第 29 课：统计分析（五）中介效应 Bootstrap 检验
🎯 核心实操目标
通关要求：掌握中介效应理论（X→M→Y 三角链）+ Bootstrap 法检验间接效应 + 部分中介 vs 完全中介区分。本课你将用 Jamovi 的 jAMM 模块（或 SPSS Process 宏 Model 4）跑通 Case A 的中介模型：AI 焦虑 → 学习策略 → 自我效能。
📋 课前准备（10 分钟自检）
工具/账号
- [ ] Jamovi 2.5+ + jAMM 模块（菜单 → Modules → 安装 jAMM）
- [ ] 备选：SPSS 29 + Process 宏 v4.2（Hayes 提供，processmacro.org）
数据/素材
- [ ] 第 23 课清洗后数据
- [ ] 三个核心变量：Anxiety_Mean (X) / Strategy_Mean (M) / Efficacy_Mean (Y)
应急通道
- jAMM 装不上 → 试 medmod / GAMLj 等 Jamovi 中介模块
- 跑出来不显著 → 增加 Bootstrap 重抽样次数（5000 → 10000）
- 都跑不出来 → 用在线 Bootstrap 计算器（如 Hayes 网站）
场景痛点破冰：直接路径不显著怎么办？
"学生跑回归发现：AI 焦虑 → 自我效能直接路径 β = -.15, p = .07（不显著!）。 学生绝望地以为假设全错了。
但科学的性感在此——找中介！ 也许 AI 焦虑不是直接降低效能，而是通过"破坏学习策略"间接发挥作用。
跑中介检验后发现：
- AI 焦虑 → 学习策略：a = -.34, p < .001 ✅
- 学习策略 → 自我效能：b = .42, p < .001 ✅
- 间接效应 a × b = -.143, 95% CI [-.20, -.09] 不含 0，显著!
故事完整了：AI 焦虑通过破坏学习策略，间接降低自我效能感。 这就是中介的力量。"
🗺️ 架构重组：中介效应模型
| 路径 | 含义 |
|---|---|
| a | X 对 M 的直接影响（AI 焦虑 → 学习策略） |
| b | M 对 Y 的直接影响（控制 X 后） |
| c' | X 对 Y 的直接路径（控制 M 后） |
| c | X 对 Y 的总效应 = c' + a×b |
| a × b | 间接效应（中介路径）—— 本课的检验目标 |
完全中介 vs 部分中介
- 完全中介：c'（直接路径）不显著，a×b（间接路径）显著 → X 完全通过 M 影响 Y
- 部分中介：c' 和 a×b 都显著 → X 部分通过 M 影响 Y
🚀 拆解实战 A：经典法 vs Bootstrap 法
经典 Baron & Kenny 四步法（已不推荐单独使用）
Step 1: X → Y 显著(c)
Step 2: X → M 显著(a)
Step 3: 加入 M 后, M → Y 显著(b)
Step 4: 加入 M 后, X → Y 不显著(完全中介)或减弱(部分中介)问题：步骤 1 要求 c 显著，但实际上间接效应可以在 c 不显著时仍然存在！现代研究直接跳到 Bootstrap。
Bootstrap 法（现代主流）
核心思想：从数据中有放回地重抽样 5000 次，每次都计算 a×b，得到 5000 个间接效应估计，构造 95% 置信区间。
判断标准：
- ✅ 95% CI 不含 0 → 间接效应显著
- ❌ 95% CI 含 0 → 不显著
🚀 拆解实战 B：Jamovi jAMM 操作
安装 jAMM
- Jamovi → 右上角"+"（Modules）→ jamovi library
- 搜索 jAMM（Advanced Mediation Models）
- Install → 重启 Jamovi
跑中介
- Analyses → jAMM → GLM Mediation Model
- Dependent Variable (Y): Efficacy_Mean
- Mediator (M): Strategy_Mean
- Covariates (X): Anxiety_Mean
- Confounders（控制变量）: Gender, Grade
- Bootstrap：
- Method: Percentile Bootstrap
- Number of Bootstrap samples: 5000
- Confidence Interval: 95%
