简介运用SPSS和AMOS进行中介效应分析的报告面向社会科学、心理学等领域的科研人员与高校学生系统讲解中介变量的概念及因果链检验方法。文档以大学生就业压力与择业行为为例清晰阐述依次检验法、系数乘积项检验法含Sobel检验的操作步骤并对比完全中介与不完全中介的判定标准。报告还涵盖三个回归方程的构建、系数乘积项标准误计算并指出依次检验可能存在的第二类错误建议大样本下采用Sobel检验。同时说明SPSS与AMOS在实际分析中的分工SPSS适用于逐步回归执行依次检验AMOS可构建复杂中介模型并直接计算间接效应但Sobel检验需手动计算。资源为一份PDF文档大小1.15MB便于阅读与打印目前已有1644人学习下载适合需要掌握中介效应分析流程、提升量化研究技能的读者。1. 为什么中介效应分析报告总是一前一后摆着SPSS和AMOS中介效应回答的问题不是“X是否影响Y”而是“X通过哪条路径影响Y这条路径占了多少分量”。你做一个推荐策略的AB实验发现实验组点击率上升了但运营想知道的往往不是“涨没涨”而是“是推送触达起了作用还是落地页承接起了作用”——这就是M中介变量要回答的事情。实际业务里IT人员用Python也能做回归但到了出报告、过评审、投期刊这一步格式要求、检验口径和审稿人的习惯都指向同一套组合SPSS做数据预处理和描述统计AMOS做结构方程路径建模和中介效应检验。这套打法不新但它解决了两个非常实际的问题一是中介效应的显著性检验要依赖Bootstrap置信区间SPSS菜单里没有现成的二是回归系数可以靠手算但模型拟合指标、标准化路径系数、误差项关系这些内容没有结构方程工具很难画出来。因此本文就按一份“中介效应分析报告”从零到可提交的顺序把变量检查、相关分析、AMOS建模、参数设置和报告写法串成一条能照做的流水线。2. 先用SPSS完成数据体检与变量相关性分析拒绝把脏数据带进AMOS中介效应分析的数据准备环节是最被人低估的。很多人拿到历程就直接拖进AMOS画图结果模型不收敛、卡方值为零、路径系数大于1排查半天才发现问题出在原始数据上变量类型不对、缺失值太多、量表总分和维度分混在一起。所以我的习惯是任何数据进入AMOS之前必须先经过一轮SPSS层面的检查。2.1 数据文件里必须有且仅有分析要用的变量一个常见错误是把问卷里三十多道题目全部放进.sav文件再一股脑导入AMOS。AMOS不是不能处理多变量而是模型里每多一个变量就多一批要估计的协方差参数模型识别难度和收敛风险都会上升。比较清爽的做法是在SPSS里先建立三个变量集合自变量X、中介变量M、因变量Y。X可以是单题项M和Y如果是量表就先把反向题处理好再做均值合成让M和Y成为可直接参与路径分析的单列分数。SPSS里面最简单的合成指令是COMPUTE例如* 反向题计分如果量表是1~5分6减原始分即为反向分 COMPUTE M_rev 6 - M1. EXECUTE. * 合成中介变量总分缺失值按均值处理 COMPUTE M MEAN(M1, M2, M3, M_rev, M5). EXECUTE.这段语法的逻辑是把多个题目合并成单一中介变量分数。MEAN函数会自动忽略缺失值只要被试至少回答了一个题项就能计算不会因为某道题没填导致整行被删除。这里的变量命名M1到M5只是占位实际使用时替换成你问卷里的题目名即可。反向题为什么在合成前必须先转因为如果不转反向题的方差会被正向题抵消合成的总分信度会明显下降进而影响后续路径系数的估计稳定性。2.2 用SPSS相关性分析确认中介效应的基本前提中介效应的逻辑链条是X→M、M→Y、X→Y。如果X和Y之间根本没有相关仍可以严格意义上存在中介效应但在经验上很难解释审稿时也容易被质疑。所以在做AMOS之前先用SPSS的CORRELATIONS过程把三个核心变量的皮尔逊相关矩阵跑出来是标准动作。CORRELATIONS /VARIABLESX M Y /PRINTTWOTAIL NOSIG /MISSINGPAIRWISE.输出结果里需要重点读两个地方一是X与M、M与Y是否显著二是相关系数是否超过0.8。如果超过0.8说明变量之间存在高度共线性AMOS里面会出现令人困惑的结果比如方差膨胀因子超限、Bootstrap置信区间极不稳定。对连续变量之间的相关分析皮尔逊相关适用如果X或M是有序分类变量建议改用NONPAR CORR做斯皮尔曼相关口径更稳妥。