Amos实战：如何用Bootstrap法检验中介效应？附完整操作步骤

Amos实战：Bootstrap法检验中介效应的完整指南

引言

在社会科学和行为科学研究中，中介效应分析已成为揭示变量间作用机制的重要工具。传统的中介效应检验方法如因果逐步法和Sobel检验，虽然操作简单但存在统计功效不足、前提假设严格等问题。相比之下，基于Bootstrap抽样法的中介效应检验因其不依赖正态分布假设、统计功效高等优势，正逐渐成为学术界推荐的标准方法。

Amos作为结构方程模型(SEM)分析的专业软件，为研究者提供了便捷的Bootstrap中介效应检验功能。本文将系统介绍如何利用Amos实现从模型设定、Bootstrap抽样到结果解读的全流程操作，特别针对以下核心问题展开：

1. Bootstrap方法为何能提高中介效应检验的可靠性？
2. Amos中如何正确设置Bootstrap抽样参数？
3. 如何解读Bootstrap输出的置信区间结果？
4. 与传统Sobel检验相比，Bootstrap法有哪些优势？

1. 中介效应基础与Bootstrap原理

1.1 中介效应的基本概念

中介效应描述的是自变量X对因变量Y的影响通过中介变量M传递的过程。一个典型的中介模型包含三条路径：

• 路径a：X → M的效应
• 路径b：M → Y的效应（控制X后）
• 路径c'：X → Y的直接效应（控制M后）

中介效应量通常计算为路径a与路径b的乘积(ab)，而总效应等于直接效应c'加上中介效应(ab)。

1.2 传统检验方法的局限

传统中介效应检验主要依赖以下两种方法：

1. 因果逐步法：

   • 步骤1：检验X→Y的总效应c
   • 步骤2：检验X→M的效应a
   • 步骤3：检验M→Y的效应b（控制X后）
   • 要求所有路径均显著

2. Sobel检验：

   • 构建z统计量：z = (ab)/SE(ab)
   • 依赖乘积项a*b的正态分布假设

这两种方法的主要问题在于：

• 逐步法检验力较低（Type II错误率高）
• Sobel检验要求a*b服从正态分布，但实际常呈偏态分布
• 对小样本敏感，容易得出假阴性结论

1.3 Bootstrap方法的优势

Bootstrap是一种非参数的重抽样技术，其核心思想是通过从原始样本中有放回地重复抽样，构建经验抽样分布。在中介效应检验中，Bootstrap通过以下步骤实现：

1. 从原始样本(N)中有放回地抽取B个Bootstrap样本（每个样本量也为N）
2. 在每个Bootstrap样本上估计中介效应a*b
3. 基于B个估计值构建经验分布
4. 计算置信区间(如95% CI)

关键优势在于：

• 不依赖正态分布假设
• 对中小样本更稳健
• 可提供偏差校正的区间估计
• 统计功效高于传统方法

实证研究显示：当样本量小于500时，Bootstrap法的统计功效显著高于Sobel检验；即使在中大型样本中，Bootstrap也能保持更稳定的Type I错误率控制。

2. Amos中的Bootstrap操作步骤

2.1 数据准备与模型设定

在开始Bootstrap分析前，需确保：

1. 数据质量：

   • 缺失值处理（建议使用多重插补）
   • 异常值检测（可通过马氏距离识别）
   • 正态性检验（偏度<|2|，峰度<|7|）

2. 模型构建：

   graph LR