- 运行
关键输出
═══════════════════════════════════════════════════
路径 Estimate SE 95% CI p
───────────────────────────────────────────────────
a (X→M) -.34 .04 [-.42, -.26] .000
b (M→Y) .42 .03 [.36, .48] .000
c' (X→Y, direct) -.15 .03 [-.22, -.08] .002
c (X→Y, total) -.29 .04 [-.37, -.21] .000
a×b (间接效应) -.143 .025 [-.20, -.09] ⭐
───────────────────────────────────────────────────
间接效应/总效应: 49.3%(中介效应占比)
═══════════════════════════════════════════════════🚀 拆解实战 C：报告（APA）
为检验 H2(学习策略在 AI 焦虑→自我效能感路径中起中介作用),
采用 jAMM 进行 Bootstrap 中介检验, 重抽样 5000 次,
报告 95% 偏差校正置信区间。
路径系数显示:
- AI 焦虑显著负向预测学习策略(a = -.34, p < .001)
- 学习策略显著正向预测自我效能感(b = .42, p < .001)
- 控制学习策略后, AI 焦虑对自我效能感的直接效应
仍然显著(c' = -.15, p = .002)
Bootstrap 检验显示, 学习策略在 AI 焦虑与自我效能感之间的
**间接效应显著**, ab = -.143, SE = .025, 95% CI [-.20, -.09]
(置信区间不含 0)。
间接效应占总效应的 49.3%, 表明学习策略起**部分中介**作用。
H2 得到支持。🚀 拆解实战 D：SPSS Process 宏（备选）
如果只有 SPSS：
- 下载 Process v4.2：processmacro.org
- 安装到 SPSS（Process.spd 文件）
- Analyze → Regression → Process
- Model number: 4（简单中介）
- X: Anxiety_Mean / Y: Efficacy_Mean / M: Strategy_Mean
- Covariates: Gender / Grade
- Bootstrap: 5000 次, Bias-corrected 95% CI
- 运行
🚀 拆解实战 E：常见错误自检
⚠️ 中介分析三大红线
- 横截面数据不能推因果——只能说"X 通过 M 预测 Y"（不是"X 通过 M 导致 Y"）
- 方向性不能颠倒：理论必须支持 X → M → Y 的方向（不能反着跑）
- AI 不能替你跑中介——只能让 AI 翻译你跑出来的统计输出
AI 经常犯的错（必须打假）
| AI 错误 | 真相 |
|---|---|
| "完全中介意味着 X 不影响 Y" | 错。X 通过 M 影响 Y，只是没有直接路径 |
| "中介效应占比 100% = 完全中介" | 错。要看 c' 显著性，不是占比 |
| "95% CI 含 0 但 p < .05" | 数学矛盾，必有错（Bootstrap 用 CI 不用 p） |
| 把 a×b 算成 a + b | 严重错误 |
📦 本课交付物（提交给 AI 初审/讲师抽检）
- [ ] 中介模型路径图：A4 大小，含 a/b/c/c' 系数和显著性标注
- [ ] Bootstrap 输出表：含间接效应 95% CI
- [ ] 中介报告段落（约 300 字）：含完整 APA 格式
- [ ] 中介效应类型判定：完全 / 部分中介，附判断依据
🏁 小结与自测 (Milestone Checklist)
- [ ] 我理解 X→M→Y 三角链与 a / b / c' / a×b 的含义
- [ ] 我用 Bootstrap 5000 次重抽样跑出 95% CI
- [ ] 我清楚判断中介显著的标准：95% CI 不含 0
- [ ] 我能区分完全中介（c' 不显著）vs 部分中介（c' 显著）
- [ ] 我清楚中介分析永远不能用因果动词（"通过"/"间接预测"而非"导致"）
- [ ] 我能识别 AI 在中介解释中的常见错误（占比误读、CI/p 矛盾等）