还有一点MISSINGPAIRWISE和默认的MISSINGLISTWISE结果差别很大。用LISTWISE时任何变量有缺失的被试整行被剔除PAIRWISE则只对参与计算的两个变量做成对剔除。中介效应分析样本量本就珍贵一般我倾向保留PAIRWISE但前提是缺失比例不要超过10%。2.3 描述统计里藏着的三个危险信号除了相关矩阵描述统计也不可跳过。用DESCRIPTIVES同时输出均值、标准差、偏度、峰度DESCRIPTIVES VARIABLESX M Y /STATISTICSMEAN STDDEV MIN MAX KURTOSIS SKEWNESS.偏度绝对值大于2、峰度绝对值大于7时变量分布已经明显偏离正态。AMOS默认使用的最大似然估计法对多元正态性比较敏感非正态数据会让卡方统计量和标准误偏差Bootstrap置信区间的结果也更难解释。处理办法有三个一是用TRANSFORM做对数或倒数转换但转换后系数的单位解释会比较绕二是在AMOS的估计方法里选渐进分布自由法ADF但是这个方法对样本量要求极高少于1000个样本慎用三是直接保留原数据但在AMOS里增加Bootstrap重复次数来纠正标准误偏差这是最不需要解释、也最常用的策略。这正好对应了中介效应报告里“Bootstrap结果更稳健”这句常见表述。3. 在AMOS里画出中介路径图并理解模型的自由度从哪来数据在SPSS里清理完毕后下一步是把.sav数据引入AMOS按照假设画出路径图。这一步是很多人第一次接触AMOS时的分水岭会画图的人两分钟搞定不会画的人卡在变量命名和箭头方向上。3.1 把SPSS数据文件关联到AMOS模型AMOS Graphics的默认窗口是一个空白画布右侧是工具箱。先在工具栏里选择“选择数据文件”图标将SPSS保存的.sav文件指定为模型的Data Source。SPSS里保存文件这一步可以顺手做掉SAVE OUTFILED:\mediation\final_data.sav /COMPRESSED..sav文件是SPSS的原生格式AMOS能直接读取不需要转换成CSV也避免了CSV导入时中文列名乱码、小数位丢失的问题。变量名最好在SPSS阶段就用英文字母命名AMOS在显示中文标签时兼容性不如英文变量名画图界面里中文会挤在一起影响后续截图和演示。3.2 三个矩形、两个箭头、一个残差项最小中介模型画法打开AMOS后用绘图工具在画布上放置三个矩形分别命名X、M、Y。然后从“画出单箭头路径”工具出发依次画X指向M、M指向Y、X指向Y的三条箭头。如果假设是完全中介X指向Y的箭头可以不画但报告里通常建议画出来然后在结果中检查这条直接路径是否显著以区分完全中介和部分中介。这里有一个AMOS新手必踩的坑AMOS中每个内生变量都要有残差项。M和Y是被解释变量必须在AMOS里自动生成残差变量的选项被关闭时手动补上。画法是在残差工具栏中选择“用一个未观测变量指向一个观测变量”分别给M和Y添加残差圆并把残差变量命名为e1和e2。如果没有残差项模型会因自由度不足而无法识别软件会直接报错错误信息是“Model is unidentified”。3.3 模型识别的本质是“待估参数不能超过数据能提供的信息”结构方程模型里有个概念叫自由度它的计算方式是数据协方差矩阵中的不重复元素个数减去模型中待估参数个数。对三个观测变量的饱和模型协方差矩阵有3×2/23个方差和3个协方差一共6个元素。中介模型要估计X的方差、M和Y的残差方差、三条路径系数一共也是6个待估参数所以自由度为零。自由度为零意味着模型饱和拟合指标没有意义AMOS会提示你需要加入更多信息或调整模型才能评估拟合优度。一个三变量显变量中介模型本质上没法谈模型拟合度因为信息量刚好够。如果审稿要求报告拟合指标就必须加潜变量或引入控制变量、多组变量来增加信息。这也是为什么很多量表中介研究一定要把题目拆分成潜变量模型的直接原因潜变量多了数据能提供的协方差数量远超待估参数模型才有残差空间去计算拟合度。你如果只用三个总分变量做中介那份报告就不该出现CFI和RMSEA硬塞进去反而显得不专业。3.4 AMOS属性面板里为什么建议勾选Estimate means and intercepts数据缺失较少时AMOS默认会按完整数据行计算。