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 .095 .323 LO 90 .083 .314 HI 90 .108 .332 PCLOSE .000 .000 NFI Delta1 .943 1.000 .000 RFI rho1 .901 .000 IFI Delta2 .950 1.000 .000 TLI rho2 .912 .000 CFI .949 1.000 .000 RMR .017 .000 .187 GFI .947 1.000 .394 AGFI .888 .260 PGFI .448 .323
2.5复杂中介效应的发展 2.5.1类别变量的中介效应检验
通常的中介效应模型，假设自变量X、中介变量M和因变量Y均为连续变量。对于自变量X 为分类或者等级变量的情景，可以通过定义虚拟变量(dummy variable)的方法来处理。基本方法包括：
第一种方法，设置虚拟变量后，使用因果逐步回归法进行处理，基本步骤与连续变量步骤一致。
第二种方法，如果不进行虚拟变量设置，可以使用Hayes等提供的Process或者MEDIATE插件处理，其中，MEDIATE插件也提供了虚拟变量自动处理功能，其结果解释与校正非参数百分位Bootstrap法基本一致(需要在spss中编写语法实现)。 （1）虚拟变量设置
下面从虚拟变量的设置开始，对上述方法进行操作：
为了在模型中能够反映这些因素的影响，并提高模型的精度，需要将它们“量化”，这种“量化”通常是通过引入“虚拟变量”来完成的。根据这些因素的属性类型，构造只取“0”或“1”的人工变量，通常称为虚拟变量（dummyvariables），记为D。如果某个定性变量有m种相互排斥的类型，则模型中只能引入m-1个虚拟变量。否则会陷入所谓的“虚拟变量陷阱”，产生完全共线性。当原变量是二分类变量时，我们只需要设定一个“1”、“0”取值的虚拟变量，并且把取值为“0”的那个类别作为参照项。
两水平分类变量的虚拟变量设置方法： 第一，Spss中转换→编码为不同变量
第二，选择需要转换的变量并命名，点击更改
第三，点击新值和旧值按钮（Old and New Values），将原变量的“1”设为新变量的“1”，将原变量的“2”设为新变量的“0”，点击继续按钮。 第四，点击确定生成虚拟变量。
四水平分类变量的虚拟变量设置方法： 第一，Spss中转换→编码为不同变量
第二，选择需要转换的变量并命名，点击更改
第三，点击新值和旧值按钮（Old and New Values），将原变量的“1”设为新变量的“1”，将原变量的其余取值都设为“0”，点击继续按钮回主菜单、点击确定按钮产生虚拟变量；将原变量的“2”设为新变量的“0”，将原变量的其余取值都设为“0”，点击继续按钮回主菜单、点击确定按钮产生虚拟变量；将原变量的“3”设为新变量的“0”，将原变量的其余取值都设为“0”，点击继续按钮回主菜单、点击确定按钮产生虚拟变量。
虚拟变量设置好后，按照温忠麟等新提出的因果逐步回归法进行中介效应检验(省略)。
（2）PROCESS程序运行步骤
软件具体操作步骤：
下载Bootstrap插件安装在Spss中(http://www.comm.ohio-state.edu/ahayes/) 步骤一、运行SPSS，打开数据文件；
步骤二、在SPSS 程序的菜单栏中找到“分析”栏目下的“回归”，在“回归”下面找到已经安装的PROCESS插件；
步骤三、运行PROCESS程序，出现对话框；
步骤四、在对话框里的相应的输入框里，输入因变量变量4，自变量为性别，中介变量为变量3。
步骤五、Model Number选择4，把Bootstrap取样(Bootstrap samples)设定为1000，建议为5000，Bootstrap方法选择偏差校对方法(bias corrected)，置信区间选择95%置信区间；
步骤六、点击确定执行程序。
执行完程序，会出现输出文件。在输出文件中包括该中介模型的估计值，如R、R、F，同时输出文件也包括了因果逐步回归中的a、b、c’的估计值，以及ab的中介效应值。如果置信区间不包括0，那么中介作用显著，支持中介作用的假设；如果包括0，则不显著，不支持中介作用的假设。
2
结果输出表
（3）MEDIATE软件操作流程
Hayes等建议使用MEDIATE软件操作流程(可自动生成虚拟变量)： 第一，下载解压缩，然后将后缀名sav改为sps； 第二，在Spss中打开语法文件；
第三，选中全部命令点击按钮运行，进行程序加载(该操作仅在spss英文版本中可运行)； 第四，关闭MEDIATE，并新建新的语法编辑框；
第五，输入语法，并根据具体研究输入变量名，程序自动生成虚拟变量参与程序执行(整个操作过程要求Spss数据打开)，获得的估计值被认为是相对直接效应和相对中介效应。
MEDIATEY=attitude/X=cond/M=communeinter/omnibus=1/samples=5000/catx=3. 其中catx子命令只有在自变量是分类变量时才使用\\
建立语法操作窗口
程序加载方式
结果输出图
如果因变量是分类或等级变量，自变量是连续变量，应当用Logistic 回归取代通常的线性回归(Pregibon, 1981)，回归系数的尺度转换为Logit 量尺。对于因变量Y是分类或者等级变量、中介变量(M)和自变量(X)是连续变量的中介效应模型，M对X的回归系数(连续变量的量尺)与Y对M的回归系数(Logit 量尺)和Y对X的回归系数(Logit 量尺)均不在相同的尺度上，因此不能简单采用处理连续变量中介效应的方式，直接将回归系数a 和b 相乘得到中介效应大小。因而，这样的模型需要通过标准化转换实现回归系数的等量尺化，这这类研究十分稀少，这里不做讨论。
2.5.2多重中介效应的检验 （1）基本类型
对于情景比较复杂的研究，经常需要多个中介变量才能清晰地解释自变量对因变量的作用，这就涉及多重中介(multiplemediation)模型。根据多个中介变量之间是否存在相互影响，多重中介模型可以分为单步多重中介模型和多步多重中介模型(Hayes, 2009)。
单步多重中介模型，也称为并行多重中介模型，是指中介变量之间不存在相互影响；多步多重中介模型，也称为链式多重中介模型，是指中介变量之间存在影响关系，中介变量表现出顺序性特征，形成中介链；另外更为复杂的模型还包括多自变量、多因变量和多中介变量的复合式多重中介(柳士顺, 凌文辁, 2009)。
多重中介效应分析可以从3 个角度进行：一是总的中介效应(total mediation effect)，即估计和检验所有间接效应的总和；二是特定路径的中介效应(specific mediation effect)，即估计和检验某个感兴趣的特定路径的间接效应；三是对比中介效应，即估计和检验某两个路径的间接效应的差异。
并行多重中介模型 (链式)多重中介模型