均值作为中介效应的点估计值，将10000个中介效应估计值a?b?按数值大小排序，，用第2.5百分位数和第97.5百分位数来得到95%的中介效应可靠区间估计。

方杰和张敏强(2012)的研究认为，有先验信息的MCMC方法的ab点估计最准确且统计功效最高，中介效应区间估计也最准确，但付出了低估第Ⅰ类错误率的代价；偏差校正的非参数百分位Bootstrap方法的统计功效其次，但付出了高估第Ⅰ类错误率的代价(不需要先验信息)。因此，当有先验信息时，推荐使用有先验信息的MCMC方法，当先验信息不可得时，推荐使用偏差校正的非参数百分位Bootstrap方法。

2.3温忠麟等提出的因果逐步回归的改良法

对于系数乘积的检验，温忠麟等人(2004)早就意识到，如果检验结果都显著，依次检验结果强于Sobel检验结果，所以在他们提出的检验流程中，先进行依次检验，不显著才需要做Sobel检验。现在，Sobel法由Bootstrap法取代，根据前面的讨论，对中介效应的检验流程进行相应的修改(见图2)，步骤如下：

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。

第三步，用Bootstrap法直接检验H0:ab=0。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。

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|。

温忠麟等人对这个操作流程作出了几点说明：

(1)当间接效应显著时，如果第一步检验后按遮掩效应立论，最后结果按遮掩效应解释。如果第一步检验后按中介效应立论，要根据ab和c′的符号进行解释，如果符号相反，按遮掩效应解释。就是说，开始按中介效应立论，不排除最后要按遮掩效应解释，但这样的情况少见。

(2)关于中介效应的效应量，起码应当报告ab/c或者|ab/c′|，并酌情报告其他效应量。 (3)这个流程主要是从参数检验的角度考虑的。从参数估计角度看，一般认为，单单给出点估计是不够的，应当给出区间估计。系数乘积ab的置信区间计算应当用Bootstrap法代替Sobel法。这样，为了做区间估计，Bootstrap法成为一个必须的方法，而且依次检验也可以通过Bootstrap法进行，即用Bootstrap法求出系数a和b的置信区间进行检验。尽管如

此，还是应当先做依次检验，因为如果显著的话，结果强于直接检验系数乘积。

(4)如果直接效应显著，不排除存在其他中介变量的可能，Zhao等人(2010)建议在讨论部分说明这种可能性。

温忠麟等(2014)因果逐步回归法(改良)

2.4基于结构方程模型的简单中介效应检验

中介效应因为涉及两个路径系数的乘积，受到的影响可能更大。Ledgerwood和Shrout(2011)的模拟研究发现，如果使用指标的均值作为显变量，中介效应的估计值低估实际中介效应的比例与合成信度(叶宝娟，温忠麟，2011)的乘积有关。例如，如果信度都是0.9，则中介效应的估计值是实际中介效应的80%(≈0.9×0.9)左右。但使用潜变量的弱点是中介效应估计的标准误较大，降低了检验力。就是说，使用潜变量的检验力通常低于使用显变量的检验力。为此，Ledgerwood和Shrout建议，如果测验信度不够高，使用两步分析策略：第一步用显变量建模检验中介效应，第二步用潜变量建模估计中介效应。不过，如果用潜变量检验中介效应已经显著，就没有必要报告显变量分析结果了。

结构方程模型的主要目的是建构和验证模型的拟合水平，如果模型拟合水平较好，一方面结构方程模型可以根据现有理论建构各变量之间的关系，另一方面可以验证理论构想的合理性和正确性。对于简单的中介效应一般不建议使用结构方程模型，因为结构方程模型也是默认数据为正态分布，其程序的运行与sobel检验法类似，所以也会提高一类错误的概率，但对于较为复杂的模型，一般可以使用结构方程模型来做。基于研究的需要，我们拟以AMOS为例，介绍在结构方程中验证理论构想的中介效应。

Amos的设置及操作步骤：

第一，安装Amos软件，会在Spss分析中出现； 第二，打开Amos软件，根据理论构想画出中介效应图； 第三，添加误差项、并命名；

第四，选择数据文件添加变量，选择List variables in date set直接拖动显变量即可； 第五，选择所要输出的数据，点击Output，一般选择修正指数、标准化估计、总效应、直接效应和间接效应，

第六，点击Calculateestimate，运行程序求解； 第七，点击Viewtext查看结果。

需要注意的是：

第一，Amos对数据要求严格，数据不能含有缺失值； 第二，预测变量不需要添加误差项、因变量必须添加误差项； 第三，潜变量的命名不能与Spss中变量名称一致。

建立假设模型

数据输出类型

方程模型拟合图

主要的结果输出： CMIN Model Default model Saturated model Independence model

NPAR 23 55 10 CMIN 317.760 .000 3523.337 DF 32 0 45 .000 P .000 78.296 CMIN/DF 9.930

RMR, GFI Model Default model Saturated model Independence model

Baseline Comparisons Model Default model Saturated model Independence model RMSEA Model Default model Independence model RMSEA .110 .323 LO 90 .099 .314 HI 90 .121 .332 PCLOSE .000 .000 NFI Delta1 .910 1.000 .000 RFI rho1 .873 .000 IFI Delta2 .918 1.000 .000 TLI rho2 .884 .000 CFI .918 1.000 .000 RMR .025 .000 .187 GFI .923 1.000 .394 AGFI .868 .260 PGFI .537 .323

模型指标拟合不理想可以根据修正指数提示进行修正：

修正指数关系图

修正后的指数有所变化： CMIN Model Default model Saturated model Independence model

NPAR 29 55 10 CMIN 202.148 .000 3523.337 DF 26 0 45 .000 P .000 78.296 CMIN/DF 7.775