但实际问卷里完全没有缺失的比例不高所以我一般在“Analysis Properties”里勾选Estimate means and intercepts。这个选项启用后AMOS会使用全信息最大似然估计对所有可用数据进行分析而不是简单剔除缺失值。对中介效应这种本身样本量不富裕的场景能保住一个是一个。它的代价是运行时明显变慢输出里会多出一截均值参数但对正式报告没有影响。4. 用Bootstrap检验间接效应AMOS里必须亲手设置的四个参数中介效应的检验逻辑近二十年经历了一次换血。老的Baron和Kenny三步法要求先证明X对Y总效应显著再逐步加入M看X的系数是否消失这种做法在学界已经被批判得很厉害因为它对效应较弱但明确存在的间接效应完全没有检测力。现在的主流标准是看间接效应的Bootstrap置信区间是否包含零。AMOS的Bootstrap模块正是为这个需求设计的。4.1 操作路径Analysis Properties里的Bootstrap选项卡在AMOS菜单栏依次打开Analysis Properties选择Bootstrap选项卡然后勾选Perform bootstrap。这个选项卡里四个关键参数按我常用的方案设置如下参数推荐设置备注Number of bootstrap samples5000低于1000时置信区间不稳定5000是期刊审稿人接受度最高的值Confidence level95与显著性水平α0.05对应Bootstrap confidence intervalsBias-corrected percentile偏差校正置信区间检验力最优Sampling methodMonte Carlo对原始数据做有效回置抽样适合小样本参数设置里最容易被忽略的是置信区间类型。AMOS提供了Percentile confidence intervals和Bias-corrected percentile两种选项前者的区间是直接从分布分位数里取的后者会额外校正抽样分布的中位数偏移。大量对比研究表明偏差校正法检验力更高尤其当中介效应分布有偏时更为稳健所以默认选Bias-corrected。不过偏差校正法也有自己的问题在总效应极低或样本极小、比如低于200时它的第一类错误率有时会略微膨胀这时就改用百分位法对比着看两个结果都覆盖零那就无论如何都不显著。4.2 读取输出直接效应、间接效应、总效应三张表设置完成后按F11运行模型点击View Text按钮查看输出。Bootstrap相关的结果通常出现在Estimates和Bootstrap两个大标题下需要依次找到Standardized Total Effects、Standardized Direct Effects、Standardized Indirect Effects三张表。这里有个规律只要间接效应的置信区间不包含0比如区间是[0.12, 0.35]就说明X→M→Y这条路径确实存在再看直接效应如果X→Y的区间也不含0那就是部分中介说明X对Y既有直接影响也通过M起作用。如果直接效应区间包含0则结论是X对Y的影响全部通过M实现即完全中介。报告里的数据要从标准化的输出中摘取还是用非标准化的数据这要视期刊规范而定。心理学和管理学习惯写标准化路径系数经济学则偏好报告非标准化系数和显著性。若不确认就同时保存两张表正文主用标准化数据附录放非标准化数据。AMOS输出默认只保留三位小数如果区间边界恰好是0.000不要写p0.000要写p0.001否则会被质疑除了四舍五入问题。4.3 同质检验一个容易被忽略的Bootstrap前提Bootstrap的本质假设是样本能代表总体抽样过程是对样本自身的反复重采样。当样本偏斜严重或者存在明显的离群值Bootstrap抽样分布会被这些异常值扰动置信区间可能变得异常宽。因此在跑Bootstrap之前我通常会先在SPSS里做一次箱线图检查EXAMINE VARIABLESX M Y /PLOTBOXPLOT /COMPARE GROUP /STATISTICSEXTREME /MISSINGLISTWISE.输出里有EXTREME VALUES表列出远离分布中心的前几个个案。对极端的离群值是删除还是保留取决于它是否来自真实的业务场景。对用户行为数据一个极端点击用户可能正好是策略优化的对象删了反而丢失信息。