailed significance）就是我打勾的那里。见下图2，显著性小于0.05，证明存在中介效果。

然而，我们只证明了总中介效果显著，这意味着M1 M2两个中介，只要其中有一个中介效果是显著的，那么总中介效果就显著。所以，接下来的思路就是检验M1 M2的单独的中介效果是否存在，效果值是多少。

还是

依次输入M1 M2的 a b c值带去proclin中计算

M1显著性计算。

M2显著性计算

部分中介和完全中介的检验方式参加上一篇文章。

第二种 有多个自变量

见下图，这时候的总中介效果有两个，分别是X1-Y和 X2-Y的总中介效果。(多于两个X的计算起来应该也差不多，3个潜变量的2个中介的模型太复杂的，很少见，并且这种模型这么复杂，很容易被简约性指标惩罚，在一开始的匹适度检验中就比较难通过，所以就只分析2个X2个中介，没有检验步骤，因为我没有相关数据，但是理论上的计算过程和检验见下）

特殊中介效果有4个，

分别是X1-Me1-Y a11*b1

X1-Me2-Y a12*b2

X2-Me1-Y a21*b1

X2-Me2-Y a22*b2

检验步骤也是模型通过检验后，检验总间接效果是否显著，总间接效果显著后再用mackinnon的PRODCLIN2依次检验各间接效果是否显著。其他的如果有2个Y，也和这个是同样的计算和检验思路。

二因子因果中介（无操作）

也常称为远程中介（distal mediation）。这样子中介效果中存在因果关系的，一般最多2个（两层中介）。打个比方，见下图，如果还存在一个Me3，也就是说X要经过三次才可以到达Y，假如a1 b1 b2 b3（标准化系数）都等于0.9，那么X-Y的中介效果=0.9*0.9*0.9*0.9=0.65，而实际计算的时候不会这么理想，往往值也会变得很小，所以当中介效果过小的时候，已经没有再分析的必要了。

所以，因果中介，最好只有2个。

二因子中介下图左右两边其实是一样的，只是右边的图相较于左边把Me2挪到了下边，不信你仔细看看，所以画成左边或者画成右边其实都一样，主要是看自己喜好。

还是和非因果中介一样，总中介效果=各条特殊中介之和

具体看X 到 Y 有多少条路径，就有多少条特殊中介

X–Me1–Y

X–Me2–Y

X–Me1–Me2–Y

所以说，如果X 想要达到（影响）Y的话，有三种方法，也就是有三条特殊中介。

中介的检验思路都是一样的：总间接效果是否存在，特殊的中介效果是否存在

但是这时候出现了一个小问题，刚才我们检验单个中介的时候（X–Me1–Y

X–Me2–Y），用的是mackinnon的方法都是一个distance，现在有一个中介效果X–Me1–Me2–Y是有两个distance，所以对于有两个distance的中介效果的检定，这时候需要手算啦，反正都很简单。

国内这篇文章：李彩娜, 党健宁, 何姗姗,等. 羞怯与孤独感–自我效能的多重中介效应[J]. 心理学报, 2013, 45(11):1251-1260.

见下图，为2因子中介，但是这篇文章没有采用mackinnon的方法，而是直接用boostrap计算，bootstrap跑完以后，资料趋近于服从正太，这位老师用中介效应的平均路径值当做点估计值，2.5和97.5分位数估计95%置信区间。所有的中介效果都是直接用标准化系数值相乘。

就是到这个位置，找了很多文献都没有找到操作，导致我把这篇更文搁置在草稿箱3个月。

只能等着以后写论文遇到了再继续补充了，所以这一篇算半成品。

之后只有遇到什么结构方程模型相关问题才会更文，下一阶段集中在ucinet，Excel这些。

小知识点的彩蛋：什么时候做中介，什么时候做干扰

中介是干扰的特例：干扰要产生足够的影响，否则的话那就是中介。

如果调查样本的同质性较高，应该考虑中介效果，如果存在异质性应该考虑干扰。

样本量较大、样本分散才能跑出不同斜率。判断XY的相关性较高，做中介

相关性低于0.3，考虑做干扰。

参考文献：Holbert R L, Stephenson M T. The Importance of Indirect Effects in Media Effects Research: Testing for Mediation in Structural Equation Modeling.[J]. Journal of Broadcasting & Electronic Media, 2003, 47(4):556-572.

Fletcher T D. Methods and Approaches to Assessing Distal Mediation[J]. 2006.