如果是问卷数据连续多题极端作答的样本大概率是乱填那就要剔除。处理之后再回到AMOS里重跑Bootstrap区间会更稳定。5. 报告如何写中介效应结论置信区间优先别只放一个p值很多人拿到AMOS输出的路径系数就照着表把数字填进报告最后得到一个“X对M显著M对Y显著X对Y不显著因此完全中介”的结论。这个写法在近五年的审稿规则里已经不太好用原因在于“完全中介”的结论过于依赖阈值判定样本量一变结论就翻盘。更稳妥的报告思路是把间接效应的置信区间放在核心位置。标准的报告表格包含四列效应类型、标准化效应值、标准误、95%信赖区间。以一份典型数据为例效应路径标准化效应值标准误95%置信区间总效应X→Y0.510.08[0.35, 0.67]直接效应X→Y0.200.09[0.02, 0.38]间接效应X→M→Y0.310.06[0.19, 0.43]间接效应置信区间不含零才能下结论说中介效应成立。报告文字可写为“间接效应的偏差校正Bootstrap 95%置信区间为[0.19, 0.43]不包含0中介效应显著”。这一句话比罗列三个p值都更有力因为它直接对应了抽样分布的不确定性也符合Bootstrap法的实质。如果你希望再进一步可以补一个占比指标间接效应占总效应的比例即0.31/0.51≈61%。要注意当直接效应与间接效应方向相反时会出现“遮掩效应”这时计算占比没有意义直接分开报告直接效应与间接效应的方向即可。做到这一步之后还有一个值得写在附录里的操作把AMOS中Bootstrap输出里的Standardized Indirect Effects Lower Bounds和Upper Bounds两张原始表截取出来作为支撑材料附在报告后面。这样审阅的人可以快速核对置信区间和间接效应值的来源而不必重新打开AMOS模型文件。实际评审场景中多数质疑集中在样本量、Bootstrap重复次数和置信区间类型这三个点上所以在方法学部分把这三点说明白比堆一堆拟合指标更有效率。本文还有配套的精品资源点击获取 
长河君 · 2026/9/17 18:02:32 · 阅读 1.2k SPSS与AMOS中介效应分析全流程：数据准备、路径建模与Bootstrap检验
简介运用SPSS和AMOS进行中介效应分析的报告面向社会科学、心理学等领域的科研人员与高校学生系统讲解中介变量的概念及因果链检验方法。文档以大学生就业压力与择业行为为例清晰阐述依次检验法、系数乘积项检验法含Sobel检验的操作步骤并对比完全中介与不完全中介的判定标准。报告还涵盖三个回归方程的构建、系数乘积项标准误计算并指出依次检验可能存在的第二类错误建议大样本下采用Sobel检验。同时说明SPSS与AMOS在实际分析中的分工SPSS适用于逐步回归执行依次检验AMOS可构建复杂中介模型并直接计算间接效应但Sobel检验需手动计算。资源为一份PDF文档大小1.15MB便于阅读与打印目前已有1644人学习下载适合需要掌握中介效应分析流程、提升量化研究技能的读者。1. 为什么中介效应分析报告总是一前一后摆着SPSS和AMOS中介效应回答的问题不是“X是否影响Y”而是“X通过哪条路径影响Y这条路径占了多少分量”。你做一个推荐策略的AB实验发现实验组点击率上升了但运营想知道的往往不是“涨没涨”而是“是推送触达起了作用还是落地页承接起了作用”——这就是M中介变量要回答的事情。实际业务里IT人员用Python也能做回归但到了出报告、过评审、投期刊这一步格式要求、检验口径和审稿人的习惯都指向同一套组合SPSS做数据预处理和描述统计AMOS做结构方程路径建模和中介效应检验。这套打法不新但它解决了两个非常实际的问题一是中介效应的显著性检验要依赖Bootstrap置信区间SPSS菜单里没有现成的二是回归系数可以靠手算但模型拟合指标、标准化路径系数、误差项关系这些内容没有结构方程工具很难画出来。因此本文就按一份“中介效应分析报告”从零到可提交的顺序把变量检查、相关分析、AMOS建模、参数设置和报告写法串成一条能照做的流水线。2. 先用SPSS完成数据体检与变量相关性分析拒绝把脏数据带进AMOS中介效应分析的数据准备环节是最被人低估的。很多人拿到历程就直接拖进AMOS画图结果模型不收敛、卡方值为零、路径系数大于1排查半天才发现问题出在原始数据上变量类型不对、缺失值太多、量表总分和维度分混在一起。所以我的习惯是任何数据进入AMOS之前必须先经过一轮SPSS层面的检查。2.1 数据文件里必须有且仅有分析要用的变量一个常见错误是把问卷里三十多道题目全部放进.sav文件再一股脑导入AMOS。AMOS不是不能处理多变量而是模型里每多一个变量就多一批要估计的协方差参数模型识别难度和收敛风险都会上升。比较清爽的做法是在SPSS里先建立三个变量集合自变量X、中介变量M、因变量Y。X可以是单题项M和Y如果是量表就先把反向题处理好再做均值合成让M和Y成为可直接参与路径分析的单列分数。SPSS里面最简单的合成指令是COMPUTE例如* 反向题计分如果量表是1~5分6减原始分即为反向分 COMPUTE M_rev 6 - M1. EXECUTE. * 合成中介变量总分缺失值按均值处理 COMPUTE M MEAN(M1, M2, M3, M_rev, M5). EXECUTE.这段语法的逻辑是把多个题目合并成单一中介变量分数。MEAN函数会自动忽略缺失值只要被试至少回答了一个题项就能计算不会因为某道题没填导致整行被删除。这里的变量命名M1到M5只是占位实际使用时替换成你问卷里的题目名即可。反向题为什么在合成前必须先转因为如果不转反向题的方差会被正向题抵消合成的总分信度会明显下降进而影响后续路径系数的估计稳定性。2.2 用SPSS相关性分析确认中介效应的基本前提中介效应的逻辑链条是X→M、M→Y、X→Y。如果X和Y之间根本没有相关仍可以严格意义上存在中介效应但在经验上很难解释审稿时也容易被质疑。所以在做AMOS之前先用SPSS的CORRELATIONS过程把三个核心变量的皮尔逊相关矩阵跑出来是标准动作。CORRELATIONS /VARIABLESX M Y /PRINTTWOTAIL NOSIG /MISSINGPAIRWISE.输出结果里需要重点读两个地方一是X与M、M与Y是否显著二是相关系数是否超过0.8。如果超过0.8说明变量之间存在高度共线性AMOS里面会出现令人困惑的结果比如方差膨胀因子超限、Bootstrap置信区间极不稳定。对连续变量之间的相关分析皮尔逊相关适用如果X或M是有序分类变量建议改用NONPAR CORR做斯皮尔曼相关口径更稳妥。还有一点MISSINGPAIRWISE和默认的MISSINGLISTWISE结果差别很大。用LISTWISE时任何变量有缺失的被试整行被剔除PAIRWISE则只对参与计算的两个变量做成对剔除。中介效应分析样本量本就珍贵一般我倾向保留PAIRWISE但前提是缺失比例不要超过10%。2.3 描述统计里藏着的三个危险信号除了相关矩阵描述统计也不可跳过。用DESCRIPTIVES同时输出均值、标准差、偏度、峰度DESCRIPTIVES VARIABLESX M Y /STATISTICSMEAN STDDEV MIN MAX KURTOSIS SKEWNESS.偏度绝对值大于2、峰度绝对值大于7时变量分布已经明显偏离正态。AMOS默认使用的最大似然估计法对多元正态性比较敏感非正态数据会让卡方统计量和标准误偏差Bootstrap置信区间的结果也更难解释。处理办法有三个一是用TRANSFORM做对数或倒数转换但转换后系数的单位解释会比较绕二是在AMOS的估计方法里选渐进分布自由法ADF但是这个方法对样本量要求极高少于1000个样本慎用三是直接保留原数据但在AMOS里增加Bootstrap重复次数来纠正标准误偏差这是最不需要解释、也最常用的策略。这正好对应了中介效应报告里“Bootstrap结果更稳健”这句常见表述。3. 在AMOS里画出中介路径图并理解模型的自由度从哪来数据在SPSS里清理完毕后下一步是把.sav数据引入AMOS按照假设画出路径图。这一步是很多人第一次接触AMOS时的分水岭会画图的人两分钟搞定不会画的人卡在变量命名和箭头方向上。3.1 把SPSS数据文件关联到AMOS模型AMOS Graphics的默认窗口是一个空白画布右侧是工具箱。先在工具栏里选择“选择数据文件”图标将SPSS保存的.sav文件指定为模型的Data Source。SPSS里保存文件这一步可以顺手做掉SAVE OUTFILED:\mediation\final_data.sav /COMPRESSED..sav文件是SPSS的原生格式AMOS能直接读取不需要转换成CSV也避免了CSV导入时中文列名乱码、小数位丢失的问题。变量名最好在SPSS阶段就用英文字母命名AMOS在显示中文标签时兼容性不如英文变量名画图界面里中文会挤在一起影响后续截图和演示。3.2 三个矩形、两个箭头、一个残差项最小中介模型画法打开AMOS后用绘图工具在画布上放置三个矩形分别命名X、M、Y。然后从“画出单箭头路径”工具出发依次画X指向M、M指向Y、X指向Y的三条箭头。如果假设是完全中介X指向Y的箭头可以不画但报告里通常建议画出来然后在结果中检查这条直接路径是否显著以区分完全中介和部分中介。这里有一个AMOS新手必踩的坑AMOS中每个内生变量都要有残差项。M和Y是被解释变量必须在AMOS里自动生成残差变量的选项被关闭时手动补上。画法是在残差工具栏中选择“用一个未观测变量指向一个观测变量”分别给M和Y添加残差圆并把残差变量命名为e1和e2。如果没有残差项模型会因自由度不足而无法识别软件会直接报错错误信息是“Model is unidentified”。3.3 模型识别的本质是“待估参数不能超过数据能提供的信息”结构方程模型里有个概念叫自由度它的计算方式是数据协方差矩阵中的不重复元素个数减去模型中待估参数个数。对三个观测变量的饱和模型协方差矩阵有3×2/23个方差和3个协方差一共6个元素。中介模型要估计X的方差、M和Y的残差方差、三条路径系数一共也是6个待估参数所以自由度为零。自由度为零意味着模型饱和拟合指标没有意义AMOS会提示你需要加入更多信息或调整模型才能评估拟合优度。一个三变量显变量中介模型本质上没法谈模型拟合度因为信息量刚好够。如果审稿要求报告拟合指标就必须加潜变量或引入控制变量、多组变量来增加信息。这也是为什么很多量表中介研究一定要把题目拆分成潜变量模型的直接原因潜变量多了数据能提供的协方差数量远超待估参数模型才有残差空间去计算拟合度。你如果只用三个总分变量做中介那份报告就不该出现CFI和RMSEA硬塞进去反而显得不专业。3.4 AMOS属性面板里为什么建议勾选Estimate means and intercepts数据缺失较少时AMOS默认会按完整数据行计算。但实际问卷里完全没有缺失的比例不高所以我一般在“Analysis Properties”里勾选Estimate means and intercepts。这个选项启用后AMOS会使用全信息最大似然估计对所有可用数据进行分析而不是简单剔除缺失值。对中介效应这种本身样本量不富裕的场景能保住一个是一个。它的代价是运行时明显变慢输出里会多出一截均值参数但对正式报告没有影响。4. 用Bootstrap检验间接效应AMOS里必须亲手设置的四个参数中介效应的检验逻辑近二十年经历了一次换血。老的Baron和Kenny三步法要求先证明X对Y总效应显著再逐步加入M看X的系数是否消失这种做法在学界已经被批判得很厉害因为它对效应较弱但明确存在的间接效应完全没有检测力。现在的主流标准是看间接效应的Bootstrap置信区间是否包含零。AMOS的Bootstrap模块正是为这个需求设计的。4.1 操作路径Analysis Properties里的Bootstrap选项卡在AMOS菜单栏依次打开Analysis Properties选择Bootstrap选项卡然后勾选Perform bootstrap。这个选项卡里四个关键参数按我常用的方案设置如下参数推荐设置备注Number of bootstrap samples5000低于1000时置信区间不稳定5000是期刊审稿人接受度最高的值Confidence level95与显著性水平α0.05对应Bootstrap confidence intervalsBias-corrected percentile偏差校正置信区间检验力最优Sampling methodMonte Carlo对原始数据做有效回置抽样适合小样本参数设置里最容易被忽略的是置信区间类型。AMOS提供了Percentile confidence intervals和Bias-corrected percentile两种选项前者的区间是直接从分布分位数里取的后者会额外校正抽样分布的中位数偏移。大量对比研究表明偏差校正法检验力更高尤其当中介效应分布有偏时更为稳健所以默认选Bias-corrected。不过偏差校正法也有自己的问题在总效应极低或样本极小、比如低于200时它的第一类错误率有时会略微膨胀这时就改用百分位法对比着看两个结果都覆盖零那就无论如何都不显著。4.2 读取输出直接效应、间接效应、总效应三张表设置完成后按F11运行模型点击View Text按钮查看输出。Bootstrap相关的结果通常出现在Estimates和Bootstrap两个大标题下需要依次找到Standardized Total Effects、Standardized Direct Effects、Standardized Indirect Effects三张表。这里有个规律只要间接效应的置信区间不包含0比如区间是[0.12, 0.35]就说明X→M→Y这条路径确实存在再看直接效应如果X→Y的区间也不含0那就是部分中介说明X对Y既有直接影响也通过M起作用。如果直接效应区间包含0则结论是X对Y的影响全部通过M实现即完全中介。报告里的数据要从标准化的输出中摘取还是用非标准化的数据这要视期刊规范而定。心理学和管理学习惯写标准化路径系数经济学则偏好报告非标准化系数和显著性。若不确认就同时保存两张表正文主用标准化数据附录放非标准化数据。AMOS输出默认只保留三位小数如果区间边界恰好是0.000不要写p0.000要写p0.001否则会被质疑除了四舍五入问题。4.3 同质检验一个容易被忽略的Bootstrap前提Bootstrap的本质假设是样本能代表总体抽样过程是对样本自身的反复重采样。当样本偏斜严重或者存在明显的离群值Bootstrap抽样分布会被这些异常值扰动置信区间可能变得异常宽。因此在跑Bootstrap之前我通常会先在SPSS里做一次箱线图检查EXAMINE VARIABLESX M Y /PLOTBOXPLOT /COMPARE GROUP /STATISTICSEXTREME /MISSINGLISTWISE.输出里有EXTREME VALUES表列出远离分布中心的前几个个案。对极端的离群值是删除还是保留取决于它是否来自真实的业务场景。对用户行为数据一个极端点击用户可能正好是策略优化的对象删了反而丢失信息。如果是问卷数据连续多题极端作答的样本大概率是乱填那就要剔除。处理之后再回到AMOS里重跑Bootstrap区间会更稳定。5. 报告如何写中介效应结论置信区间优先别只放一个p值很多人拿到AMOS输出的路径系数就照着表把数字填进报告最后得到一个“X对M显著M对Y显著X对Y不显著因此完全中介”的结论。这个写法在近五年的审稿规则里已经不太好用原因在于“完全中介”的结论过于依赖阈值判定样本量一变结论就翻盘。更稳妥的报告思路是把间接效应的置信区间放在核心位置。标准的报告表格包含四列效应类型、标准化效应值、标准误、95%信赖区间。以一份典型数据为例效应路径标准化效应值标准误95%置信区间总效应X→Y0.510.08[0.35, 0.67]直接效应X→Y0.200.09[0.02, 0.38]间接效应X→M→Y0.310.06[0.19, 0.43]间接效应置信区间不含零才能下结论说中介效应成立。报告文字可写为“间接效应的偏差校正Bootstrap 95%置信区间为[0.19, 0.43]不包含0中介效应显著”。这一句话比罗列三个p值都更有力因为它直接对应了抽样分布的不确定性也符合Bootstrap法的实质。如果你希望再进一步可以补一个占比指标间接效应占总效应的比例即0.31/0.51≈61%。要注意当直接效应与间接效应方向相反时会出现“遮掩效应”这时计算占比没有意义直接分开报告直接效应与间接效应的方向即可。做到这一步之后还有一个值得写在附录里的操作把AMOS中Bootstrap输出里的Standardized Indirect Effects Lower Bounds和Upper Bounds两张原始表截取出来作为支撑材料附在报告后面。这样审阅的人可以快速核对置信区间和间接效应值的来源而不必重新打开AMOS模型文件。实际评审场景中多数质疑集中在样本量、Bootstrap重复次数和置信区间类型这三个点上所以在方法学部分把这三点说明白比堆一堆拟合指标更有效率。本文还有配套的精品资源点击获取